一种农业温室环境预测方法及系统

技术领域

本发明涉及环境预测领域，特别是涉及一种农业温室环境预测方法及系统。

背景技术

现代温室作物生产是农业生产的重要生产方式。温室作物生产具有高效、高质的优点，并且能够进行反季节生产以满足人们常年对不同种类农产品需求。但对于现代高档农业温室来说，实现高产、高质、高效生产的前提条件就是对温室环境和水肥灌溉实现精准调控。同时，为尽可能地降低温室作物生产过程中的能耗成本以及提交作物最终的产量，通常需要在温室环境和水肥灌溉调控之前对长期过程调控与管理进行必要的规划和优化以确定不同时期温室环境调控的设定值。这就必须对温室作物生产过程中长期的温室环境和作物生长进行精准预测，而精确的温室环境动态模型是实现这种精准预测的重要保证。另一方面，从温室环境控制的角度来说，基于模型的温室环境控制能够实现高效节能最优控制，这通常也需要一个精确的温室环境模型。因此构建一个准确的温室环境模型对现代农业温室作物生产来说具有非常重要的现实意义。

温室环境的变化通常受室外天气、作物生长、温室结构与材料和各种温室环境调控设备的影响。因此影响温室环境变化的各种热量和物质交换过程非常复杂，现有的热力学理论很难从机理上来准确模拟这些复杂的热交换和物质交换过程。另一方面，不同结构和材料的温室其内部包含的热交换和物质交换过程也存在较大差异，这就导致了不同结构和材料的温室其环境变化的机理也不同，因此其相应的温室环境模型结构和参数也存在很大的差异。这意味着很难找到一种通用的温室环境机理模型来模拟不同结构和材料的温室环境变化，而如果要构建每一种结构和材料温室的环境变化机理模型就需要投入大量的人力、物力和时间来对温室内的各种热交换和物质交换过程进行深入研究，这对于温室作物生产实践来说不切实际。因此发展一种快速通用的温室环境数据建模方法以满足温室作物生产实践中温室环境控制和智能规划与决策的需要就显得十分迫切。

现有案例1：温室环境结构化数据建模方法中最典型的就是基于神经网络的非线性建模，其主要特点是整个温室环境模型表现为一个由多个神经元构成的网络结构。模型的性能主要取决于网络的连接权W和V、神经元数量N和神经元的输出阈值Θ，如图1所示，(a)为模型的网络结构，(b)为神经元结构，由此可得出基于神经网络的温室环境模型表达为

对于训练集(X,Y)，温室环境神经网络建模的目标就是不断调整网络的连接权和神经元阈值以使网络的输出

现有案例2：温室环境建模的典型方法是基于优化的灰箱建模法，其主要思想是在模型结构上保留一定的温室环境热交换和物质交换的基本机理，并且模型结构表现为典型的状态微分方程形式，如下所示，

对于特定条件的温室环境变化来说，这种基于优化的灰箱建模方法能够获得比较稳定的最佳模型参数θ

除上述两种方式之外，温室环境的数据建模方法还包括模糊系统和支持向量机等。这些建模方法本质上是一种灰箱建模方法，它们利用大量试验数据来训练神经网络等的权值参数以拟合温室环境的变化。但这种模型只是一种输入输出模型，其结构和参数本身并不具有实际的物理意义，而且也不能反映温室内部各种热交换和物质交换的本质过程，因此不具有广泛的泛化能力，很难克服外界天气变化和作物生长对室内环境变化的扰动。实际上，根据几十年的温室环境机理建模研究和经验可以发现，不同结构和材料的温室其内部都有相似的热交换和物质交换过程，比如室内空气与作物冠层之间的热交换、室内空气与地面之间的热交换等，不同之处在于这些热交换过程的传热系数受温室结构和材料的影响会出现不同的变化。因此温室建模的难点在于除了复杂的热交换机理之外还在于各种传热系数难以确定。

发明内容

本发明的目的是提供一种农业温室环境预测方法及系统，以提高预测的准确性。

为实现上述目的，本发明提供了一种农业温室环境预测方法，所述方法包括：

步骤S1：给定控制过程终端时间；

步骤S2：获取测量数据；所述测量数据包括温室环境状态变量、控制信号和室外天气；

步骤S3：根据所述测量数据进行插值计算，获得参考输入轨迹；

步骤S4：基于所述参考输入轨迹更新初始温室环境模型；

步骤S5：基于Lyapunov函数构建模型参数辨识控制器；

步骤S6：根据所述模型参数辨识控制器和所述初始温室环境模型计算第t时刻各非线性时变模型参数最优解，并存储至模型参数集合；

步骤S7：判断t是否小于控制过程终端时间；如果t小于控制过程终端时间，则令t＝t+1，返回“步骤S2”；如果t大于或等于控制过程终端时间，则输出所述模型参数集合；

步骤S8：根据所述模型参数集合中不同时刻非线性时变模型参数最优解确定辨识通用模型参数解；

步骤S9：将所述辨识通用模型参数解代入温室环境模型，获得温室环境预测值；所述温室环境预测值包括：室内温度的预测值，室内湿度的预测值和室内CO2浓度的预测值。

本发明还提供一种农业温室环境预测系统，所述系统包括：

给定模块，用于给定控制过程终端时间；

获取模块，用于获取测量数据；所述测量数据包括温室环境状态变量、控制信号和室外天气；

参考输入轨迹确定模块，用于根据所述测量数据进行插值计算，获得参考输入轨迹；

更新模块，用于基于所述参考输入轨迹更新初始温室环境模型；

构建模块，用于基于Lyapunov函数构建模型参数辨识控制器；

计算模块，用于根据所述模型参数辨识控制器和所述初始温室环境模型计算第t时刻各非线性时变模型参数最优解，并存储至模型参数集合；

判断模块，用于判断t是否小于控制过程终端时间；如果t小于控制过程终端时间，则令t＝t+1，返回“获取模块”；如果t大于或等于控制过程终端时间，则输出所述模型参数集合；

辨识通用模型参数解确定模块，用于根据所述模型参数集合中不同时刻非线性时变模型参数最优解确定辨识通用模型参数解；

预测模块，用于将所述辨识通用模型参数解代入温室环境模型，获得温室环境预测值；所述温室环境预测值包括：室内温度的预测值，室内湿度的预测值和室内CO2浓度的预测值。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开一种农业温室环境预测方法及系统，首先根据所述测量数据进行插值计算参考输入轨迹，并更新初始温室环境模型；其次基于Lyapunov函数构建模型参数辨识控制器；根据模型参数辨识控制器和初始温室环境模型计算第t时刻各非线性时变模型参数最优解，然后当t大于或等于控制过程终端时间时，根据模型参数集合中各非线性时变模型参数最优解确定辨识通用模型参数解；最后将辨识通用模型参数解代入温室环境模型，获得温室环境预测值。本发明基于Lyapunov函数稳定性进而确定辨识通用模型参数解，将辨识通用模型参数解代入温室环境模型，获得温室环境预测值，综合考虑了多个非线性时变模型参数，进而提高了预测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1为现有基于神经网络的温室环境模型；

图2为本发明实施例农业温室环境预测方法流程图；

图3为本发明实施例作物冠层温度循环迭代计算流程图；

图4为本发明实施例温室验证所用的控制输入测量数据示意图；

图5为本发明实施例2016年9月10-12日温室环境跟踪结果示意图；

图6为本发明实施例2016年12月10-12日温室环境跟踪结果示意图；

图7为本发明实施例辨识得到的模型参数时间响应非线性变化曲线图；

图8为本发明实施例模型参数的相关性分析示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

本发明的目的是提供一种农业温室环境预测方法及系统，以提高预测的准确性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明公开一种农业温室环境预测方法，所述方法包括：

步骤S1：给定控制过程终端时间t

步骤S2：获取测量数据；所述测量数据包括温室环境状态变量、控制信号和室外天气。

步骤S3：根据所述测量数据进行插值计算，获得参考输入轨迹。

步骤S4：基于所述参考输入轨迹更新初始温室环境模型。

步骤S5：基于Lyapunov函数构建模型参数辨识控制器。

步骤S6：根据所述模型参数辨识控制器和所述初始温室环境模型计算第t时刻各非线性时变模型参数最优解θ

步骤S7：判断t是否小于控制过程终端时间t

步骤S8：根据所述模型参数集合Ω中各非线性时变模型参数最优解确定辨识通用模型参数解θ′，其中，θ′＝[θ′

步骤S9：将所述辨识通用模型参数解代入温室环境模型，获得温室环境预测值；所述温室环境预测值包括：室内温度的预测值，室内湿度的预测值和室内CO2浓度的预测值。

下面对各个步骤进行详细论述：

本发明采用一种3状态动态模型结构，包括室内温度、湿度和CO2浓度的预测值3个状态变量，而其他的环境参量看作是某种非线性时变参数。那么，根据温室环境变化过程中室内空气与各种机构之间的热交换和物质交换基本原理，温室环境模型表示如下：

其中，Cap

本发明考虑7个非线性时变模型参数θ

现有的很多研究结果给出了温室通风过程的一般模型，如公式(2)和(3)所示：

其中，

计算考虑温室内保温网和温室漏风及烟囱效应的温室的天窗通风速率和侧窗通风速率的具体公式如(4)和(5)：

其中

其中，φ

计算温室内保温网上下两部分空气之间的对流气流的具体公式为：

φ

其中，φ

计算作物的蒸腾速率的具体公式为：

其中，E表示作物的蒸腾速率，[kg/(m

r

其中，

冠层饱和水气压VP

其中，T

对于某一绝对湿度w

其中，w

根据作物光合作用的研究结果，温室作物冠层的光合速率可按照大叶模型来考虑，因此计算作物光合速率的具体公式为：

其中，P

其中，J

其中，

计算冠层边界层气孔处的CO2浓度的具体公式为：

CO

其中，CO

冠层接收的光合有效辐射PAR

其中，η

如果忽略光呼吸和生长呼吸，作物的维持呼吸速率由式(19)计算：

其中，R

当室内的温度高于覆盖层温度时空气中的水分会凝结在覆盖层的内表面上，从而降低了空气中的水分含量，导致空气湿度的下降。单位面积上覆盖层内表面水汽凝结的量M

其中，K

其中，T

严格来说，作物冠层温度、温室保温网上方温度、湿度、CO2浓度、表层土壤温度和覆盖层温度这几个环境因子也是温室环境的重要组成部分，但由于它们并不会直接影响作物的生长，而是会改变作物冠层附近的环境从而间接影响作物的生长，所以从温室环境控制和作物生长模拟角度考虑，这几个环境因子只是看作是温室环境模型的某种时变参数。它们一般可表达为作物冠层附近温度、湿度和CO2浓度的非线性函数。

冠层温度T

其中，T

冠层传热阻抗r

其中，α

由于冠层传热阻抗r

根据热量和物质守恒原理，温室保温网上方空气的热流、水汽和CO2平衡方程为如下

Q

W

C

其中，Q

ρ

φ

φ

其中，k

其中，ε为经验常数，一般取为3。这样可得到保温网上方空气的温度、湿度和CO2浓度，即:

由于土壤的热容远远大于空气的热容，因此表层土壤的温度变化总是滞后于空气温度的变化，所以在没有土壤传感器或者对长期的温室环境变化进行模拟的情况下土壤温度可用一种时间序列函数来估计，即

T

其中，k离散时间变量,k

本发明与其他温室环境结构化数据建模方法最大是本发明并不是通过优化方法来寻找模型可能的最佳模型参数，而是采用基于Lyapunov稳定性控制的方式以模型参数作为控制变量设计一个自适应控制器来驱动模型输出预测值渐进收敛到温室实际测量数据上。由于测量数据是按照一定的采样周期进行采样的，是一种离散数据，因此在进行自适应控制之前必须要对测量数据进行插值计算，使测量数据在时间轴上形成以时间为变量的温室环境变化轨迹。为达到此目的，本发明采用参数化立方样条曲线插值技术来拟合温室环境的测量数据以保持测量数据插值曲线的平滑性，具体操作如下。

令N为用于参数化建模的测量数据样本总数，Ts为采样周期，并且定义如下温室环境和控制变量数据集:

T

H

CO

U

Q

U

U

U

其中，k采样离散时间索引变量，T

假设测量数据用X＝{x(k),k＝1,2,…,N}来表示，那么其时间响应曲线为

其中

其中，t为实际过程控制时间。

根据样条曲线端点性质，多项式系数a

a

b

c

d

其中，D

D

如果设置测量数据第一个点x(0)和最后一个点x(N)的二阶微分为0，可得

2D

2D

那么对于具有N个样本的测量数据集，可得下列插值矩阵方程:

这样就可以得到数据测量时间区间内温室环境变化和执行机构控制变量的时间响应曲线，又称参考输入轨迹；所述参考输入轨迹包括：室内温度的实际测量值

步骤S4：基于所述参考输入轨迹更新初始温室环境模型。

常规温室环境模型一般可表达为非线性微分方程形式，即

本发明考虑了热交换和物质交换过程的机理，而其他的未建模动态由非线性时变模型参数θ＝[θ

为了获得模型参数θ在不同条件下的分布规律，在辨识模型参数之前需要对模型(2)进行必要的变换，使之具有如下形式：

其中，

对于给定的系统参考输入，可以设计一个控制器来获得这个虚拟控制输入信号的变化轨迹以使预测值收敛到系统参考输入上。也就是模型参数辨识的目标是在最优的模型参数下使得模型(43)尽可能地逼近下列方程：

其中，

式(44)尽可能地使模型状态输出

步骤S5：基于Lyapunov函数构建模型参数辨识控制器。

由于本发明考虑的温室环境模型只有3个状态变量，而需要辨识的非线性时变模型参数集θ有7个非线性时变模型参数，因此这样的系统是一个典型的over-actuator系统。针对这样的系统，本发明采用了一种基于动态控制分配的自适应控制方法来设计相应的模型参数辨识控制器。本发明考虑的温室环境模型可写成如下非线性系统动态微分方程的一般形式:

其中，x∈R

其中，e＝x-x

定义τ＝g(x,u,θ)为驱动模型跟踪测量状态轨迹的总的驱动力，那么可得：

显然，如果存在一个非线性时变模型参数集θ

τ

其中，K为一给定的正定矩阵，那么系统的误差(47)就能够收敛到原点。然而最佳驱动力τ

σ＝g(x,u,θ)-τ

为尽可能地减小这个误差，可以通过就去接下列最优化问题来寻找非线性时变模型参数集θ

其中，H

g(x,u,θ)＝g(x,u)θ (51)；

那么上述优化问题是一个凸优化问题，这样当满足

对于温室环境模型来说，希望公式(1)中的模型参数尽可能为正数，因为根据热力学原理，传热系数一般是大于0的，即要求θ≥0。因此需要在上述优化问题中引入如下罚函数：

其中，

上述优化问题就变为如下：

J＝J

其中，μ为拉格朗日系数。这样，如果存在一个常数χ＞0满足

其中，

令

那么可得Lyapunov函数的一阶微分，即：

通过移项可得：

令

假设存在一个常数ω＞0，则有：

为了保证预测值能够收敛到实际测量数据变化轨迹上，确定模型参数辨识控制器如公式(64)、(65)所示：

其中，Γ

这样，可为跟踪控制系统选择如下Lyapunov函数:

其中，η

这样就可选择如下ξ

把(69)-(72)代入(68)可得：

这意味着跟踪控制系统的跟踪误差能够渐进收敛到零。

非线性时变模型参数与温室环境因子之间的相关性统计分析：

如果模型参数本身是恒定的常数，那么参数辨识控制器产生的模型参数变化轨迹最终会收敛到这个常数上。但在本发明考虑的温室环境模型中，模型参数需要反映温室环境变化的未建模动态，因此这些模型参数通常具有很强的非线性时变特征，因此参数辨识控制器输出的模型参数变化轨迹表现为某种复杂的非线性曲线，并且通常受温室环境因子变化的影响。那么可以从统计学上寻找到这些模型参数与环境因子之间的相关性，并建立模型参数与环境因子之间的相关性函数关系。

非线性时变模型参数θ

θ

因此本发明根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解

其中，p

参数θ

因此本发明根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解

在某种程度上，温室环境模型的模型参数都会受到太阳辐射的影响。在分析模型参数与温室环境因子相关性时通常需要考虑太阳辐射影响，主要原因是温室环境变化实际上受太阳辐射的影响比较大，因此在有太阳辐射的白天和没有太阳辐射的夜晚温室环境变化的动态会有很大的不同。例如参数θ

其中，I

白天时，本发明根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解

其中，q

夜晚时，本发明根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解θ

除了模型参数与温室环境因子之间存在相关性之外，有可能某些模型参数之间也存在一定的相关性，例如θ′

本发明根据所述辨识通用模型参数解θ′

θ′

需要指出的是不同结构和材料的温室，模型参数与温室环境之间的相关性可能与上述函数关系不同，因此需要根据具体的温室对模型参数辨识结果重新进行统计分析，找出它们之间的相关性。

本发明根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解

其中，C

本发明根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解

其中，D

本发明还提供一种农业温室环境预测系统，所述系统包括：

给定模块，用于给定控制过程终端时间。

获取模块，用于获取测量数据；所述测量数据包括温室环境状态变量、控制信号和室外天气。

参考输入轨迹确定模块，用于根据所述测量数据进行插值计算，获得参考输入轨迹。

更新模块，用于基于所述参考输入轨迹更新初始温室环境模型。

构建模块，用于基于Lyapunov函数构建模型参数辨识控制器。

计算模块，用于根据所述模型参数辨识控制器和所述初始温室环境模型计算第t时刻各非线性时变模型参数最优解，并存储至模型参数集合Ω。

判断模块，用于判断t是否小于控制过程终端时间；如果t小于控制过程终端时间，则令t＝t+1，返回“获取模块”；如果t大于或等于控制过程终端时间，则输出所述模型参数集合Ω。

辨识通用模型参数解确定模块，用于根据所述模型参数集合Ω中各非线性时变模型参数最优解确定辨识通用模型参数解。

预测模块，用于将所述辨识通用模型参数解代入温室环境模型，获得温室环境预测值。

作为一种可选的实时方式，本发明所述辨识通用模型参数解确定模块，具体包括：

第一最优模型参数确定单元，用于根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解

θ′

其中，p

第二最优模型参数确定单元，用于根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解

第三最优模型参数确定单元，用于根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解

其中，I

第四最优模型参数确定单元，用于根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解

其中，q

第五最优模型参数确定单元，用于根据所述辨识通用模型参数解θ′

第六最优模型参数确定单元，用于根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解

第七最优模型参数确定单元，用于根据所述模型参数集合Ω中多个不同时刻的非线性时变模型参数最优解

本发明的温室环境模型在一个Venlo型农业温室中得到了验证。这个温室位于上海崇明现代农业示范园。温室装配了喷雾、热水管道加热、内保温网、外遮阳网、天窗和侧窗通风等温室调控装置。所有的温室调控装置由PRIVA温室生产管理系统集中调节。温室面积1000平方米，高6米，地面到内保温网的距离为4米，栽培作物为樱桃番茄。作物定植时间为2016年9月1日，采收时间为2017年5月18日，定植密度为3.5。温室环境与控制数据采集覆盖了整个作物生产期，采样周期为5分钟。自适应律调整参数η

正定矩阵K,H

温室环境模型在两种天气条件下进行验证，即冷天和暖天。在测量数据覆盖的时间内，暖天选择在9月10日到30日之间，而冷天选择在12月10到30日之间。在暖天验证时间内的温室环境调控设备控制输入如下图4所示。

温室内温度、湿度和CO2浓度的跟踪结果如图5和图6所示，Simulation表示仿真，Measured表示实际测量。在9月10-12日之间温室环境模型参数

对于所验证的温室环境变化，模型参数统计分布及其与温室环境相关环境因子之间的相关性如图8所示。

根据参数θ

在白天参数θ′

其相关性系数为0.924，而夜晚在常数0.08附近小幅波动。

从参数θ′

在白天，参数θ′

相似地，可以得到参数θ′

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。