CN113190064A - 植物工厂光强最优控制方法 - Google Patents
植物工厂光强最优控制方法 Download PDFInfo
- Publication number
- CN113190064A CN113190064A CN202110391133.6A CN202110391133A CN113190064A CN 113190064 A CN113190064 A CN 113190064A CN 202110391133 A CN202110391133 A CN 202110391133A CN 113190064 A CN113190064 A CN 113190064A
- Authority
- CN
- China
- Prior art keywords
- light intensity
- model
- crop
- optimal
- plant factory
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D25/00—Control of light, e.g. intensity, colour or phase
- G05D25/02—Control of light, e.g. intensity, colour or phase characterised by the use of electric means
-
- 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
- A01G7/00—Botany in general
- A01G7/04—Electric or magnetic or acoustic treatment of plants for promoting growth
- A01G7/045—Electric or magnetic or acoustic treatment of plants for promoting growth with electric lighting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Ecology (AREA)
- Forests & Forestry (AREA)
- Environmental Sciences (AREA)
- Cultivation Of Plants (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明提供一种植物工厂光强最优控制方法,包括:决策层,构建控制目标模型并基于经济效益向控制目标模型内输入控制参数;作物层,构建作物生长模型及切换函数模型,并基于控制目标模型、作物生长模型及切换函数模型获得环境光强;环境层,基于滞环控制以及环境光强调控植物工厂光照强度。本发明基于数字最优控制算法结合控制目标模型以及作物生长模型以获得最优光强,并在获取最优光强的过程中,基于切换函数模型对最优光强的输出值进行切换控制,以根据作物对光期和暗期的不同光照需求控制输出不同的光强值作为环境光强,从而完成植物工厂光期和暗期的切换,促进作物更好的生长,实现植物工厂生产经济效益最大化。
Description
技术领域
本发明涉及光强调控技术领域,尤其涉及一种植物工厂光强最优控制方法。
背景技术
近年来,随着植物工厂技术的迅速发展,使得室内环境综合调控成为可能。相比温室,植物工厂可以实现更高的土地、水和营养的利用率。在植物工厂中,影响植物生长的环境因子较多,如光、温、湿、气等,且不同品种其优化环境参数不同,即使是同一品种,在不同的生育阶段其所需的环境参数亦不相同。
受植物的种类、试验设定、营养液成分等限定,作物在相同光质条件下的研究结果可能不同,各环境因子对植物的交互作用非常复杂,每一个环境因子发生变动均会引起植物相应生物学效应变化,现有植物工厂中的环境大多是通过预设设定值的方式进行控制的。
由于预设的设定值是基于人工经验设置的,且该设定值会使作物整个生长周期中“光期”的光强为定值,而作物在不同生长时期对光强的需求是不同的,因此设定值并不能保证植物工厂生产经济效益的最大化,且人工光的能耗占据了植物工厂总成本的60%,大大制约了植物工厂的规模化生产以及推广。另外,植物的生长需要一定的“暗期”,否则会因为过度的光强而导致烧尖,并且连续人工光光强的增加并不会带来作物产量成比例的增加。
发明内容
本发明提供一种植物工厂光强最优控制方法,用以解决现有技术中预设定值光强以致无法满足作物不同生长周期对不同光强需求的问题,实现了植物工厂生产经济效益最大化,避免了较大的成本浪费。
本发明提供一种植物工厂光强最优控制方法,包括:决策层,构建控制目标模型并基于经济效益向控制目标模型内输入控制参数;作物层,构建作物生长模型及切换函数模型,并基于控制目标模型、作物生长模型及切换函数模型获得环境光强;环境层,基于滞环控制以及环境光强调控植物工厂光照强度。
根据本发明提供一种的植物工厂光强最优控制方法,基于控制目标模型、作物生长模型及切换函数模型获得环境光强,包括:基于伪谱法获得猜测光强;基于数字最优控制算法、所述猜测光强、所述控制目标模型以及所述作物生长模型进行计算以获得最优光强;基于所述切换函数模型对所述最优光强进行切换控制,以输出符合作物生长需求的环境光强。
根据本发明提供的一种植物工厂光强最优控制方法,环境光强表示为:
Uled(t)=st(t)U(t)
其中,Uled(t)表示为环境光强,st(t)表示为切换函数模型,U(t)表示为最优光强。
根据本发明提供的一种植物工厂光强最优控制方法,切换函数的公式表示为:
st(t)=swf(t,s,β)
其中,t为时间轴向量,s为切换时刻向量,β为使函数平滑的较小正数。
根据本发明提供的一种植物工厂光强最优控制方法,构建切换函数模型之后,还包括:定义切换时刻,切换时刻用于区分光期和暗期;定义切换函数值,使位于光期内的切换函数值为1,位于暗期内的切换函数值为0。
根据本发明提供的一种植物工厂光强最优控制方法,基于数字最优控制算法对猜测光强、所述控制目标模型以及作物生长模型进行计算以获得最优光强,包括:基于数字最优控制算法、猜测光强、控制目标模型以及作物生长模型进行计算,以获得作物模型状态和控制目标;根据作物模型状态以及控制参数获得拉格朗日算子,并根据拉格朗日算子和猜测光强获得哈密尔顿函数;根据哈密尔顿函数、猜测光强、控制参数以及作物模型状态获得协状态方程;根据协状态方程定义新的人工光光强,并根据猜测光强对应的控制目标和新的人工光光强对应的控制目标计算差值;对差值进行判断,若差值落入容限范围内,则判断协状态方程的状态以确定最优光强;否则,重新获取作物模型状态。
根据本发明提供的一种植物工厂光强最优控制方法,判断协状态方程的状态以确定最优光强,包括:判断协状态方程的输出值是否符合输出规则;若符合,则猜测光强为最优光强;否则,重新优化猜测光强。
根据本发明提供的一种植物工厂光强最优控制方法,新的人工光光强表示为:
其中,U′led表示为新的人工光光强,Uled表示为猜测光强,α表示为标度,且α>0,H表示为哈密尔顿函数。
根据本发明提供的一种植物工厂光强最优控制方法,控制目标模型表示为:
其中,P为控制目标,clettuce为作物鲜重的价格,cfw为作物鲜重和干重的比值,Xd(tf)为收货时作物的干重,t0和tf分别为作物定植和收获的时间,Uled(t)为t时刻作物冠层的人工光光强,cenergy为电能价格,cunit为单位kW·h至J的转化比率,ctrans是电能至光能的转化效率,ccost为人工光以外的其他成本。
根据本发明提供的一种植物工厂光强最优控制方法,作物生长模型表示为:
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述植物工厂光强最优控制方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述植物工厂光强最优控制方法的步骤。
本发明提供的植物工厂光强最优控制方法,通过控制目标模型控制获利情况,以及作物生长模型控制作物生长状态,并基于数字最优控制算法结合控制目标模型以及作物生长模型以获得最优光强,并在获取最优光强的过程中,基于切换函数模型对最优光强的输出值进行切换控制,以根据作物对光期和暗期的不同光照需求控制输出不同的光强值作为环境光强,从而实现光期和暗期的切换,避免连续人工光光照对作物造成烧尖现象,从而提高作物产量,降低能耗,避免成本浪费。
附图说明
为了更清楚地说明本发明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做简单介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的植物工厂光强最优控制方法的流程示意图;
图2是本发明提供的切换函数示意图;
图3是本发明提供的最优光强示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
图1为本发明提供的一种植物工厂光强最优控制方法的流程示意图,如图1所示,该植物工厂光强最优控制方法,包括:
S01,决策层,构建控制目标模型并基于经济效益向控制目标模型内输入控制参数;
S02,作物层,构建作物生长模型及切换函数模型,并基于控制目标模型、作物生长模型及切换函数模型获得环境光强;
S03,环境层,依据环境光强构建光强维持范围,并通过滞环控制将环境维持在光强维持范围内。
需要说明的是,本说明书中的S0N不代表植物工厂光强最优控制方法的先后顺序,下面结合图2-图3描述本发明的植物工厂光强最优控制方法。
步骤S01,决策层,构建控制目标模型并基于经济效益向控制目标模型内输入控制参数。
首先,建立控制目标模型,控制目标即想要实现的最大化或最小化的指标,通常表示为与作物状态相关的产量、与控制变量相关的能源消耗、环境光强设定值的跟随精度等。通过非线性规划的数值优化算法,可以求解得到最优化控制目标的控制变量,作为实际控制信号。本实施例中,控制目标模型表示为:
其中,P为控制目标,单位为¥·m-2;clettuce为作物鲜重的价格,单位为¥·kg-1;cfw为作物鲜重和干重的比值;Xd(tf)为作物模型状态,即收货时作物的干重,单位为kg·m-2;t0和tf分别为作物定植和收获的时间,且其单位均为s;Uled(t)为LED在t时刻作物冠层的人工光光强,单位为W·m-2;cenergy为电能价格,单位为¥·kWh-1;cunit为单位kW·h至J的转化比率;ctrans为电能至光能的转化效率;ccost为人工光以外的其他成本,单位为¥·m-2·s-1。
应当注意,clettucecfwXd(tf)为终端成本,是作物种植过程中的运行成本,其中运行成本包括人工光成本和除人工光之外的其他成本,其他成本包括空调、栽培、营养供应、人力、维修、租金、折旧等,通过在创建控制目标模型过程考虑了其它成本,以便于获取更为准确的控制目标,即更为清楚地了解特定人工光光强对应的获利能力。
在创建控制目标模型之后,基于经济效益向控制目标模型中输入控制参数。需要说明的是,控制参数包括作物鲜重的价格、作物鲜重和干重的比值、收货时作物的干重、当前时刻的电能价格、单位kW·h至J的转化比率、电能至光能的转化效率以及人工光以外的其他成本,比如空调、栽培、营养供应、人力、维修、租金、折旧等成本。
步骤S02,作物层,构建作物生长模型及切换函数模型,并基于控制目标模型、作物生长模型及切换函数模型获得环境光强。本实施例中,采用的作物为叶菜类作物,下文以生菜为例,进行详细描述。
首先,构建作物生长模型和切换函数模型。
作物生长模型表示为:
其中,Xd为作物模型状态,单位为¥·kg-1;cαβ为光合作用转化为作物干重的生产率因子;为冠层光合作用速率,单位为kg·m-2·s-1;cresp,d为呼吸作用速率,单位为s-1;XT为植物工厂的温度,单位为℃。
其中,cpl,d为有效冠层面积,单位为m2·kg-1;Xd为作物模型状态,单位为¥·kg-1;Uled为作物所需光强,单位为W·m-2; 为拟合温度对叶片中co2扩散影响的二次多项式参数,单位为m·s-1℃-2,单位为m·s-1℃-1、单位为m·s-1;XT为植物工厂的温度,单位为℃;Xc为二氧化碳浓度,单位为kg·m-3;cг为二氧化碳浓度补偿点,单位为kg·m-3。
人工光利用效率cled,phot表示为:
cled,phot=εcparηled
其中,cled,phot为人工光利用效率,单位为kg·J-1。ε为温室覆盖材料的光透射率,由于在植物工厂中人工光不存在透射,因此ε=1。cpar为太阳辐射中的光合有效辐射比例,在植物工厂中通常采用红蓝光,均为光合有效辐射,因此cpar=1。ηled表示为LED光利用效率,由上述可知,ηled=cled,phot。应当注意,ηled需要根据植物工厂环境中的作物生产试验数据进行校正,即根据作物生长模型、植物工厂环境数据以及作物干重数据,通过非线性最小二乘法进行校正。
切换函数模型表示为:
st(t)=swf(t,s,β)
其中,t为时间轴向量,s为切换时刻向量,β为用于使函数平滑的较小正数,默认为10-3,st(t)为切换函数模型输出的切换函数值。本实施例中,st(t)为切换于0和1之间的切换函数值。具体而言,切换函数模型st(t)通过如下方法构建:
在本实施例中,在构建切换函数模型之后,还包括:定义切换时刻,切换时刻用于区分光期和暗期;定义切换函数值,使位于光期内的切换函数值为1,位于暗期内的所述切换函数值为0,参考图2。需要说明的是,在第一个切换时刻s(1)前切换函数值为0。应当注意,切换时刻可以根据作物生长对于光期和暗期的需求确定,比如,若作物在6点至22点需要人工光光照以满足生长需求,而22点至6点需要作物处于暗期以得到足够的休息,则作物光期为[6,22],暗期为[0,6]和[22,24],由此可见,切换时刻为[6,22],时间轴向量t=[0:0.1:24],相应的该切换时刻对应的切换函数st(6-22)=1,非切换时刻对应的切换函数st(0-6)=0,st(22-24)=0。
需要说明的是,上述模型中涉及的环境光强表示为:
Uled(t)=st(t)U(t)
其中,Uled(t)表示为环境光强,st(t)表示为切换函数模型,U(t)表示为最优光强。
最后,基于控制目标模型、作物生长模型及切换函数模型获得环境光强。本实施例中,基于控制目标模型、作物生长模型及切换函数模型获得环境光强,包括:基于伪谱法获得猜测光强;基于数字最优控制算法、猜测光强、控制目标模型以及作物生长模型进行计算以获得最优光强;基于切换函数模型对最优光强进行切换控制,以输出符合作物生长需求的环境光强。
更进一步地说,基于控制目标模型、作物生长模型及切换函数模型获得环境光强,包括以下步骤:
步骤S021,基于伪谱法获得猜测光强U。本实施例中,基于伪谱法获得猜测光强U,包括:猜测初始人工光光强作为伪谱法的初始猜测光强值;基于伪谱法(如PROPT软件)并根据初始猜测光强值、控制参数、控制目标模型和作物生长模型进行快速计算以求得最优人工光光强值,即猜测光强值U,并将其作为猜测光强输入至数字最优控制算法中进行计算。猜测光强值U的约束范围为[0,Uled(max)],其中Uled(max)为预先设定的最大光强值。需要说明的是,在通过数字最优控制算法对猜测光强进行计算之前,先通过伪谱法模拟连续信号以快速求得猜测光强,以避免由于猜测光强的选取不当造成的计算时间较长,甚至影响计算结果生成的情况。
步骤S022,基于数字最优控制算法、猜测光强、控制目标模型以及作物生长模型进行计算以获得控制目标和作物模型状态。具体而言,在已知猜测光强值U、温度XT以及控制参数的情况下,从时间t开始,基于数字最优控制算法对控制目标模型进行计算,以及时间向前数值积分作物生长模型,以求得控制目标P(U)和作物模型状态Xd,t0≤t≤tf,从而了解当前猜测光强对控制目标以及作物生长状态的影响。
步骤S023,根据计算所得的作物模型状态以及控制参数获得拉格朗日算子,并根据拉格朗日算子和猜测光强获得哈密尔顿函数。
拉格朗日算子表示为:
其中,U表示猜测光强的控制输入,在实际计算过程中,将猜测光强U代入公式以求得相应的哈密尔顿函数值H(U)和拉格朗日算子值λ(U)。
步骤S024,根据哈密尔顿函数、猜测光强、控制参数以及作物模型状态获得协状态方程。协状态方程,表示为:
步骤S025,根据协状态方程定义新的人工光光强,并根据猜测光强对应的控制目标和新的人工光光强对应的控制目标计算差值。新的人工光光强表示为:
其中,U’表示为新的人工光光强,U表示为猜测光强,α表示为标度,且α>0,H表示为哈密尔顿函数。
根据新的人工光光强U’,得到新的控制目标模型,表示为:
将U′代入上述新的控制目标模型,以输出新的控制目标值P(U′)。通过搜寻α的方法评估P(U′),使新的控制目标值P(U′)最小或近似最小。在任何时刻t0≤t≤tf,若U′位于约束范围[0,Uled(max)]以外,则将U′设为该约束范围的边界值。根据上文计算所得控制目标P(U)和新的控制目标P(U′)计算差值ΔP,ΔP=P(U)-P(U′)≥0。
需要说明的是,本步骤中,运用了固定的α,以通过搜寻α的方法评估P(U′),以便于增加找到全局最优解P(U*)的几率。另外,采用梯度来改善控制,并向方向搜寻,以使得越接近最优解时速度越慢,从而提高收敛速度。
步骤S026,对差值进行判断,若差值落入容限范围内,则判断协状态方程的状态以确定最优光强;否则,重新获取作物模型状态。
需要说明的是,容限ε>0,若差值ΔP未能持续落在容限内,则回到上述步骤S021,以重新获取作物模型状态。应当注意,若多次迭代仍不能改进P(U),则停止。
步骤S027,判断协状态方程的状态以确定最优光强。具体包括:判断协状态方程的输出值是否符合输出规则;若符合,则猜测光强值为最优光强值;否则,重新优化所述猜测光强值。需要说明的是,输出规则为协状态方程的输出值在任何时刻都足够小且其不超过边界[0,Uled(max)]。在其他实施例中,输出规则为协状态方程的输出值在任何时刻都等于预设的判定值,且该输出值不属于上述约束范围的边界值0或Uled(max),判定值可以为10-6,判定值的具体数值可根据实际情况设置,此处不作进一步地限定。
若上诉条件均满足,则U*:=U,t0≤t≤tf,即将当前猜测光强值U作为最优光强值,其中*表示最优解;若不满足,则重新优化猜测光强,即回到步骤S021以重新获取猜测光强U。计算所得的不同时刻对应的最优光强可参考图3。
步骤S028,通过基于最优光强和切换函数模型构建的光强输出模型输出环境光强。应当注意,在计算最优光强过程中,伴随切换函数模型对最优光强的输出值进行切换控制,以根据作物对光期和暗期的不同光照需求控制输出不同的光强值作为环境光强。举例而言,当时间处于光期范围内时,st(t)=1,根据环境光强Uled(t)=st(t)U(t)=U(t),将当前最优光强值作为环境光强输出,以对作物进行光照;当时间处于暗期范围内时,st(t)=0,根据环境光强Uled(t)=st(t)U(t)=0,将当前最优光强值切换为0,并将其作为环境光强输出,从而停止向作物输出人工光。
步骤S03,环境层,基于滞环控制以及环境光强调控植物工厂光照强度,从而达到调节植物工厂人工光光强的目的。需要说明的是,由于人工光光强在环境光强的±1W/m2范围内对作物的生长状态以及控制目标的影响较小,因此可以通过滞环控制将植物工厂的光照强度维持在[U-1,U+1]内,从而使得作物在较好的光照环境下生长,且实现较好的获利。
综上所述,本发明实施例通过控制目标模型控制获利情况,以及作物生长模型控制作物生长状态,并基于数字最优控制算法结合控制目标模型以及作物生长模型以获得最优光强,并在获取最优光强的过程中,基于切换函数模型对最优光强的输出值进行切换控制,以根据作物对光期和暗期的不同光照需求控制输出不同的光强值作为环境光强,从而实现光期和暗期的切换,避免连续人工光光照对作物造成烧尖现象,从而提高作物产量,降低能耗,避免成本浪费。
下面对本发明提供的植物工厂光强最优控制装置进行描述,下文描述的植物工厂光强最优控制装置与上文描述的植物工厂光强最优控制方法可相互对应参照。
图4示例了一种电子设备的实体结构示意图,如图所示,该电子设备可以包括:处理器(processor)41、通信接口(Communications Interface)42、存储器(memory)43和通信总线44,其中,处理器41,通信接口42,存储器43通过通信总线44完成相互间的通信。处理器41可以调用存储器43中的逻辑指令,以执行植物工厂光强最优控制方法,该方法包括:决策层,构建控制目标模型并基于经济效益向控制目标模型内输入控制参数;作物层,构建作物生长模型及切换函数模型,并基于控制目标模型、作物生长模型及切换函数模型获得环境光强;环境层,基于滞环控制以及环境光强调控植物工厂光照强度。
此外,上述的存储器43中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的植物工厂光强最优控制方法,该方法包括:预设控制目标,并根据控制目标获得不同时刻所需的第一光强;构建作物生长模型,作物生长模型结合数字最优控制算法对第一光强进行最优计算,以输出最优光强;根据最优光强构建切换函数,以控制光强的切换。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的植物工厂光强最优控制方法,该方法包括:决策层,构建控制目标模型并基于经济效益向控制目标模型内输入控制参数;作物层,构建作物生长模型及切换函数模型,并基于控制目标模型、作物生长模型及切换函数模型获得环境光强;环境层,基于滞环控制以及环境光强调控植物工厂光照强度。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种植物工厂光强最优控制方法,其特征在于,包括:
决策层,构建控制目标模型并基于经济效益向所述控制目标模型内输入控制参数;
作物层,构建作物生长模型及切换函数模型,并基于所述控制目标模型、所述作物生长模型及所述切换函数模型获得环境光强;
环境层,基于滞环控制以及所述环境光强调控植物工厂光照强度。
2.根据权利要求1所述的植物工厂光强最优控制方法,其特征在于,所述基于所述控制目标模型、所述作物生长模型及所述切换函数模型获得环境光强,包括:
基于伪谱法获得猜测光强;
基于数字最优控制算法、所述猜测光强、所述控制目标模型以及所述作物生长模型进行计算以获得最优光强;
基于所述切换函数模型对所述最优光强进行切换控制,以输出符合作物生长需求的环境光强。
3.根据权利要求2所述的植物工厂光强最优控制方法,其特征在于,所述环境光强表示为:
Uled(t)=st(t)U(t)
其中,Uled(t)表示为环境光强,st(t)表示为切换函数模型,U(t)表示为最优光强。
4.根据权利要求1所述的植物工厂光强最优控制方法,其特征在于,所述切换函数模型表示为:
st(t)=swf(t,s,β)
其中,t为时间轴向量,s为切换时刻向量,β为使函数平滑的较小正数。
5.根据权利要求1所述的植物工厂光强最优控制方法,其特征在于,所述构建所述切换函数模型之后,还包括:
定义切换时刻,所述切换时刻用于区分光期和暗期;
定义所述切换函数值,使位于所述光期内的所述切换函数值为1,位于所述暗期内的所述切换函数值为0。
6.根据权利要求2所述的植物工厂光强最优控制方法,其特征在于,所述基于数字最优控制算法对所述猜测光强、所述控制目标模型以及所述作物生长模型进行计算以获得最优光强,包括:
基于数字最优控制算法、所述猜测光强、所述控制目标模型以及所述作物生长模型进行计算,以获得作物模型状态和控制目标;
根据所述作物模型状态以及所述控制参数获得拉格朗日算子,并根据所述拉格朗日算子和所述猜测光强获得哈密尔顿函数;
根据所述哈密尔顿函数、所述猜测光强、所述控制参数以及所述作物模型状态获得协状态方程;
根据所述协状态方程定义新的人工光光强,并根据所述猜测光强对应的控制目标和所述新的人工光光强对应的控制目标计算差值;
对所述差值进行判断,若所述差值落入容限范围内,则判断所述协状态方程的状态以确定最优光强;否则,重新获取所述作物模型状态。
7.根据权利要求6所述的植物工厂光强最优控制方法,其特征在于,所述判断所述协状态方程的状态以确定最优光强,包括:
判断所述协状态方程的输出值是否符合输出规则;
若符合,则所述猜测光强为最优光强;
否则,重新优化所述猜测光强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110391133.6A CN113190064B (zh) | 2021-04-12 | 2021-04-12 | 植物工厂光强最优控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110391133.6A CN113190064B (zh) | 2021-04-12 | 2021-04-12 | 植物工厂光强最优控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113190064A true CN113190064A (zh) | 2021-07-30 |
CN113190064B CN113190064B (zh) | 2022-06-14 |
Family
ID=76975700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110391133.6A Active CN113190064B (zh) | 2021-04-12 | 2021-04-12 | 植物工厂光强最优控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113190064B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102762013A (zh) * | 2012-05-10 | 2012-10-31 | 上海交通大学 | 温室led光源的智能控制系统 |
KR20130041702A (ko) * | 2011-10-17 | 2013-04-25 | 사단법인 한국온실작물연구소 | 가변형 인공광원을 이용한 온실내 딸기재배방법 및 시스템 |
CN105159257A (zh) * | 2015-08-25 | 2015-12-16 | 浙江大学 | 一种植物工厂集成控制系统及方法 |
CN105676922A (zh) * | 2016-01-28 | 2016-06-15 | 沈阳农业大学 | 一种温室调控优化方法 |
CN106842923A (zh) * | 2017-01-17 | 2017-06-13 | 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 |
KR20180072018A (ko) * | 2016-12-20 | 2018-06-29 | 순천대학교 산학협력단 | 식물공장용 led광원 시스템 및 그 방법 |
CN110100620A (zh) * | 2019-03-29 | 2019-08-09 | 上海交通大学 | 光照精准预测的苗床调度方法、系统及介质 |
-
2021
- 2021-04-12 CN CN202110391133.6A patent/CN113190064B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130041702A (ko) * | 2011-10-17 | 2013-04-25 | 사단법인 한국온실작물연구소 | 가변형 인공광원을 이용한 온실내 딸기재배방법 및 시스템 |
CN102762013A (zh) * | 2012-05-10 | 2012-10-31 | 上海交通大学 | 温室led光源的智能控制系统 |
CN105159257A (zh) * | 2015-08-25 | 2015-12-16 | 浙江大学 | 一种植物工厂集成控制系统及方法 |
CN105676922A (zh) * | 2016-01-28 | 2016-06-15 | 沈阳农业大学 | 一种温室调控优化方法 |
KR20180072018A (ko) * | 2016-12-20 | 2018-06-29 | 순천대학교 산학협력단 | 식물공장용 led광원 시스템 및 그 방법 |
CN106842923A (zh) * | 2017-01-17 | 2017-06-13 | 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 |
CN110100620A (zh) * | 2019-03-29 | 2019-08-09 | 上海交通大学 | 光照精准预测的苗床调度方法、系统及介质 |
Non-Patent Citations (4)
Title |
---|
E.J. VAN HENTEN: "Sensitivity Analysis of an Optimal Control Problem in Greenhouse", 《BIOSYSTEMS ENGINEERING》 * |
XU D.ETAL: "Optimal control of LED light intensity in a plant factory", 《PROCEEDINGS OF THE 39TH CHINESE CONTROL CONFERENCE》 * |
刘庆鑫 等: "自然光植物工厂多层立体栽培补光对生菜产量和品质的影响", 《中国农业大学学报》 * |
杜尚丰等: "温室生产系统优化控制方法综述", 《河北工业大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113190064B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106292802B (zh) | 一种用于鱼菜共生系统的智能预测控制系统及方法 | |
Carotti et al. | Plant factories are heating up: Hunting for the best combination of light intensity, air temperature and root-zone temperature in lettuce production | |
CN106842923B (zh) | 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 | |
CN108983849A (zh) | 一种利用复合极限学习机神经网络控制温室环境方法 | |
CN108614601B (zh) | 一种融合随机森林算法的设施光环境调控方法 | |
CN114077269B (zh) | 基于数据驱动模型的温室环境预测与优化控制方法 | |
CN106650212A (zh) | 基于数据分析的植物智能培育方法及系统 | |
Kokieva et al. | Research of the mathematical model of heated greenhouses | |
Valenzuela et al. | Pre-harvest factors optimization using genetic algorithm for lettuce | |
Hu et al. | Model for tomato photosynthetic rate based on neural network with genetic algorithm | |
CN108090693A (zh) | 融合效率约束的设施光合目标值的优化调控模型的构建与应用 | |
CN114637351B (zh) | 一种设施作物温室环境调控方法及系统 | |
CN111915062A (zh) | 水分利用率与光合速率协同的温室作物需水调控方法 | |
CN113190064B (zh) | 植物工厂光强最优控制方法 | |
CN108319134A (zh) | 一种基于极限学习机网络的温室环境智能控制方法 | |
Hyunjin et al. | A study on the design and operation method of plant factory using artificial intelligence | |
CN115453868B (zh) | 基于番茄光响应差分特征的全生长期光强调控方法 | |
US11825784B1 (en) | Artificial intelligence enabled IoT-fog system in hydroponic automation for heterogeneous plants | |
CN117032360A (zh) | 一种基于光合模拟和光谱叠加的植物工厂光环境调控系统 | |
Gao et al. | Greenhouse light and CO2 regulation considering cost and photosynthesis rate using i-nsGA Ⅱ | |
CN116147703A (zh) | 一种用于园林观赏性花卉培育的生长监测方法 | |
Gerasimov et al. | Adaptive control of microclimate in greenhouses | |
CN115226516B (zh) | 一种设施光与二氧化碳环境协同调控方法 | |
Gao et al. | Application of Artificial Intelligence System Design Based on Genetic Algorithm In Horticultural Cultivation | |
Weng et al. | Greenhouse environment control based on computational experiments |
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 |