CN110100620B - 光照精准预测的苗床调度方法、系统及介质 - Google Patents
光照精准预测的苗床调度方法、系统及介质 Download PDFInfo
- Publication number
- CN110100620B CN110100620B CN201910250048.0A CN201910250048A CN110100620B CN 110100620 B CN110100620 B CN 110100620B CN 201910250048 A CN201910250048 A CN 201910250048A CN 110100620 B CN110100620 B CN 110100620B
- Authority
- CN
- China
- Prior art keywords
- illumination
- time
- seedbed
- data
- prediction
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 318
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 92
- 239000000126 substance Substances 0.000 claims description 35
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000002790 cross-validation Methods 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000009795 derivation Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 8
- 230000000750 progressive effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 59
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Images
Classifications
-
- 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
- A01G9/28—Raised beds; Planting beds; Edging elements for beds, lawn or the like, e.g. tiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Environmental Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Educational Administration (AREA)
- Cultivation Of Plants (AREA)
- Health & Medical Sciences (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明提供了一种光照精准预测的苗床调度方法、系统及介质,包括:光照预测模型建立步骤:采集并处理历史天气数据及历史光照数据,建立光照强度预测模型;光照强度预测步骤:采集实时的天气数据,并根据获得的光照强度预测模型,预测光照强度,输出光照预测数据;调度决策获取步骤:根据获得的光照预测数据,对苗床进行调度。本发明解决了人工光源的耗能问题和太阳光利用型温室的土地利用率低下问题,实现了小区域光照预测和立体苗床的动态优化部署,从而提高了植物工厂作物栽培的科学化、精确化和智能化程度。
Description
技术领域
本发明涉及立体栽培技术领域,具体地,涉及光照精准预测的苗床调度方法、系统及介质。
背景技术
提高农业生产效率,实现农业装备精准控制一直是农业自动化的研究重点。随着温室种植在世界范围的推广应用,针对温室种植的相关设备得到了迅速发展,出现了以自动化多层栽培装备为代表的高度专业化、自动化农业设备。温室以其不受外界环境干扰、土地利用率高、自动化程度高的优点,在欧洲与日本等土地资源匮乏、环境恶劣的地区得到了广泛的应用。近年来,国际上植物工厂技术研发极为活跃,一方面不断引入和应用高新科技成果,朝着更加智能精准控制的方向发招;另一方面朝着更加节能和低运行成本的实用化方向发展,以实现技术的普遍化。
就人工光植物工厂而言,多采用多层式立体栽培以提高土地资源的利用效率,但人工光源的电能消耗约占植物工厂总体的80%。因此,高能耗一直是人工光植物工厂的难题。而太阳光利用型植物工厂因为考虑到所有的作物都要能够收到光照,要求作物生长方向上不能有遮挡物,一般使用单层式栽培方案,土地资源的利用效率低下。为了解决两种类型的温室问题,有必要将两者的优势进行结合,既能利用太阳光作为作物的生长资料,又能最大化土地资源利用率。本发明针对太阳光利用型立体栽培植物工厂的植物受光问题,通过对光照强度进行预测,智能化动态部署苗床。达到使立体苗床中的作物均匀受光的目的。
目前的光辐射预测方法分为物理模型和统计方法。物理模型是以大气的物理状态和运动状态为基础的,又称数值天气预报模型,被认为最适合与日前和多日预报范围。然而,数值天气预报模型受天气因素硬性较大,如预报区域的云量、云演化和光学性质等。一般这种模型在晴空条件下预测效良好,但在云量较多的情况下预测效果会大大降低。此外,这些物理模型在长期太阳辐射预测中的应用也收到计算复杂度的限制。统计模型分为两种:数理统计模型和机器学习算法。数理统计主要包括回归分析、时间序列分析、模糊理论、小波分析和卡尔曼滤波。在实际应用中,由于各种因素导致的参数随时间变化,统计方法的预测精度不如数值天气预报模型精度高。典型的机器学习算法包括:人工神经网络(ANN)、支持向量机(SVM)和启发式智能优化算法。混合人工智能系统对于太阳能预测是相当有效的,在不稳定的天空条件下,机器学习技术在提前一小时预测太阳的改善似乎更明显。
专利文献CN108076915A(申请号:201810026150.8)公开了一种智能化立体栽培机,包括:主支撑支架、轨道、输送链、驱动系统、种植穴盘和主控制器;所述轨道包括倾斜向上的上坡轨道、倾斜向下的下坡轨道和水平轨道。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种光照精准预测的苗床调度方法、系统及介质。
根据本发明提供的一种光照精准预测的苗床调度方法,包括:
光照预测模型建立步骤:采集并处理历史天气数据及历史光照数据,建立光照强度预测模型;
光照强度预测步骤:采集实时的天气数据,并根据获得的光照强度预测模型,预测光照强度,输出光照预测数据;
调度决策获取步骤:根据获得的光照预测数据,对苗床进行调度。
优选地,所述光照预测模型建立步骤包括:
数据采集步骤:采集历史第一区域天气数据及历史第二区域天气数据,输出第一及第二区域数据集;进一步地,所述第一区域指得是该地区最小能获得的天气预报的地方,比如上海市闵行区,第二区域指的是需要预测光照的某个温室或者某个地标;
数据处理步骤:剔除第一及第二区域数据集中的大于预设时长的连续空白数据段,并将连续空白数据段用时间尺度相邻的两个值的平均值进行填充,将填充后的第一及第二区域数据集以小时为单位进行平均操作,将第一及第二区域数据集中的数据以时间相同为标准合并组成样本数据,根据获得的样本数据构造并输出模型训练特征;
模型建立步骤:根据获得的模型训练数据,以光照强度为预测目标,采用集成学习模型进行训练,选择误差函数,交叉验证进行参数调整,获得光照强度预测模型。
优选地,所述历史第一区域天气数据包括以下所述任一种或任多种:
温度、相对湿度、降雨量、天气、风速、风向;
所述历史第二区域天气数据包括:传感器获取的光照强度;
所述模型训练特征包括:所有样本数据;对应于样本数据的时间;对应于样本数据的时间当日的预报温度、湿度的最大值和最小值;对应于样本数据的时间当日的前一日相同时刻的所有天气要素,包括:温度、相对湿度、降雨量、天气、风速、风向、本地光照强度;
所述模型建立步骤:
所述集成学习模型为渐进梯度回归树算法,包括:
训练一个基础回归树,用它对训练集进行预测,计算出决策树的预测残差,接着使用这个残差对第二个回归树进行训练,然后再次计算残差,继续训练第三个回归树,并不断循环向前,最后将所有树的预测残差相加,从而对新实例进行预测;
所述误差函数为均方根误差,公式如下:
RMSE表示均方根误差,即Root Mean Squared Error;
m表示样本总数;
yi表示真实值;
所述交叉验证方法为K-fold验证方法:将训练集随机分割成K个不同的子集,每个子集称为一个折叠,然后对决策树模型进行K次训练和评估,即每次挑选一个折叠进行评估,使用另外的K-1个折叠进行训练,产出的结果是一个包含K次评估分数的数组;
所述参数调整包括:将模型学习速率设置为第一预设值,每次训练时选择输入特征随机子集的比例设置为第二预设值,每个回归树的叶节点数量设置为第三预设值,训练迭代次数设置为第四预设值。
优选地,所述光照强度预测步骤包括:
采集实时的天气数据,使用获得的光照强度预测模型,预测以一小时为时间粒度的光照强度值lpred(t),并输出光照预测数据。
优选地,所述调度决策模型建立步骤:
预设只有在顶层苗床的作物才会接收到光照,在下层苗床的作物接收到的光照强度为0,在一天中,苗床共轮换j次,第一次轮换满足每层苗床作物生长光量需求最低量Lmin;
苗床作物在t1到t2时间段内光照总量L的计算公式如下:
其中,
l表示作物接收到的光照强度值;
初始时,t=Tstart,j=1,其中j为轮换次数;
在t时刻每层作物已经获得的光照总量为:
其中,
i表示苗床的层数;
t表示时刻;
Li(t)表示第i层作物截至t时刻已经获得的光照总量;
li(t)表示第i层苗床的实时光照强度,当第i层苗床被调度到顶层接收光照时,li(t)等于所测得的实时光照,当第i层苗床不在顶层时,li(t)等于0;
Tstart表示当天开始有光照的时刻;
在t时刻,根据已测得光照和预测光照强度lpred(t)计算一整天的光照总量Lpred:
其中,
Lpred表示根据已测得光照和预测光照强度计算出的一整天的光照总量;
lpred(t)表示预测的以一小时为时间粒度的光照强度值;
Tend表示一天光照结束的时间;
N表示苗床的总层数;
确定每一次轮换结束的时间,满足:
K=c/(c+1) (5)
其中,
i表示苗床的层数;
Lmin表示苗床作物生长光量需求最低量;
T1表示苗床第一次轮换结束的时间;
T2表示苗床第二次轮换结束的时间;
c表示第二次轮换中的光照总量对于第三次轮换接收的光照总量的倍数;进一步地,为避免在第三次轮换时间内光照强度变化过快导致每层苗床接收到的总光量不均,c设置为1至5之间。
K表示由c计算得到的第二次轮换中的光量占第二、三次轮换的总光量的比例系数;
根据预测的光照强度计算t时刻到下一次轮换结束时可以获得的光照总量Ljpred(t)为:
Ljpred(t)表示t时刻到下一次轮换结束时可以获得的光照总量;
Tj表示第j次轮换结束的时间,j表示轮换次数;
可以得出在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,推导公式如下:
Lij(t)=Lj(t)-Li(t) (9)
其中,
Lj(t)表示在t时刻预测的第j次轮换后每层苗床所受到的总光量;
Li(t)表示第i层苗床在t时刻已经获得的光量;
m表示在该次轮换中未接受光照的总层数,m≤N;
N表示苗床的总层数;
Lij(t)表示第i层苗床在第j次次轮换之前应该补足的光量;
Tij表示第i层苗床在第j次轮换中的从顶层调度下来的时间
由上述公式计算出Tij;
判断是否t+△t≤Tj:
若t+△t≤Tj,则t更新为t+△t,返回公式(2)重新计算;
若t+△t>Tj,则判断轮换次数j是否大于预设次数:若不大于,则j=j+1,t=t+△t,返回公式(2)重新计算;若大于,则结束计算;
其中,△t表示预设间隔时间;
根据获得的在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,对苗床进行调度。
根据本发明提供的一种光照精准预测的苗床调度系统,包括:
光照预测模型建立模块:采集并处理历史天气数据及历史光照数据,建立光照强度预测模型;
光照强度预测模块:采集实时的天气数据,并根据获得的光照强度预测模型,预测光照强度,输出光照预测数据;
调度决策获取模块:根据获得的光照预测数据,对苗床进行调度。
优选地,所述光照预测模型建立模块包括:
数据采集模块:采集历史第一区域天气数据及历史第二区域天气数据,输出第一及第二区域数据集;
数据处理模块:剔除第一及第二区域数据集中的大于预设时长的连续空白数据段,并将连续空白数据段用时间尺度相邻的两个值的平均值进行填充,将填充后的第一及第二区域数据集以小时为单位进行平均操作,将第一及第二区域数据集中的数据以时间相同为标准合并组成样本数据,根据获得的样本数据构造并输出模型训练特征;
模型建立模块:根据获得的模型训练数据,以光照强度为预测目标,采用集成学习模型进行训练,选择误差函数,交叉验证进行参数调整,获得光照强度预测模型。
优选地,所述历史第一区域天气数据包括以下所述任一种或任多种:
温度、相对湿度、降雨量、天气、风速、风向;
所述历史第二区域天气数据包括:传感器获取的光照强度;
所述模型训练特征包括:所有样本数据;对应于样本数据的时间;对应于样本数据的时间当日的预报温度、湿度的最大值和最小值;对应于样本数据的时间当日的前一日相同时刻的所有天气要素,包括:温度、相对湿度、降雨量、天气、风速、风向、本地光照强度;
所述模型建立模块:
所述集成学习模型为渐进梯度回归树算法,包括:
训练一个基础回归树,用它对训练集进行预测,计算出决策树的预测残差,接着使用这个残差对第二个回归树进行训练,然后再次计算残差,继续训练第三个回归树,并不断循环向前,最后将所有树的预测残差相加,从而对新实例进行预测;
所述误差函数为均方根误差,公式如下:
RMSE表示均方根误差,即Root Mean Squared Error;
m表示样本总数;
yi表示真实值;
所述交叉验证方法为K-fold验证方法:将训练集随机分割成K个不同的子集,每个子集称为一个折叠,然后对决策树模型进行K次训练和评估,即每次挑选一个折叠进行评估,使用另外的K-1个折叠进行训练,产出的结果是一个包含K次评估分数的数组;
所述参数调整包括:将模型学习速率设置为第一预设值,每次训练时选择输入特征随机子集的比例设置为第二预设值,每个回归树的叶节点数量设置为第三预设值,训练迭代次数设置为第四预设值。
优选地,所述光照强度预测模块包括:
采集实时的天气数据,使用获得的光照强度预测模型,预测以一小时为时间粒度的光照强度值lpred(t),并输出光照预测数据;
所述调度决策模型建立模块:
预设只有在顶层苗床的作物才会接收到光照,在下层苗床的作物接收到的光照强度为0,在一天中,苗床共轮换j次,第一次轮换满足每层苗床作物生长光量需求最低量Lmin;
苗床作物在t1到t2时间段内光照总量L的计算公式如下:
其中,
l表示作物接收到的光照强度值;
初始时,t=Tstart,j=1,其中j为轮换次数;
在t时刻每层作物已经获得的光照总量为:
其中,
i表示苗床的层数;
t表示时刻;
Li(t)表示第i层作物截至t时刻已经获得的光照总量;
li(t)表示第i层苗床的实时光照强度,当第i层苗床被调度到顶层接收光照时,li(t)等于所测得的实时光照,当第i层苗床不在顶层时,li(t)等于0;
Tstart表示当天开始有光照的时刻;
在t时刻,根据已测得光照和预测光照强度lpred(t)计算一整天的光照总量Lpred:
其中,
Lpred表示根据已测得光照和预测光照强度计算出的一整天的光照总量;
lpred(t)表示预测的以一小时为时间粒度的光照强度值;
Tend表示一天光照结束的时间;
N表示苗床的总层数;
确定每一次轮换结束的时间,满足:
K=c/(c+1) (5)
其中,
i表示苗床的层数;
Lmin表示苗床作物生长光量需求最低量;
T1表示苗床第一次轮换结束的时间;
T2表示苗床第二次轮换结束的时间;
c表示第二次轮换中的光照总量对于第三次轮换接收的光照总量的倍数;
K表示由c计算得到的第二次轮换中的光量占第二、三次轮换的总光量的比例系数;
根据预测的光照强度计算t时刻到下一次轮换结束时可以获得的光照总量Ljpred(t)为:
Ljpred(t)表示t时刻到下一次轮换结束时可以获得的光照总量;
Tj表示第j次轮换结束的时间,j表示轮换次数;
可以得出在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,推导公式如下:
Lij(t)=Lj(t)-Li(t) (9)
其中,
Lj(t)表示在t时刻预测的第j次轮换后每层苗床所受到的总光量;
Li(t)表示第i层苗床在t时刻已经获得的光量;
m表示在该次轮换中未接受光照的总层数,m≤N;
N表示苗床的总层数;
Lij(t)表示第i层苗床在第j次次轮换之前应该补足的光量;
Tij表示第i层苗床在第j次轮换中的从顶层调度下来的时间
由上述公式计算出Tij;
判断是否t+△t≤Tj:
若t+△t≤Tj,则t更新为t+△t,返回公式(2)重新计算;
若t+△t>Tj,则判断轮换次数j是否大于预设次数:若不大于,则j=j+1,t=t+△t,返回公式(2)重新计算;若大于,则结束计算;
其中,△t表示预设间隔时间;
根据获得的在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,对苗床进行调度。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现上述中任一项所述的光照精准预测的苗床调度方法的步骤。
与现有技术相比,本发明具有如下的有益效果:
1、本发明针对天气预报数据对小区域天气预测不精确,地表光照强度预测困难的问题。本发明建立了基于Web预报信息的小区域光照预测模型,实现了小区域光照强度预测;
2、本发明解决了人工光源的耗能问题和太阳光利用型温室的土地利用率低下问题,实现了小区域光照预测和立体苗床的动态优化部署,从而提高了植物工厂作物栽培的科学化、精确化和智能化程度;
2、本发明针对立体苗床栽培系统自然光利用率不高,而人工光能耗较高的问题,本发明根据太阳光利用型立体栽培装备的特性,建立根据光照预测数据动态实时驱动的立体栽培苗床调度决策模型。提高了立体苗床的自然光利用率和植物工厂栽培系统的智能化。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明提供的光照预测的流程示意图。
图2是本发明提供的立体栽培苗床调度决策算法示意图。
图3是本发明提供的立体栽培苗床结构示意图。
图4是本发明提供的光照精准预测的苗床调度方法流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图4所示,根据本发明提供的一种光照精准预测的苗床调度方法,包括:
光照预测模型建立步骤:采集并处理历史天气数据及历史光照数据,建立光照强度预测模型;
光照强度预测步骤:采集实时的天气数据,并根据获得的光照强度预测模型,预测光照强度,输出光照预测数据;
调度决策获取步骤:根据获得的光照预测数据,对苗床进行调度。
优选地,所述光照预测模型建立步骤包括:
数据采集步骤:采集历史第一区域天气数据及历史第二区域天气数据,输出第一及第二区域数据集;进一步地,所述第一区域指得是该地区最小能获得的天气预报的地方,比如上海市闵行区,第二区域指的是需要预测光照的某个温室或者某个地标;
数据处理步骤:剔除第一及第二区域数据集中的大于预设时长的连续空白数据段,并将连续空白数据段用时间尺度相邻的两个值的平均值进行填充,将填充后的第一及第二区域数据集以小时为单位进行平均操作,将第一及第二区域数据集中的数据以时间相同为标准合并组成样本数据,根据获得的样本数据构造并输出模型训练特征;
模型建立步骤:根据获得的模型训练数据,以光照强度为预测目标,采用集成学习模型进行训练,选择误差函数,交叉验证进行参数调整,获得光照强度预测模型。
优选地,所述历史第一区域天气数据包括以下所述任一种或任多种:
温度、相对湿度、降雨量、天气、风速、风向;
所述历史第二区域天气数据包括:传感器获取的光照强度;
所述模型训练特征包括:所有样本数据;对应于样本数据的时间;对应于样本数据的时间当日的预报温度、湿度的最大值和最小值;对应于样本数据的时间当日的前一日相同时刻的所有天气要素,包括:温度、相对湿度、降雨量、天气、风速、风向、本地光照强度;
所述模型建立步骤:
所述集成学习模型为渐进梯度回归树算法,包括:
训练一个基础回归树,用它对训练集进行预测,计算出决策树的预测残差,接着使用这个残差对第二个回归树进行训练,然后再次计算残差,继续训练第三个回归树,并不断循环向前,最后将所有树的预测残差相加,从而对新实例进行预测;
所述误差函数为均方根误差,公式如下:
RMSE表示均方根误差,即Root Mean Squared Error;
m表示样本总数;
yi表示真实值;
所述交叉验证方法为K-fold验证方法:将训练集随机分割成K个不同的子集,每个子集称为一个折叠,然后对决策树模型进行K次训练和评估,即每次挑选一个折叠进行评估,使用另外的K-1个折叠进行训练,产出的结果是一个包含K次评估分数的数组;
所述参数调整包括:将模型学习速率设置为第一预设值,每次训练时选择输入特征随机子集的比例设置为第二预设值,每个回归树的叶节点数量设置为第三预设值,训练迭代次数设置为第四预设值。
优选地,所述光照强度预测步骤包括:
采集实时的天气数据,使用获得的光照强度预测模型,预测以一小时为时间粒度的光照强度值lpred(t),并输出光照预测数据。
优选地,所述调度决策模型建立步骤:
预设只有在顶层苗床的作物才会接收到光照,在下层苗床的作物接收到的光照强度为0,在一天中,苗床共轮换j次,第一次轮换满足每层苗床作物生长光量需求最低量Lmin;
苗床作物在t1到t2时间段内光照总量L的计算公式如下:
其中,
l表示作物接收到的光照强度值;
初始时,t=Tstart,j=1,其中j为轮换次数;
在t时刻每层作物已经获得的光照总量为:
其中,
i表示苗床的层数;
t表示时刻;
Li(t)表示第i层作物截至t时刻已经获得的光照总量;
li(t)表示第i层苗床的实时光照强度,当第i层苗床被调度到顶层接收光照时,li(t)等于所测得的实时光照,当第i层苗床不在顶层时,li(t)等于0;
Tstart表示当天开始有光照的时刻;
在t时刻,根据已测得光照和预测光照强度lpred(t)计算一整天的光照总量Lpred:
其中,
Lpred表示根据已测得光照和预测光照强度计算出的一整天的光照总量;
lpred(t)表示预测的以一小时为时间粒度的光照强度值;
Tend表示一天光照结束的时间;
N表示苗床的总层数;
确定每一次轮换结束的时间,满足:
K=c/(c+1) (5)
其中,
i表示苗床的层数;
Lmin表示苗床作物生长光量需求最低量;
T1表示苗床第一次轮换结束的时间;
T2表示苗床第二次轮换结束的时间;
c表示第二次轮换中的光照总量对于第三次轮换接收的光照总量的倍数;进一步地,为避免在第三次轮换时间内光照强度变化过快导致每层苗床接收到的总光量不均,c设置为1至5之间。
K表示由c计算得到的第二次轮换中的光量占第二、三次轮换的总光量的比例系数;
根据预测的光照强度计算t时刻到下一次轮换结束时可以获得的光照总量Ljpred(t)为:
Ljpred(t)表示t时刻到下一次轮换结束时可以获得的光照总量;
Tj表示第j次轮换结束的时间,j表示轮换次数;
可以得出在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,推导公式如下:
Lij(t)=Lj(t)-Li(t) (9)
其中,
Lj(t)表示在t时刻预测的第j次轮换后每层苗床所受到的总光量;
Li(t)表示第i层苗床在t时刻已经获得的光量;
m表示在该次轮换中未接受光照的总层数,m≤N;
N表示苗床的总层数;
Lij(t)表示第i层苗床在第j次次轮换之前应该补足的光量;
Tij表示第i层苗床在第j次轮换中的从顶层调度下来的时间
由上述公式计算出Tij;
判断是否t+△t≤Tj:
若t+△t≤Tj,则t更新为t+△t,返回公式(2)重新计算;
若t+△t>Tj,则判断轮换次数j是否大于预设次数:若不大于,则j=j+1,t=t+△t,返回公式(2)重新计算;若大于,则结束计算;
其中,△t表示预设间隔时间;
根据获得的在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,对苗床进行调度。
本发明提供的光照精准预测的苗床调度系统,可以通过本发明给的光照精准预测的苗床调度方法的步骤流程实现。本领域技术人员可以将所述光照精准预测的苗床调度方法,理解为所述光照精准预测的苗床调度系统的一个优选例。
根据本发明提供的一种光照精准预测的苗床调度系统,包括:
光照预测模型建立模块:采集并处理历史天气数据及历史光照数据,建立光照强度预测模型;
光照强度预测模块:采集实时的天气数据,并根据获得的光照强度预测模型,预测光照强度,输出光照预测数据;
调度决策获取模块:根据获得的光照预测数据,对苗床进行调度。
优选地,所述光照预测模型建立模块包括:
数据采集模块:采集历史第一区域天气数据及历史第二区域天气数据,输出第一及第二区域数据集;
数据处理模块:剔除第一及第二区域数据集中的大于预设时长的连续空白数据段,并将连续空白数据段用时间尺度相邻的两个值的平均值进行填充,将填充后的第一及第二区域数据集以小时为单位进行平均操作,将第一及第二区域数据集中的数据以时间相同为标准合并组成样本数据,根据获得的样本数据构造并输出模型训练特征;
模型建立模块:根据获得的模型训练数据,以光照强度为预测目标,采用集成学习模型进行训练,选择误差函数,交叉验证进行参数调整,获得光照强度预测模型。
优选地,所述历史第一区域天气数据包括以下所述任一种或任多种:
温度、相对湿度、降雨量、天气、风速、风向;
所述历史第二区域天气数据包括:传感器获取的光照强度;
所述模型训练特征包括:所有样本数据;对应于样本数据的时间;对应于样本数据的时间当日的预报温度、湿度的最大值和最小值;对应于样本数据的时间当日的前一日相同时刻的所有天气要素,包括:温度、相对湿度、降雨量、天气、风速、风向、本地光照强度;
所述模型建立模块:
所述集成学习模型为渐进梯度回归树算法,包括:
训练一个基础回归树,用它对训练集进行预测,计算出决策树的预测残差,接着使用这个残差对第二个回归树进行训练,然后再次计算残差,继续训练第三个回归树,并不断循环向前,最后将所有树的预测残差相加,从而对新实例进行预测;
所述误差函数为均方根误差,公式如下:
RMSE表示均方根误差,即Root Mean Squared Error;
m表示样本总数;
yi表示真实值;
所述交叉验证方法为K-fold验证方法:将训练集随机分割成K个不同的子集,每个子集称为一个折叠,然后对决策树模型进行K次训练和评估,即每次挑选一个折叠进行评估,使用另外的K-1个折叠进行训练,产出的结果是一个包含K次评估分数的数组;
所述参数调整包括:将模型学习速率设置为第一预设值,每次训练时选择输入特征随机子集的比例设置为第二预设值,每个回归树的叶节点数量设置为第三预设值,训练迭代次数设置为第四预设值。
优选地,所述光照强度预测模块包括:
采集实时的天气数据,使用获得的光照强度预测模型,预测以一小时为时间粒度的光照强度值lpred(t),并输出光照预测数据;
所述调度决策模型建立模块:
预设只有在顶层苗床的作物才会接收到光照,在下层苗床的作物接收到的光照强度为0,在一天中,苗床共轮换j次,第一次轮换满足每层苗床作物生长光量需求最低量Lmin;
苗床作物在t1到t2时间段内光照总量L的计算公式如下:
其中,
l表示作物接收到的光照强度值;
初始时,t=Tstart,j=1,其中j为轮换次数;
在t时刻每层作物已经获得的光照总量为:
其中,
i表示苗床的层数;
t表示时刻;
Li(t)表示第i层作物截至t时刻已经获得的光照总量;
li(t)表示第i层苗床的实时光照强度,当第i层苗床被调度到顶层接收光照时,li(t)等于所测得的实时光照,当第i层苗床不在顶层时,li(t)等于0;
Tstart表示当天开始有光照的时刻;
在t时刻,根据已测得光照和预测光照强度lpred(t)计算一整天的光照总量Lpred:
其中,
Lpred表示根据已测得光照和预测光照强度计算出的一整天的光照总量;
lpred(t)表示预测的以一小时为时间粒度的光照强度值;
Tend表示一天光照结束的时间;
N表示苗床的总层数;
确定每一次轮换结束的时间,满足:
K=c/(c+1) (5)
其中,
i表示苗床的层数;
Lmin表示苗床作物生长光量需求最低量;
T1表示苗床第一次轮换结束的时间;
T2表示苗床第二次轮换结束的时间;
c表示第二次轮换中的光照总量对于第三次轮换接收的光照总量的倍数;
K表示由c计算得到的第二次轮换中的光量占第二、三次轮换的总光量的比例系数;
根据预测的光照强度计算t时刻到下一次轮换结束时可以获得的光照总量Ljpred(t)为:
Ljpred(t)表示t时刻到下一次轮换结束时可以获得的光照总量;
Tj表示第j次轮换结束的时间,j表示轮换次数;
可以得出在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,推导公式如下:
Lij(t)=Lj(t)-Li(t) (9)
其中,
Lj(t)表示在t时刻预测的第j次轮换后每层苗床所受到的总光量;
Li(t)表示第i层苗床在t时刻已经获得的光量;
m表示在该次轮换中未接受光照的总层数,m≤N;
N表示苗床的总层数;
Lij(t)表示第i层苗床在第j次次轮换之前应该补足的光量;
Tij表示第i层苗床在第j次轮换中的从顶层调度下来的时间
由上述公式计算出Tij;
判断是否t+△t≤Tj:
若t+△t≤Tj,则t更新为t+△t,返回公式(2)重新计算;
若t+△t>Tj,则判断轮换次数j是否大于预设次数:若不大于,则j=j+1,t=t+△t,返回公式(2)重新计算;若大于,则结束计算;
其中,△t表示预设间隔时间;
根据获得的在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,对苗床进行调度。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现上述中任一项所述的光照精准预测的苗床调度方法的步骤。
下面通过优选例,对本发明进行更为具体地说明。
优选例1:
本发明提供一种新型的基于数据驱动的小区域光照精准预测的苗床调度方法。如图1所示,为本发明提供的光照预测的流程示意图,包括以下步骤:
步骤一:数据采集与处理,构造特征,为模型训练做准备。
1.1获取跟踪收集得到的历史大区域预报天气数据。获取采集的小区域天气数据。
1.2对数据进行初步的筛选和处理。包括空白值、异常值的处理,大区域和小区域数据的合并。
1.3构造特征。为模型训练做数据准备。
步骤二:建立光照预测模型。以光照强度为预测目标,采用集成学习模型进行训练,选择误差函数,交叉验证进行调参,得到最优模型。
步骤三:调用模型预测光照,建立立体栽培苗床调度决策模型
3.1实时跟踪收集天气预报权威机构发布的天气预报数据,使用光照预测模型预测以一小时为时间粒度的光照强度值lpred(t)。
3.2根据太阳光利用型立体栽培装备的特性,建立动态实时光照预测数据驱动的立体栽培苗床调度决策算法。
优选地,所述步骤1.1中历史大区域预报天气数据包括从互联网发布天气预报中获取的五个变量,包括温度,相对湿度,降雨量,天气,风速,风向。所述小区域天气数据包括本地传感器获取的光照强度。
优选地,所述步骤1.2中对所有数据进行的初步的筛选和处理包括:剔除原始大小区域数据集中的大于三小时的连续空白数据段。将经过后的大小区域数据集中的空白值和异常值用时间尺度相邻的两个值得平均值进行填充。将经过后的大小区域数据集以小时为单位进行平均操作。将大区域和小区域的数据以时间相同为标准合并组成数据样本。
优选地,所述步骤1.3中构造的特征包括:经过步骤1.2处理过后的所有样本数据。当日预报温度、湿度的最大值和最小值。前一日相同时刻的所有天气要素。
优选地,所述步骤二中的集成学习模型是渐进梯度回归树(Gradient BoostingRegression Tree,GBRT)。首先,先训练一个基础回归树,用它对训练集进行预测。计算出决策树的预测残差,接着使用这个残差对第二个回归树进行训练。然后再次计算残差,继续训练第三个回归树,并不断循环向前。最后将所有树的预测相加,从而对新实例进行预测。
优选地,所述步骤二中的误差函数为均方根误差,公式为
优选地,所述步骤二中的交叉验证方法是K-fold验证方法。将训练集随机分割成K个不同的子集,每个子集称为一个折叠(fold),然后对决策树模型进行K次训练和评估——每次挑选一个折叠进行评估,使用另外的K-1个折叠进行训练。产出的结果是一个包含K次评估分数的数组;
优选地,所述步骤二中的参数调整包括:将模型学习速率设置为0.02,每次训练时选择输入特征随机子集的比例设置为0.7,每个回归树的叶节点数量设置为60,训练迭代次数设置为1500。
优选地,如图2所示,为本发明提供的立体栽培苗床调度决策算法示意图,所述步骤3.2中的立体栽培苗床调度决策算法如下:
首先,假设只有在顶层苗床的作物才会接收到光照,在下层苗床的作物接收到的光照强度为0。在一天中,苗床共轮换三次,第一次轮换满足每层苗床生长需求最低量Lmin。
作物在t1到t2时间段内光照总量L的计算方法如下:
(1)初始时,t=Tstart,j=1,其中j为轮换次数。
(2)在t时刻每层作物已经获得的光照总量为:
其中,li(t)表示第i层苗床的实时光照强度,当第i层苗床被调度到顶层接收光照时,li(t)等于所测得的实时光照,当第i层苗床不在顶层时,li(t)等于0。Tstart表示当天开始有光照的时刻。Li(t)表示第i层作物截至t时刻已经获得的光照总量。如图3所示,为本发明的立体栽培苗床结构示意图。
(3)在t时刻,根据已测得光照和预测光照强度计算一整天的光照总量Lpred
(4)确定每一次轮换结束的时间,满足:
其中K=2/3,即:第一次轮换结束满足每层苗床生长需求最低光照量,第二次轮换结束满足在第二次轮换中的光照总量是第三次轮换接收的光照总量的2倍。
(5)根据预测的光照强度计算t时刻到下一次轮换结束时可以获得的光照总量Ljpred(t)为:
(6)可以得出在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij为,推导公式如下:
Lij(t)=Lj(t)-Li(t)
其中Lj(t)表示在t时刻预测的第j次轮换后每层作物所受到的总光量。m表示在该次轮换中未接受光照的总层数(m≤N)。Lij(t)表示第i层苗床在第j次次轮换之前应该补足的光量,由上面两个公式可以计算出Tij。
(7)判断t+△t≤Tj,其中△t可自定义,若t+△t≤Tj,则t=t+△t,返回(2);若t+△t>Tj,判断j+1>4,若为假,则j=j+1,t=t+△t,返回(2);若为真,则结束计算。
优选例2:
本发明所述地一种新型的基于数据驱动的小区域光照精准预测的苗床调度方法,其特征在于,具体步骤如下:
步骤一:数据采集与处理,构造特征,为模型训练做准备。
1.1获取跟踪收集得到的历史大区域预报天气数据。获取采集的小区域天气数据。
1.2对数据进行初步的筛选和处理。包括空白值、异常值的处理,大区域数据和小区域数据的合并。
1.3构造特征。为模型训练做数据准备。
步骤二:建立光照预测模型。以光照强度为预测目标,采用集成学习模型进行训练,选择误差函数,交叉验证进行调参,得到最优模型。
步骤三:调用模型预测光照,建立立体栽培苗床调度决策模型
3.1实时跟踪收集天气预报权威机构发布的天气预报数据,使用光照预测模型预测以一小时为时间粒度的光照强度值lpred(t)。
3.2根据太阳光利用型立体栽培装备的特性,建立动态实时光照预测数据驱动的立体栽培苗床调度决策模型。
所述的步骤一,其特征在于:
所述1.1中历史大区域预报天气数据包括从互联网发布天气预报中获取的五个变量,包括温度,相对湿度,降雨量,天气,风速,风向。所述小区域天气数据包括本地传感器获取的光照强度。
所述1.2中对数据进行的初步的筛选和处理包括:剔除原始大小区域数据集中的大于三小时的连续空白数据段。将经过后的大小区域数据集中的空白值和异常值用时间尺度相邻的两个值得平均值进行填充。将经过后的大小区域数据集以小时为单位进行平均操作。将大区域和小区域的数据以时间相同为标准合并组成数据样本。
所述1.3中构造的特征包括:经过步骤1.2处理过后的所有样本数据。对应于每个处理后样本数据的时间。对应于每个处理后样本的时间当日的预报温度、湿度的最大值和最小值。对应于每个处理后样本的时间当日的前一日相同时刻的所有天气要素,包括温度,相对湿度,降雨量,天气,风速,风向,本地光照强度。
步骤二,其特征在于:
所述集成学习模型是渐进梯度回归树(Gradient Boosting Regression Tree,GBRT)算法。首先,先训练一个基础回归树,用它对训练集进行预测。计算出决策树的预测残差,接着使用这个残差对第二个回归树进行训练。然后再次计算残差,继续训练第三个回归树,并不断循环向前。最后将所有树的预测相加,从而对新实例进行预测。
所述误差函数为均方根误差,公式为
RMSE表示均方根误差(Root Mean Squared Error,RMSE)
m表示样本总数
yi表示真实值
所述交叉验证方法是K-fold验证方法。将训练集随机分割成K个不同的子集,每个子集称为一个折叠(fold),然后对决策树模型进行K次训练和评估——每次挑选一个折叠进行评估,使用另外的K-1个折叠进行训练。产出的结果是一个包含K次评估分数的数组;
所述参数调整包括:将模型学习速率设置为0.02,每次训练时选择输入特征随机子集的比例设置为0.7,每个回归树的叶节点数量设置为60,训练迭代次数设置为1500。
所述的步骤3.1,其特征在于,所述的动态实时光照预测数据驱动的立体栽培苗床调度决策算法如下:
首先,假设只有在顶层苗床的作物才会接收到光照,在下层苗床的作物接收到的光照强度为0。在一天中,苗床共轮换三次,第一次轮换满足每层苗床作物生长光量需求最低量Lmin。
作物在t1到t2时间段内光照总量L的计算方法如下:
其中,
l表示作物接收到的光照强度值
(1)初始时,t=Tstart,j=1,其中j为轮换次数。
(2)在t时刻每层作物已经获得的光照总量为:
其中,
i表示苗床的层数;
t表示时刻;
Li(t)表示第i层作物截至t时刻已经获得的光照总量;
li(t)表示第i层苗床的实时光照强度,当第i层苗床被调度到顶层接收光照时,li(t)等于所测得的实时光照,当第i层苗床不在顶层时,li(t)等于0;
Tstart表示当天开始有光照的时刻;
(3)在t时刻,根据已测得光照和预测光照强度计算一整天的光照总量Lpred
其中,
Lpred表示根据已测得光照和预测光照强度计算出的一整天的光照总量;
lpred表示预测的光照强度
Tend表示一天光照结束的时间
(4)确定每一次轮换结束的时间,满足:
其中,
i表示苗床的层数
Lmin表示苗床作物生长光量需求最低量
T1表示苗床第一次轮换结束的时间
T2表示苗床第二次轮换结束的时间
K=2/3,即:第一次轮换结束满足每层苗床生长需求最低光照量,第二次轮换结束满足在第二次轮换中的光照总量是第三次轮换接收的光照总量的2倍。
(5)根据预测的光照强度计算t时刻到下一次轮换结束时可以获得的光照总量Ljpred(t)为:
Ljpred(t)表示t时刻到下一次轮换结束时可以获得的光照总量
Tj表示第j次轮换结束的时间,j表示轮换次数
(6)可以得出在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij为,推导公式如下:
Lij(t)=Lj(t)-Li(t)
其中,
Lj(t)表示在t时刻预测的第j次轮换后每层苗床所受到的总光量;
Li(t)表示第i层苗床在t时刻已经获得的光量;
m表示在该次轮换中未接受光照的总层数,m≤N;
N表示苗床的总层数
Lij(t)表示第i层苗床在第j次次轮换之前应该补足的光量;
Tij表示第i层苗床在第j次轮换中的从顶层调度下来的时间
由上面两个公式可以计算出Tij。
(7)判断t+△t≤Tj,其中△t可自定义,若t+△t≤Tj,则t=t+△t,返回(2);若t+△t>Tj,判断j+1>4,若为假,则j=j+1,t=t+△t,返回(2);若为真,则结束计算。
在本申请的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种光照精准预测的苗床调度方法,其特征在于,包括:
光照预测模型建立步骤:采集并处理历史天气数据及历史光照数据,建立光照强度预测模型;
光照强度预测步骤:采集实时的天气数据,并根据获得的光照强度预测模型,预测光照强度,输出光照预测数据;
调度决策获取步骤:根据获得的光照预测数据,对苗床进行调度;
所述光照预测模型建立步骤包括:
数据采集步骤:采集历史第一区域天气数据及历史第二区域天气数据,输出第一及第二区域数据集;
数据处理步骤:剔除第一及第二区域数据集中的大于预设时长的连续空白数据段,并将连续空白数据段用时间尺度相邻的两个值的平均值进行填充,将填充后的第一及第二区域数据集以小时为单位进行平均操作,将第一及第二区域数据集中的数据以时间相同为标准合并组成样本数据,根据获得的样本数据构造并输出模型训练特征;
模型建立步骤:根据获得的模型训练数据,以光照强度为预测目标,采用集成学习模型进行训练,选择误差函数,交叉验证进行参数调整,获得光照强度预测模型。
2.根据权利要求1所述的光照精准预测的苗床调度方法,其特征在于,所述历史第一区域天气数据包括以下所述任一种或任多种:
温度、相对湿度、降雨量、天气、风速、风向;
所述历史第二区域天气数据包括:传感器获取的光照强度;
所述模型训练特征包括:所有样本数据;对应于样本数据的时间;对应于样本数据的时间当日的预报温度、湿度的最大值和最小值;对应于样本数据的时间当日的前一日相同时刻的所有天气要素,包括:温度、相对湿度、降雨量、天气、风速、风向、本地光照强度;
所述模型建立步骤:
所述集成学习模型为渐进梯度回归树算法,包括:
训练一个基础回归树,用它对训练集进行预测,计算出决策树的预测残差,接着使用这个残差对第二个回归树进行训练,然后再次计算残差,继续训练第三个回归树,并不断循环向前,最后将所有树的预测残差相加,从而对新实例进行预测;
所述误差函数为均方根误差,公式如下:
RMSE表示均方根误差,即Root Mean Squared Error;
m表示样本总数;
yi表示真实值;
所述交叉验证方法为K-fold验证方法:将训练集随机分割成K个不同的子集,每个子集称为一个折叠,然后对决策树模型进行K次训练和评估,即每次挑选一个折叠进行评估,使用另外的K-1个折叠进行训练,产出的结果是一个包含K次评估分数的数组;
所述参数调整包括:将模型学习速率设置为第一预设值,每次训练时选择输入特征随机子集的比例设置为第二预设值,每个回归树的叶节点数量设置为第三预设值,训练迭代次数设置为第四预设值。
3.根据权利要求2所述的光照精准预测的苗床调度方法,其特征在于,所述光照强度预测步骤包括:
采集实时的天气数据,使用获得的光照强度预测模型,预测以一小时为时间粒度的光照强度值lpred(t),并输出光照预测数据。
4.根据权利要求3所述的光照精准预测的苗床调度方法,其特征在于,所述调度决策模型建立步骤:
预设只有在顶层苗床的作物才会接收到光照,在下层苗床的作物接收到的光照强度为0,在一天中,苗床共轮换j次,第一次轮换满足每层苗床作物生长光量需求最低量Lmin;
苗床作物在t1到t2时间段内光照总量L的计算公式如下:
其中,
l表示作物接收到的光照强度值;
初始时,t=Tstart,j=1,其中j为轮换次数;
在t时刻每层作物已经获得的光照总量为:
其中,
i表示苗床的层数;
t表示时刻;
Li(t)表示第i层作物截至t时刻已经获得的光照总量;
li(t)表示第i层苗床的实时光照强度,当第i层苗床被调度到顶层接收光照时,li(t)等于所测得的实时光照,当第i层苗床不在顶层时,li(t)等于0;
Tstart表示当天开始有光照的时刻;
在t时刻,根据已测得光照和预测光照强度lpred(t)计算一整天的光照总量Lpred:
其中,
Lpred表示根据已测得光照和预测光照强度计算出的一整天的光照总量;
lpred(t)表示预测的以一小时为时间粒度的光照强度值;
Tend表示一天光照结束的时间;
N表示苗床的总层数;
确定每一次轮换结束的时间,满足:
K=c/(c+1) (5)
其中,
i表示苗床的层数;
Lmin表示苗床作物生长光量需求最低量;
T1表示苗床第一次轮换结束的时间;
T2表示苗床第二次轮换结束的时间;
c表示第二次轮换中的光照总量对于第三次轮换接收的光照总量的倍数;
K表示由c计算得到的第二次轮换中的光量占第二、三次轮换的总光量的比例系数;
根据预测的光照强度计算t时刻到下一次轮换结束时可以获得的光照总量Ljpred(t)为:
Ljpred(t)表示t时刻到下一次轮换结束时可以获得的光照总量;
Tj表示第j次轮换结束的时间,j表示轮换次数;
可以得出在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,推导公式如下:
Lij(t)=Lj(t)-Li(t) (9)
其中,
Lj(t)表示在t时刻预测的第j次轮换后每层苗床所受到的总光量;
Li(t)表示第i层苗床在t时刻已经获得的光量;
m表示在该次轮换中未接受光照的总层数,m≤N;
N表示苗床的总层数;
Lij(t)表示第i层苗床在第j次次轮换之前应该补足的光量;
Tij表示第i层苗床在第j次轮换中的从顶层调度下来的时间
由上述公式计算出Tij;
判断是否t+△t≤Tj:
若t+△t≤Tj,则t更新为t+△t,返回公式(2)重新计算;
若t+△t>Tj,则判断轮换次数j是否大于预设次数:若不大于,则j=j+1,t=t+△t,返回公式(2)重新计算;若大于,则结束计算;
其中,△t表示预设间隔时间;
根据获得的在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,对苗床进行调度。
5.一种光照精准预测的苗床调度系统,其特征在于,包括:
光照预测模型建立模块:采集并处理历史天气数据及历史光照数据,建立光照强度预测模型;
光照强度预测模块:采集实时的天气数据,并根据获得的光照强度预测模型,预测光照强度,输出光照预测数据;
调度决策获取模块:根据获得的光照预测数据,对苗床进行调度;
所述光照预测模型建立模块包括:
数据采集模块:采集历史第一区域天气数据及历史第二区域天气数据,输出第一及第二区域数据集;
数据处理模块:剔除第一及第二区域数据集中的大于预设时长的连续空白数据段,并将连续空白数据段用时间尺度相邻的两个值的平均值进行填充,将填充后的第一及第二区域数据集以小时为单位进行平均操作,将第一及第二区域数据集中的数据以时间相同为标准合并组成样本数据,根据获得的样本数据构造并输出模型训练特征;
模型建立模块:根据获得的模型训练数据,以光照强度为预测目标,采用集成学习模型进行训练,选择误差函数,交叉验证进行参数调整,获得光照强度预测模型。
6.根据权利要求5所述的光照精准预测的苗床调度系统,其特征在于,所述历史第一区域天气数据包括以下所述任一种或任多种:
温度、相对湿度、降雨量、天气、风速、风向;
所述历史第二区域天气数据包括:传感器获取的光照强度;
所述模型训练特征包括:所有样本数据;对应于样本数据的时间;对应于样本数据的时间当日的预报温度、湿度的最大值和最小值;对应于样本数据的时间当日的前一日相同时刻的所有天气要素,包括:温度、相对湿度、降雨量、天气、风速、风向、本地光照强度;
所述模型建立模块:
所述集成学习模型为渐进梯度回归树算法,包括:
训练一个基础回归树,用它对训练集进行预测,计算出决策树的预测残差,接着使用这个残差对第二个回归树进行训练,然后再次计算残差,继续训练第三个回归树,并不断循环向前,最后将所有树的预测残差相加,从而对新实例进行预测;
所述误差函数为均方根误差,公式如下:
RMSE表示均方根误差,即Root Mean Squared Error;
m表示样本总数;
yi表示真实值;
所述交叉验证方法为K-fold验证方法:将训练集随机分割成K个不同的子集,每个子集称为一个折叠,然后对决策树模型进行K次训练和评估,即每次挑选一个折叠进行评估,使用另外的K-1个折叠进行训练,产出的结果是一个包含K次评估分数的数组;
所述参数调整包括:将模型学习速率设置为第一预设值,每次训练时选择输入特征随机子集的比例设置为第二预设值,每个回归树的叶节点数量设置为第三预设值,训练迭代次数设置为第四预设值。
7.根据权利要求6所述的光照精准预测的苗床调度系统,其特征在于,所述光照强度预测模块包括:
采集实时的天气数据,使用获得的光照强度预测模型,预测以一小时为时间粒度的光照强度值lpred(t),并输出光照预测数据;
所述调度决策模型建立模块:
预设只有在顶层苗床的作物才会接收到光照,在下层苗床的作物接收到的光照强度为0,在一天中,苗床共轮换j次,第一次轮换满足每层苗床作物生长光量需求最低量Lmin;
苗床作物在t1到t2时间段内光照总量L的计算公式如下:
其中,
l表示作物接收到的光照强度值;
初始时,t=Tstart,j=1,其中j为轮换次数;
在t时刻每层作物已经获得的光照总量为:
其中,
i表示苗床的层数;
t表示时刻;
Li(t)表示第i层作物截至t时刻已经获得的光照总量;
li(t)表示第i层苗床的实时光照强度,当第i层苗床被调度到顶层接收光照时,li(t)等于所测得的实时光照,当第i层苗床不在顶层时,li(t)等于0;
Tstart表示当天开始有光照的时刻;
在t时刻,根据已测得光照和预测光照强度lpred(t)计算一整天的光照总量Lpred:
其中,
Lpred表示根据已测得光照和预测光照强度计算出的一整天的光照总量;
lpred(t)表示预测的以一小时为时间粒度的光照强度值;
Tend表示一天光照结束的时间;
N表示苗床的总层数;
确定每一次轮换结束的时间,满足:
K=c/(c+1) (5)
其中,
i表示苗床的层数;
Lmin表示苗床作物生长光量需求最低量;
T1表示苗床第一次轮换结束的时间;
T2表示苗床第二次轮换结束的时间;
c表示第二次轮换中的光照总量对于第三次轮换接收的光照总量的倍数;
K表示由c计算得到的第二次轮换中的光量占第二、三次轮换的总光量的比例系数;
根据预测的光照强度计算t时刻到下一次轮换结束时可以获得的光照总量Ljpred(t)为:
Ljpred(t)表示t时刻到下一次轮换结束时可以获得的光照总量;
Tj表示第j次轮换结束的时间,j表示轮换次数;
可以得出在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,推导公式如下:
Lij(t)=Lj(t)-Li(t) (9)
其中,
Lj(t)表示在t时刻预测的第j次轮换后每层苗床所受到的总光量;
Li(t)表示第i层苗床在t时刻已经获得的光量;
m表示在该次轮换中未接受光照的总层数,m≤N;
N表示苗床的总层数;
Lij(t)表示第i层苗床在第j次次轮换之前应该补足的光量;
Tij表示第i层苗床在第j次轮换中的从顶层调度下来的时间
由上述公式计算出Tij;
判断是否t+△t≤Tj:
若t+△t≤Tj,则t更新为t+△t,返回公式(2)重新计算;
若t+△t>Tj,则判断轮换次数j是否大于预设次数:若不大于,则j=j+1,t=t+△t,返回公式(2)重新计算;若大于,则结束计算;
其中,△t表示预设间隔时间;
根据获得的在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij,对苗床进行调度。
8.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的光照精准预测的苗床调度方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250048.0A CN110100620B (zh) | 2019-03-29 | 2019-03-29 | 光照精准预测的苗床调度方法、系统及介质 |
PCT/CN2019/100359 WO2020199453A1 (zh) | 2019-03-29 | 2019-08-13 | 光照精准预测的苗床调度方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250048.0A CN110100620B (zh) | 2019-03-29 | 2019-03-29 | 光照精准预测的苗床调度方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110100620A CN110100620A (zh) | 2019-08-09 |
CN110100620B true CN110100620B (zh) | 2021-06-29 |
Family
ID=67484752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910250048.0A Active CN110100620B (zh) | 2019-03-29 | 2019-03-29 | 光照精准预测的苗床调度方法、系统及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110100620B (zh) |
WO (1) | WO2020199453A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110100620B (zh) * | 2019-03-29 | 2021-06-29 | 上海交通大学 | 光照精准预测的苗床调度方法、系统及介质 |
CN110533256A (zh) * | 2019-09-05 | 2019-12-03 | 天津华春智慧能源科技发展有限公司 | 一种需求侧供热负荷的预测方法 |
CN112800627B (zh) * | 2021-02-19 | 2024-02-02 | 中国农业科学院农业环境与可持续发展研究所 | 一种立体栽培模式下栽培层直射光进光率分析方法及装置 |
CN113190064B (zh) * | 2021-04-12 | 2022-06-14 | 中国农业大学 | 植物工厂光强最优控制方法 |
CN115812477B (zh) * | 2023-02-20 | 2023-04-28 | 华东交通大学 | 一种立体栽培温室的光照控制方法及光照控制系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180086738A (ko) * | 2017-01-23 | 2018-08-01 | 한국과학기술연구원 | 작물 재배 가이드 정보 제공 장치, 및 그 방법 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984980B (zh) * | 2014-01-28 | 2017-12-19 | 中国农业大学 | 一种温室内温度极值的预测方法 |
CN104604598B (zh) * | 2015-01-19 | 2017-06-13 | 同济大学 | 一种可调节透光率的自动移动立体苗床系统 |
US10728336B2 (en) * | 2016-03-04 | 2020-07-28 | Sabrina Akhtar | Integrated IoT (Internet of Things) system solution for smart agriculture management |
CN106326191B (zh) * | 2016-08-26 | 2018-09-21 | 河海大学 | 一种基于天气预报描述性数据量化日照时数的方法 |
JP6898589B2 (ja) * | 2017-08-21 | 2021-07-07 | コニカミノルタ株式会社 | 刈り取りスケジュール決定方法及び刈り取りスケジュール決定プログラム |
CN108022023A (zh) * | 2017-12-20 | 2018-05-11 | 深圳春沐源控股有限公司 | 一种农作物的种植产量预测方法、装置及存储介质 |
CN110100620B (zh) * | 2019-03-29 | 2021-06-29 | 上海交通大学 | 光照精准预测的苗床调度方法、系统及介质 |
-
2019
- 2019-03-29 CN CN201910250048.0A patent/CN110100620B/zh active Active
- 2019-08-13 WO PCT/CN2019/100359 patent/WO2020199453A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180086738A (ko) * | 2017-01-23 | 2018-08-01 | 한국과학기술연구원 | 작물 재배 가이드 정보 제공 장치, 및 그 방법 |
Non-Patent Citations (1)
Title |
---|
基于全局优化预测的温室智能控制模型;程曼等;《农机化研究》;20131001;第26-29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110100620A (zh) | 2019-08-09 |
WO2020199453A1 (zh) | 2020-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110100620B (zh) | 光照精准预测的苗床调度方法、系统及介质 | |
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
CN112614009A (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
CN107219759B (zh) | 一种温室环境控制方法及装置 | |
CN106485093B (zh) | 基于改进马尔可夫链的太阳辐照度时间序列合成方法 | |
CN108617355B (zh) | 一种集群温室灌溉决策方法及系统 | |
CN113966680B (zh) | 一种植物补光方法、系统、装置、设备及存储介质 | |
CN113052386B (zh) | 基于随机森林算法的分布式光伏日发电量预测方法和装置 | |
CN111639750A (zh) | 智能花盆的控制方法、装置、智能花盆及存储介质 | |
CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
CN113554522A (zh) | 基于动态神经网络的葡萄园精准滴灌控制系统 | |
CN115530054A (zh) | 灌溉控制方法、装置、电子设备及存储介质 | |
Junguo et al. | Using an improved back propagation neural network to study spatial distribution of sunshine illumination from sensor network data | |
CN115907366A (zh) | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 | |
Saraswathy et al. | Integrating intelligence in hydroponic farms | |
Kim et al. | Solar radiation forecasting based on the hybrid CNN-CatBoost model | |
Jenitha et al. | Intelligent irrigation scheduling scheme based on deep bi-directional LSTM technique | |
Su et al. | Greenhouse climate setpoint optimization: An online decision strategy | |
CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
Macabiog et al. | Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet | |
CN114530214A (zh) | 一种蔬菜营养液自维护方法及系统 | |
CN116502880B (zh) | 一种考虑湖泊水质动态响应的水库生态调度方法及装置 | |
KR102650627B1 (ko) | 강화 학습을 이용한 분산 발전소의 발전량 예측 방법 | |
Mokhtari et al. | A Review on Precision Irrigation Techniques and Controls for Better Water Use Efficiency in Agriculture | |
He et al. | Identification of greenhouse climate using Takagi-Sugeno fuzzy modeling |
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 |