本发明实施例涉及温室环境调控
技术领域：
，尤其涉及一种温度控制节能处理方法、装置及系统。
背景技术：
：温室生产可在一定程度上提高作物产量，改善作物质量，该产业的发展对农业结构的调整有着重要的意义。我国政府非常重视这一产业的发展。自70年代末，我国先后从国外引进了现代温室成套设备，到如今的“十三五”规划中，强调大力推进农业现代化，加快转变农业发展方式以稳定粮食和重要农产品产量、保障国家粮食安全和重要农产品的有效供给，加快农业技术创新步伐，积极构建现代农业产业体系、生产体系、经营体系，使现代农业成为重要的产业支撑。这些都表明温室产业在国民经济中的重要性。我国从进口到研发温室设施，积累了很多相关经验，温室总面积获得大幅增长。但与快速发展的温室硬件相比，在温室环境调控方面，大多数温室生产还是以人工经验管理为主，对经验的依赖使得温室生产的作物产量和经济效益偏低。目前已有的温室环境系统建模与控制研究主要集中于连续系统控制理论，连续控制执行机构的输入，如通风窗的开启度。我国温室环境控制设备(常见于日光温室)大多数为开关型设备，输入变量只有开启和关闭两种状态，内部环境是一类由离散事件驱动的动态系统，基于连续输入信号的建模与控制方法难以适用于温室系统。实际生产中主要控制方法为Bang-Bang控制，该控制方法控制精度低、超调量大、经济效益不理想。为了改善温室环境的实际控制效果，少数学者提出了基于切换思想的温室环境系统建模与预测控制方法，这些方法均可在一定程度上优化开关控制设备的切换方式，但预测控制性能指标中仅考虑了控制精度，未考虑控制过程中的能量损耗。技术实现要素：针对现有技术存在的问题，本发明实施例提供一种温度控制节能处理方法、装置及系统。一方面，本发明实施例提供一种温度控制节能处理方法，包括：根据控制设备的种类数建立对应的多个温度预测模型；通过采集到的历史数据对所述温度预测模型进行模型辨识，确定所述温度预测模型中各个模型参数，其中所述历史数据包括室外太阳辐射、室外温度、室外相对湿度和温室温度；根据所述温度预测模型输出的预测温度值与设定温度值的偏差和所述控制设备开启的能量损耗，构建二次型性能指标；获取当所述二次型性能指标达到最小值时所述控制设备对应的开关组合切换序列，根据所述开关组合切换序列控制所述控制设备的开关。另一方面，本发明实施例提供一种温度控制节能处理装置，包括：模型建立单元，用于根据控制设备的种类数建立对应的多个温度预测模型；模型辨识单元，用于通过采集到的历史数据对所述温度预测模型进行模型辨识，确定所述温度预测模型中各个模型参数，其中所述历史数据包括室外太阳辐射、室外温度、室外相对湿度和温室温度，所述模型辨识包括模型结构辨识和模型参数辨识；算法构建单元，用于根据所述温度预测模型输出的预测温度值与设定温度值的偏差和所述控制设备开启的能量损耗，构建二次型性能指标；获取单元，用于获取当所述二次型性能指标达到最小值时的所述控制设备对应的开关组合切换序列，根据所述开关组合切换序列控制所述控制设备的开关。再一方面，本发明实施例提供一种温度控制节能处理系统，包括：上述温度节能调节装置、服务器、多种传感器、执行机构状态采集板、执行机构状态控制板和执行机构，其中：所述温度节能调节装置与所述服务器通信连接，用于获取环境信息和所述执行机构的状态信息，以及向所述执行机构发送控制信息；所述执行机构分别与所述执行机构状态采集板和所述执行机构状态控制板通信连接；所述多种传感器用于采集温室内外环境信息。本发明实施例提供的一种温度控制节能处理方法、装置及系统，通过根据温度预测模型输出的预测温度值与设定温度值的偏差和控制设备开启的能量损耗构建二次型性能指标，并获取当二次型性能指标达到最小值时控制设备对应的开关组合切换序列，同时考虑了温室温度和控制设备控制过程中的能量损耗。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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的一种温度控制节能处理方法流程示意图；图2为本发明另一实施例提供的一种温度控制节能处理方法流程示意图；图3为本发明实施例提供的加热不通风模型的验证曲线图；图4为本发明实施例提供的通风不加热模型的验证曲线图；图5为本发明实施例提供的加热通风模型的验证曲线图；图6为本发明实施例提供的不加热不通风模型的验证曲线图；图7为本发明实施例提供的λ＝0与λ＝2的温度跟踪曲线仿真结果示意图；图8为本发明实施例提供的λ＝0与λ＝2的温度跟踪曲线实际结果示意图；图9为本发明实施例提供的一种温度控制节能处理装置结构示意图；图10为本发明另一实施例提供的一种温度控制节能处理装置结构示意图；图11为本发明实施例提供的一种温度控制节能处理系统结构示意图；图12为本发明实施例提供的一种温度控制节能处理系统实体结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，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作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。图1为本发明实施例提供的一种温度控制节能处理方法流程示意图，如图1所示，所述方法包括：步骤101：根据控制设备的种类数建立对应的多个温度预测模型；具体地，温室温度系统为多输入单输出系统，温度变化受室外气候条件与室内控制设备输入两大因素的影响。对于开关型控制设备，在同样的外部气候条件下，室内温度的动态变化分为开启控制设备和关闭控制设备两种情形。因此，对同一种控制设备，可构建2种温度预测模型，对于m种控制设备，可构建2m种温度预测模型，每一种温度预测模型对应一种控制设备的开关组合方式。应当说明的是，温度预测模型的输入为外界气候条件，输出为温室温度，且外界气候条件包括室外太阳辐射、室外温度和室外相对湿度。步骤102：通过采集到的历史数据对所述温度预测模型进行模型辨识，确定模型中各个模型参数，其中所述历史数据包括室外太阳辐射、室外温度、室外相对湿度和温室温度；具体地，模型辨识包括模型结构辨识和模型参数辨识，通过采集到的历史数据对温度预测模型进行模型辨识，确定温度预测模型中的各个模型参数，其中历史数据包括室外太阳辐射、室外温度、室外相对湿度和温室温度等。例如：以2016年3月27日的历史数据作为辨识数据，以2016年3月28日的历史数据作为验证数据，每隔30秒进行一次数据采集，根据采集到的数据确定温度预测模型中各个模型参数。步骤103：根据所述温度预测模型输出的预测温度值与设定温度值的偏差和所述控制设备开启的能量损耗，构建二次型性能指标；具体地，根据温度预测模型，预测系统未来输出状态，将未来输出状态与参考输入进行比较。在温室温度的实际控制中，需要同时考虑根据温度预测模型输出的预测温度值与设定温度值的偏差和控制设备开启的能量损耗，构建二次型性能指标。步骤104：获取当所述二次型性能指标达到最小值时所述控制设备对应的开关组合切换序列，根据所述开关组合切换序列控制所述控制设备的开关。具体地，由于有多种开关组合切换序列，且每种开关组合切换序列都对应一个二次型性能指标数值，令二次型性能指标的数值最小化，获取此时的控制设备对应的开关组合切换序列，作为控制设备的最终选取的开关组合切换序列。应当说明的是，构建温度预测模型，通过设计二次型性能指标，使其权衡控制精度和能量损耗，并基于预测模型选择使二次型性能指标的数值最小的开关组合切换序列称为温度节能控制算法。本发明实施例通过根据温度预测模型输出的预测温度值与设定温度值的偏差和控制设备开启的能量损耗构建二次型性能指标，并获取当二次型性能指标达到最小值时控制设备对应的开关组合切换序列，同时考虑了温室温度和控制设备控制过程中的能量损耗。在上述实施例的基础上，图2为本发明另一实施例提供的一种温度控制节能处理方法流程示意图，如图2所示，所述方法还包括：步骤105：根据预设采样周期、预设预测步长和所述二次型性能指标对所述控制设备的开关组合切换序列进行选择。具体地，当确定控制设备对应的开关组合切换序列后，根据预设采样周期、预设预测步长和二次型性能指标，对控制设备的开关组合切换序列进行选择。例如：只考虑一种控制设备，即温室中只有一个开关加热器，即m＝1，预测步长为3，即N＝3。据此可知，有8种开关组合切换序列，[开，开，开]、[开，开，关]、[开，关，关]、[关，开，关]、[关，关，开]、[关，关，关]、[关，开，开]和[开，关，开]。8种开关组合切换序列对应8种温度预测值序列，将上述8种开关组合切换序列对应的参数(温度预测值和能量损耗)分别代入二次型性能指标中，并选择使二次型性能指标达到最小值的一组开关组合切换序列，假如为[开，关，关]，则加热器开启一个采样周期，若下一个采样周期，计算出[关，开，开]这一开关组合切换序列使二次型性能指标达到最小值，则加热器关闭一个采样周期。应当说明的是，由于温室温度受到的干扰因素较多，变化频繁，所以本发明实施例列举预测步长为3，但只取开关组合切换序列中的第一个开关控制来控制加热器。当该采样周期执行完后，获取温室实际温度值，再搜索三个预测步长的最优开关组合切换序列，同样地，只执行其中的第一个采样周期，如此类推。本发明实施例通过构建温度预测模型和二次型性能指标，确定使二次型性能指标达到最小值的开关组合切换序列，并对每个采样周期都进行一次计算，保证了对温室温度控制的精度以及对控制设备在控制过程中能量损耗的控制。在上述实施例的基础上，所述构建二次型性能指标，包括：构建所述二次型性能指标公式：其中，J为二次型性能指标，N为所述预测步长，x(k+i|k)为k时刻预测k+i时刻的温室温度值，xset为温室温度设定值，λ为控制量的加权系数，m为所述控制设备个数，αj(k+i-1)为k+i-1时刻第j个所述控制设备的开启状态，uj为第j个所述控制设备开启一个采样周期的能耗。具体地，在对温室温度的实际控制中，需要同时考虑预测温度值与设定温度值的偏差和控制设备开启的能量损耗，建立了二次型性能指标，如公式(1)所示：其中，J为二次型性能指标，N为所述预测步长，x(k+i|k)为k时刻预测k+i时刻的温室温度值，xset为温室温度设定值，λ为控制量的加权系数，m为所述控制设备个数，αj(k+i-1)为k+i-1时刻第j个所述控制设备的开启状态，uj为第j个所述控制设备开启一个采样周期的能耗。根据公式(1)即可计算出不同开关组合切换序列对应的二次型性能指标数值。本发明通过构建二次型性能指标，设计温度节能控制算法搜索最优切换序列，可同时保证温室温度满足设定值以及减少控制过程中的消耗能量。在上述实施例的基础上，所述根据控制设备的种类数建立对应的多个温度预测模型，包括：采用自回归滑动平均模型建立所述温度预测模型。具体地，自回归滑动平均模型(Auto-RegressiveandMovingAverageModel，简称ARMA模型)，由自回归模型(Auto-RegressiveAuto-Regressive，简称AR模型)与滑动平均模型(MovingAverageModel，简称MA模型)为基础“混合”构成。采用ARMA模型建立温度预测模型。本发明实施例通过自回归滑动平均模型建立所述温度预测模型，预测未来某一时刻温室温度。在上述实施例的基础上，所述采用自回归滑动平均模型建立所述温度预测模型，包括：建立表达式为的自回归滑动平均模型，其中x(k)为k时刻的所述温室温度，ui(i＝1,2,3)为外界扰动，u1为所述室外太阳辐射，u2为所述室外温度，u3为所述室外相对湿度，a(i)(i＝1,2,...,N1)为自回归系数，b(i,j)(i＝1,2,3,j＝1,2,...,N2i)为滑动平均系数，N1为自回归模型的阶次，N2i为滑动平均模型的阶次，N21为所述太阳辐射阶次，N22为所述室外温度阶次，N23为所述相对湿度阶次。具体地，表达式建立温度预测模型，通过输入室外太阳辐射、室外温度、室外相对湿度以及相关参数即可通过温度预测模型预测出温室温度。本发明实施例通过建立自回归滑动平均模型预测温室温度，提高了预测温室温度的准确性。在上述实施例的基础上，所述通过采集到的历史数据对所述温度预测模型进行模型辨识，确定模型中各个模型参数，包括：获取多组不同取值的N1、N21、N22和N23构成的模型参数备选集，根据所述模型参数备选集对应的验证指标选择N1、N21、N22和N23的取值，其中所述验证指标包括：模型预测值与实际测量值之间的最大绝对误差、均方根误差和模型有效性；根据所述历史数据并采用最小二乘法确定a(i)和b(i,j)的取值。具体地，模型辨识包括模型结构辨识和模型参数辨识。模型结构辨识包括确定温度预测模型中的参数N1、N21、N22和N23。在对模型结构辨识过程中，首先确定N1、N21、N22和N23的大致取值范围，即获取多组不同取值的N1、N21、N22和N23，构成模型参数备选集，然后根据温度预测模型输出的模型预测值与实际测量值之间的最大绝对误差(MAE)、均方根误差(RMSE)和模型有效性(MV)等验证指标对各模型结构辨识的结果进行分析，从而确定N1、N21、N22和N23的取值。其中最大绝对误差(MAE)可表示为公式(2)：均方根误差(RMSE)可表示为公式(3)：模型有效性(MV)可表示为公式(4)：式中，Xe为温室温度实际测量值；Xmean为温室温度实际测量值的平均值；Xm为温室温度模型预测值；n为样本个数。例如：试验在中国农业大学东校区信息与电气工程学院459实验室温室内进行。该温室有一跨，跨长1.9米，跨宽0.9米，脊高1.9米。本试验中，参与温度控制的控制设备有加热器和通风窗2种，分别用于升温与降温。加热器和风机均在一定功率下开启，通风窗每次开启固定角度。这2种控制设备共有4种开关组合切换序列：加热不通风，通风不加热，加热通风，不加热不通风。为了建立4种开关组合切换序列对应的温度预测模型，分别在这4种开关组合切换序列下进行输入输出数据的采集，试验期间，其他控制设备均不动作。以2016年3月27号输入输出的历史数据为辨识数据，3月28号输入输出的历史数据为验证数据，每隔30秒进行一次数据采集。3月27号辨识数据的采集情形为：09:00—10:00，加热不通风；10:00—11:00，通风不加热；11:00—12:00，加热通风；12:00—13:00，不加热不通风。每种情形均采集了120组数据。3月28号验证数据的采集，控制设备工作方式与3月27号对应时间段一致。对于温室内温度系统，采用具有5阶的极点足以描述系统特性，系统零点不超过3阶，据此确定各阶次[N1N21N22N23]的最大值为[5333]。各阶次最大值确定后，要求在模型各类统计指标变化不明显的前提下，尽可能降低模型零极点阶次，以简化预测控制算法的计算复杂度。现以加热不通风模型为例，不同结构温度预测模型的辨识结果如表1所示。表1不同结构温度预测模型的辨识结果序号N1N21N22N23MAE/℃RMSE/℃MV/％153330.28870.094493.37243330.29110.099193.36333330.31920.117392.14442330.29920.099193.36541330.33200.109292.23642230.29270.099393.35742130.31610.110491.34842220.29270.099293.29942210.29270.099293.28对比表1中的序号1、2、3可知，当N1由5降至4后，各统计指标均没有明显变化，但当N1由4降至3后，MAE与RMSE均有明显上升，MV有明显下降，故将N1选为4。同理，分别对序号2、4、5，序号2、6、7，序号2、8、9，可将N21和N22均选为2，N23选为1。最终确定N1、N21、N22和N23的参数为[4221]。对于选定的模型结构，基于最小二乘法，可获得温度的4种温度预测模型。模型参数辨识结果及相应模型的零极点分布如表2所示，在表2中，自回归系数依次为a(1)、a(2)、a(3)、a(4)，滑动平均系数依次为太阳辐射滑动平均系数b(1,1)、b(1,2)，室外温度滑动平均系数b(2,1)、b(2,2)，室外湿度滑动平均系数b(3,1)。应当说明的是，表2中的模型零点和模型极点是根据温度预测模型计算得出的。表2各温度预测模型的模型参数辨识结果及模型零极点分布由表2可知，各温度预测模型极点均处于单位圆内，系统稳定；经计算可得，各温度预测模型极点的模均大于距离原点最远极点模的5次方，且不存在偶极子现象，这表示模型中不存在主导极点，因此，温度预测模型阶数选取合适。以3月28号输入输出的历史数据对温度预测模型进行验证，图3为本发明实施例提供的加热不通风模型的验证曲线图，图4为本发明实施例提供的通风不加热模型的验证曲线图，图5为本发明实施例提供的加热通风模型的验证曲线图，图6为本发明实施例提供的不加热不通风模型的验证曲线图，图3-图6中横坐标t为仿真时间，纵坐标x为温度，虚线表示温室温度预测值，实线表示温室温度测量值。根据图3-图6可知，在4种控制设备组合的情形下，辨识模型均能有效预测温度变化趋势。4种温度预测模型温度预测值与测量值之间的各类统计指标如表3所示，可以看出，4种温度预测模型的MAE、RMSE均较小，MV均大于87％。表3温度预测模型拟合统计结果开关组合方式MAE/℃RMSE/℃MV/％加热不通风0.46510.130092.71通风不加热0.59330.319990.95加热通风0.77490.371687.91不加热不通风0.23900.081392.75本发明实施例通过模型辨识以及模型验证，确定了温度预测模型中的各个参数，保证了温度预测模型预测的精确度。在上述各实施例的基础上，所述控制量的加权系数根据在预设时间内所述控制设备消耗总能量和均方根误差确定。具体地，通过仿真确定二次型性能指标中λ的取值。例如：以3月30号00:00—24:00室外气候数据作为模型输入，对温度进行四段变温预测控制仿真，室内温度采用模型预测输出值。仿真设置如下：(1)四段变温设定值为：05:00—09:00，18℃；09:00—14:00，26℃；14:00—19:00，21℃；19:00—05:00，13℃。(2)忽略通风窗开启和关闭能耗，通风过程仅考虑风机能耗。电加热器功率为500W，风机功率为35W，按此功率比例关系定义能耗：加热和通风均不开启时，能耗u＝0；加热开启1个采样周期时，能耗u＝1；通风开启1个采样周期时，能耗u＝0.07；加热和通风同时开启1个采样周期时，能耗u＝1.07。(3)预测时域N＝3，采样周期为30s，即每30s进行1次优化计算，获得加热通风两种控制设备的组合情形，总共进行2880次控制设备组合的优化判定。表4给出了式(1)中λ取不同值时，4种控制设备组合情形各自的开启次数、消耗的能量以及对应的跟踪均方根误差。图7为本发明实施例提供的λ＝0与λ＝2的温度跟踪曲线仿真结果示意图，其中横坐标t为试验时间，纵坐标为温度。由于试验中控制设备每次开启时长均为30s，共开启2880次，总时长固定为86400s，故将各种组合开启1次对应的能耗与相应组合开启次数的乘积之和作为消耗的能量。以λ＝0为例，消耗能量为：305×0+586×1+41×0.07+1948×1.07＝2673.23。表4不同权值下的控制设备组合情况、能量损耗及对应的均方根误差由图7和表4可知，设计的预测控制算法有如下特点：(1)λ越大，温度预测值与设定值间的均方根误差整体呈增长趋势，即温度动态响应性能越差，稳态误差越大。(2)λ越大，不加热不通风组合次数越多，加热通风组合开启次数越少，总体能量损耗越小。据仿真结果可知，基于种植者对控制精度(RMSE)与能量输入的权衡与需求，可在λ<2范围内选取权值，这样既可在一定程度上满足设定值追踪要求，使RMSE小于1，又能尽可能减少控制设备开启次数，达到节能的效果。以上是仿真的过程及结果分析，为了验证本发明实施例的真实性进行了实际的试验。试验于2016年4月1号00:00—24:00进行，选取λ＝2。为了验证λ≠0时的节能效果，将4月1号室外气候作为输入，令λ＝0，进行四段变温仿真实验，仿真设置与实际设置完全一致。将λ＝2的实际控制效果与λ＝0的仿真结果进行对比，图8为本发明实施例提供的λ＝0与λ＝2的温度跟踪曲线实际结果示意图。表5λ＝0与λ＝2对比结果由表5可得到，λ＝2时的能耗约为λ＝0时能耗的43.43％。由对比结果可知：(1)λ＝0与λ＝2两种情形下的温度跟踪效果均较好，λ＝0时的均方根误差稍小，但开关设备开启总次数较多(不加热不通风总次数较少)，加热通风开启次数也远远大于λ＝2时的情形，这种控制模式会造成能源的大量浪费。(2)由于试验中设置加热不通风组合开启1次消耗能量u＝1，加热通风组合开启1次消耗能量u＝1.07，因此在λ＝2试验中如果需要升温，温度节能控制算法会优先选择能耗较小的加热不通风方式，但在λ＝0试验中，它仅考虑控制精度，未考虑能量损耗，为防止超调现象，该算法更趋向于选择加热力度较小的加热通风方式。应当说明的是，本发明实施例中的温度节能控制算法是指通过设计二次型性能指标，使其权衡控制精度和能量损耗，并选择使二次型性能指标的数值最小的开关组合切换序列。本发明实施例通过根据温度预测模型输出的预测温度值与设定温度值的偏差和控制设备开启的能量损耗构建二次型性能指标，并获取当二次型性能指标达到最小值时控制设备对应的开关组合切换序列，同时考虑了温室温度和控制设备控制过程中的能量损耗。图9为本发明实施例提供的一种温度控制节能处理装置结构示意图，如图9所示，所述装置包括：模型建立单元901、模型辨识单元902、算法构建单元903和获取单元904，其中：模型建立单元901用于根据控制设备的种类数建立对应的多个温度预测模型；模型辨识单元902用于通过采集到的历史数据对所述温度预测模型进行模型辨识，确定所述温度预测模型中各个模型参数，其中所述历史数据包括室外太阳辐射、室外温度、室外相对湿度和温室温度，所述模型辨识包括模型结构辨识和模型参数辨识；算法构建单元903用于根据所述温度预测模型输出的预测温度值与设定温度值的偏差和所述控制设备开启的能量损耗，构建二次型性能指标；获取单元904用于获取当所述二次型性能指标达到最小值时的所述控制设备对应的开关组合切换序列，根据所述开关组合切换序列控制所述控制设备的开关。具体地，对于开关型控制设备，在同样的外部气候条件下，室内温度的动态变化分为开启控制设备和关闭控制设备两种情形。因此，对同一种控制设备，模型建立单元901可构建2种温度预测模型，对于m种控制设备，可构建2m种温度预测模型，每一种温度预测模型对应一种控制设备的开关组合方式。应当说明的是，温度预测模型的输入为外界气候条件，输出为温室温度，且外界气候条件包括太阳辐射、室外温度和相对湿度。模型辨识包括模型结构辨识和模型参数辨识，模型辨识单元902通过采集到的历史数据对温度预测模型进行模型辨识，确定温度预测模型中的各个模型参数，其中历史数据包括室外太阳辐射、室外温度、室外相对湿度和温室温度等。算法构建单元903根据温度预测模型，预测系统未来输出状态，将未来输出状态与参考输入进行比较。在温室温度的实际控制中，需要同时考虑根据温度预测模型输出的预测温度值与设定温度值的偏差和控制设备开启的能量损耗，构建二次型性能指标。由于有多种开关组合切换序列，且每种开关组合切换序列都对应一个二次型性能指标数值，令二次型性能指标的数值最小化，获取单元904获取此时的控制设备对应的开关组合切换序列，作为控制设备的最优开关组合切换序列。本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。本发明实施例通过根据温度预测模型输出的预测温度值与设定温度值的偏差和控制设备开启的能量损耗构建二次型性能指标，并获取当二次型性能指标达到最小值时控制设备对应的开关组合切换序列，同时考虑了温室温度和控制设备控制过程中的能量损耗。图10为本发明另一实施例提供的一种温度控制节能处理装置结构示意图，如图10所示，所述装置包括：模型建立单元901、模型辨识单元902、算法构建单元903、获取单元904和选择单元905，其中：选择单元905用于根据预设采样周期、预设预测步长和所述二次型性能指标对所述控制设备的开关组合切换序列进行选择。具体地，模型建立单元901、模型辨识单元902、算法构建单元903和获取单元904与上述实施例一致，此处不再赘述。当确定控制设备对应的开关组合切换序列后，选择单元905根据预设采样周期、预设预测步长和二次型性能指标，对控制设备的开关组合切换序列进行选择。例如：只考虑一种控制设备，即温室中只有一个开关加热器，即m＝1，预设步长为3，即N＝3，据此可知，有8种开关组合切换序列，[开，开，开]、[开，开，关]、[开，关，关]、[关，开，关]、[关，关，开]、[关，关，关]、[关，开，开]和[开，关，开]。8种开关组合切换序列对应8种温度预测值序列，将上述8种开关组合切换序列对应的参数(温度预测值和能量损耗)分别代入二次型性能指标中，并选择使二次型性能指标达到最小值的一组开关组合切换序列，假如为[开，关，关]，则加热器开启一个采样周期，若下一个采样周期，计算出[关，开，开]这一开关组合切换序列使二次型性能指标达到最小值，则加热器关闭一个采样周期。应当说明的是，由于温室温度受到的干扰因素较多，变化频繁，所以本发明实施例列举预测步长为3，但只取开关组合切换序列中的第一个开关控制来控制加热器。当该采样周期执行完后，获取温室实际温度值，再搜索三个预测步长的最优开关组合切换序列，同样地，只执行其中的第一个采样周期，如此类推。本发明实施例通过构建温度预测模型和二次型性能指标，确定使二次型性能指标达到最小值的开关组合切换序列，并对每个采样周期都进行一次计算，保证了对温室温度控制的精度以及对控制设备在控制过程中能量损耗的控制。图11为本发明实施例提供的一种温度控制节能处理系统结构示意图，如图11所示，所述系统包括温度节能调节装置1101、服务器1102、多种传感器1103、执行机构状态采集板1104、执行机构状态控制板1105和执行机构1106，其中：所述温度节能调节装置1101与所述服务器1102通信连接，用于获取环境信息和所述执行机构1106的状态信息，以及向所述执行机构1106发送控制信息；所述执行机构1106分别与所述执行机构状态采集板1104和所述执行机构状态控制板1105通信连接；所述多种传感器1103用于采集温室内外环境信息。具体地，温度节能调节装置1101嵌入由VB编制的基于温度预测模型的温室温度节能控制算法；服务器1102为S3C6410嵌入式处理器，集环境测控和信息发布为一体。温度节能调节装置1101通过Web访问，经由服务器1102，一方面实现室内外环境信息和执行机构状态信息的获取，一方面将控制算法决策结果发送给执行机构1106。多种传感器用于采集温室内外环境信息，可以包括集数字温度传感器DS18B20(精度±0.5℃)、广州西博臣科技有限公司生产的模拟湿度传感器模块CHTM-02/N(精度±5％RH)以及中国农业大学研制的脉冲光照传感器S1000(精度±5％lux)为一体，可以理解的是，还可以使用其他型号及类别的传感器，本发明实施例不作具体限定。执行机构采集板1104和执行机构控制板1105分别用于执行机构状态的检测和控制。室内配有电加热器、加湿器、补光灯、通风窗(配有风机，以加速室内外能量交换)等开关型控制设备。其中，电加热器和风机均采用输出功率可调设备，设置电加热器和风机功率分别为500W和35W。应当说明的是本发明实施例提供的执行机构用于举例说明，其他具有相同功能的执行机构也可以用于本发明实施例中，在此不作具体限定。本发明实施例通过根据温度预测模型输出的预测温度值与设定温度值的偏差和控制设备开启的能量损耗构建二次型性能指标，并获取当二次型性能指标达到最小值时控制设备对应的开关组合切换序列，同时考虑了温室温度和控制设备控制过程中的能量损耗。图12为本发明实施例提供的一种温度控制节能处理系统实体结构示意图，如图12所示所述系统可以包括：处理器(processor)1201、存储器(memory)1202和通信总线1203，其中，处理器1201，存储器1202通过通信总线1203完成相互间的通信。处理器1201可以调用存储器1202中的逻辑指令，以执行如下方法：根据控制设备的种类数建立对应的多个温度预测模型；通过采集到的历史数据对所述温度预测模型进行模型辨识，确定所述温度预测模型中各个模型参数，其中所述历史数据包括室外太阳辐射、室外温度、室外相对湿度和温室温度；根据所述温度预测模型输出的预测温度值与设定温度值的偏差和所述控制设备开启的能量损耗，构建二次型性能指标；获取当所述二次型性能指标达到最小值时所述控制设备对应的开关组合切换序列，根据所述开关组合切换序列控制所述控制设备的开关。此外，上述的存储器1202中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页1 2 3