CN107121927B - 一种基于广义预测控制的灌溉系统 - Google Patents

Abstract

本发明公开了一种基于广义预测控制的灌溉系统，包括事件产生模块，所述的事件产生模块包含两个部分：事件检测器与事件控制器，事件检测器决定是否将新发生的事件通知控制器，事件控制器由一组广义预测控制器组成，当检测到一个新的事件时，根据时间点选择其中一个广义预测控制器，本发明使用事件产生器管理GPC控制器，根据控制过程的动态调节控制系统的激活频率。不同天气条件下的实验结果表明，本控制系统减少了控制成本、提高了控制精度。与普通的ON/OFF控制器相比，本控制系统可在保持与之接近的灌溉性能的情况下，减少20%的用水量。

Description

一种基于广义预测控制的灌溉系统

技术领域

本发明涉及一种基于广义预测控制的灌溉系统。

背景技术

精细农业是一种新型的田间管理方式，农田中田间土壤、作物的特性都不是均一的，一般随着时间、空间而变化，而传统的农田管理则认为这些因素都是均一的，所以采用统一的施肥时间、施肥量以及灌溉处理。精细农业与传统农业相比，主要有以下3个特点：1.合理施用化肥，降低生产成本；2.减少并节约水资源；3.节本增效，省工省时，优质高产。自动化灌溉系统是精细农业中一个重要的组成部分。

目前，许多研究人员设计了有效的自动灌溉系统：石建飞,曹洪军,衣淑娟等在“基于PLC的寒地水稻水肥一体化灌溉系统设计”中设计了以PLC为控制核心、通过无线通信方式实现对水稻农田的土壤水分、水位、设备工作状态等数据进行采集分析的系统，提高了灌溉和施肥的均匀性、及时性和简便性。魏义长,王振营,王同朝等在“土壤墒情实时监测与精准灌溉系统的设计”中利用拥有自主知识产权的土壤水分传感器、数据采集控制模块、数据传输模块、管道流量计等硬件以及自己编制的土壤墒情监测与精准灌溉控制软件,实现了节约用水、提高产量、改善作物品质的效果。魏凯,安进强,贾晔等在“基于ZigBee技术的恒压灌溉系统研究”中基于ZigBee技术,采用HMI与PLC交互平台的模糊PID闭环控制系统,研制了一种可以自动实现精确控制灌溉水量和恒定管网压力的滴灌自动控制系统。Shin JH,Park J S,Son J E在Estimating the actual transpiration rate with compensatedlevels of accumulated radiation for the efficient irrigation of soillesscultures of paprika plants中记载了为无土栽培系统设计了基于PLC的滴灌灌溉系统，该系统考虑了光照、蒸腾作用以及排水系统等因素对无土栽培用水量的影响。上述的方案大多主要是通过物联网技术对土壤的湿度进行实时的监控，根据检测的土壤湿度值实时地控制灌溉水量与时间，有的考虑了光照、蒸腾作用的影响，设计了更为精细的自动灌溉系统，其节水效果较好。

现有的设计方案主要根据土壤湿度对水分进行适量的补偿，但鲜有研究考虑基于广义预测控制的灌溉系统，导致自动灌溉系统的用水量与控制成本较高。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于广义预测控制的灌溉系统，能够在实现普通商业灌溉系统灌溉性能的同时，明显地降低灌溉成本与控制成本。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明公开了一种基于广义预测控制的灌溉系统，包括事件产生模块，所述的事件产生模块包含两个部分：事件检测器与事件控制器，事件检测器决定是否将新发生的事件通知控制器，事件控制器由一组广义预测控制器组成，当检测到一个新的事件时，根据时间点选择其中一个广义预测控制器。

进一步地，事件产生模块采样温室过程的输出，采样时间为Tbase，如果采样到控制行为，则根据事件发生的频率调节变化的采样时间Tf；Tf是Tbase的倍数(Tf＝fTbase,f∈[1,nmax])，且Tf≤Tmax，Tmax＝nmaxTbase是最大的采样时间值；事件产生模块根据每个基本采样周期监控控制过程的输出。

进一步地，事件检测器使用该信息验证温室过程的输出是否满足一些指定条件，如果满足了这些条件，则使用采样周期Tf产生一个事件，从而节约一次控制活动；否则，仅在t＝t+tmax时产生一个控制活动；基于变化的采样时间Tf计算控制活动，因此使用一组GPC控制器，每个GPC控制器对应一个采样时间Tf＝fTbase，f∈[1,nmax]。

进一步地，控制过程使用GPC算法作为反馈控制器，使用一组GPC控制器，每个控制器对应一个采样时间T_f，f∈[1,n_max]，该控制器集合中每个控制器通过使用对应的离散时间模型实现经典的GPC算法；GPC控制器的目标是最小化多个阶段的成本函数：

式中

是在系统输出预测之前最优的j步，t为当前时间，Δu^f(t+j-1)是未来控制增量，w(t+j)是未来参考轨迹，包含采样时间T_f(t＝kT_f,k∈Z⁺)内的所有信号；此外，调优参数分别是最小预测水平、最大预测水平、

控制水平、

未来误差、控制加权因子δ^f与λ^f；预测水平定义为

与

加权因子δ^f＝1；GPC的目标是计算未来的控制序列

即通过最小化J，推导出接近于w(t+j)的农作物未来输出y^f(t+j)。

进一步地，通过事件产生器模块管理事件的采样，该模块使用两个不同的条件产生新的事件，如果一个条件变为TRUE，则产生一个新的事件，将过程的当前信号传输至控制模块，根据该信号计算一个新的控制活动；

第一个条件使用蒸腾模型来决定事件的时间，且使用异步采样；如果农作物蒸腾的总量y(t)大于指定的阈值β，则产生一个新的事件，y(t)的计算方法如下所示：

式中

是最后的事件e_i产生的时间；如果y(t)超过β，则将其值设为0；如果丢失的总水量达到指定阈值β，则生成新的控制系统事件，显然β值决定了本系统事件产生的频率；

第二个条件是一个基于时间的条件，该条件用于提高稳定性；该条件定义为两个控制信号的计算时间差值，设为T_max：

使用最小的采样时隙T_base检查第二个条件，使用变化的采样时间T_f＝fT_base，f∈[1,n_max]对所有事件进行检查。

进一步地，还包括信号重建与重新采样技术：使用变化的采样时间段T_f决定一个新控制活动，因此，为了实现GPC控制算法，过程变量的过去值与控制信号必须是可用的(采样时间间隔为T_f)，所以需要重建对应的信号；

假设一个控制信号为u_b，每隔T_base时间使用该变量来保存控制信号值；首先，计算所需的过去信息，更新信号u_b；假设产生一个新的事件，导致一个新的采样周期T_f＝fT_base，因为使用T_base采样u_b的值，所以使用u_b中过去f个值的平均值重建

的过去值；

式中i＝P_u,...,1，j＝k-1-(P_u-i)f，

与P_u分别是u^f的过去值与所需的过去值数量；首先，根据u_b中的过去值计算新采样时间T_f的过去信息，保存于一个变量中(设为

)，使用该信息与过去的过程输出数据(设为y_f)计算新的控制活动，通过保持两个连续事件的常量值来更新u_b信号，u^f(T_f)＝u^b(k)；

根据上述基于事件的GPC工作原则，使用异步采样监控的过程输出变量，为了恢复两个连续事件之间的信息，采用拉格朗日公式方法重建该信。

本发明所达到的有益效果是：

本发明使用事件产生器管理GPC控制器，根据控制过程的动态调节控制系统的激活频率。不同天气条件下的实验结果表明，本控制系统减少了控制成本、提高了控制精度。与普通的ON/OFF控制器相比，本控制系统可在保持与之接近的灌溉性能的情况下，减少20％的用水量。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是控制器的结构示意图；

图2本发明控制系统在晴天天气的实验结果；

图3是本发明控制系统在多云天气的实验结果；

图4是本普通温室灌溉系统的结果；

图5是本控制系统第6天的实验结果。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

一种基于广义预测控制的灌溉系统，包括事件产生模块，所述的事件产生模块包含两个部分：事件检测器与控制器。事件检测器决定是否将新发生的事件通知控制器，控制器由一组GPC(广义预测控制)控制器组成，当检测到一个新的事件时，根据时间点选择其中一个GPC控制器。图1所示是控制器的完整结构，包含了处理器、执行器、控制器与事件产生器。本控制器的设计思想如下所示：

1.事件产生器模块采样温室过程的输出，采样时间为T_base，如果采样到控制行为，则根据事件发生的频率调节变化的采样时间T_f。

2.T_f是T_base的倍数(T_f＝fT_base,f∈[1,n_max])，且T_f≤T_max，T_max＝n_maxT_base是最大的采样时间值。

3.事件产生模块根据每个基本采样周期(T_base)监控控制过程的输出。检测模块使用该信息验证温室过程的输出是否满足一些指定条件，如果满足了这些条件，则使用采样周期T_f产生一个事件，从而节约一次控制活动；否则，仅在t＝t+t_max时产生一个控制活动。

4.基于变化的采样时间T_f计算控制活动，因此使用一组GPC控制器，每个GPC控制器对应一个采样时间T_f＝fT_base，f∈[1,n_max]。

广义预测控制算法

本控制过程使用GPC算法作为反馈控制器。使用一组GPC控制器，每个控制器对应一个采样时间T_f，f∈[1,n_max]，该控制器集合中每个控制器通过使用对应的离散时间模型实现经典的GPC算法。GPC控制器的目标是最小化多个阶段的成本函数：

式中

是在系统输出预测之前最优的j步，t为当前时间，Δu^f(t+j-1)是未来控制增量，w(t+j)是未来参考轨迹，包含采样时间T_f(t＝kT_f,k∈Z⁺)内的所有信号。此外，调优参数分别是最小预测水平、最大预测水平、

控制水平、

未来误差、控制加权因子δ^f与λ^f。预测水平定义为

与

加权因子δ^f＝1。GPC的目标是计算未来的控制序列

即通过最小化J，推导出接近于w(t+j)的农作物未来输出y^f(t+j)。

基于事件的信号采样

从图1可看出通过事件产生器模块管理事件的采样，该模块使用两个不同的条件产生新的事件，如果一个条件变为TRUE，则产生一个新的事件，将过程的当前信号传输至控制模块，根据该信号计算一个新的控制活动。

第一个条件使用蒸腾模型来决定事件的时间，且使用异步采样。如果农作物蒸腾的总量y(t)大于指定的阈值β，则产生一个新的事件，y(t)的计算方法如下所示：

式中

是最后的事件e_i产生的时间。如果y(t)超过β，则将其值设为0。如果丢失的总水量达到指定阈值β，则生成新的控制系统事件，显然β值决定了本系统事件产生的频率。

第二个条件是一个基于时间的条件，该条件用于提高稳定性。该条件定义为两个控制信号的计算时间差值，设为T_max：

使用最小的采样时隙T_base检查第二个条件，使用变化的采样时间T_f＝fT_base，f∈[1,n_max]对所有事件进行检查。

信号重建与重新采样技术

如上文描述，使用变化的采样时间段T_f决定一个新控制活动，因此，为了实现GPC控制算法，过程变量的过去值与控制信号必须是可用的(采样时间间隔为T_f)，所以需要重建对应的信号。

过去控制信号的重建

假设一个控制信号为u_b，每隔T_base时间使用该变量来保存控制信号值。首先，计算所需的过去信息，更新信号u_b。假设产生一个新的事件，导致一个新的采样周期T_f＝fT_base，因为使用T_base采样u_b的值，所以使用u_b中过去f个值的平均值重建

的过去值。

式中i＝P_u,...,1，j＝k-1-(P_u-i)f，

与P_u分别是u^f的过去值与所需的过去值数量。首先，根据u_b中的过去值计算新采样时间T_f的过去信息，保存于一个变量中(设为

)，使用该信息与过去的过程输出数据(设为y_f)计算新的控制活动，通过保持两个连续事件的常量值来更新u_b信号，u^f(T_f)＝u^b(k)。

过程输出的重建

根据上述基于事件的GPC工作原则，使用异步采样监控的过程输出变量，为了恢复两个连续事件之间的信息，本文采用拉格朗日公式方法^[11]重建该信息。

结果

仿真实验

实验条件

仿真研究使用图1的温室灌溉系统与2016春季的气象资料，为了获得可靠的数据，在天气条件不同的10天内测试所有的控制系统。使用PWM技术驱动电磁ON/OFF，将控制器的连续信号转换为宽度变化的脉冲，脉冲的宽度由控制信号决定，范围为0％～100％，将PWM的调制频率设为0.02Hz。

模型参数的设置

控制系统的开发过程中首先要捕获过程的动态，所以选择期望操作点附近的变量进行几组实验。灌溉过程描述为积分过程，如下所示：G(s)＝0.005/s。本灌溉过程控制的GPC参数设为以下的值：控制水平设为N_u＝5，预测水平设为N₂＝15，通过实验统计控制信号的加权参数λ，将λ设为5来获得期望的控制系统性能。GPC控制器的最小采样间隙设为5分钟。

为了分析控制系统的性能，对5分钟采样时间的普通ON/OFF控制器进行实验。采用绝对积分误差(IAE)决定每组配置参数的控制性能，：

该式计算了设定值与控制变量的误差。该指标广泛应用于控制系统性能的评价中，用水量WU定义为：1m²区域灌溉的总用水量，事件指标定义为：每组配置参数产生的事件数量。

首先，分析控制系统的采样时隙对性能的影响，将β变量设为以下几个值：β＝{0,0.1,0.5,0.75,1,1,5,2,2.5}。β＝0的配置对应于经典的系统，其过程输出为固定的采样时隙(5分钟)。对于其他的β值，因为异步地触发控制器，所以是基于事件的系统，事件逻辑的宽度值对事件产生模块触发的事件数量具有直接的影响，并且决定了控制系统的性能。宽度值越小，事件数量越高，控制性能越好；否则，事件数量越低，控制系统的性能越差。β值决定了控制成本与控制性能，因为ON/OFF控制器是温室灌溉系统使用最为广泛的控制器，所以同时对ON/OFF控制器进行了仿真。

表2所示是不同配置的控制性能指标，可看出β＝0获得了最优的控制性能，但该配置的控制成本是其中最高的。本系统有六组配置的性能优于ON/OFF控制器，并且WU值降低了10％，明显地降低了用水量。表2显示使用较大的宽度值可明显地减少控制系统的成本，但同时降低了控制的精度，所以必须在两者之间进行权衡。对于温室灌溉系统，本控制系统的控制精度高于ON/OFF控制器，且控制成本亦较低，本系统基于事件采样实现了动态的调节，所以本系统优于ON/OFF控制器。

本控制器使用β＝1.5获得了与ON/OFF控制器相同的控制性能，两者的IAE分别等于14.5与14.6。本系统的控制成本为WU＝27.11，比ON/OFF控制系统降低了约20％的用水量。因为ON/OFF控制器已经完全满足了当前温室灌溉应用的需求，所以本系统选择β＝1.5进行后续的分析。

表2不同配置的控制性能指标

图2与图3分别是本控制系统(β＝1.5)对于实验第2与9天的结果。图2显示了本控制器对于晴天的控制性能，晴天导致蒸腾作用剧烈，作物需水量提高，导致供水阀的控制信号变化剧烈，且事件-产生器频繁地触发事件。图中可看出土壤的湿度始终保持设定值，当蒸腾作用发生变化时控制器才激活。

图3显示了本控制器(β＝1.5)对于多云天气的控制性能。因为蒸腾作用降低，所以这一天的需水量降低，导致供水阀的控制信号变化频率较低，事件产生器产生事件的频率明显降低。比较第二与第九天的控制信号，可看出本控制器可根据实际的需求调节所需的控制成本，该特点在温室灌溉系统中特别重要，该特点可减少用水量，降低温室的维护成本。

图2本控制系统在晴天天气的实验结果：(a)光辐射强度的变化曲线(b)蒸腾水量的变化曲线(c)湿度的变化曲线(d)水控制阀的变化曲线(e)控制系统事件的变化曲线

图3本控制系统在多云天气的实验结果：(a)光辐射强度的变化曲线(b)蒸腾水量的变化曲线(c)湿度的变化曲线(d)水控制阀的变化曲线(e)控制系统事件的变化曲线.

实验评估

统计5月4号到10号的实验结果，因为天气较暖，所以作物的产量与蒸腾量较高，导致供水量较高。

以分布式的方式实现控制系统的配置，温室中设置了传感器与执行器，使用NI(国家仪器)的兼容-FieldPoint硬件来进行感知与激活任务。每个兼容-FieldPoint单元装备了AD(模数转换)与DA(数模转换)模块。在一个标准的PC中建立控制器节点，控制器节点使用基于LabVIEW的软件执行本控制器，编程环境为Matlab2011b。为了便于实现，控制系统的所有节点通过一个专用的以太网连接。

开发控制系统的第一步是抓取控制过程的动态，为了获得动态的过程响应，对期望操作点周围的自变量进行几组实验。将灌溉过程建模为线性规划形式：G(s)＝0.0005/秒。因为过程是动态的变化，将灌溉过程控制的GPC参数设置为以下的值：控制水平被设置为N_u＝5，预测水平设为N₂＝10(抓取主要的过程动态)，控制信号的权重因子λ设为2，拉格朗日公式的度设为2。GPC控制器设置7分钟的采样时间，所有分析中土壤湿度的设定值设为60％。根据上一节的实验，设置β＝1.5。

首先，使用广泛使用的商业温室灌溉系统^[12]进行实验，图4所示是具有代表性一天的温室灌溉过程，图中可看出，成功地将土壤湿度维持在期望值附近，使用一个固定的模式实现水的注入。商业的灌溉系统中，WD值是总用水量的20％左右，本控制方案明显地降低了WD值。必须指出：通过调节β值可调节控制性能与控制成本之间的关系。

图5中是本文控制系统第6天的实验结果。从控制信号的变化可看出蒸腾作用导致本控制器调节水的供应量，蒸腾作用越高，供水量越高。因为本控制系统根据作物的真实需求调节供水量，所以减少了总用水量，同时，本控制系统维护的机制湿度更加接近于期望值，所以本控制系统的控制性能更好。总体而言，本控制系统提高了控制精度、降低了控制成本。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于广义预测控制的灌溉系统，其特征在于，包括事件产生模块，所述的事件产生模块包含两个部分：事件检测器与事件控制器，事件检测器决定是否将新发生的事件通知控制器，事件控制器由一组广义预测控制器组成，当检测到一个新的事件时，根据时间点选择其中一个广义预测控制器；

控制过程使用GPC算法作为反馈控制器，使用一组GPC控制器，每个控制器对应一个采样时间T_f，f∈[1,n_max]，该控制器集合中每个控制器通过使用对应的离散时间模型实现经典的GPC算法；GPC控制器的目标是最小化多个阶段的成本函数：

式中

是在系统输出预测之前最优的j步，t为当前时间，Δu^f(t+j-1)是未来控制增量，w(t+j)是未来参考轨迹，包含采样时间T_f(t＝kT_f,k∈Z⁺)内的所有信号；此外，调优参数分别是最小预测水平

最大预测水平

控制水平

未来误差δ^f、控制加权因子λ^f；最小与最大预测水平定义为

与

控制加权因子δ^f＝1；GPC的目标是计算未来的控制序列

即通过最小化J，推导出接近于w(t+j)的农作物未来输出y^f(t+j)；其中，事件产生模块采样温室过程的输出，采样时间为T_base，如果采样到控制行为，则根据事件发生的频率调节变化的采样时间T_f；T_f是T_base的倍数，即T_f＝fT_base,f∈[1,n_max]，且T_f≤T_max，T_max＝n_max T_base是最大的采样时间值；事件产生模块根据每个基本采样周期监控控制过程的输出；

其中，事件检测器使用信息验证温室过程的输出是否满足一些指定条件，如果满足了这些条件，则使用采样周期T_f产生一个事件，从而节约一次控制活动；否则，仅在t＝t+T_max时产生一个控制活动；基于变化的采样时间T_f计算控制活动，因此使用一组GPC控制器，每个GPC控制器对应一个采样时间T_f＝fT_base，f∈[1,n_max]；

其中，通过事件产生器模块管理事件的采样，该模块使用两个不同的条件产生新的事件，如果一个条件变为TRUE，则产生一个新的事件，将过程的当前信号传输至控制模块，根据该信号计算一个新的控制活动；

第一个条件使用蒸腾模型来决定事件的时间，且使用异步采样；如果农作物蒸腾的总量y(t)大于指定的阈值β，则产生一个新的事件，y(t)的计算方法如下所示：

式中

是最后的事件e_i产生的时间；如果y(t)超过β，则将其值设为0；如果丢失的总水量达到指定阈值β，则生成新的控制系统事件，显然β值决定了本系统事件产生的频率；

第二个条件是一个基于时间的条件，该条件用于提高稳定性；该条件定义为两个控制信号的计算时间差值，设为T_max：

使用最小的采样时隙T_base检查第二个条件，使用变化的采样时间T_f＝fT_base，f∈[1,n_max]对所有事件进行检查；

其中，还包括信号重建与重新采样技术：使用变化的采样时间段T_f决定一个新控制活动，因此，为了实现GPC控制算法，过程变量的过去值与控制信号必须是可用的，其采样时间间隔为T_f，所以需要重建对应的信号；

假设一个控制信号为u_b，每隔T_base时间使用该变量来保存控制信号值；首先，计算所需的过去信息，更新信号u_b；假设产生一个新的事件，导致一个新的采样周期T_f＝fT_base，因为使用T_base采样u_b的值，所以使用u_b中过去f个值的平均值重建

的过去值；

式中i＝P_u,...,1，j＝k-1-(P_u-i)f，

与P_u分别是u^f的过去值与所需的过去值数量；首先，根据u_b中的过去值计算新采样时间T_f的过去信息，保存于一个变量

中，使用该信息与过去的过程输出数据y_f计算新的控制活动，通过保持两个连续事件的常量值来更新u_b信号，u^f(T_f)＝u^b(k)；

根据上述基于事件的GPC工作原则，使用异步采样监控的过程输出变量，为了恢复两个连续事件之间的信息，采用拉格朗日公式方法重建该信息。

Images