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(huán)境因子之間是實時互相影響的，溫室環(huán)境的多目標優(yōu)化控制實際操作起來難度很大。文章針對溫室系統(tǒng)這種混亂且復雜的特性，在構(gòu)建溫室溫濕度模型以及溫室調(diào)控設備耗電量模型的基礎上，采用多目標遺傳算法優(yōu)化，針對黃瓜溫室環(huán)境，以此達到優(yōu)化控制。通過matlab進行了仿真研究，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(fā)展，現(xiàn)代農(nóng)業(yè)越來越受到各國學者和專家的重視。然而當前的溫室環(huán)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(huán)境優(yōu)化控制所需的精準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)能量平衡公式進行機理建模，二是根據(jù)輸入和輸出數(shù)據(jù)進行系統(tǒng)識別建模。Kindelan和Gal等為了提升參數(shù)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(huán)境參數(shù)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(tài)邏輯模型考慮進去。I Seginer構(gòu)建出一種神經(jīng)網(wǎng)絡模型，并對收集的數(shù)據(jù)進行訓練， 結(jié)果顯示得到改進。汪小旵基于溫室的傳熱傳質(zhì)機理，構(gòu)建了現(xiàn)代化溫室預測模型，并同時預測了溫室的能耗。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)化上得到了廣泛應用。王立舒等利用遺傳優(yōu)化算法進行溫室溫濕度參數(shù)優(yōu)化，具有一定的先進性和代表性。J.P.Coelho等通過PSO進行優(yōu)化控制，結(jié)果顯示達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，通過多目標遺傳優(yōu)化算法對目標溫室生產(chǎn)環(huán)境進行優(yōu)化控制，以期在溫室達到作物最適宜的環(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)表進行相關性分析，將溫室外環(huán)境中的溫度、濕度、風速及光照強度設定為溫室環(huán)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(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)控設備單位時間運轉(zhuǎn)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(yōu)的溫室調(diào)控組合，首先要進行種群初始化，即隨機生成一組溫室調(diào)控設備組合（即各個設備的開關狀態(tài)值），然后計算目標優(yōu)化函數(shù)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(nèi)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(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)控設備的組合情況。

2.改進的輪盤賭選擇，將選中的溫室調(diào)控設備組合從現(xiàn)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(diào)控設備的適應度值。

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

5.精英保留策略。判斷新種群最優(yōu)設備組合與上一代種群最優(yōu)設備組合的大小，較優(yōu)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(yōu)溫室調(diào)控設備組合連續(xù)50代不更新，就可以判定為算法收斂，或者當?shù)螖?shù)達到100時，出現(xiàn)這兩種情況是，均可以跳出迭代，否則繼續(xù)進化。

四、模型驗證和結(jié)果分析

（一）數(shù)據(jù)采集

本試驗選擇在江蘇大學農(nóng)業(yè)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(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，室溫和濕度進行建模。

（二）模型驗證分析

本試驗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證，并選取2019年4月15日當日產(chǎn)生的數(shù)據(jù)用以驗證，驗證結(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(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，本文設計的溫室環(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

為檢驗本文設計的多目標優(yōu)化算法的合理及適用性，試驗選取2019年4月19日11：35監(jiān)測的數(shù)據(jù)進行驗算。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，需要對該實驗溫室進行降溫。為檢驗構(gòu)建的模型及優(yōu)化算法的優(yōu)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(jié)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(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，該實驗溫室內(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。雖然使用線性加權和法時耗能最低，但實驗溫室環(huán)境并沒有得到有效優(yōu)化控制。說明本研究設計的多目標遺傳優(yōu)化算法不僅能使溫室環(huán)境達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)的關鍵要素。在ARX的基礎上建立溫濕度參數(shù)模型，再構(gòu)建溫室調(diào)控成本模型，結(jié)合多目標遺傳優(yōu)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(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)濟成本。

參考文獻：

[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)建模與控制研究進展[J].山西農(nóng)業(yè)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(jīng)網(wǎng)絡的溫室溫度調(diào)控研究[J].農(nóng)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(xiàn)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）