基于經濟最優的溫室環境建模與優化控制

李雯　蘇興民

摘要：鑒于溫室自身具有很強的復雜性，而且溫室各環境因子之間是實時互相影響的，溫室環境的多目標優化控制實際操作起來難度很大。文章針對溫室系統這種混亂且復雜的特性，在構建溫室溫濕度模型以及溫室調控設備耗電量模型的基礎上，采用多目標遺傳算法優化，針對黃瓜溫室環境，以此達到優化控制。通過matlab進行了仿真研究，結果表明，該算法能有效降低溫室環境達到黃瓜最適宜生長環境所需的耗電量，從而降低了企業溫室生產的經濟成本。

關鍵詞：溫室;溫濕度;ARX模型;多目標遺傳算法

一、引言

隨著我國科學技術的飛速發展，現代農業越來越受到各國學者和專家的重視。然而當前的溫室環境控制技術受制于一個關鍵的問題，也就是缺乏滿足溫室環境優化控制所需的精準且適用的溫濕度模型。

由于溫濕度系統具有非線性滯后性等相關特性，現階段的溫濕度系統建模主要有兩種方法，一是根據能量平衡公式進行機理建模，二是根據輸入和輸出數據進行系統識別建模。Kindelan和Gal等為了提升參數模型的準確性，將邊界條件加入到該模型的影響因素中去。Gruber則在使用Volterra的基礎上，將預報警示功能應用到溫室環境參數模型中去。Qin Linlin等研究了溫室溫度預測控制模型，并將非靜態邏輯模型考慮進去。I Seginer構建出一種神經網絡模型，并對收集的數據進行訓練， 結果顯示得到改進。汪小旵基于溫室的傳熱傳質機理，構建了現代化溫室預測模型，并同時預測了溫室的能耗。隨后智能優化算法（如GA、PSO等優化算法）在溫室環境優化上得到了廣泛應用。王立舒等利用遺傳優化算法進行溫室溫濕度參數優化，具有一定的先進性和代表性。J.P.Coelho等通過PSO進行優化控制，結果顯示達到了良好的控制效果。

因此，本研究在構建溫室環境溫濕度ARX模型的基礎上，結合國家提倡的節能減耗的理念，構建溫室的調控成本模型，通過多目標遺傳優化算法對目標溫室生產環境進行優化控制，以期在溫室達到作物最適宜的環境的同時，減少溫室生產時的能耗，從而降低企業溫室的生產成本。

二、模型構建

（一）溫濕度模型

使用SPSS對建模數據表進行相關性分析，將溫室外環境中的溫度、濕度、風速及光照強度設定為溫室環境的擾動輸入量，與此同時將控制裝置（如風機、遮陽、噴淋等控制裝置為例）設定為溫室環境的決策輸入量，輸出變量是溫室內的溫度和濕度。ARX模型的形式為：

Pi代表某個調控設備單位時間運轉的功率;Ki代表控制裝置的開關值，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、多目標遺傳算法

為尋找最低的耗電量，也即最優的溫室調控組合，首先要進行種群初始化，即隨機生成一組溫室調控設備組合（即各個設備的開關狀態值），然后計算目標優化函數的適應度，選擇適應度值高的個體進行相關操作（如交叉和變異），以生成新的種群和新的適應度值的同時運用精英保留策略替換種群內的最差個體。具體步驟如下所示：

1.相關變量容器初始化，種群初始化，多次隨機產生個體，從中挑選最優的做初始種群成員，即一種溫室調控設備的組合情況。

2.改進的輪盤賭選擇，將選中的溫室調控設備組合從現有種群拿出。

3.進行改進的交叉和變異操作，計算得到的新的溫室調控設備的適應度值。

4.剔除最差的調控設備組合。輪盤賭選擇后，原來種群規模為的種群有調控設備組合被選中進行繁衍產生個新的調控設備組合，加上沒被選中繁衍的調控設備組合。

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

6.收斂條件判定。若最優溫室調控設備組合連續50代不更新，就可以判定為算法收斂，或者當迭代次數達到100時，出現這兩種情況是，均可以跳出迭代，否則繼續進化。

四、模型驗證和結果分析

（一）數據采集

本試驗選擇在江蘇大學農業裝備工程學院的玻璃溫室黃瓜實驗基地中進行。對溫室的數據收集時間始于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備的切換操作和操作時間，并在操作中手動記錄數值和日期。溫室將環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，室溫和濕度進行建模。

（二）模型驗證分析

本試驗選取上述步驟采集到的數據對本研究構建的溫濕度模型加以驗證，并選取2019年4月15日當日產生的數據用以驗證，驗證結果如圖1所示。

從圖1可知，其中帶*的曲線代指的是該模型預測得到的溫濕度，而實線則代指的是實際測量得到的溫濕度，可以從實驗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%。結果表明，本文設計的溫室環境模型可以模擬溫室的溫度及濕度變化，即可以用于后續的溫室環境優化控制。

（三）算法結果分析

為檢驗本文設計的多目標優化算法的合理及適用性，試驗選取2019年4月19日11：35監測的數據進行驗算。該時刻收集到的溫室環境其中溫度為31.3℃，濕度為47.4%。根據專家經驗，需要對該實驗溫室進行降溫。為檢驗構建的模型及優化算法的優先性，運用線性加權和法、基本遺傳算法和多目標遺傳算法對決策變量和溫度、濕度進行模擬仿真比較，結果如下。

圖2中，直線指示的是多目標遺傳算法，長虛線代表的是標準遺傳算法，短虛線代表的是線性加權和法，點線代表的是黃瓜最適宜生長溫濕度。由圖曲線變化可知，本研究設計的多目標遺傳優化算法在控制溫室環境時，效果最為明顯。

其具體對比結果如表1所示。

從表1得到，通過優化控制后，該實驗溫室內的溫度從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。雖然使用線性加權和法時耗能最低，但實驗溫室環境并沒有得到有效優化控制。說明本研究設計的多目標遺傳優化算法不僅能使溫室環境達到作物最適宜生長的環境，同時也能對選擇最優的控制方式，不僅減少了能耗，也有利于經濟效益的提升。

五、討論

完善的溫室模型的構建已成為溫室作物生產的關鍵要素。在ARX的基礎上建立溫濕度參數模型，再構建溫室調控成本模型，結合多目標遺傳優化算法，通過matlab工具包驗證建立的溫濕度模型可以模擬溫室環境變化以及優化算法的可行性。但由于影響溫室環境的各種環境因素是相互聯系和相互影響的，因此后續研究將向溫室環境模型中添加諸如CO2之類的因素，并增加影響溫室環境的人為活動因子影響，提升溫室生產似的優化控制，以便降低溫室生產的經濟成本。

參考文獻：

[1]楊華，馮文新，楊懷卿，劉艷紅.物聯網溫室環境系統建模與控制研究進展[J].山西農業大學學報（自然科學版），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，項美晶.基RBF神經網絡的溫室溫度調控研究[J].農機化研究，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荷預測研究[J].現代建筑電氣，2017（10）：1-6.

*基金項目：江蘇省高校自然基金重點項目“中小型溫室蔬菜穴盤苗小型全自動移栽機的設計理論與方法”（項目號：19KJA430018，201909-202112）。

（作者單位：江蘇大學管理學院）