CN111158326A - 一种基于大数据时变分析的智能喷水控制方法和系统 - Google Patents
一种基于大数据时变分析的智能喷水控制方法和系统 Download PDFInfo
- Publication number
- CN111158326A CN111158326A CN202010007054.6A CN202010007054A CN111158326A CN 111158326 A CN111158326 A CN 111158326A CN 202010007054 A CN202010007054 A CN 202010007054A CN 111158326 A CN111158326 A CN 111158326A
- Authority
- CN
- China
- Prior art keywords
- soil moisture
- moisture content
- water spraying
- water
- group
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 243
- 239000007921 spray Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 239000002689 soil Substances 0.000 claims abstract description 184
- 238000005507 spraying Methods 0.000 claims abstract description 142
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012790 confirmation Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 abstract description 6
- 238000003973 irrigation Methods 0.000 description 20
- 230000002262 irrigation Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 239000003621 irrigation water Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41845—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
-
- 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
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
- G05B19/41855—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication by local area network [LAN], network structure
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Environmental Sciences (AREA)
- Nozzles (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明提出了一种基于大数据时变分析的智能喷水控制方法和系统,包括如下步骤:S1、在绿地区域部署若干墒情传感器,由墒情传感器实时检测绿地土壤的墒情数值,并通过物联网将墒情数值上传至中心控制器;S2、生成每个喷水口的墒情特征值;S3、对全部喷水口的墒情特征值的大数据利用聚类算法进行聚类,获得若干个喷水口群组;S4、根据每个喷水口群组的墒情特征值,确定适用的控制方式,并由中心控制器向所述喷水口群发控制配置参数。针对墒情大数据实现时变分析,对智能喷水系统实现了智能控制,有利于节约用水,以及对绿地供水进行精细化管理,通过动态划分墒情相近的群组,针对同一个群组执行统一的控制方式,简化控制难度,节约了通信开销。
Description
技术领域
本发明涉及传感器技术和智能灌溉技术领域,更具体地说是涉及一种基于大数据时变分析的智能喷水控制方法和系统。
背景技术
目前,在城市绿地灌溉中普遍使用自动化的喷水系统,即通过管道向绿地区域输水并通过喷水口向绿地的植物供水,喷水口可以通过通讯线路接收并执行远程控制指令,实现自动控制供水,包括控制供水的开启时间和关闭时间以及供水量大小,然而所有喷水口均机械的执行同一标准,并非根据温度、日照等因素造成的灌溉需求量的变化而提供与之匹配的供水量,必然导致水资源浪费;若逐一对城市绿地区域喷水口进行控制,该过程过于复杂,将增加通讯传输以及硬件设备投入的成本,因此难以实现。
随着水资源供需矛盾的日益加剧,各国都十分重视发展节水型农业。发达国家除普遍采用喷灌、微灌等先进的节水灌溉技术外,还应用先进的自动化控制技术实施精确灌溉,以作物实际需水为依据,以信息技术为手段,提高灌溉精准度,实施合理的灌溉制度,提高水的利用率。智能自动化控制灌溉能够提高灌溉管理水平,同时智能控制灌溉能够减少灌溉用工,降低管理成本,显著提高效益。
因此,推广实施自动化控制灌溉,改变目前普遍存在的粗放灌水方式,提高灌溉水利用率,是有效解决灌溉节水问题的必要措施之一。
发明内容
有鉴于此,本发明提供了一种基于大数据时变分析的智能喷水控制方法和系统,通过在绿地区域部署一定数量的墒情传感器,获取不同喷水口位置处的土壤墒情数值,利用聚类算法对全部喷水口的墒情特征值的大数据进行聚类,划分成若干喷水口群组,并确定每个喷水口群组适用的控制方式,以期对绿地供水进行精细化管理,在简化控制难度,节约通信开销的同时,避免水资源浪费。
为了实现上述目的,本发明采用如下技术方案:
一种基于大数据时变分析的智能喷水控制方法,包括如下步骤:
S1、在绿地区域部署若干墒情传感器,由墒情传感器实时检测绿地土壤的墒情数值,并通过物联网将墒情数值上传至中心控制器;
S2、生成每个喷水口的墒情特征值;
S3、对全部喷水口的墒情特征值的大数据利用聚类算法进行聚类,获得若干个喷水口群组;
S4、根据每个喷水口群组的墒情特征值,确定适用的控制方式,并由中心控制器向所述喷水口群发控制配置参数。
具体的,墒情是反映土壤含水率的指标,土壤含水率能够显示出土壤对灌溉的实际需求,因此部署墒情传感器有利于获取土壤对灌溉的实际需求量。
优选的,每个喷水口的预定距离和方向上均匀部署若干个墒情传感器,同一喷水口周围的墒情传感器检测的墒情数值整合起来即为该喷水口的墒情特征值。具体的,每个喷水口的墒情特征值为SN;其中 SN=(SN1,SN2,SN3,…,SNM),S表示墒情传感器检测的实时墒情数值,N 表示具体喷水口名称或编号),M表示墒情传感器个数, N1,N2,N3,...,NM表示同一喷水口按照墒情传感器部署方向的墒情传感器的顺序号序列;所述墒情特征值中的墒情数值按照墒情传感器部署的方向顺序进行排序,有利于对每个喷水口周围土壤含水率进行精细检测,为后续划分群组,确定控制方案提供更精确的数据。
优选的,所述S3具体步骤如下:
S31、随机选择K个喷水口作为群组中心,将P个喷水口划分为K 个群组;
S32、计算其余喷水口与各个群组中心墒情特征值之间的距离,将其归入距离最近的群组中心;
S33、完成P个喷水口的第一次群组划分后,按照群组中心与本群组的其他喷水口之间距离的平均值最小的标准,分别选出K个群组对应的新的群组中心;
S34、重复S32-S33,直至S33选出的K个新的群组中心不再发生变化,则完成群组划分。
优选的,任意两个喷水口的墒情特征值的距离
其中,D为任意两个喷水口的墒情特征值的距离,N1,N2表示不同的两个喷水口的名称或编号;
聚类算法是解决聚类问题的一种经典算法,能够简单、快速进行群组的划分,同时对处理较大的数据集例如全部喷水口的墒情特征值和大数据,该算法具备相对可伸缩性,并且效率较高,另外,利用聚类算法将喷水口进行分组,将具有相似墒情特征值的喷水口划分为同一组,进而对同一群组执行统一的控制方式,简化控制难度,有利于节约通信开销。
优选的,所述控制方式包括:喷水口的开启和关闭时间、供水量大小、在各个方向的喷水时长占比和喷水量,便于喷水口根据控制配置参数执行控制策略,控制方式中包含的个性化设定的喷水时长以及供水量大小,有利于在保证灌溉效率的同时减少水资源浪费。
基于上述方法,设计出如下系统:
一种基于大数据时变分析的智能喷水控制系统,包括:若干墒情传感器、若干喷水口、中心控制器;其中,
所述中心控制器包括墒情特征值生成模块、群组划分模块、配置参数确定模块;
在绿地区域部署若干所述墒情传感器,所述墒情传感器用于对绿地土壤的墒情数值进行实时检测,并通过物联网将墒情数值上传至所述中心控制器;
所述墒情特征值生成模块用于生成每个所述喷水口的墒情特征值;
所述群组划分模块用于对全部所述喷水口的墒情特征值的大数据利用聚类算法进行聚类,获得若干个喷水口群组;
所述配置参数确定模块用于根据每个喷水口群组的墒情特征值,确定适用的控制方式,并向所述喷水口群组发送控制配置参数。
优选的,每个所述喷水口的墒情特征值为SN;其中,
SN=(SN1,SN2,SN3,…,SNM),
S表示墒情传感器检测的实时墒情数值,N表示具体喷水口名称或编号,M表示墒情传感器个数,N1,N2,N3,...,NM表示同一喷水口按照墒情传感器部署方向的墒情传感器的顺序号序列;所述墒情特征值中的墒情数值按照墒情传感器部署的方向顺序进行排序。
优选的,所述群组划分模块包括群组划分单元、距离计算单元、新群组中心确定单元、群组确认单元:
所述群组划分单元用于随机选择K个所述喷水口作为群组中心,将P个所述喷水口划分为K个群组;
所述距离计算单元用于计算其余喷水口与各个群组中心墒情特征值之间的距离,将其归入距离最近的群组中心;
所述新群组中心确定单元用于完成P个所述喷水口的第一次群组划分后,按照群组中心与本群组的其他所述喷水口之间距离的平均值最小的标准,分别选出K个群组对应的新的群组中心;
所述群组确认单元用于重复运转所述距离计算单元和所述所述新群组中心确定单元,直至所述新群组中心确定单元选出的K个新的群组中心不再发生变化,则完成群组划分。
优选的,任意两个所述喷水口的墒情特征值的距离
其中,D为任意两个喷水口的墒情特征值的距离,N1,N2表示两个不同喷水口的名称或编号;
优选的,所述控制方式包括:所述喷水口的开启和关闭时间、供水量大小、各个方向的喷水时长占比和喷水量。
本发明具有以下有益效果:
经由上述的技术方案可知,基于现有技术,本发明提出了一种基于大数据时变分析的智能喷水控制方法和系统,针对墒情大数据实现时变分析,对智能喷水系统实现了智能控制,有利于节约用水,以及对绿地供水进行精细化管理,通过动态划分墒情相近的群组,针对同一个群组执行统一的控制方式,简化控制难度,节约了通信开销。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为一种基于大数据时变分析的智能喷水控制方法流程图;
图2为一种基于大数据时变分析的智能喷水控制系统框图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了如下方法:
一种基于大数据时变分析的智能喷水控制方法,包括如下步骤:
S1、在绿地区域部署若干墒情传感器,由墒情传感器实时检测绿地土壤的墒情数值,并通过物联网将墒情数值上传至中心控制器;
具体的,墒情是反映土壤含水率的指标,利用墒情传感器可以检测出土壤含水率,获取不同位置处土壤的实际灌溉需求。
S2、生成每个喷水口的墒情特征值;
具体的,在每个喷水口的预定距离和方向上部署若干墒情传感器,每个喷水口的墒情特征值为SNM;其中SN=(SN1,SN2,SN3,…,SNM),S 表示墒情传感器检测的实时墒情数值,N表示具体喷水口名称或编号, M表示墒情传感器个数,N1,N2,N3,...,NM表示同一喷水口按照墒情传感器部署方向的墒情传感器的顺序号序列;所述墒情特征值中的墒情数值按照墒情传感器部署的方向顺序进行排序。例如,以喷水口A为圆心,半径为R,在0度、90度、180度、270度四个方向的位置部署墒情传感器,则M=4,将四个墒情传感器的实时墒情数值按照顺时针方向顺序进行排序,形成的特征数组作为喷水口A的墒情特征值,则有, SA=(SA1,SA2,SA3,SA4),其中,SA1,SA2,SA3,SA4分别代表在0度、90 度、180度和270度四个方向的位置部署的墒情传感器提供的实时墒情数值。半径R的取值可以根据该喷水口A喷水灌溉的有效覆盖范围来设置,例如设置在有效覆盖范围半径的1/2位置(即喷水口A有效覆盖范围的半径是2R)。
S3、对全部喷水口的墒情特征值的大数据利用聚类算法进行聚类,获得若干个喷水口群组;
聚类是一种无监督学习的方法,是许多领域中常用的统计数据分析技术,利用聚类算法对全部喷水口的墒情特征值的大数据根据墒情特征值的相似性进行划分,可以获得若干喷水口群组,每个喷水口群组具备相似的墒情特征值,便于中心控制器对同一个群组执行统一的控制方式,并以群发的方式进行处理,节省通信开销。
具体的,分为S31-S34四个步骤:
S31、随机选择K个喷水口作为群组中心,将P个喷水口划分为K 个群组;
S32、计算其余喷水口与各个群组中心墒情特征值之间的距离,将其归入距离最近的群组中心;
S33、完成P个喷水口的第一次群组划分后,按照群组中心与本群组的其他喷水口之间距离的平均值最小的标准,分别选出K个群组对应的新的群组中心;
S34、重复S32-S33,直至S33选出的K个新的群组中心不再发生变化,则完成群组划分。
任意两个喷水口的墒情特征值的距离:
其中,D为任意两个喷水口的墒情特征值的距离,N1,N2表示不同的两个喷水口的名称或编号。
基于上一个例子,M=4时,喷水口A和B之间的墒情特征值的距离为
S4、根据每个喷水口群组的墒情特征值,确定适用的控制方式,并由中心控制器向所述喷水口群组发送控制配置参数。
通过以上步骤S3,对各个喷水口以根据墒情特征值进行聚类的方式实现群组的划分之后,对于同一个群组内的喷水口来说,其有效覆盖范围内土壤的含水率及其在各个方向的分布状况具有高度的相近性,因此对于同一个群组的喷水口可以采用相同的控制方式,能够满足土壤的灌溉实际需求,也简化了控制过程。
具体的,控制方式包括:喷水口开启和关闭的时间、供水量大小。喷水口的开启和关闭时间决定了一定时间(例如一天)内喷水口的喷水次数和每次喷水的持续时长;例如本群组喷水口每天的开启和关闭时间为10:00-10:15,12:00-12:15以及15:00-15:15,则群组内的喷水口每天喷水灌溉3次,每次15分钟。供水量大小可以用喷水口的径流量进行表征和控制。其中,旋转式喷水口还可以对各个方向的喷水时长占比和喷水量进行自定义;例如:根据喷水口的墒情,也即根据每个群组的各个喷水口的墒情特征值,计算该群组中每个方向的墒情数值的平均值,其表明该群组喷水口周围各个方向上的土壤含水率的分布情况,设定每个方向区间中的喷水时长占比,和/或,对应每个方向区间的供水量,例如,0度至90度区间内喷水时长占喷水口旋转一周所需的总时长的30%,90度至180度区间内喷水时长占喷水口旋转一周所需的总时长的15%,180度至270度区间内喷水时长占喷水口旋转一周所需的总时长的15%,270度至0度区间内喷水时长占喷水口旋转一周所需的总时长的40%,且不同的区间对应不同的喷水量大小。
为了进一步优化上述技术特征,由中心控制器对同一个群组的喷水口群发控制配置参数,以便喷水口执行控制策略。
如图2所示,
一种基于大数据时变分析的智能喷水控制系统,包括:若干墒情传感器1、若干喷水口3、中心控制器2;其中,
中心控制器2包括墒情特征值生成模块21、群组划分模块(22)、配置参数确定模块23;
在绿地区域部署若干墒情传感器1,墒情传感器1用于对绿地土壤的墒情数值进行实时检测,并通过物联网将墒情数值上传至中心控制器2;
墒情特征值生成模块21用于生成每个喷水口3的墒情特征值;
群组划分模块22用于对全部喷水口3的墒情特征值的大数据利用聚类算法进行聚类,获得若干个喷水口群组;
配置参数确定模块23用于根据每个喷水口群组的墒情特征值,确定适用的控制方式,并向所述喷水口群发控制配置参数。
为了进一步优化上述技术特征,每个喷水口3的墒情特征值为SN;其中,
SN=(SN1,SN2,SN3,...,SNM),
S表示墒情传感器检测的实时墒情数值,N表示具体喷水口名称或编号,M表示墒情传感器个数,N1,N2,N3,…,NM表示同一喷水口按照墒情传感器部署方向的墒情传感器的顺序号序列;所述墒情特征值中的墒情数值按照墒情传感器部署的方向顺序进行排序。
为了进一步优化上述技术特征,群组划分模块22包括群组划分单元、距离计算单元、新群组中心确定单元、群组确认单元:
群组划分单元用于随机选择K个喷水口3作为群组中心,将P个喷水口3划分为K个群组;
距离计算单元用于计算其余喷水口与各个群组中心墒情特征值之间的距离,将其归入距离最近的群组中心;
新群组中心确定单元用于完成P个喷水口3的第一次群组划分后,按照群组中心与本群组的其他喷水口3之间距离的平均值最小的标准,分别选出K个群组对应的新的群组中心;
群组确认单元用于重复运转所述距离计算单元和所述所述新群组中心确定单元,直至所述新群组中心确定单元选出的K个新的群组中心不再发生变化,则完成群组划分。
为了进一步优化上述技术特征,任意两个喷水口3的墒情特征值的距离
其中,D为任意两个喷水口3的墒情特征值的距离,N1,N2表示不同的两个喷水口的名称或编号。
为了进一步优化上述技术特征,控制方式包括:喷水口3的开启和关闭时间、供水量大小、各个方向的喷水时长占比和喷水量。其中,旋转式喷水口还可以对各个方向的喷水时长占比和喷水量进行自定义;例如:根据喷水口的墒情,也即根据每个群组的各个喷水口的墒情特征值,计算该群组中每个方向的墒情数值的平均值,其表明该群组喷水口周围各个方向上的土壤含水率的分布情况,设定每个方向区间中的喷水时长占比,和/或,对应每个方向区间的供水量,例如,0 度至90度区间内喷水时长占喷水口旋转一周所需的总时长的30%,90 度至180度区间内喷水时长占喷水口旋转一周所需的总时长的15%, 180度至270度区间内喷水时长占喷水口旋转一周所需的总时长的 15%,270度至0度区间内喷水时长占喷水口旋转一周所需的总时长的 40%,且不同的区间对应不同的喷水量大小。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于大数据时变分析的智能喷水控制方法,其特征在于,包括如下步骤:
S1、在绿地区域部署若干墒情传感器,由墒情传感器实时检测绿地土壤的墒情数值,并通过物联网将墒情数值上传至中心控制器;
S2、生成每个喷水口的墒情特征值;
S3、对全部喷水口的墒情特征值的大数据利用聚类算法进行聚类,获得若干个喷水口群组;
S4、根据每个喷水口群组的墒情特征值,确定适用的控制方式,并由中心控制器向所述喷水口群发控制配置参数。
2.根据权利要求1所述的一种基于大数据时变分析的智能喷水控制方法,其特征在于,每个喷水口的墒情特征值为SN;其中SN=(SN1,SN2,SN3,...,SNM),S表示墒情传感器检测的实时墒情数值,N表示具体喷水口名称或编号,M表示墒情传感器个数,N1,N2,N3,…,NM表示同一喷水口按照墒情传感器部署方向的墒情传感器的顺序号序列;所述墒情特征值中的墒情数值按照墒情传感器部署的方向顺序进行排序。
3.根据权利要求1所述的一种基于大数据时变分析的智能喷水控制方法,其特征在于,所述S3具体步骤如下:
S31、随机选择K个喷水口作为群组中心,将P个喷水口划分为K个群组;
S32、计算其余喷水口与各个群组中心墒情特征值之间的距离,将其归入距离最近的群组中心;
S33、完成P个喷水口的第一次群组划分后,按照群组中心与本群组的其他喷水口之间距离的平均值最小的标准,分别选出K个群组对应的新的群组中心;
S34、重复S32-S33,直至S33选出的K个新的群组中心不再发生变化,则完成群组划分。
5.根据权利要求1所述的一种基于大数据时变分析的智能喷水控制方法,其特征在于,所述控制方式包括:喷水口的开启和关闭时间、供水量大小、各个方向的喷水时长占比和喷水量。
6.一种基于大数据时变分析的智能喷水控制系统,其特征在于,包括:若干墒情传感器(1)、若干喷水口(3)、中心控制器(2);其中,
所述中心控制器(2)包括墒情特征值生成模块(21)、群组划分模块(22)、配置参数确定模块(23);
在绿地区域部署若干所述墒情传感器(1),所述墒情传感器(1)用于对绿地土壤的墒情数值进行实时检测,并通过物联网将墒情数值上传至所述中心控制器(2);
所述墒情特征值生成模块(21)用于生成每个所述喷水口(3)的墒情特征值;
所述群组划分模块(22)用于对全部所述喷水口(3)的墒情特征值的大数据利用聚类算法进行聚类,获得若干个喷水口群组;
所述配置参数确定模块(23)用于根据每个喷水口群组的墒情特征值,确定适用的控制方式,并向所述喷水口群发控制配置参数。
7.根据权利要求6所述的一种基于大数据时变分析的智能喷水控制系统,其特征在于,每个所述喷水口(3)的墒情特征值为SN;其中,
SN=(SN1,SN2,SN3,...,SNM),
S表示墒情传感器检测的实时墒情数值,N表示具体喷水口名称或编号,M表示墒情传感器个数,N1,N2,N3,…,NM表示同一喷水口按照墒情传感器部署方向的墒情传感器的顺序号序列;所述墒情特征值中的墒情数值按照墒情传感器部署的方向顺序进行排序。
8.根据权利要求6所述的一种基于大数据时变分析的智能喷水控制系统,其特征在于,所述群组划分模块(22)包括群组划分单元、距离计算单元、新群组中心确定单元、群组确认单元:
所述群组划分单元用于随机选择K个所述喷水口(3)作为群组中心,将P个所述喷水口(3)划分为K个群组;
所述距离计算单元用于计算其余喷水口与各个群组中心墒情特征值之间的距离,将其归入距离最近的群组中心;
所述新群组中心确定单元用于完成P个所述喷水口(3)的第一次群组划分后,按照群组中心与本群组的其他所述喷水口(3)之间距离的平均值最小的标准,分别选出K个群组对应的新的群组中心;
所述群组确认单元用于重复运转所述距离计算单元和所述所述新群组中心确定单元,直至所述新群组中心确定单元选出的K个新的群组中心不再发生变化,则完成群组划分。
10.根据权利要求6所述的一种基于大数据时变分析的智能喷水控制系统,其特征在于,所述控制方式包括:所述喷水口(3)的开启和关闭时间、供水量大小、旋转式喷水口在各个方向的喷水时长占比和喷水量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010007054.6A CN111158326B (zh) | 2020-01-03 | 2020-01-03 | 一种基于大数据时变分析的智能喷水控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010007054.6A CN111158326B (zh) | 2020-01-03 | 2020-01-03 | 一种基于大数据时变分析的智能喷水控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111158326A true CN111158326A (zh) | 2020-05-15 |
CN111158326B CN111158326B (zh) | 2022-11-25 |
Family
ID=70561338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010007054.6A Active CN111158326B (zh) | 2020-01-03 | 2020-01-03 | 一种基于大数据时变分析的智能喷水控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111158326B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104521699A (zh) * | 2014-11-18 | 2015-04-22 | 华北水利水电大学 | 田间智能灌溉在线控制管理方法 |
CN104663368A (zh) * | 2015-03-09 | 2015-06-03 | 山东锋士自动化系统有限公司 | 基于反馈控制的农田灌溉系统及方法 |
CN105557166A (zh) * | 2016-01-26 | 2016-05-11 | 石河子大学 | 基于gis的滴灌棉田氮素施肥管理方法 |
CN205249966U (zh) * | 2015-12-30 | 2016-05-25 | 马得银 | 一种用于不同作物的无线自动滴灌系统 |
CN205427678U (zh) * | 2016-03-31 | 2016-08-03 | 齐齐哈尔大学 | 一种水稻育苗大棚智能在线监控系统 |
CN106771051A (zh) * | 2016-11-16 | 2017-05-31 | 北京邮电大学 | 一种大田土壤墒情信息测量方法及系统 |
US20180046735A1 (en) * | 2016-08-11 | 2018-02-15 | The Climate Corporation | Delineating management zones based on historical yield maps |
CN107711439A (zh) * | 2017-12-05 | 2018-02-23 | 福建佳溢源现代农业科技发展有限公司 | 一种农田自动灌溉系统 |
CN107836336A (zh) * | 2017-12-28 | 2018-03-27 | 王建 | 一种水利灌溉系统 |
US20180132422A1 (en) * | 2016-11-16 | 2018-05-17 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
CN110059881A (zh) * | 2019-04-19 | 2019-07-26 | 安徽农业大学 | 基于聚类算法的新型茶园土壤墒情传感器优化布局的方法 |
-
2020
- 2020-01-03 CN CN202010007054.6A patent/CN111158326B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104521699A (zh) * | 2014-11-18 | 2015-04-22 | 华北水利水电大学 | 田间智能灌溉在线控制管理方法 |
CN104663368A (zh) * | 2015-03-09 | 2015-06-03 | 山东锋士自动化系统有限公司 | 基于反馈控制的农田灌溉系统及方法 |
CN205249966U (zh) * | 2015-12-30 | 2016-05-25 | 马得银 | 一种用于不同作物的无线自动滴灌系统 |
CN105557166A (zh) * | 2016-01-26 | 2016-05-11 | 石河子大学 | 基于gis的滴灌棉田氮素施肥管理方法 |
CN205427678U (zh) * | 2016-03-31 | 2016-08-03 | 齐齐哈尔大学 | 一种水稻育苗大棚智能在线监控系统 |
US20180046735A1 (en) * | 2016-08-11 | 2018-02-15 | The Climate Corporation | Delineating management zones based on historical yield maps |
CN106771051A (zh) * | 2016-11-16 | 2017-05-31 | 北京邮电大学 | 一种大田土壤墒情信息测量方法及系统 |
US20180132422A1 (en) * | 2016-11-16 | 2018-05-17 | The Climate Corporation | Identifying management zones in agricultural fields and generating planting plans for the zones |
CN107711439A (zh) * | 2017-12-05 | 2018-02-23 | 福建佳溢源现代农业科技发展有限公司 | 一种农田自动灌溉系统 |
CN107836336A (zh) * | 2017-12-28 | 2018-03-27 | 王建 | 一种水利灌溉系统 |
CN110059881A (zh) * | 2019-04-19 | 2019-07-26 | 安徽农业大学 | 基于聚类算法的新型茶园土壤墒情传感器优化布局的方法 |
Non-Patent Citations (3)
Title |
---|
ALABA BOLUWADE,ET AL.: "Application of Unsupervised Clustering Techniques ofr Management Zone Delineation:Case Study of Variable Rate Irrigation in Southern Alberta,Canada", 《JOURNAL OF IRRIGATION AND DRAINAGE ENGINEERING》 * |
姜秋香等: "改进的蚁群聚类在精准灌溉管理分区中的应用", 《农业工程学报》 * |
王同旭等: "模糊C均值聚类法在节水灌溉水平聚类分析中的应用", 《东北水利电力》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111158326B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111109057B (zh) | 一种绿化养护园林的灌溉方法和装置 | |
CN110214506A (zh) | 水肥管控方法及系统 | |
CN103401922B (zh) | 无线传感器网络中基于博弈方法的分布式定位装置与方法 | |
CN108781926B (zh) | 基于神经网络预测的大棚灌溉系统及方法 | |
CN105320827A (zh) | 降雨径流预报系统 | |
CN108614915B (zh) | 基于情景驱动的水文模型自由组建策略方法 | |
CN109146192B (zh) | 一种考虑风电机组运行工况的风电功率预测方法 | |
CN115661547B (zh) | 一种基于知识图谱的植物灌溉养护方法及系统 | |
CN104885884B (zh) | 基于大型喷灌机的变量灌溉控制方法、装置及系统 | |
CN114365614A (zh) | 基于物联网的水肥精准调控方法、智能装备及系统 | |
CN114429053B (zh) | 流域尺度wefe系统适配性模拟优化方法 | |
CN106651011A (zh) | 一种基于粒子群算法的渠系优化配水方法 | |
CN110889553B (zh) | 基于优化策略的实时配水方法 | |
CN104112062A (zh) | 基于插值方法的风资源分布的获取方法 | |
CN109403425B (zh) | 供水管网的优化调度系统 | |
CN111158326B (zh) | 一种基于大数据时变分析的智能喷水控制方法和系统 | |
CN108984995A (zh) | 一种计算数值模拟的生态园林景观设计方法 | |
CN201595053U (zh) | 一种模糊灌溉控制系统 | |
Seginer | Spatial water distribution in sprinkle irrigation | |
Han et al. | Sprinkler distribution patterns in windy conditions | |
CN117007112B (zh) | 基于数字孪生的智慧城市生态环境监测系统 | |
CN115443890B (zh) | 一种园林景观的智慧灌溉管理系统 | |
CN113207653B (zh) | 一种基于轮灌组的自动化滴灌精准施水方法和系统 | |
Liang et al. | Influence analysis of sprinkler irrigation effectiveness using ANFIS | |
Ben Charfi et al. | Modeling of water distribution under center pivot irrigation technique |
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 |