CN116491324A - 基于植株光照需求量的低碳节能补光方法、装置 - Google Patents
基于植株光照需求量的低碳节能补光方法、装置 Download PDFInfo
- Publication number
- CN116491324A CN116491324A CN202310374936.XA CN202310374936A CN116491324A CN 116491324 A CN116491324 A CN 116491324A CN 202310374936 A CN202310374936 A CN 202310374936A CN 116491324 A CN116491324 A CN 116491324A
- Authority
- CN
- China
- Prior art keywords
- light
- plant
- value
- target value
- carbon
- 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.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005286 illumination Methods 0.000 title claims abstract description 30
- 230000001502 supplementing effect Effects 0.000 title claims abstract 30
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 63
- 230000000243 photosynthetic effect Effects 0.000 claims abstract description 60
- 230000007613 environmental effect Effects 0.000 claims abstract description 43
- 238000013459 approach Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000004907 flux Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 claims 1
- 239000013589 supplement Substances 0.000 description 22
- 230000009469 supplementation Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 7
- 230000008447 perception Effects 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 230000029553 photosynthesis Effects 0.000 description 6
- 238000010672 photosynthesis Methods 0.000 description 6
- 230000033228 biological regulation Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008635 plant growth Effects 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- NUFBIAUZAMHTSP-UHFFFAOYSA-N 3-(n-morpholino)-2-hydroxypropanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CN1CCOCC1 NUFBIAUZAMHTSP-UHFFFAOYSA-N 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 2
- 239000012636 effector Substances 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008121 plant development Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Forests & Forestry (AREA)
- Ecology (AREA)
- Botany (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Environmental Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明提供一种基于植株光照需求量的低碳节能补光方法、装置，所述方法包括：获取植株的环境数据；将所述环境数据输入补光决策模型，所述补光决策模型输出光照相关量目标值；基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值；其中，所述补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得所述目标值。本发明以提高植株光合速率、降低补光功率和碳排放量为目标，计算补光场景下的预测光合速率的负值、补光净碳排放量、补光电功率三者，获取最优的补光目标值，实现满足对植株的低碳节能补光。
Description
技术领域
本发明涉及作物补光控制技术领域，尤其涉及一种基于植株光照需求量的低碳节能补光方法、装置。
背景技术
光提供了植物光合作用的能量，是调节植物生长发育的环境信号。光照条件，包括光质、光强和光周期，是调节植株生长和发育的重要环境变量之一。净光合速率(NetPhotosyntheticRate，Pn)代表了单位时间内植株通过光合作用有机质的积累，是评价植株光合作用状况的重要指标。一方面，植株光合作用受环境影响明显，尤其是光饱和点、光补偿点、净光合速率微分(差分)值等表征植株需光量的光合参数，随空气和土壤温湿度、环境二氧化碳(CO2)浓度等环境因子的改变而存在漂移现象，对应地，一天中不同时段的环境条件下补光的代价也随之变化。另一方面，受季节与生长期的影响，植株本身在形态、结构等方面存在差异，不同生长期植株在波长、带宽等方面的需光量表现出明显特征，补光收益也因不同时期产量和价格的波动而受到影响。
无线传感器网络(WirelessSensorNetworks，WSN)是农业环境监测的重要工具，相关设备因其低成本特点，使得环境中设备的数量有了保障，测量的结果可以充分反映当前环境的时空变异性。目前WSN已广泛应用于温室环境参数的自动监测。近年来，全球LED(LightEmittingDiode，LED)应用植物照明产值高速增长，与高压钠灯等传统补光灯相比，LED植物补光灯有更精确可控的波长和带宽，可以与植株需光量相匹配，为高效率植物补光提供了可能。同时，随着LED封装与集成技术的发展，其光效率也在不断提高，灯具的热耗散不断降低，为植物补光带来了更低的运行成本。机器学习是人工智能、模式识别领域的核心技术，其理论和方法被广泛应用于解决工程应用和科学领域的复杂问题，支持向量机(Support VectorMachine，SVM)、单隐含层前馈网络(SingleHiddenLayerFeedforwardNeuralNetwork，SLFN)、随机森林(RandomForest，RF)等机器学习算法为植株需光量模型及补光决策模型的建立提供了技术支撑，在植株管理和产量预测中发挥重要作用，进化计算(Evolutio naryComputation，EC)等人工智能算法也为多约束或多目标调控下的决策提供了基础。对底层机制进行建模是温室等受控环境下信息化、自动化管理的基础，机器学习和进化计算等人工智能为主要支持技术的光合预测、光环境决策等模型的建立是实现低碳节能控制的关键，在泛化性、功能性等方面与传统数学模型互补，基于植株模型在决策层面综合能耗等多约束条件对目标值的解算，将为补光等环境控制系统提供核心的技术支撑。
此外，温室补光可以提高植株的净光合速率，实现温室等受控环境下植株的高质高产，然而，补光也带来了额外的碳排放，高功率高光强补光并不一定适合所有环境条件下的植株需光量，因此徒增了生产的成本。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
针对现有技术存在的问题，本发明提供一种基于植株光照需求量的低碳节能补光方法、装置。
本发明的技术方案提供的一种基于植株光照需求量的低碳节能补光方法，所述方法包括：
获取植株的环境数据；
将所述环境数据输入补光决策模型，所述补光决策模型输出光照相关量目标值；
基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值；
其中，
所述补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得所述目标值。
可选的，所述预测光合速率的获取方法进一步包括：
获取所述目标值；
将所述目标值输入LS-SVR模型，所述LS-SVR模型输出所述目标值对应的预测光合速率；
其中，
所述LS-SVR模型的核函数采用径向基函数，所述径向基函数的公式如下：
其中，xi和xj分别对应所述LS-SVR模型的两个样本，||xi-xj||为xi和xj的欧几里得距离，σ为径向基函数的拓展常数。
可选的，所述LS-SVR模型的超参数包括正则化系数γ和径向基函数的拓展常数σ；
所述LS-SVR模型的训练方法进一步包括：
获取训练用的样本；
基于所述样本，通过交叉验证形成测试集、验证集和训练集；
将进化计算中的个体位置编码为待优化的超参数；获取所述个体位置代表的超参数在所述验证集上预测光合速率误差的平均值，将所述平均值作为所述个体对应适应度值；更新所述个体位置和所述个体对应适应度值，直到到达最大迭代次数或误差小于设定值时结束，获取最优的超参数；
基于所述最优的超参数，通过所述训练集对所述LS-SVR模型完成训练。
可选的，获取训练用的样本，包括：
通过光量子传感器获取所述植株所在环境中的光量子通量密度以及若干种不同波长的光波占比，作为所述LS-SVR模型的输入量；
通过光合速率仪获取所述光量子通量密度和所述光波占比对应的所述植株的实际光合速率，作为所述LS-SVR模型的输出量；
将所述输入量和对应的所述输出量作为所述LS-SVR模型的一个样本。
可选的，所述优化获得所述目标值的方法进一步至少包括第一约束和第二约束的二者之一；
所述第一约束包括：
所述补光子系统中补光灯的电流小于等于最大额定电流；
所述第二约束包括：
所述目标值不小于所述植株在光补偿点的光照相关量的对应值；
所述植株在光补偿点的光照相关量的对应值的获取方法进一步包括：
基于训练完成的所述LS-SVR模型，通过二分法获取所述光补偿点的光照相关量的对应值。
可选的，所述补光净碳排放量的获取方法进一步包括：
获取所述补光子系统运行所消耗能源的对应碳排放量；
获取植株因为补光所固碳的量，即为相同条件下补光后植株的固碳量减补光前植株的固碳量；
将所述消耗能源的对应碳排放量减去所述补光所固碳的量，作为所述补光净碳排放量。
可选的，所述补光子系统中补光灯通过PWM信号控制；
基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值，包括：
采用增量式比例积分微分算法调控所述PWM信号。
本发明的技术方案还提供的一种基于植株光照需求量的低碳节能补光装置，所述装置包括：
获取模块，用于获取植株的环境数据；
决策模块，用于将所述环境数据输入补光决策模型，所述补光决策模型输出光照相关量目标值；
调整模块，用于基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值；
其中，
所述补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得所述目标值。
本发明的技术方案还提供的一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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项所述基于植株光照需求量的低碳节能补光方法的步骤。
本发明的技术方案还提供的一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于植株光照需求量的低碳节能补光方法的步骤。
本发明提供的基于植株光照需求量的低碳节能补光方法、装置，以提高植株光合速率、降低补光功率和碳排放量为目标，计算补光场景下的预测光合速率的负值、补光净碳排放量、补光电功率三者，获取最优的补光目标值，实现满足对植株的低碳节能补光。
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作简单的介绍，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为本发明实施例的基于植株光照需求量的低碳节能补光方法的流程示意图；
图2为本发明实施例的基于植株光照需求量的低碳节能补光系统的架构图；
图3为本发明实施例的补光决策示意图；
图4为本发明实施例的补光目标值最优解集示意图；
图5为本发明实施例的补光子系统的整体流程图；
图6为本发明实施例的补光PID控制流程图；
图7为本发明实施例的基于植株光照需求量的低碳节能补光装置结构示意图；
图8为本发明提供的一种电子设备的实体结构示意图。
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作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。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的基于植株光照需求量的低碳节能补光方法进行详细地说明。
实施例1
图1为本发明实施例的基于植株光照需求量的低碳节能补光方法的流程示意图，如图1所示，本发明的技术方案提供的一种基于植株光照需求量的低碳节能补光方法，方法包括如下步骤：
S100、获取植株的环境数据；
S200、将环境数据输入补光决策模型，补光决策模型输出光照相关量目标值；
S300、基于目标值，调整植株的补光子系统，使得植株所在环境中采集到的光照相关量的实时值趋近目标值；
其中，
补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得目标值。
在本实施例中，预测光合速率的获取方法进一步包括：
获取目标值；
将目标值输入LS-SVR模型，LS-SVR模型输出目标值对应的预测光合速率；
所述LS-SVR模型的核函数采用径向基函数，所述径向基函数的公式如下：
其中，xi和xj分别对应所述LS-SVR模型的两个样本，||xi-xj||为xi和xj的欧几里得距离，σ为径向基函数的拓展常数。
在本实施例中，LS-SVR模型的超参数包括正则化系数γ和径向基函数的拓展常数σ；
LS-SVR模型的训练方法进一步包括：
获取训练用的样本；
基于样本，通过交叉验证形成测试集、验证集和训练集；
将进化计算中的个体位置编码为待优化的超参数；获取个体位置代表的超参数在验证集上预测光合速率误差的平均值，将平均值作为个体对应适应度值；更新个体位置和个体对应适应度值，直到到达最大迭代次数或误差小于设定值时结束，获取最优的超参数；
基于最优的超参数，通过训练集对LS-SVR模型完成训练。
在本实施例中，获取训练用的样本，包括：
通过光量子传感器获取植株所在环境中的光量子通量密度以及若干种不同波长的光波占比，作为LS-SVR模型的输入量；
通过光合速率仪获取光量子通量密度和光波占比对应的植株的实际光合速率，作为LS-SVR模型的输出量；
将输入量和对应的输出量作为LS-SVR模型的一个样本。
在本实施例中，优化获得目标值的方法进一步至少包括第一约束和第二约束的二者之一；
第一约束包括：
补光子系统中补光灯的电流小于等于最大额定电流；
第二约束包括：
目标值不小于植株在光补偿点的光照相关量的对应值；
植株在光补偿点的光照相关量的对应值的获取方法进一步包括：
基于训练完成的LS-SVR模型，通过二分法获取光补偿点的光照相关量的对应值。
在本实施例中，补光净碳排放量的获取方法进一步包括：
获取补光子系统运行所消耗能源的对应碳排放量；
获取植株因为补光所固碳的量，即为相同条件下补光后植株的固碳量减补光前植株的固碳量；
将消耗能源的对应碳排放量减去补光所固碳的量，作为补光净碳排放量。
在本实施例中，补光子系统中补光灯通过PWM信号控制；
基于目标值，调整植株的补光子系统，使得植株所在环境中采集到的光照相关量的实时值趋近目标值，包括：
采用增量式比例积分微分算法调控PWM信号。
本实施例以提高植株光合速率、降低补光功率和碳排放量为目标，计算补光场景下的预测光合速率的负值、补光净碳排放量、补光电功率三者，获取最优的补光目标值，实现满足对植株的低碳节能补光。
实施例2
图2为本发明实施例的基于植株光照需求量的低碳节能补光系统的架构图，如图2所示，主要分为应用层、网络层、环境感知层和执行层(兼功率感知)四部分，其中，决策模型通过软件嵌入远程管理平台。图3为本发明实施例的补光决策示意图，如图3所示，公布了本实施例的补光决策，图中光合预测模型即LS-SVR模型，图中决策模型即补光决策模型。
本实施例通过WSN技术实现对温室环境和补光功率的实时监测。使用基于片上系统(SystemonChip，SoC)(CC2530)的WSN监测系统完成数据的实时采集。协调器、路由器、传感器节点基于ZigBee协议组成底层无线网络传输系统，实现数据的无线传输，其网络拓扑结构为树形。协调器通过串口向基于第五代的移动信息系统(5G)的数据传输单元(DataTransferUnit，DTU)发送数据，DTU与服务器之间遵循消息队列遥测传输协议(MessageQueuingTelemetryTransport，MQTT)。传感器节点分别连接空气温湿度(SHT31)、土壤温湿度、二氧化碳(CO2)浓度和(不同波段)光量子传感器。光照强度和空气温湿度采集周期均设置为10分钟(min)，获取的数据具有较高连续性和可靠性，为温室光强、空气温湿度等变量的时空分布差异提供有效、可靠的研究平台和重要的数据支持。同时，末端执行器，即补光灯连接了交直流电能计量模块(IM1253B)，实现了补光功率的实时测量，将该模块的反馈量通过晶体管-晶体管逻辑电平(TransistorTransistorLogic，TTL)串口传输到单片机微控制器(ESP32)，通过ESP32读取到实际补光的电功率P，将功率数据通过用户数据报协议(UserDatagramProtocol，UDP)传输到接入节点(AccessPoint，AP)，然后AP节点将功率数据打包，传输至RS-232转TTL模块处，最后通过DTU利用MQTT协议把数据反馈给云端用于电能耗的计算，从而为补光决策模型的计算提供支撑。
为了阐释植株光合作用对环境，尤其是光照的响应机理，为解算植株需光量、决策补光目标值提供植株信息支撑，本实施例基于最小二乘支持向量回归(LeastSquareSupportVectorRegression，LS-SVR)，根据所采集数据集的特征修正模型超参数，得到预测最优的光合速率预测模型。
本实施例包含光质调控，以红、蓝两种色光为例，则模型的输入包含光量子通量密度(PPFD)、红光(波长642nm～682nm)占比(R)、蓝光(波长428nm～464nm)占比(B)、空气温度(Ta)、空气相对湿度(RH)、土壤温度(Ts)、土壤相对含水量(M)、CO2浓度，输出为植株的实时Pn；输入量的范围和梯度如表1所示，按正交实验设定培养箱内的环境参数值，并使用WSN获取实际的环境参数值，并以实际值作为建模数据集的输入，同时，使用光合速率仪(LI-6400XT/LI-6800，LI-COR，USA)测量当前环境条件下植株的Pn，并将其作为输入量所对应的输出。
表1
输入数据为经过预处理的原始数据，包括箱线图法消除异常点、基于最小、最大值的数据标准化。LS-SVR模型通过核函数避免了将样本从原始空间映射到高维空间的计算问题，所以各输入数据不需要进行降维，防止降低预测的精度。核函数选择为径向基函数(RBF)，如式(1)所示。
其中，xi和xj分别对应所述LS-SVR模型的两个样本，||xi-xj||为xi和xj的欧几里得距离，σ为径向基函数的拓展常数；
为了获得精确的光合速率预测模型，使用交叉验证(CrossValidation，CV)结合进化计算的方法(CV-EC)对LS-SVR的超参数进行优化。模型的超参数包括正则化系数γ和RBF拓展常数σ，分别决定了模型最小适应度误差和核函数的带宽，决定了模型的平滑程度和函数的选择性，对Pn预测精度有着重要影响。默认情况下的超参数不能反应环境参数和光合数据的特征，对有影响的样本选择有所偏失。
通过CV-EC优化模型超参数，并基于LS-SVR建立光合速率预测模型的步骤如下：
首先，按照样本数量将20％样本作为最终测试集，按留一法划分余下n个样本，即先通过复制得到n份数据集，每份数据集均包括余下n个样本，再在每份数据集中选出彼此不重复的1个样本作为验证集，这样每个样本都在这n份数据集中充当了一次验证集；
然后，将EC中的个体位置编码为待优化的超参数值，个体对应适应度值为该个体位置代表的超参数在n个验证集上光合速率预测误差的平均值，更新个体位置和个体对应适应度值，直到到达最大迭代次数或误差小于设定值时结束，得到当前环境和光合数据集下最优的超参数；
最后，使用最优超参数，在80％的训练集上进行模型训练，得到精确的光合速率预测模型，其性能可通过测试集进行评价。
为了获取植株最低需光量，即不同环境条件下的光补偿点，从而对补光提供植株约束，将光合速率预测模型作为目标函数，使用二分法提取Pn值为0时，对应环境的PPFD值作为光补偿点，并用矩阵Q表示。二分法提取植株光补偿点的具体步骤如下：
设光合速率预测模型的函数表达为Pn(x)，首先，令pm为测量最大光强值，pl为测量最小光强值(0)，则根据光合速率变化特征，必有Pn(pm)＞0，Pn(0)＜0，由于预测模型对应函数的连续性，则光饱和点p0在这两点之间。然后，令并判断Pn(px)的正负性，若Pn(px)＞0，则取p0∈(pl，px)，令Pm＝px；若Pn(px)＝0，则取p0＝px；若Pn(px)＜0，则取p0∈(px，pm)，令pl＝px；至此记为一次迭代；最后，重复迭代，直至pm与pl距离满足设定精度或使得Pn(px)值到达预设值，则停止迭代，对应地将满足迭代终止条件的pm、pl或px值保存，并输出为该条件下的光补偿点Q。
温室补光提高了植株Pn，同时也带来了额外的碳排放和能源消耗，本实施例通过式(2-5)计算和定义补光碳排放。总的来说，补光净碳排放量等于LED运行所消耗能源的对应碳排放量减植株因补光所固碳的量，如式(2)所示；植株因补光所固碳的量等于补光后植株的固碳量减补光前植株的固碳量，如式(3)所示。
CSL＝CLED-ΔCP (2)
ΔCP＝CP2-CP1 (3)
其中，CSL为补光净碳排放量，CLED为补光灯运行的碳排放量，ΔCP为植株通过补光的固碳增益，CP2为补光后植株的固碳量，CP1为未补光(自然条件下)植株的固碳量，上述变量单位均为克(g)；
具体来说，补光的碳排放主要由LED灯所消耗的能源和灯具本身的光效率决定，如式(4)所示；另一方面，补光后植株固碳的增益由植株在补光环境下的Pn和植株本身所受补光辐射的叶面积决定，如式(5)所示。
其中，PPFDLED为补光灯实际的光量子通量密度，单位是微摩尔每平方米每秒(μmol·m-2·s-1)；S为补光灯的实际有效辐照面积，单位是平方米(m-2)；PPFLED为补光灯的光合光子通量效率，单位是微摩尔每秒每瓦特(μmol·s-1·W-1)；Ca为当前补光灯运行所消耗电力对应的耗碳量，单位是克每千瓦时(g·kWh-1)；Pn(E)为环境条件E下植株的净光合速率，单位是微摩尔二氧化碳每平方米每秒(μmol CO2·m-2·s-1)；E(x)为x时刻的环境参数值矩阵，环境参数包含表1中各变量；补光时间区间为[x1，x2]，单位是秒(s)；SP为植株所受有效辐照的总叶面积，单位是平方米(m2)。
本实施例将多路LED植物灯与PWM驱动器和交直流电能计量模块集成，在实现补光灯控制的同时，计算当前补光灯运行的功率，如式(6)所示，并通过转发模块上传，实现了功率的实时测量反馈。
其中，P为补光灯实际运行功率，单位为瓦特(W)；U为补光灯电压，单位为伏特(V)；I为补光灯电流，单位为安培(A)；为功率因数。
为实现补光的节本增效，在提高植株光合作用水平的同时，降低补光的能耗与碳排放，本实施例将补光目标值问题抽象为带约束的多目标优化问题(MulitObjectOptimization，MOO)，如式(7-9)所示，力求在增产与节能间到达平衡的最优状态。目标值t为k维变量(u，v1，…，vk-1)，u表示总目标光强值，单位是微摩尔每平方米每秒(μmol·m-2·s-1)；v1，…，vk-1分别表示各种色光(波段)所占百分比，单位是百分比(％)。本实施例以红蓝双色光补光为例，记目标值t对应总目标光强值为u，则红蓝双路补光灯的总PPFD值为u，其中红光的PPFD值为u·v，对应地，蓝光的PPFD值为(u-u·v)。综合前述的光合速率预测模型，将补光净碳排放量、补光电功率作为目标，以补光灯最大额定电流、植株需光量作为约束，对目标光强值进行优化和解算，得到最优解集。
mintF(t)＝[Pn′(t)，CSL(t)，P(t)] (7)
使得t≥Q
Ii(t)≤ai，i∈[1，k] (8)
令A为MOO的最优解集，则
A＝{t|t≥0，Ii(t)≤mi，i∈[1，k]} (9)
其中，F(t)为目标函数；Pn′(t)为在PPFD值为t时，对应环境条件下植株的净光合速率的负数，单位是微摩尔每平方米每秒(μmol·m-2·s-1)；CSL(t)为在PPFD值为t时，对应灯具的碳排放量，单位是克(g)；P(t)为在PPFD值为t时，对应灯具能耗，单位是瓦特(W)；Q为对应环境条件下光补偿点，单位是微摩尔每平方米每秒(μmol·m-2·s-1)；Ii(t)为对应色光补光灯的实际电流，ai为额定最大电流，单位是安培(A)，i为补光灯的分路序号，分别对应k个不同色光，本实施例以红蓝光两种光质为例，则k＝2。
上述MMO求解可使用主要线性加权法、目标法、逼近目标法等方法进行求解，以线性加权法为例，则根据重要程度设定子目标函数Pn(t)，CSL(t)，P(t)的权重λl(1＝1，2，3)，从而将F(t)转化为单目标优化问题，如式(10-11)所示。对给定的λ∈N，则上述问题的最优解集为MOO的有效解。
mint[λ1Pn′(t)+λ2CSL(t)+λ3P(t)] (10)
使得t≥Q
Ii(t)≤ai，i∈[1，k] (11)
其中，
此外，图4为本发明实施例的补光目标值最优解集示意图，如图4所示，可使用多目标粒子群优化算法(MulitObjectParticleSwarmOptimization，MOPSO)、多目标进化(MultiobjectiveEvolutionaryAlgorithms)等EC算法应用在MOO问题进行求解。以MOPSO为例，则问题求解步骤如下：首先，初始化粒子的位置、速度，形成初始种群，计算初始种群的适应度值，并将非劣解拷贝至档案集；然后，根据档案集中粒子的密度信息进行选择，并更新群体中粒子的位置和速度，将新一代种群的非劣解拷贝至档案集中，若档案集粒子数超过规定值，则通过截断操作删除档案集部分粒子；最后，当达到最大迭代次数、计算精度或最优解的最大凝滞步数时，停止搜索，输出最优解集。
将优化得到的补光目标值和对应环境条件进行保存，建立补光决策模型，存储在服务器端，在每次节点数据传输到Node.js(运行环境)创建的传输控制协议(TransmissionControlProtocol，TCP)服务器时，触发调用此模型进行调光。补光决策模型的输入为节点实时检测到的环境参数，即表1内PPFD、R、B等光照相关量以外的环境变量，输出为PPFD、R、B等光照相关量。同时，把对应的输入、输出、以及时间节点存储在数据库中，实现目标值的存储，在电脑端和手机端可以实时查看。
系统末端执行器为多路补光灯，即单个补光灯包含与光质相对应的不同分路，以红蓝补光为例，则每个补光灯包含红、蓝共2个分路。云端决策层通过MQTT协议发送的控制指令到DTU，DTU在接收到指令后，将决策层补光决策模型的输出结果打包为指令，通过RS-232电平协议向下发送，在RS-232转TTL模块处，将RS-232的电平信号转换为TTL的电平信号。通信模块处ESP32通过串口接收到TTL信号后，将控制指令进行解算并将自身作为AP节点利用UDP协议向下广播控制指令。指令如表2所示，其中第一位是数据的起始位，第二位是受控的设备身份号(Identity，ID)，该ID精确至补光灯的具体分路，第三位是补光决策模型输出的目标光强的高8位，第四位是补光决策模型输出的目标光强的低8位(即一共16位输出目标光强)，第五位是由感知层传输的光量子传感器的高8位，第六位是由感知层传输的光量子传感器的低8位(即一共16位输出光量子传感器的当前值)，第七位传输指令的当前时刻，第八位是数据校验位，第九位是终止位。
| 第一位 | 第二位 | 第三位 | 第四位 |
| S | NUM | TargetValueHigh | TargetValueLow |
| 第五位 | 第六位 | 第七位 | 第八位 |
| CurrentValueHigh | CurrentValueLow | Time | CRC |
| 第九位 | |||
| E |
表2
图5为本发明实施例的补光子系统的整体流程图，如图5所示，通过算法解析得到设备ID、目标光强TargetValue(即为TargetValueHigh和TargetValueLow的组合)和当前光强CurrentValue(即为CurrentValueHigh和CurrentValueLow的组合)。
补光灯根据脉宽调制(PulseWidthModulation，PWM)信号进行亮度调节，为了建立输出光强和PWM信号之间的对应关系，本实施例采用增量式比例积分微分(Proportional-Integral-Derivativecontroller，PID)算法调控PWM信号，以实现基于目标光强的光照调控。图6为本发明实施例的补光PID控制流程图，如图6所示，通过定时器产生对应的PWM信号，并通过PID算法计算出PWM的增量ΔPWM，将对应信号传输至灯具的PWM控制器上，从而通过调控使环境光强不断接近并到达目标值。
本实施例在满足植株基本需光量的同时，为了降低补光能耗，减少生产过程中的碳排放，具有的优势包括：
(1)基于植株和环境的互作规律，分别使用WSN和光合速率测量仪采集了环境和光合数据，基于LS-SVR建立了光合速率预测模型，并使用CV-EC方法针对光合数据特征对预测模型的参数进行了优化；
(2)通过二分法以光合速率预测模型对应函数为对象，提取了不同环境条件和植株生长期下的光补偿点，为光强调控提供最低需光量保障；
(3)在补光子系统中将交直流电能计算模块与LED灯集成，并通过转发模块上传服务器，实现补光的电功率感知；
(4)提出了补光场景下的净碳排放量计算方法，为约束条件下的补光目标值优化提供了基础；
(5)将补光目标值确定作为MMO问题进行求解，并通过线性加权法、MOPSO等算法得到了最优解集，确定了基于植株需光量的低碳补光目标值以及对应的决策模型；
(6)为了克服PWM信号和灯具光强对应关系解算复杂的问题，使用PID-PWM控制实现基于目标光强的补光灯光强调控。
本实施例可为植物生长的光环境调控提供技术支持，系统实现了植株信息与补光电功耗的感知，为节能补光提供了关键信息反馈；云端内嵌的补光决策模型以植株净光合速率、补光碳排放和补光电功耗为目标，在植株需光量、补光灯电流等约束下，确定了不同环境条件与植株生长期下对应光质的补光光强，是低碳节能补光技术的核心；补光控制方法则以环境光强感知和补光决策模型为基础，实现了光强实时调控，为低碳节能补光的具体实现提供了可行方案。
实施例3
下面对本发明提供的基于植株光照需求量的低碳节能补光装置进行描述，下文描述的基于植株光照需求量的低碳节能补光装置与上文描述的基于植株光照需求量的低碳节能补光方法可相互对应参照。
图7为本发明实施例的基于植株光照需求量的低碳节能补光装置结构示意图，如图7所示，本发明的技术方案还提供的一种基于植株光照需求量的低碳节能补光装置，装置包括：
获取模块，用于获取植株的环境数据；
决策模块，用于将环境数据输入补光决策模型，补光决策模型输出光照相关量目标值；
调整模块，用于基于目标值，调整植株的补光子系统，使得植株所在环境中采集到的光照相关量的实时值趋近目标值；
其中，
补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得目标值。
本实施例以提高植株光合速率、降低补光功率和碳排放量为目标，计算补光场景下的预测光合速率的负值、补光净碳排放量、补光电功率三者，获取最优的补光目标值，实现满足对植株的低碳节能补光。
图8为本发明提供的一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于植株光照需求量的低碳节能补光方法，所述方法包括：
获取植株的环境数据；
将所述环境数据输入补光决策模型，所述补光决策模型输出光照相关量目标值；
基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值；
其中，
所述补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得所述目标值。
此外，上述的存储器830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 Acces s 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基于植株光照需求量的低碳节能补光方法，所述方法包括：
获取植株的环境数据；
将所述环境数据输入补光决策模型，所述补光决策模型输出光照相关量目标值；
基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值；
其中，
所述补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得所述目标值。
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基于植株光照需求量的低碳节能补光方法，所述方法包括：
获取植株的环境数据；
将所述环境数据输入补光决策模型，所述补光决策模型输出光照相关量目标值；
基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值；
其中，
所述补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得所述目标值。
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)
1.一种基于植株光照需求量的低碳节能补光方法，其特征在于，所述方法包括：
获取植株的环境数据；
将所述环境数据输入补光决策模型，所述补光决策模型输出光照相关量目标值；
基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值；
其中，
所述补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得所述目标值。
2.根据权利要求1所述的基于植株光照需求量的低碳节能补光方法，其特征在于，所述预测光合速率的获取方法进一步包括：
获取所述目标值；
将所述目标值输入LS-SVR模型，所述LS-SVR模型输出所述目标值对应的预测光合速率；
其中，
所述LS-SVR模型的核函数采用径向基函数，所述径向基函数的公式如下：
其中，xi和xj分别对应所述LS-SVR模型的两个样本，||xi-xj||为xi和xj的欧几里得距离，σ为径向基函数的拓展常数。
3.根据权利要求2所述的基于植株光照需求量的低碳节能补光方法，其特征在于，所述LS-SVR模型的超参数包括正则化系数γ和径向基函数的拓展常数σ；
所述LS-SVR模型的训练方法进一步包括：
获取训练用的样本；
基于所述样本，通过交叉验证形成测试集、验证集和训练集；
将进化计算中的个体位置编码为待优化的超参数；获取所述个体位置代表的超参数在所述验证集上预测光合速率误差的平均值，将所述平均值作为所述个体对应适应度值；更新所述个体位置和所述个体对应适应度值，直到到达最大迭代次数或误差小于设定值时结束，获取最优的超参数；
基于所述最优的超参数，通过所述训练集对所述LS-SVR模型完成训练。
4.根据权利要求3所述的基于植株光照需求量的低碳节能补光方法，其特征在于，获取训练用的样本，包括：
通过光量子传感器获取所述植株所在环境中的光量子通量密度以及若干种不同波长的光波占比，作为所述LS-SVR模型的输入量；
通过光合速率仪获取所述光量子通量密度和所述光波占比对应的所述植株的实际光合速率，作为所述LS-SVR模型的输出量；
将所述输入量和对应的所述输出量作为所述LS-SVR模型的一个样本。
5.根据权利要求2所述的基于植株光照需求量的低碳节能补光方法，其特征在于，所述优化获得所述目标值的方法进一步至少包括第一约束和第二约束的二者之一；
所述第一约束包括：
所述补光子系统中补光灯的电流小于等于最大额定电流；
所述第二约束包括：
所述目标值不小于所述植株在光补偿点的光照相关量的对应值；
所述植株在光补偿点的光照相关量的对应值的获取方法进一步包括：
基于训练完成的所述LS-SVR模型，通过二分法获取所述光补偿点的光照相关量的对应值。
6.根据权利要求1所述的基于植株光照需求量的低碳节能补光方法，其特征在于，所述补光净碳排放量的获取方法进一步包括：
获取所述补光子系统运行所消耗能源的对应碳排放量；
获取植株因为补光所固碳的量；
将所述消耗能源的对应碳排放量减去所述补光所固碳的量，作为所述补光净碳排放量。
7.根据权利要求1所述的基于植株光照需求量的低碳节能补光方法，其特征在于，所述补光子系统中补光灯通过PWM信号控制；
基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值，包括：
采用增量式比例积分微分算法调控所述PWM信号。
8.一种基于植株光照需求量的低碳节能补光装置，其特征在于，所述装置包括：
获取模块，用于获取植株的环境数据；
决策模块，用于将所述环境数据输入补光决策模型，所述补光决策模型输出光照相关量目标值；
调整模块，用于基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值；
其中，
所述补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得所述目标值。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述基于植株光照需求量的低碳节能补光方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述基于植株光照需求量的低碳节能补光方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374936.XA CN116491324A (zh) | 2023-04-10 | 2023-04-10 | 基于植株光照需求量的低碳节能补光方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310374936.XA CN116491324A (zh) | 2023-04-10 | 2023-04-10 | 基于植株光照需求量的低碳节能补光方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116491324A true CN116491324A (zh) | 2023-07-28 |
Family
ID=87315866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310374936.XA Pending CN116491324A (zh) | 2023-04-10 | 2023-04-10 | 基于植株光照需求量的低碳节能补光方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116491324A (zh) |
-
2023
- 2023-04-10 CN CN202310374936.XA patent/CN116491324A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Srinivasan et al. | IoT-Enabled Horticultural Lighting for Optimizing Plant Growth and Agriculture Operations | |
| RU2654259C2 (ru) | Динамическая рецептура света для растениеводства | |
| CN107291126A (zh) | 一种基于作物需求的设施补光控制方法与系统 | |
| CN108614601B (zh) | 一种融合随机森林算法的设施光环境调控方法 | |
| CN115270642B (zh) | 基于数字孪生的植物工厂智能管理系统 | |
| CN107329511B (zh) | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 | |
| CN107390754B (zh) | 基于物联网云平台的智能植物生长环境调节系统与方法 | |
| CN107909149A (zh) | 一种基于遗传bp神经网络的日光温室温度预测方法 | |
| CN107728473B (zh) | 一种温室环境多参数协同控制系统及调控方法 | |
| CN104155925A (zh) | 一种基于无线传感器网络鸡舍小气候环境智能控制系统 | |
| CN108717307B (zh) | 一种面向作物整株需光差异的多通道补光调控方法与系统 | |
| CN118261198B (zh) | 温室土壤温湿度预测模型构建方法、预测方法、装置、电子设备、存储介质和程序产品 | |
| CN114077269B (zh) | 基于数据驱动模型的温室环境预测与优化控制方法 | |
| CN109709800A (zh) | 基于烟花算法-自适应模糊pid的led路灯智能控制方法及装置 | |
| CN119653555B (zh) | 一种基于多维数据融合的智能led光谱调控系统 | |
| CN115908321A (zh) | 创新型智能宠物综合维护管理系统及其方法 | |
| CN113994829B (zh) | 一种考虑可时移与成本因素的led补光灯运行调控方法 | |
| Chen et al. | Multi-objective optimal regulation model and system based on whole plant photosynthesis and light use efficiency of lettuce | |
| CN119136379B (zh) | 一种驱动电路匹配光源模组的方法及系统 | |
| CN118696729A (zh) | 一种基于改进遗传算法优化的led阵列获取方法及植物栽培系统 | |
| CN116491324A (zh) | 基于植株光照需求量的低碳节能补光方法、装置 | |
| Gao et al. | Greenhouse light and CO2 regulation considering cost and photosynthesis rate using i-nsGA Ⅱ | |
| CN118077451A (zh) | 温室作物补光方法、装置、补光灯、电子设备及存储介质 | |
| CN108596779A (zh) | 一种融合向量机模型的嵌入式设施二氧化碳优化调控方法与系统 | |
| CN117580229A (zh) | 路灯智能调节方法、装置、设备及存储介质 |
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 |