考慮時空變異特性的溫室多環境因子優化策略

李康吉 張世通 孟凡躍 毛罕平

(1.江蘇大學電氣信息工程學院， 鎮江 212013； 2.江蘇大學農業工程學院， 鎮江 212013)

0 引言

溫室環境是非線性、多變量、高耦合的復雜系統，作物培育可以根據室外氣象條件和作物生長發育各個階段所需環境，利用控制設備進行合理調控，進而得到整體的環境參數優化方案，從而高效、均衡、快速地生產各種作物[1-3]。

文獻[4-5]利用計算流體力學(CFD)研究溫室環境和通風問題，并取得較好的結果。隨著計算機性能的發展和湍流模型的不斷完善以及更多數值模型的建立，計算流體力學成為國內外研究溫室動力學的一種新的有力工具， BOULARD等[6]運用太陽輻射模型并考慮溫室內作物，研究溫室微氣候和作物蒸騰情況，所得結果與實驗值吻合較好。文獻[7-8]采用CFD軟件建立了有植物條件下的濕簾機械通風三維模擬模型，對不同天氣條件和種植密度溫室內溫度分布模式進行了三維數值模擬與預測，探討不同通風模式下溫室熱環境分布狀況。在溫室環境模型建立中, 單因子的研究起到了積極的作用, SIGRIMIS等[9]通過動態積溫法分別對短期和長期的溫度進行優化，年均節能可達到9%。但是單獨調整某個因子時, 總是離不開其他相關因子的影響，作物很難獲得最優培育環境條件。因此，BARTZANAS等[10]、周偉等[11]研究不同通風配置、日光輻射對溫度、濕度、二氧化碳等環境因素的影響。當某一環境因素發生改變時, 必須考慮因素之間的相互影響[12]。張雪花等[13]運用灰色多目標粒子群對溫室內部的溫度、濕度、能耗進行多目標調控，結果表明該方法可以有效控制溫濕度，同時可降低溫室能耗。人工CFD仿真對多組控制參數進行模擬優化調節溫室通風、遮陽、二氧化碳參數的方法計算效率低，求解過程冗雜。文獻[14]提出了一種基于GenOpt的雙目標優化方法，并通過Hooke-Jeeves和粒子群優化算法的實現，研究了建筑圍護結構設計對建筑采光和熱性能兩個目標的影響。孫耀杰等[15]提出基于寬-深神經網絡的兩級溫室環境數據融合算法，在保證決策精度的同時豐富了可融合特征類別，進一步提升溫室融合系統的智能化程度。胡瑾等[16]提出了基于離散曲率算法的溫室CO2優化調控模型，具有高效節能特點，為設施作物CO2高效精準調控和節本增效提供了理論基礎。LAMMARI等[17]提出了一種復雜溫室氣候模型，運用遺傳算法(GA)對溫度和蒸氣壓優化的方法，使得溫室模型參數達到最優。張軍華等[18]研究基于物聯網的日光溫室冠層特征溫度時空變化規律。本文采取基于超級計算機進行CFD模擬與多目標優化遺傳算法相結合的方法，選取溫室內部溫度、二氧化碳濃度分布以及溫室能耗為目標，濕簾入口溫度和風機出口處風速為控制變量進行優化調節，并進行實地實驗驗證。

1 實驗與CFD建模

1.1 實驗溫室

實驗溫室位于江蘇省鎮江市丹徒區，位于東經119.20°，北緯32.20°，屬于亞熱帶季風氣候區。溫室長40 m，寬18 m，頂高5 m，面積720 m2，屋脊為南北走向3跨度，每跨度6 m，溫室四周和頂部覆蓋材料為透光度高于89%的浮法玻璃，北墻裝備3個負壓風機，南墻裝有濕簾入口。實驗與建模時，選擇正北方向為X軸負方向，正東方向為Z軸正方向，向上為Y軸正方向，建立笛卡爾坐標系。

實驗時間為2017年5月5日中午，測試期間天氣晴好或多云，室外溫度為32℃，風機出口風速為2 m/s，風向為南風，風力3～4級。

1.2 實驗方法

溫室外采用HT-8983型熱敏式風速測量儀測量風速風向和氣溫，采用光照度變送器測量太陽輻射強度，保持測量儀器置于開闊處，無遮擋。溫室內部溫度測量儀器沿著南北方向和垂直高度方向兩個方向進行布點放置，選用TP402型低功耗無線溫度測量器采集溫度，實驗現場布置圖如圖1所示。在南北方向上距離濕簾入口一側間隔8、16、24、32 m布置，東西方向上正對風機出口距離西墻間隔3、7、15 m布置，高度分別為0.5、2、3 m，共有36個溫度觀測點。

溫室內風速測量儀器選用WS-A2型三維超聲波風速風向測量儀，在南北方向上距離進氣口一側間隔2、10、20、30、38 m布置，東西方向上正對第1個和第2個風機出口距離西墻間隔3、7 m布置，高度分別為0.6、1.7 m，實驗現場如圖2所示。

由于溫室面積較大，實驗過程需要進行長時間、多次數的數據采集，故采用無線數據記錄儀T3采集和顯示數據，該儀器支持遠程定時定點自動采集并保存室內環境數據。

1.3 溫室CFD建模與模型驗證

在構建CFD模型時，考慮到該工況下溫室側窗、南墻的門處于關閉狀態，風機向室外排風，室內形成負壓，室外空氣從濕簾被吸入溫室。模型總體比較簡單，但是包含著一些特殊設置(濕簾窗戶、負壓風機、遮陽簾、地面)，所以總體網格劃分無需過于密集，但是需要對特殊設置進行加密。溫室網格劃分如圖3所示。

1.3.1模型選取

溫室內空氣流速較低，并且流動過程中空氣溫度變化范圍不大，其通風過程可視為定常不可壓縮流體運動。溫室內氣體流動遵循質量守恒方程、動量守恒方程和能量守恒方程三大方程[19]，其通用形式為

(1)

式中φ——通用變量

Γφ——擴散系數

Sφ——廣義源項

溫室氣流存在明顯的冷熱對流，具有較高的湍流特性，考慮模型特點及精確度，采用標準k-ε模型進行求解。溫室內空氣與二氧化碳混合氣體的對流和擴散采用組分傳輸模型。輻射傳熱是溫室內熱量傳遞的主要形式，考慮到對溫室溫度場準確性的要求，CFD的輻射模型采用Discrete Ordinates(DO)模型，本文根據溫室地理位置和實驗時間自動獲取溫室太陽輻射總量。

1.3.2邊界條件設置

溫室屋頂、側墻與室內外空氣通過傳導、對流和輻射方式進行能量交換。在模擬機械通風工況時，溫室采取負壓通風的方式，濕簾進氣口處溫度設為定值。濕簾入口處的風速由負壓風機決定，因此其邊界條件設置為壓力邊界。同樣對于溫室的風機出口，考慮其為負壓風機，故將其設置為速度邊界，根據風機出口處實際風速進行設置。模擬所用的土壤、空氣、氣象條件等基本參數以及溫室相關邊界條件設置如表1所示。

表1 模型基本參數及邊界條件設置Tab.1 Basic parameters and boundary conditions of model

1.3.3模型驗證

圖4為機械通風條件下觀測點的溫度仿真值與實驗值比較，仿真結果與實驗數據基本吻合且變化規律一致，最大相對誤差和平均相對誤差分別為10.12%和4.9%；由于速度的測量受外界影響較大，以及測量儀器的誤差范圍較大，局部仿真值與實驗值吻合不是非常好，平均相對誤差為7.05%。數值結果能夠真實反映溫室內環境分布，本研究所建立的CFD模型以及邊界條件設置是有效的。

2 環境因子優化方法

2.1 夏季溫室環境因子分布

Venlo型玻璃溫室具有良好的透光性、密封性、通風性，其內部溫濕度、光照強度及濃度等環境因子相互耦合，共同影響溫室作物生長，且對溫室作物的產量與品質起到至關重要的作用[20]。夏季華東地區高溫天數多，溫室內部溫度高且分布不均勻，對夏季作物生長影響較大。目前濕簾風機降溫方法是使用最為廣泛和有效的技術，具有效果顯著、經濟可靠的優點[21]。濕簾風機系統的核心是能讓水均勻地淋濕整個降溫濕簾墻，空氣穿透濕簾時，與濕潤表面進行的水氣交換使空氣的顯熱轉化為汽化潛熱，實現對空氣的加濕與降溫。溫室作物光合作用消耗大量二氧化碳，會導致溫室內二氧化碳含量不足。調整空氣中二氧化碳的含量以增強光合作用，對促進作物生長同樣重要。當前溫室系統環境參數的調控大都假定參數分布均勻，很少考慮溫度、二氧化碳濃度等參數的空間分布對作物生長、能量消耗的影響。

在溫室系統中考慮作物區域的溫度場、二氧化碳分布情況，同時期望溫室能耗最低，這屬于一類多目標優化問題。由于此類問題涉及復雜環境系統的大規模建模和求解，對計算能力要求高，目前仍缺乏通用的優化方案。

2.2 多目標優化算法

多目標優化是指多個相互關聯的目標在給定區域內同時最佳的優化問題。遺傳算法因為其不基于梯度，采用隨機優化，廣泛用于參數優化類問題[22]。文獻[23]針對多目標優化中各個目標之間沖突，不能同時達到各個目標最優的問題，進一步提出非支配遺傳算法(NSGA)。 在此基礎上，NSGA-Ⅱ算法采用了快速非支配排序、最優保留和精英策略保持種群的多樣性，使準Pareto域中的個體能均勻分布到整個Pareto域，同時降低了算法的復雜度，提高了運算速度和魯棒性，在非連續數據空間、離散型控制變量的優化求解中效果顯著。

NSGA-Ⅱ算法流程圖如圖5所示。在本文溫室環境多因子的優化方案中，選取在機械通風模式下的濕簾入口溫度和風機出口風速為溫室控制變量，選取溫度適宜性、二氧化碳濃度分布均勻性和風機能耗等參數作為優化目標。

2.3 優化框架搭建

以優化作物生長環境并節約溫室耗能為目標，采用NSGA-Ⅱ算法，搭建考慮時空變異特性的溫室多環境因子優化方案。采用Fluent 18.0軟件建立溫室環境系統CFD模型，采用C++編程實現NSGA-Ⅱ算法以及與CFD模型的數據交互。具體優化過程如下：

(1)建立CFD仿真模型。建立溫室模型，設置邊界條件和材料參數，驗證模型精度，保存case和data工程文件，用于仿真求解。

(2)創建批處理文件。根據Fluent軟件的文本用戶界面(TUI)功能，編寫journal文件，用于Fluent 18.0順序執行命令：讀取工程文件，導出溫室內部環境參數結果。創建批處理腳本文件，用于調用Fluent 18.0自動讀取journal文件進行仿真。

(3)NSGA-Ⅱ初始化。設置NSGA-Ⅱ多目標優化算法人口數、進化代數和控制變量選取范圍，編寫溫室環境因子優化目標評價函數。

(4)交互式尋優。NSGA-Ⅱ優化開始，由NSGA-Ⅱ給出的控制變量值生成新的journal文件，運行批處理腳本啟動Fluent讀取新的journal文件進行一次仿真，然后讀取Fluent該次迭代仿真的環境參數數值結果，用于計算優化目標評價函數，并記錄每次優化時控制變量值、優化目標函數值與溫室內部特征環境參數值。

(5)保存結果。若NSGA-Ⅱ多目標優化算法未滿足優化條件則執行步驟(4)繼續優化，若滿足優化條件則保存最優解，記錄最優控制變量，優化結束。優化流程如圖6所示。

2.4 超級計算機配置

為保證優化結果的準確性，每次優化迭代均需利用CFD模型求解溫室環境響應，這對計算機的運算能力要求很高。本文采用“神威·太湖之光”超級計算機，使用Linux操作系統實現上述多目標優化方案，優化過程中，通過創建shell批處理腳本調用Fluent軟件的journal 文件對溫室環境進行迭代求解。超算系統可通過SSH協議遠程登陸，數據通過FTP或SCP方式遠程傳輸。

使用個人計算機，設置NSGA-Ⅱ多目標優化算法，人口數為200，迭代次數為5，對溫室環境參數優化計算耗時約690 h，相同設置下使用超級計算機求解耗時約82.14 h，計算時長縮短約為88.09%。表2為個人計算機與超級計算機配置。

表2 個人計算機與超級計算機配置Tab.2 Personal computer and supercomputer configuration

3 結果與分析

3.1 溫室性能評估指標

使用所提出的方案優化作物區域內的溫度和二氧化碳濃度的分布。溫室內溫度的理想值設定參考基于作物生長模型的變溫管理技術，圖7為變溫管理技術溫度曲線，在11：00到13：00處于光合適溫階段，應保持較高溫度，促進生成光合產物，選取溫室內部理想溫度為30℃。參照文獻[24]對夏季茄科茄屬植物生長模型的研究，溫室內最優二氧化碳濃度設定主要取決于作物光合速率、二氧化碳損耗速率、室內溫度以及成本，由時間與溫度關系、不同二氧化碳濃度下作物光合作用總量隨溫度變化關系，選取溫室內部理想二氧化碳質量比為6×10-4。

溫室作物生長區分布如圖8所示，在作物區等距離間隔6 m設置1條觀測線，L1距離濕簾入口5 m，高度為1 m，共設置6條觀測線用于記錄溫室環境參數，Fluent每次仿真后寫出該線的平均溫度、平均二氧化碳濃度，與溫室內對應環境參數的理想值進行對比，實現對溫室綜合性能的評估。

溫室環境參數因子優化選取溫室溫度適宜性、二氧化碳分布均勻性和風機能耗為優化目標，本次研究中，描述室內溫度環境因子的適宜性采用均方根誤差 (RMSE)函數，溫度適宜性指標JT定義為

(2)

式中Ti——觀測線i的線平均溫度

Tidea——作物生長區域的理想溫度，取30℃

Np——觀測線數量

二氧化碳濃度分布均勻性指標JCO2為

(3)

式中Ci——觀測線i的線平均二氧化碳濃度

Cidea——作物生長區域的二氧化碳理想濃度，取6×10-4

能耗指標Jenergy為

(4)

式中ηfan——風機效率，取0.75

ΔP——通過風機的壓力上升值，取180 Pa

3.2 優化結果分析

基于超級計算機結合NSGA-Ⅱ算法進行分析，人口數設置為200，迭代次數為5，溫室邊界條件濕簾入口處二氧化碳注入速率設置為1.2×10-3,兩個控制變量的變化范圍設置為：濕簾入口溫度[295 K，305 K]，風機出口風速[2 m/s，7 m/s]，使用Fluent 18.0求解。

如圖9所示，最優解集收斂到Pareto前沿曲面。圖10可以看出溫度指標與溫室能耗指標表現出明顯的反比關系。研究得出，最佳溫度適宜性指標范圍在0.61～1.95，二氧化碳濃度分布均勻性指標范圍在12～68，以及能耗指標范圍在2.7～3.9，對應的控制變量濕簾入口溫度為 [296.6 K，302 K]，風機出口風速范圍[2.9 m/s，5.5 m/s]。從Pareto前沿的最優解中，考慮到能耗與環境參數性能的平衡，選擇一組控制變量值設置溫室邊界條件，濕簾入口溫度為299.5 K，風機出口風速為4.2 m/s，進行CFD仿真。圖11分別為溫室高度1 m與1.7 m處溫度分布輪廓圖，可以看出，溫室內作物主要生長區域溫度在29.5～32.85℃之間，適合華東地區夏季作物培育。圖12分別為溫室高度1 m與1.7 m處二氧化碳濃度分布輪廓圖, 可以看出，作物區域二氧化碳濃度分布均勻。3個指標JT=1.25，JCO2=38.96，Jenergy=3.41，使用此方案可以對溫室內部溫度場、二氧化碳濃度分布提供有效優化，同時控制溫室能耗，適宜作物生長。

4 結論

(1)通過建立溫室建筑CFD模型，溫度場、二氧化碳分布模擬結果與華東地區實地實驗所測結果吻合良好，平均相對誤差分別為4.9%和7.05%，表明建立的CFD模型有效，模擬玻璃溫室內環境參數分布可行。

(2)結合NSGA-Ⅱ算法建立C++-Fluent優化框架，對溫室環境因子進行調節優化，可以得到溫室控制量的有效參數范圍，溫室濕簾入口溫度選取區間為[296.6 K，302 K]，風機出口風速范圍設置區間為[2.9 m/s，5.5 m/s]，選取一組控制變量值設置溫室邊界條件進行仿真模擬，通過結果分布可以看出，對于控制調節有參考價值。

(3)基于超級計算機結合多目標優化算法對溫室內部溫度場、速度場和二氧化碳濃度分布進行優化研究，尋求溫室耗能與環境適宜性相平衡，相比個人計算機計算效率大幅提高，計算時長縮短約88.09%。