CN109324506B - 考虑节能与产量效益最优的温室温度设定值自动获取方法 - Google Patents
考虑节能与产量效益最优的温室温度设定值自动获取方法 Download PDFInfo
- Publication number
- CN109324506B CN109324506B CN201810766327.8A CN201810766327A CN109324506B CN 109324506 B CN109324506 B CN 109324506B CN 201810766327 A CN201810766327 A CN 201810766327A CN 109324506 B CN109324506 B CN 109324506B
- Authority
- CN
- China
- Prior art keywords
- temperature
- set value
- sum
- day
- outdoor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/14—Measures for saving energy, e.g. in green houses
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明涉及一种考虑节能与产量效益最优的温室温度设定值自动获取方法,包括以下步骤:1)获取种植地区的历史气候信息;2)根据建立的可用于实际优化计算的全周期产量模型和能耗模型,以温室生产全周期的节能与产量效益最优为目标,采用粒子群算法求取日平均温度初始设定值;3)获取未来七日的天气预报信息,以七日节能与产量效益最优为目标,使用滚动优化算法对初始日平均温度进行二次优化,得到日平均温度最终设定值;4)根据日平均温度最终设定值,以当日的光合作用速率最大为目标,使用序列二次规划算法进一步自动设定一天内不同时段的温度设定值。与现有技术相比,本发明具有自动调温、节能增收等优点。
Description
技术领域
本发明涉及农业温室环境控制优化技术领域,尤其是涉及一种考虑节能与产量效益最优的温室温度设定值自动获取方法。
背景技术
经济效益最优的温室环境控制是对温室小气候进行有效干预的基础上实现整个生产期最大化产量和最小化能耗。从整个温室生产过程来说,温室环境变量设定值的选择是关系到整个温室生产过程总体能耗和经济效益的全局性问题,在很大程度上决定了温室生产的最终经济效益。温室环境设定值既要满足作物生长的需求从而提高作物的产量,同时也要适应室外气候的变化,使其尽可能地缩小与室外气候变量之间的差距,从而减少温室内小气候环境调控的能耗。在日光温室中,温室经营的可变支出包括加热能耗、补光能耗、二氧化碳增施消耗的成本等,收入主要为农产品的售卖。目前有关温室经济效益最优的研究主要针对于加热能耗,即考虑温室节能与产量效益最优(技术背景后文用“经济效益值”表示),而温度是影响加热能耗和作物产量的重要影响因素,目前温室中的温度设定值的设定主要存在以下问题:
目前温室种植中的温度设定值的获取依赖于种植经验,并由种植人员手动输入系统。根据不同生长阶段的作物对温度需求不同,在一定范围内设定一个适合作物生长的温度设定值。这种方法考虑了温室温度在最适宜作物生长的环境中,但是没有考虑能耗是否降低,更没有考虑温室全生产周期的经济效益;在实际应用中需要种植人员输入温度设定值,对操作人员要求较高,不利于大范围面积的推广使用。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑节能与产量效益最优的温室温度设定值自动获取方法。
本发明的目的可以通过以下技术方案来实现:
一种考虑节能与产量效益最优的温室温度设定值自动获取方法,包括以下步骤:
1)获取种植地区的历史气候信息,包括一个种植周期内的室外温度、湿度、光照强度、雨量和风速数据;
2)根据建立的可用于实际优化计算的全周期产量模型和能耗模型,以温室生产全周期的节能与产量效益最优为目标,采用粒子群算法求取日平均温度初始设定值;
3)获取未来七日的天气预报信息,以七日节能与产量效益最优为目标,使用滚动优化算法对初始日平均温度进行二次优化,得到日平均温度最终设定值;
4)根据日平均温度最终设定值,以当日的光合作用速率最大为目标,使用序列二次规划算法进一步自动设定一天内不同时段的温度设定值。
所述的种植地区的历史气候信息的时间跨度包含一个完整种植周期,包括作物的苗期、生长期和果期。
所述的步骤2)中,获取日平均温度初始设定值具体包括以下步骤:
21)根据历史气候信息,以温室生产全周期的节能与产量效益最优为目标,采用粒子群算法优化得到周积温设定值,对应的性能函数J1为:
Tsum{i}min≤Tsum{i}≤Tsum{i}max
其中,Tsum{i}为作物生长全周期中的第i周的周积温值,wp{i}为生长全周期中的第i周的室外历史气候数据,DMHar(Tsum{i},wp{i})为作物在第i周收获的果实干物质量,qtom为温室作物鲜重的售价,ηMDMFM为温室作物干物质量和鲜重的转换系数,qheat为温室环境加热能量的单价,Qheat(Tsum{i},wp{i})为第i周的加热能耗,n为生产全周期的种植周数;
22)根据周积温设定值,通过平均处理的方式获取未来7日内的初始日平均温度设定值,如下式所示:
Tave,D,init=Tsum/7
其中,Tsum为根据历史气候优化得到的周积温设定值,Tave,D,init为未来七日内的初始日平均温度设定值。
所述步骤2)中,建立的可用于实际优化计算的全周期产量模型表示为:
wp=[Tout,Iglob]
Tsum=[Tsum,1,Tsum,2……Tsum,n]
其中,f(Tsum,wp)为在全生长周期的周积温设定值为Tsum、室外气候为wp条件下收获的全周期的温室作物果实干物质量,室外气候wp包含室外温度和光照,Tout为室外天气温度,Iglob为室外光照强度,n为生产全周期的种植周数,DMHar(Tsum{i},wp{i})为第i周收获的果实干物质质量,Tsum,n为第n周的周积温设定值。
所述步骤2)中,建立的可用于实际优化计算的全周期能耗模型表示为:
wp=[Tout,Iglob,Vwind]
Tsum=[Tsum,1,Tsum,2……Tsum,n]
其中,g(Tsum,wp)为在全生长周期的周积温值为Tsum,室外气候为wp条件下收获的全周期的加热能耗,室外气候wp包含室外温度、室外光照强度和风速,n为生产全周期的种植周数,QEnergyWeek{i}为第i周的能量消耗,Tsum,n为第n周的周积温设定值,Tout为室外天气温度,Iglob为室外光照强度,Vwind为室外风速。
所述步骤3)具体包括以下步骤:
根据日平均温度初始设定值和未来七天的天气预报数据,建立七日产量的短期产量模型和能耗模型,以未来七日的温室节能与产量效益最优为目标,计算未来七日的日平均温度最终设定值,并使用滚动优化方法计算未来全生产周期的日平均温度设定值,对应的性能函数J2为:
其中,qtomηDMFMDMHar(TDj,wp)为第j日的日平均温度设定值为TDj且当日室外气候为wp时作物产生的经济收入,qtom为作物单价,ηDMFM为果实干重到果实鲜重的转化因子,DMHar表示收获的果实干物质产量,qheatQheat(TDj,wp)为第j日平均温度设定值为TDj且当日室外气候为wp时的加热能耗成本,qheat为温室环境加热能量的单价,Qheat(TDj,wp)为当日的加热能耗。
所述步骤3)中,七日的产量可由短期产量模型计算得到:
wp=[Tout,Iglob]
TDj=[TD1,TD2,TD3,TD4,TD5,TD6,TD7]
其中,f(TDi,wp)为在本周日平均温度为TDj,室外气候为wp条件下的本周收获的果实干物质质量,CFruitDay{j}为第j天收获的果实干物质质量。
所述步骤3)中,七日能耗的短期能耗模型为:
wp=[Tout,Iglob,Vwind]
TDj=[TD1,TD2,TD3,TD4,TD5,TD6,TD7]
式中f(TDj,wp)为在本周日平均温度为TDj,室外气候为wp条件下的本周加热能耗的能量,QHeatDay{j}为第j天的加热能耗。
所述步骤4)具体包括以下步骤:
根据优化得到的日平均温度最终设定值,结合当日的天气预报数据,以当日的光合作用速率最大为目标,使用序列二次规划算法求解得到不同时刻的温度设定值,对应的性能函数为:
|THk-THk-1|≤m
TH4-TH3≥0
TH10-TH9≥0
其中,Ph(THk,wp)为光合作用速率模型,THk为第k个时间段的温度设定值,wp为室外气候数据,THk-1为第k-1个时间段的温度设定值,m为相邻两个设定值的最大差值;TH4为白天早上六点的温度设定值,TH3为早上六点前的第一个温度设定值;TH9为白天晚上六点的温度设定值,TH10为晚上六点后的第一个温度设定值。
与现有技术相比,本发明具有以下优点:
本发明不需要用户输入温度设定值,在建立的温室能耗模型和产量模型的基础上,结合历史气候数据和天气预报数据,以温室生产的节能与产量效益最优为目标,通过相应的优化方法自动获取温室温度设定值,与用户手动输入的经验设定值相比,具有显著的节能增收效果。
附图说明
图1为基于节能与产量效益最优的温室温度设定值的自动获取方法的原理图。
图2为基于节能与产量效益最优的温室温度设定值的自动获取方法的流程图。
图3为获取最终的温室日平均温度设定值的滚动优化原理图。
图4为获取温室一天不同时刻(每两小时)温度设定值的优化原理图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本实施例提供一种基于节能与产量效益最优的温室温度设定值的自动获取方法,选取的温室作物为温室樱桃番茄。该方法原理图如图1所示,根据历史气候信息,使用粒子群算法优化得到日平均温度初始设定值;结合一周天气预报信息,使用滚动优化的方式对日平均温度进行二次优化,获得最优的日平均温度设定值;结合一天天气预报信息,根据一天的日平均温度设定值,使用序列二次规划算法优化获得一天不同时刻(每两小时)的温度设定值。
如图2所示,基于节能与产量效益最优的温室温度设定值的自动获取方法包括如下步骤:
(1)参数初始化,获取历史气候信息,包括一个种植周期内的室外温度、光照强度、雨量、风速等数据,数据采集周期为每小时。
(2)基于建立的可用于实际优化计算的生产全周期的产量模型和能耗模型,结合历史气候信息,以温室生产全周期的节能与产量效益最优为目标,用粒子群算法获得日平均温度初始设定值。
温室环境控制中考虑温室节能与产量效益的函数E[元/m2]为:
E=Qcropyield-Qenergy
Qenergy=qheat·Qheat
Qcropyield=qtom×ηDMFM×DMHar
式中Qcropyield[元/m2]为温室作物产生的经济收入,qtom[元/mg]为农产品单价,ηDMFM果实干重(干物质质量)到果实鲜重(果实产量)的转化因子,依据农业经验其取值一般位于7-20之间,默认为16,DMHar[mg/m2]为收获的果实干物质产量,Qenergy[元/m2]表示加热所消耗的能量成本,qheat[元/(Kw h)]为能量消耗的单价,Qheat[J]为加热消耗的能量。
已有的一些机理性的产量模型能够准确描述作物生长过程,但是计算耗时长,而非机理性的产量模型过于粗糙,不能较为准确的预测作物产量,均无法适用于考虑全生产周期节能与产量效益的温度设定值优化。使用建立的可用于实际优化的番茄生产全周期产量模型,这是本发明的一个重要创新点。收获的番茄干物质产量DMHar[mg/(m2)]可由描述如下:
wp=[Tout,Iglob]
Tsum=[Tsum,1,Tsum,2……Tsum,n]
式中DMHar[mg/(m2)]表示前n周收获的果实干物质质量,包含前7n天已经成熟的果实的干物质量;为第j天产生的果实到7n天的累积温度值,Tin{m}[℃]为第m天的日平均温度值,TSumHar[℃ d]为果实成熟的积温条件,取值为850;Tsum为前n周的周积温设定值;wp为前n周对应的室外气候环境,Tout为室外天气温度,Iglob为室外光照强度;CFruit{j}[mg/(m2)]为第j天果实的干物质质量。其中第j天新出现的果实的干物质质量可以由下式计算:
MNMax=ηplant·(-1.71×10-7+7.31×10-7×Tin)·86400·hTcanSum
式中ηplant[株/m2]为种植密度,默认为2.5;为从移植温室开始计算到第j天的累积温度,d为表示中间的某一天。GMAX[mg/(m2)]收获的单果果实的干物质质量,默认为10000;CBufFrustSet[mg/(m2)]为坐果率最大的时候,果实当日获得的干物质量,默认为8640;MCFruitDay[mg/(m2)]为作物生长过程中当日分配给果实的干物质量;TSumStart[℃ d]为果实开始生长的积温值,默认为550;TSumEnd[℃ d]为果实生长速率到达最大时候的积温值,默认为1580;MNMax为当天新产生的果实的最大数量;MNFruit{j}为第j天新产生的实际果实数量;hTcanSum为积温值对当天果实生长的影响系数。在第j天前的j-1天的果实干物质量CFruit{1...j-1}[mg/(m2)]变化可以由下式表示:
式中CFruit{1...j-1}[mg/(m2)]为前j-1天果实的干物质质量;CFruitDay{1...j-1}为当天分配给前k-1天的干物质质量,若当天果实已经成熟,则不再生长,跳过计算。当日分配给果实的干物质量MCFruitDay[mg/(m2)]可以表示为:
式中MCFruitConst[mg/(m2)]为理想情况下果实在一小时内获得的干物质量,默认为1180.791;MCFruitHour[mg/(m2)]为在这一小时内果实所获得的实际干物质量;h、hTcan、hTcanSum均为与室内日平均温度有关的参数,取值范围均为[0-1],其值可通过下式获取:
CBuf=CBuf-0.27·MCFruitHour-0.28·MCLeafHour-0.30·MCStemHour
式中CBuf[mg/(m2)]为计算的中间变量,其取值范围为[1000,20000];CBuf0[mg/(m2)]为上一个状态的变量值,其初始值为1000;Pg[mg/(m2·h)]为一小时作物光合作用产生的有机物;MCOrgHour[mg/(m2)]为这一小时内各器官获得的干物质量;MCLeafHour[mg/(m2)]为这一小时内叶片获得的干物质质量;MCStemHour[mg/(m2)]为这一小时内根和茎实际获得的干物质质量;光合作用产生的有机物可由下列公式计算:
Pg=3600·PgIns
LAI=CLeaf·2.66×10-5
式中PgIns[mg/(m2·s)]为番茄的瞬时光合作用速率,在全周期产量模型中,认为一小时内的光合作用速率不变,JPOT[μmol{e-}m-2s-1]为光量子传输速率,LAI为叶面积指数,ηcan为覆盖层的透光率,Iglob[W m-2]为这一时刻的室外全局辐射强度,Tins为这一个时刻的温度,CLeaf[mg/(m2)]为上一个时刻的叶片干物质质量,具体可以通过下式计算:
CLeaf=CLeaf0+MCLeafDay-3.47×10-7×temp1×(CLeaf0)×temp2×86400
式中MCLeafConst[mg/(m2)]为理想情况下叶片在这一小时内获得的干物质量,默认为342;CLeafMax[mg/(m2)]为叶片的最大干物质量,默认值为1.1278×105;MCLeafDay[mg/(m2)]为当日叶片分配到的干物质量;MCLeafHour[mg/(m2)]为每小时叶片分配到的实际干物质质量;CLeaf0[mg/(m2)]为上一个状态的叶片干物质质量,其初始值为3759。
各器官每小时获得的总干物质量MCOrgHour[mg/(m2)]可以由下式计算:
MCOrgHour=(MCFruitHour+MCLeafHour+MCStemHour)/h
式中MCStemConst[mg/(m2)]为理想情况下,茎和根在一小时内获得的干物质量,默认为266.416,MCStemDay[mg/(m2)]为当日根和茎分配到的果实干物质量,MCStemHour[mg/(m2)]为每小时根和茎实际分配到的干物质质量。
模型输入为周积温值Tsum,在实际计算中需要使用日平均温度Tin。两者可依据室内气候跟随室外气候变化能够降低能耗的原则来转换,如下所示:
j=1,2,3,4,5,6,7
式中Tsum为一周的积温值;(Tout)为室外平均温度的和,如果室外温度小于零,则所有室外温度加上一周内温度最小值的绝对值处理;lb(j)为第j日的温度设定值的最小值,Tin{j}为第j日的日平均温度设定值。
每小时光合作用产生的有机物Pg[mg/(m2·h)]中使用的瞬时室内温度Tins可通过正弦函数模拟得到,凌晨两点时刻温度最低,午后两点温度最高,具体如下式计算:
式中Tin{j}表示第j天的日平均温度设定值,Tins{h}表示第j天的第t小时的瞬时温度值,g表示当天室外温度的最大温差的1/2。
目前已有的可用于全生长周期的能耗模型存在结构过于复杂以及精度过低的问题,无法用于考虑生长全周期的设定值优化计算。使用建立的可用于实际优化计算的全周期能耗模型是本发明中的一个重要创新点,其能耗模型描述如下:
wp=[Tout,Iglob,Vwind]
Tsum=[Tsum,1,Tsum,2……Tsum,n]
式中Qheat[J/m2]为前n周加热所需要消耗的能耗,Tsum为前n周的周积温设定值,wp为前n周的室外气候数据,包括温度、光照和风速,QEnergyWeek{i}[J/m2]为第i周加热所需要消耗的能耗,可以表示为:
式中QEnergy{j}[J/m2]为第i周第j天加热所需要消耗的能耗。可由下式计算:
k1=1+XCO2(ρCO2-200)2
k3=(VPcan-VPair)·Sg·Lwater·Ftrans
式中QEnergyHour[J/m2]为每小时的加热能耗;Qins[W]为加热的瞬时功率,在全周期能耗模型中,默认一个小时内功率不变;LAI为叶面积指数,可由产量模型计算得到;式中主要涉及三个执行机构状态:Uscr为遮阳网的开启比例,Uvent为天窗开启比例,Uthermal为保温幕的开启比例;输入参数包含室内温度设定值与室外气候数据,其中Tin(k)表示第k小时的温度设定值。其余参数分为常数和待辨识参数,其中常数如附图中的表1所示,均为固定值;待辨识参数可分为具有物理意义的参数和无物理意义的参数,本发明中待辨识参数的值是根据崇明温室实际数据辨识获得,具体如表1所示。
模型输入的周积温值Tsum与在实际计算QEnergyHour{k}时使用的日平均温度Tin之间的转化关系与全周期产量模型中的转化一致。
模型中执行机构的状态可以由下列方法获得:
保温幕:光照为0W/m2的时候,保温幕全部展开,开度为100%,其余时刻为0%。
天窗:天窗开度分为三档:K1<K2<K3,K1=0%,K2=50%,K3=100%。当室外为恶劣气候的时候即雨量Prain≥Prain(U)或风速Fv≥Fv(U)时,开度为K1。
当室内温度Tin>Tvent(L)=24(通风温度最低值)的时候,开度为K2。
当室内温度Tin>Tvent(U)=27(通风温度最高值)的时候,开度为K3。
遮阳网:室内光照强度超过一定值时,需要展开,开度为100%。幼苗期mR(U)=200W/m2,幼苗期mR(U)=300W/m2,果期mR(U)=800W/m2;遮阳网卷合保护:大风保护Fv(U),暴雨保护Prain(U)。当光照R≥mR(U),展开遮阳网(开度100%),否则合上(开度0%);当风速Fv≥Fv(U)或雨量Prain≥Prain(U)卷上遮阳网。其中R为光照实测值,Fv为风速实测值,Prain雨量实测值。
表1能耗模型的待辨识参数
步骤(2)的逻辑原理及具体步骤,可以具体为:
(201)结合历史气候信息,以温室节能与产量效益最优为目标,使用粒子群优化得到周积温设定值Tsum_1,Tsum_2,Tsum_3…,替代只根据作物生长特性得到的周积温值,这是本发明的一个重要创新点。其性能函数J1可以表示为:
lbsum≤Tsum{i}≤ubsum
式中qtom[元/mg]为农产品单价,ηMDMFM为果实干重到果实鲜重的转化因子,DMhar(Tsum{i},wp{i})[mg/m2]为第i周收获的果实干物质产量,qheat[元/J]为加热能量的单价,Qheat(Tsum{i},wp{i})[J/m2]为第i周的加热能量消耗,Tsum[℃·d]为一周的积温值,wp为对应这一周的室外气候数据,n为生产周期的种植总周数。lbsum和ubsum为周积温的上下限。
(202)在未来种植周期开始之前,可以根据历史气候数据确定未来种植阶段每一周的累积温度设定值:
Tsum=[Tsum1,Tsum2……Tsum42]
wp=[wp1,wp2,wp3……wp42]
subject to lbsum≤Tsumi≤ubsum
(203)选取合适的初始周积温值,下述的经济效益值为产量与加热能耗的差值。当有多组历史数据的时候,就会得到多组解,每一组结果都可以作为参考值作为下一层优化的约束值,可以通过下列步函数来选择一组适用性最大的设定值。具体筛选过程如下所示:
QNFR_a,b=QCrop-QEnergy=f(xa,wp,b)
式中QNFR_a,b[元/m2]表示第a组最优值作用在第b组历史气候条件下的经济效益值,当a与b相等的时候,表示为直接优化得到的经济设定值。xa表示根据第a组历史气候优化得到的设定值,wp,b表示第b组室外历史气候。num表示所有历史气候数据的组数。AVEa表示第a组最优值在不同气候下的平均误差值。
为了方便说明,我们假设目前已有两组历史数据,优化得到的解分别用A1和A2表示。
Step1:根据已有两组值,通过平均处理的方式,获得第三组设定值A3。
Step2:计算A1在A2环境下的经济效益与最优设定值下的经济效益的差值,计算A2在A1环境下的经济效益与A2环境下最优设定值下的经济效益值的差值,计算额外对比组A3分别在A1环境和A2环境作用下的经济效益差值。
Step3:选择平均误差值最小的一组数据作为周积温值的参考数据。
(204)对每一周的周积温设定值进行平均处理,获取初始日平均温度设定值,具体描述如下:
Tave,D,init=Tsum/7
式中Tsum为根据历史气候优化得到的周积温设定值,Tave,D,init为这七日内初始日平均温度设定值。
(3)通过天气预报获得未来七日内的室外气候信息,包括温度、湿度、雨量、光照等,其中光照情况可以通过将室外天气分为晴,多云,阴,雨四种情况来进行设定光照辐射强度,数据采集周期为五分钟。在得到初始日平均温度设定值的基础上,使用短期产量模型和建立的可用于实际优化计算的短期能耗模型,以七日内的温室节能与产量效益最优为目标,通过滚动优化的方式获取未来七天的日平均温度设定值TD1,TD2,TD3…TD7。
对应七天收获的果实干物质量可由下式计算:
式中CFruitDay{j}[mg/(m2)]为第j天收获的果实干物质质量,可由下式计算:
CFruitDay{i}=DMHar{j}-DMHar{j-1}
式中DMHar{j}[mg/(m2)]为前j天收获的总的果实干物质质量,DMHar{j-1}[mg/(m2)]为前j-1天收获的总的果实干物质质量,CFruit{j}[mg/(m2)]为第j天的果实的干物质质量,Tin为日平均温度值,TSumHar为成熟时刻的累积温度值。其中DMHar{j}的计算原理与全周期产量模型中一致,其区别在于需考虑瞬时温度对果实生长分配会有影响,果实当日获得的干物质量MCFruitDay可由下式计算:
式中MCFruitConst[mg/(m2)]为理想情况下果实在五分钟内获得的干物质量,默认为98.3992;MCFruitHour[mg/(m2)]为在这一小时内果实所获得的干物质量;Tins[℃]为这一时刻的瞬时温度值;h、hTcan、hTcanSum均为与室内日平均温度有关的变化参数,h1为与当前时刻温度有关的变化参数,其值可由下式获得:
根据凌晨两点时刻温度最低,午后两点温度最高的原则,日平均温度设定值TDi[℃]与这一时刻的瞬时温度值Tins[℃]之间的转换可由下式实现:
式中TD{j}表示当日的日平均温度设定值,Tins{tt}表示第tt个五分钟的瞬时温度值,g表示当天室外温度的最大温差的1/2。
其余参数计算过程与步骤(2)中的全周期产量模型一致,其中所有一个小时的常数值需转化为五分钟下的数值:在理想情况下,茎和根在五分钟内获得的干物质量MCStemConst[mg/(m2)]默认为22.2013;在理想情况下,叶片在五分钟内获得的干物质量中MCLeafConst[mg/(m2)]默认为28.5;五分钟中内光合作用产生的干物质质量可由下式计算:
Pg=300·PgIns
式中PgIns[mg/(m2·s)]为作物的瞬时光合作用速率。
短期能耗模型计算如下所示,原理与步骤(2)中的可用于实际优化计算的全周期能耗模型一致,只是待辨识的参数赋值不同,温室能耗消耗主要集中在11月、12月、1月、2月、3月与4月共6个月,这几个月的参数值其值如表2所示,其余种植周期阶段使用全周期能耗模型中的参数。
式中TDj[℃]为日平均温度设定值,wp为室外气候,Qins[W]为加热的瞬时功率,在短期能耗模型中,认为五分钟的功率保持不变。具体计算如步骤(2)全周期能耗模型所示。
表2短期能耗模型的待辨识参数
对应的性能函数J2为:
式中,qtomηDMFMDMHar(TDj,wp)表示第i日的日平均温度为TDj且当日室外气候为wp时作物产生的经济收入,qtom表示作物单价,ηDMFM表示果实干重到果实鲜重的转化因子,DMHar表示收获的果实干物质产量,qheatQheat(TDj,wp)表示第j日平均温度为TDi且当日室外气候为wp时的加热能耗成本,qheat表示加热能量的单价。
本步骤的优化可以归纳为带约束的非线性最大优化问题,约束条件包括七日累积温度为固定值和室内温度上下限条件。
本层优化的目标为获得最终的日平均温度设定值,在使用滚动优化的过程中,每一次优化的结果中只选择未来第一天作为目标设定值,剩下的2~7日的设定值作为下一次优化的参考值,原理图如图3所示,通过该方法可以消除周与周之间的边界,解决了一周跨生理阶段的问题。为方便说明问题,以第一周七天为例,日平均温度设定值的详细优化迭代过程阐述如下:
a.第一天凌晨开始优化,获取未来七日的日平均温度设定值,设定第一天的日平均温度设定值,由于第2~7天的最终实际日平均温度与在第1次迭代中获得的最优日平均温度必然存在一定的差异,这种差异必须要在后面的迭代优化中获得补偿,因此把剩余6天的设定值作为第二天优化的初始设定值进行补偿。
TD_init=[TD1_init,TD2_init,TD3_init,TD4_init,TD5_init,TD6_init,TD7_init]
wp=[wp1,wp2,wp3,wp4,wp5,wp6,wp7]
TD_opt=[TD1,TD2,TD3,TD4,TD5,TD6,TD7]
式中TD_init为第一天优化的初始七天日平均温度设定值,TD_opt为这第一天的优化结果,我们只保留TD1作为当日的日平均温度设定值,TD2~7作为第二天优化的初始设定值以补偿TD1与TD_init之间的误差。
b.设定第二天的日平均温度设定值,第二天凌晨的初始优化值和优化结果如下所示:
TD_init=[TD2,TD3,TD4,TD5,TD6,TD7,TD8_init]
wp=[wp2,wp3,wp4,wp5,wp6,wp7,wp8]
TD_opt=[TD2,TD3,TD4,TD5,TD6,TD7,TD8]
式中TD_init为第二天优化的初始七天日平均温度设定值,其中里面的前六天初始数据TD2~7为第一天的优化结果值;TD_opt为这第二天的优化结果,我们只保留TD2作为当日的日平均温度设定值,TD3~8作为第三天优化的初始设定值。
c.设定第三天的日平均温度设定值,第三天凌晨的初始优化值和优化结果如下所示:
TD_init=[TD3,TD4,TD5,TD6,TD7,TD8,TD9_init]
wp=[wp3,wp4,wp5,wp6,wp7,wp8,wp9]
TD_opt=[TD3,TD4,TD5,TD6,TD7,TD8,TD9]
式中TD_init为第三天优化的初始七天日平均温度设定值,其中里面的前六天初始数据TD3~8为第二天的优化结果值;TD_opt为这第三天的优化结果,我们只保留TD3作为当日的日平均温度设定值,TD4~9作为第四天优化的初始设定值。
以此类推,最终获得这七日最终的日平均温度设定值。
(4)根据日平均温度设定值,使用序列二次规划算法设定一天不同时刻(每两小时)的温度设定值TH1,TH2,TH3…TH12。根据天气变化,先把一天分为日出前、白天、日出后三个时间段,并以两小时为间隔,把一天的温度划分为12个设定值,其中日出前和日落后分别设定为固定的温度设定值,如图4所示。对应的性能函数可以表示为:
式中Ph(THk,wp)为光合作用速率模型,使用Farquhar改进后的单叶直角双曲线光合速率模型;THk为第k个时间段的温度设定值,wp为室外气候数据。该问题为典型的带约束的非线性最大优化问题。
每一天的00:00,通过步骤3)获得最终的日平均温度设定值后,以当日总光合作用速率最大为目标,进一步获取每一时刻(每两小时)的温度设定值:
wp=[wp1,wp2,wp3,wp4,……wp12]
TH=[TH1,TH2……TH12]
subjecttoTH10=TH11=TH12
andTH1=TH2=TH3
and|THk-THk-1|≤m
and TH4-TH3≥0
and TH9-TH10≥0
andTHk_Min≤THk≤THk_Max
andTHk≥-Tout_k
式中TH1·TH3为日出前的温度设定值,TH10·TH12为日落后的温度设定值,TDi为当日平均温度设定值,作为不同时刻温度设定值的约束条件,m为相邻两个设定值的差值,默认为3。
本发明中涉及到的能耗模型中物理常数常量如表3所示。
表3能耗模型中物理常数常量
Claims (8)
1.一种考虑节能与产量效益最优的温室温度设定值自动获取方法,其特征在于,包括以下步骤:
1)获取种植地区的历史气候信息,包括一个种植周期内的室外温度、湿度、光照强度、雨量和风速数据;
2)根据建立的可用于实际优化计算的全周期产量模型和能耗模型,以温室生产全周期的节能与产量效益最优为目标,采用粒子群算法求取日平均温度初始设定值;
3)获取未来七日的天气预报信息,以七日节能与产量效益最优为目标,使用滚动优化算法对初始日平均温度进行二次优化,得到日平均温度最终设定值;
4)根据日平均温度最终设定值,以当日的光合作用速率最大为目标,使用序列二次规划算法进一步自动设定一天内不同时段的温度设定值,具体包括以下步骤:
根据优化得到的日平均温度最终设定值,结合当日的天气预报数据,以当日的光合作用速率最大为目标,使用序列二次规划算法求解得到不同时刻的温度设定值,对应的性能函数为:
|THk-THk-1|≤m
TH4-TH3≥0
TH10-TH9≥0
其中,Ph(THk,wp)为光合作用速率模型,THk为第k个时间段的温度设定值,wp为室外气候数据,THk-1为第k-1个时间段的温度设定值,m为相邻两个设定值的最大差值;TH4为白天早上六点的温度设定值,TH3为早上六点前的第一个温度设定值;TH9为白天晚上六点的温度设定值,TH10为晚上六点后的第一个温度设定值。
2.根据权利要求1所述的一种考虑节能与产量效益最优的温室温度设定值自动获取方法,其特征在于,所述的种植地区的历史气候信息的时间跨度包含一个完整种植周期,包括作物的苗期、生长期和果期。
3.根据权利要求1所述的一种考虑节能与产量效益最优的温室温度设定值自动获取方法,其特征在于,所述的步骤2)中,获取日平均温度初始设定值具体包括以下步骤:
21)根据历史气候信息,以温室生产全周期的节能与产量效益最优为目标,采用粒子群算法优化得到周积温设定值,对应的性能函数J1为:
Tsum{i}min≤Tsum{i}≤Tsum{i}max
其中,Tsum{i}为作物生长全周期中的第i周的周积温值,wp{i}为生长全周期中的第i周的室外历史气候数据,DMHar(Tsum{i},wp{i})为作物在第i周收获的果实干物质量,qtom为温室作物鲜重的售价,ηMDMFM为温室作物干物质量和鲜重的转换系数,qheat为温室环境加热能量的单价,Qheat(Tsum{i},wp{i})为第i周的加热能耗,n为生产全周期的种植周数;
22)根据周积温设定值,通过平均处理的方式获取未来7日内的初始日平均温度设定值,如下式所示:
Tave,D,init=Tsum/7
其中,Tsum为根据历史气候优化得到的周积温设定值,Tave,D,init为未来七日内的初始日平均温度设定值。
6.根据权利要求1所述的一种考虑节能与产量效益最优的温室温度设定值自动获取方法,其特征在于,所述步骤3)具体包括以下步骤:
根据日平均温度初始设定值和未来七天的天气预报数据,建立七日产量的短期产量模型和能耗模型,以未来七日的温室节能与产量效益最优为目标,计算未来七日的日平均温度最终设定值,并使用滚动优化方法计算未来全生产周期的日平均温度设定值,对应的性能函数J2为:
其中,qtomηDMFMDMHar(TDj,wp)为第j日的日平均温度设定值为TDj且当日室外气候为wp时作物产生的经济收入,qtom为作物单价,ηDMFM为果实干重到果实鲜重的转化因子,DMHar表示收获的果实干物质产量,qheatQheat(TDj,wp)为第j日平均温度设定值为TDj且当日室外气候为wp时的加热能耗成本,qheat为温室环境加热能量的单价,Qheat(TDj,wp)为当日的加热能耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810766327.8A CN109324506B (zh) | 2018-07-12 | 2018-07-12 | 考虑节能与产量效益最优的温室温度设定值自动获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810766327.8A CN109324506B (zh) | 2018-07-12 | 2018-07-12 | 考虑节能与产量效益最优的温室温度设定值自动获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109324506A CN109324506A (zh) | 2019-02-12 |
CN109324506B true CN109324506B (zh) | 2020-07-28 |
Family
ID=65263727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810766327.8A Active CN109324506B (zh) | 2018-07-12 | 2018-07-12 | 考虑节能与产量效益最优的温室温度设定值自动获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109324506B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073857A (zh) * | 2019-04-30 | 2019-08-02 | 潍坊科技学院 | 一种温室立面通风保温抗风系统及控制方法 |
CN110376981B (zh) * | 2019-07-08 | 2020-10-13 | 杭州电子科技大学 | 一种水泥回转窑烧成过程二次优化控制方法 |
CN110531807B (zh) * | 2019-08-08 | 2020-11-27 | 同济大学 | 一种温室环境多因子协调多目标控制方法 |
CN111766911A (zh) * | 2020-07-10 | 2020-10-13 | 淄博职业学院 | 一种基于大数据的温室智能管理平台 |
CN112868435B (zh) * | 2021-01-14 | 2022-07-05 | 同济大学 | 一种基于nsga-ii的蓝莓温室光温协调优化方法 |
CN114510098B (zh) * | 2022-01-28 | 2023-06-06 | 郑州信大捷安信息技术股份有限公司 | 一种生产环境调控方法与系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002533A (zh) * | 2007-01-18 | 2007-07-25 | 同济大学 | 温室环境多因子协调控制算法 |
KR20110073010A (ko) * | 2009-12-23 | 2011-06-29 | 한국전자통신연구원 | 태양광 파장 제어를 이용한 온실 식물 성장 조절 장치 및 그것의 제어 방법 |
CN102506938B (zh) * | 2011-11-17 | 2014-05-28 | 江苏大学 | 基于多传感信息的温室作物生长和环境信息检测方法 |
CN106842923B (zh) * | 2017-01-17 | 2019-12-27 | 同济大学 | 基于作物生理和能耗优化的温室环境多因子协调控制方法 |
CN107045367B (zh) * | 2017-04-20 | 2019-01-25 | 同济大学 | 一种温室环境多因子协调节能优化控制方法 |
-
2018
- 2018-07-12 CN CN201810766327.8A patent/CN109324506B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109324506A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109324506B (zh) | 考虑节能与产量效益最优的温室温度设定值自动获取方法 | |
CN107045367B (zh) | 一种温室环境多因子协调节能优化控制方法 | |
US10492381B2 (en) | Electricity generation method adapted to crops | |
Marcelis et al. | Climate and yield in a closed greenhouse | |
CN110531807B (zh) | 一种温室环境多因子协调多目标控制方法 | |
Cockshull | Crop environments | |
CN114077269A (zh) | 基于数据驱动模型的温室环境预测与优化控制方法 | |
CN117389355B (zh) | 一种番茄种植的智能温室温度控制方法及系统 | |
CN112167035B (zh) | 一种水培叶菜生产管理方法及系统 | |
CN111109021B (zh) | 促进番茄花果期生长的方法及其在植物工厂中的应用 | |
Elings et al. | Energy saving in greenhouses: optimal use of climate conditions and crop management | |
CN1561677A (zh) | 一种以温度优先的温室环境控制技术 | |
Buwalda et al. | An energy efficient heating strategy for cut rose production based on crop tolerance to temperature fluctuations | |
CN110073857A (zh) | 一种温室立面通风保温抗风系统及控制方法 | |
CN1561675A (zh) | 基于经济最优的温室环境控制技术 | |
Kempkes et al. | Effect of diffuse glass on climate and plant environment: first results from an experiment on roses | |
CN117716962B (zh) | 一种解决切花月季基质栽培憨包花发生的方法 | |
CN113273466B (zh) | 一种智能模拟生长环境的特种经济作物培育方法 | |
Schapendonk et al. | The CO2 factor in modelling photosynthesis and growth of greenhouse crops | |
US20240090392A1 (en) | Method of cultivating plants and system therefor | |
Kempkes et al. | Increase of light transmission by 10% in the Venlo-type greenhouse: From design to results of a cucumber experiment | |
de Koning | Modelling the effect of supplementary lighting on production and light utilization efficiency of greenhouse crops | |
Tishabayevna | THE EFFICIENCY OF USING A SMART GREENHOUSE IN THE OMAD FARM IN THE YANGIBAZAR DISTRICT OF THE KHOREZM REGION | |
CN117941583A (zh) | 对于番茄不同生长周期的需求温度的调节方法 | |
van Roy et al. | A methodology to identify a target DLI to control supplementary lighting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |