基于經(jīng)濟(jì)最優(yōu)的溫室環(huán)境建模與優(yōu)化控制

李雯　蘇興民

摘要：鑒于溫室自身具有很強(qiáng)的復(fù)雜性，而且溫室各環(huán)境因子之間是實(shí)時互相影響的，溫室環(huán)境的多目標(biāo)優(yōu)化控制實(shí)際操作起來難度很大。文章針對溫室系統(tǒng)這種混亂且復(fù)雜的特性，在構(gòu)建溫室溫濕度模型以及溫室調(diào)控設(shè)備耗電量模型的基礎(chǔ)上，采用多目標(biāo)遺傳算法優(yōu)化，針對黃瓜溫室環(huán)境，以此達(dá)到優(yōu)化控制。通過matlab進(jìn)行了仿真研究，結(jié)果表明，該算法能有效降低溫室環(huán)境達(dá)到黃瓜最適宜生長環(huán)境所需的耗電量，從而降低了企業(yè)溫室生產(chǎn)的經(jīng)濟(jì)成本。

關(guān)鍵詞：溫室;溫濕度;ARX模型;多目標(biāo)遺傳算法

一、引言

隨著我國科學(xué)技術(shù)的飛速發(fā)展，現(xiàn)代農(nóng)業(yè)越來越受到各國學(xué)者和專家的重視。然而當(dāng)前的溫室環(huán)境控制技術(shù)受制于一個關(guān)鍵的問題，也就是缺乏滿足溫室環(huán)境優(yōu)化控制所需的精準(zhǔn)且適用的溫濕度模型。

由于溫濕度系統(tǒng)具有非線性滯后性等相關(guān)特性，現(xiàn)階段的溫濕度系統(tǒng)建模主要有兩種方法，一是根據(jù)能量平衡公式進(jìn)行機(jī)理建模，二是根據(jù)輸入和輸出數(shù)據(jù)進(jìn)行系統(tǒng)識別建模。Kindelan和Gal等為了提升參數(shù)模型的準(zhǔn)確性，將邊界條件加入到該模型的影響因素中去。Gruber則在使用Volterra的基礎(chǔ)上，將預(yù)報警示功能應(yīng)用到溫室環(huán)境參數(shù)模型中去。Qin Linlin等研究了溫室溫度預(yù)測控制模型，并將非靜態(tài)邏輯模型考慮進(jìn)去。I Seginer構(gòu)建出一種神經(jīng)網(wǎng)絡(luò)模型，并對收集的數(shù)據(jù)進(jìn)行訓(xùn)練， 結(jié)果顯示得到改進(jìn)。汪小旵基于溫室的傳熱傳質(zhì)機(jī)理，構(gòu)建了現(xiàn)代化溫室預(yù)測模型，并同時預(yù)測了溫室的能耗。隨后智能優(yōu)化算法（如GA、PSO等優(yōu)化算法）在溫室環(huán)境優(yōu)化上得到了廣泛應(yīng)用。王立舒等利用遺傳優(yōu)化算法進(jìn)行溫室溫濕度參數(shù)優(yōu)化，具有一定的先進(jìn)性和代表性。J.P.Coelho等通過PSO進(jìn)行優(yōu)化控制，結(jié)果顯示達(dá)到了良好的控制效果。

因此，本研究在構(gòu)建溫室環(huán)境溫濕度ARX模型的基礎(chǔ)上，結(jié)合國家提倡的節(jié)能減耗的理念，構(gòu)建溫室的調(diào)控成本模型，通過多目標(biāo)遺傳優(yōu)化算法對目標(biāo)溫室生產(chǎn)環(huán)境進(jìn)行優(yōu)化控制，以期在溫室達(dá)到作物最適宜的環(huán)境的同時，減少溫室生產(chǎn)時的能耗，從而降低企業(yè)溫室的生產(chǎn)成本。

二、模型構(gòu)建

（一）溫濕度模型

使用SPSS對建模數(shù)據(jù)表進(jìn)行相關(guān)性分析，將溫室外環(huán)境中的溫度、濕度、風(fēng)速及光照強(qiáng)度設(shè)定為溫室環(huán)境的擾動輸入量，與此同時將控制裝置（如風(fēng)機(jī)、遮陽、噴淋等控制裝置為例）設(shè)定為溫室環(huán)境的決策輸入量，輸出變量是溫室內(nèi)的溫度和濕度。ARX模型的形式為：

Pi代表某個調(diào)控設(shè)備單位時間運(yùn)轉(zhuǎn)的功率;Ki代表控制裝置的開關(guān)值，其中1代表開啟，0表示閉合，ti表示該控制裝置所用的時間。

三、多目標(biāo)遺傳算法

為尋找最低的耗電量，也即最優(yōu)的溫室調(diào)控組合，首先要進(jìn)行種群初始化，即隨機(jī)生成一組溫室調(diào)控設(shè)備組合（即各個設(shè)備的開關(guān)狀態(tài)值），然后計(jì)算目標(biāo)優(yōu)化函數(shù)的適應(yīng)度，選擇適應(yīng)度值高的個體進(jìn)行相關(guān)操作（如交叉和變異），以生成新的種群和新的適應(yīng)度值的同時運(yùn)用精英保留策略替換種群內(nèi)的最差個體。具體步驟如下所示：

1.相關(guān)變量容器初始化，種群初始化，多次隨機(jī)產(chǎn)生個體，從中挑選最優(yōu)的做初始種群成員，即一種溫室調(diào)控設(shè)備的組合情況。

2.改進(jìn)的輪盤賭選擇，將選中的溫室調(diào)控設(shè)備組合從現(xiàn)有種群拿出。

3.進(jìn)行改進(jìn)的交叉和變異操作，計(jì)算得到的新的溫室調(diào)控設(shè)備的適應(yīng)度值。

4.剔除最差的調(diào)控設(shè)備組合。輪盤賭選擇后，原來種群規(guī)模為的種群有調(diào)控設(shè)備組合被選中進(jìn)行繁衍產(chǎn)生個新的調(diào)控設(shè)備組合，加上沒被選中繁衍的調(diào)控設(shè)備組合。

5.精英保留策略。判斷新種群最優(yōu)設(shè)備組合與上一代種群最優(yōu)設(shè)備組合的大小，較優(yōu)者替換新一代種群中的最差設(shè)備組合。

6.收斂條件判定。若最優(yōu)溫室調(diào)控設(shè)備組合連續(xù)50代不更新，就可以判定為算法收斂，或者當(dāng)?shù)螖?shù)達(dá)到100時，出現(xiàn)這兩種情況是，均可以跳出迭代，否則繼續(xù)進(jìn)化。

四、模型驗(yàn)證和結(jié)果分析

（一）數(shù)據(jù)采集

本試驗(yàn)選擇在江蘇大學(xué)農(nóng)業(yè)裝備工程學(xué)院的玻璃溫室黃瓜實(shí)驗(yàn)基地中進(jìn)行。對溫室的數(shù)據(jù)收集時間始于2019年4月1日，直到2019年4月30日，且每隔5分鐘記錄一次，并在測試過程中手動記錄玻璃溫室控制設(shè)備的切換操作和操作時間，并在操作中手動記錄數(shù)值和日期。溫室將環(huán)境信息值和室外氣象因素合并到一個EXCEL表中，這便于隨后對溫度，室溫和濕度進(jìn)行建模。

（二）模型驗(yàn)證分析

本試驗(yàn)選取上述步驟采集到的數(shù)據(jù)對本研究構(gòu)建的溫濕度模型加以驗(yàn)證，并選取2019年4月15日當(dāng)日產(chǎn)生的數(shù)據(jù)用以驗(yàn)證，驗(yàn)證結(jié)果如圖1所示。

從圖1可知，其中帶*的曲線代指的是該模型預(yù)測得到的溫濕度，而實(shí)線則代指的是實(shí)際測量得到的溫濕度，可以從實(shí)驗(yàn)仿真得到的圖形看出兩個曲線的變化趨勢走向均在同一個水平上，即該溫室環(huán)境溫濕度ARX模型模擬效果良好。通過Matlab軟件模擬，可以得到溫度的均方根誤差是0.026，相對誤差是0.0332%。濕度的均方根誤差是0.3383，相對誤差是0.4316%。結(jié)果表明，本文設(shè)計(jì)的溫室環(huán)境模型可以模擬溫室的溫度及濕度變化，即可以用于后續(xù)的溫室環(huán)境優(yōu)化控制。

（三）算法結(jié)果分析

為檢驗(yàn)本文設(shè)計(jì)的多目標(biāo)優(yōu)化算法的合理及適用性，試驗(yàn)選取2019年4月19日11：35監(jiān)測的數(shù)據(jù)進(jìn)行驗(yàn)算。該時刻收集到的溫室環(huán)境其中溫度為31.3℃，濕度為47.4%。根據(jù)專家經(jīng)驗(yàn)，需要對該實(shí)驗(yàn)溫室進(jìn)行降溫。為檢驗(yàn)構(gòu)建的模型及優(yōu)化算法的優(yōu)先性，運(yùn)用線性加權(quán)和法、基本遺傳算法和多目標(biāo)遺傳算法對決策變量和溫度、濕度進(jìn)行模擬仿真比較，結(jié)果如下。

圖2中，直線指示的是多目標(biāo)遺傳算法，長虛線代表的是標(biāo)準(zhǔn)遺傳算法，短虛線代表的是線性加權(quán)和法，點(diǎn)線代表的是黃瓜最適宜生長溫濕度。由圖曲線變化可知，本研究設(shè)計(jì)的多目標(biāo)遺傳優(yōu)化算法在控制溫室環(huán)境時，效果最為明顯。

其具體對比結(jié)果如表1所示。

從表1得到，通過優(yōu)化控制后，該實(shí)驗(yàn)溫室內(nèi)的溫度從31.4℃下降到24.4℃，相對濕度從47.1%增加到59.24%，而且降溫操作過程中所用的能耗比優(yōu)化前下降了21.1%，在三者中控制效果最好。雖然使用線性加權(quán)和法時耗能最低，但實(shí)驗(yàn)溫室環(huán)境并沒有得到有效優(yōu)化控制。說明本研究設(shè)計(jì)的多目標(biāo)遺傳優(yōu)化算法不僅能使溫室環(huán)境達(dá)到作物最適宜生長的環(huán)境，同時也能對選擇最優(yōu)的控制方式，不僅減少了能耗，也有利于經(jīng)濟(jì)效益的提升。

五、討論

完善的溫室模型的構(gòu)建已成為溫室作物生產(chǎn)的關(guān)鍵要素。在ARX的基礎(chǔ)上建立溫濕度參數(shù)模型，再構(gòu)建溫室調(diào)控成本模型，結(jié)合多目標(biāo)遺傳優(yōu)化算法，通過matlab工具包驗(yàn)證建立的溫濕度模型可以模擬溫室環(huán)境變化以及優(yōu)化算法的可行性。但由于影響溫室環(huán)境的各種環(huán)境因素是相互聯(lián)系和相互影響的，因此后續(xù)研究將向溫室環(huán)境模型中添加諸如CO2之類的因素，并增加影響溫室環(huán)境的人為活動因子影響，提升溫室生產(chǎn)似的優(yōu)化控制，以便降低溫室生產(chǎn)的經(jīng)濟(jì)成本。

參考文獻(xiàn)：

[1]楊華，馮文新，楊懷卿，劉艷紅.物聯(lián)網(wǎng)溫室環(huán)境系統(tǒng)建模與控制研究進(jìn)展[J].山西農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2017，37（04）：295-298.

[2]Kindelan M. Dynamic modeling of greenhouse environment[J].Trans.ASAE， 1980（23）：232-239.

[3]Qin Linlin， Shi Chun， Ling Qing， et al. Predictive control of greenhouse tempera-ture based on mixed logical dynamical systems[J].Intelligent Automation and SoftComputing，2010，16（06）：1207-1214.

[4]I Seginer. Some artificial neural network applications to greenhouse environmental control[J].Computers and electronics in agriculture，1997，18（02）：167-186.

[5]徐意，項(xiàng)美晶.基RBF神經(jīng)網(wǎng)絡(luò)的溫室溫度調(diào)控研究[J].農(nóng)機(jī)化研究，2010（03）：74-76.

[6]何一婷，于軍琪，趙蕾，等.基于ARX模型的大型公共建筑冷負(fù)荷預(yù)測研究[J].現(xiàn)代建筑電氣，2017（10）：1-6.

*基金項(xiàng)目：江蘇省高校自然基金重點(diǎn)項(xiàng)目“中小型溫室蔬菜穴盤苗小型全自動移栽機(jī)的設(shè)計(jì)理論與方法”（項(xiàng)目號：19KJA430018，201909-202112）。

（作者單位：江蘇大學(xué)管理學(xué)院）