本发明涉及温室环境控制方法领域，具体是一种基于多目标灰色粒子群算法的温室环境优化控制方法。
背景技术：
：：温室作物生产是高度密集型设施产业，相对于大田作物，温室生产中不易受到外界气候的干扰，可以满足在不同发育周期生产者对作物的需求。农业温室通过控制器对温室环境参数(如温度、湿度、二氧化碳浓度、光照条件等)进行调控，使其处于温室作物生长较适宜的状态，并且提高作物产量、品质与经济效益的同时降低能源消耗。传统的温室控制模式多数依赖于生产者的先验知识，主观性强、实时性差、误判率高，缺乏科学依据，不适用于当今温室生产的需求。目前解决实际温室系统调控问题的关键在于研究功能强大的温室环境控制技术，而高效的技术是以精确的模型结构为基础，因此，研究适应于现代温室控制的模型结构势在必行。目前温室环境控制的研究主要集中在构建实用的温度、湿度模型和选取有效的优化控制方法两方面。在温室环境建模方面，主要有vanthoor模型、bennis模型、神经网络模型、模糊模型、dssat模型等。在温室环境控制方法研究中，主要采用各种智能控制方法，如pid控制、模糊控制、神经网络控制、解耦控制、多目标控制、进化算法等。在面向温室环境优化控制的模型领域，温室系统具有复杂的结构，模型间存在性能差异，能够满足温室环境控制需求的模型有限。在温室环境控制领域，常规pid控制器会出现诸多问题，如参数整定不良、抗干扰能力差和对温室环境的适应性较差等情况；模糊控制器的参数易发生变化，且难以确定模糊规则和隶属函数等，直接影响该控制器的使用性能；神经网络控制技术在应用中容易陷入局部极小点，收敛精度低等缺点。技术实现要素：本发明的目的是提供一种基于多目标灰色粒子群算法的温室环境优化控制方法，以解决现有技术温室控制方法存在的不足问题。为了达到上述目的，本发明所采用的技术方案为：基于多目标灰色粒子群算法的温室环境优化控制方法，其特征在于：通过引入人工控制因素，以扩展的自回归模型arx为基础，构建温度、湿度及能耗成本多目标模型函数，在此基础上，采用灰色关联理论和粒子群优化算法pso，面向温室环境模型进行多目标优化控制，具体包括以下步骤：(1)、多点采集温室环境的温度、湿度信息，运用自适应加权融合估计算法对采集的温度、湿度信息在数据层进行数据融合，以用于温室环境建模和优化控制；(2)、通过引入人工控制因素，以扩展的自回归模型arx为基础，运用系统辨识的方法辨识出模型的结构和参数，构建温室环境温度、湿度的扩展的自回归模型，并以温室调控设备运行中消耗的电量为参考建立能耗成本模型，具体过程如下：(2.1)建立温室环境温度、湿度的扩展的自回归模型：将温室外环境的温度、湿度、风速和光照强度视为扰动输入量，将温室调控设备风机、湿帘、遮阳、喷淋、顶窗视为决策输入量，输出变量为温室内的温度和湿度，以此建立温室环境温、湿度的扩展的自回归模型结构，温、湿度的扩展的自回归模型的形式如下列公式所示：公式(1)—(3)中，y＝[y1y2]t是温室内的温度和湿度；x＝[x1x2…..x9]t为模型输入量；x1为室外温度，单位为℃；x2为室外相对湿度；x3为室外风速，单位为m·s-1；x4为光照强度，单位为lux；x5至x9分别为温室调控设备风机、湿帘、遮阳、喷淋、顶窗；a(z-1)、b(z-1)为arx模型系数多项式，其中a(z-1)是输出变量对应的参数多项式，bi(z-1)分别为九个输入变量对应的参数多项式[12]；z-1为后移算子；k为时间变量，单位为min；v(k)为随机噪声；na为a(z-1)的阶；nb1,nb2.....nb9为b1(z-1)、b2(z-1).....b9(z-1)的阶[12]；因温室规模小，考虑v(k)为不显著或难以猜测，则公式(1)可简化为：a(z-1)*yi(t)＝b(z-1)*xj(t)(i＝1、2；j＝1、2、3.....9)(4)，根据实际温室情况，将最高阶次设置成二阶，并将公式(2)、(3)带入公式(4)，即可推出温室环境温、湿度的具体表达式为：已知z-1*u(t)＝u(t-1)，z-2*u(t)＝u(t-2)，将其代入(5)和(6)式即可求得温室环境温、湿度的扩展的自回归模型函数表达式；(2.2)建立温室能耗成本模型：温室控制设备运行过程中，调控设备消耗的电量由两部分组成，一部分是连续可控设备运行一段时间消耗的电量，另一部分是非连续可控设备完全开启消耗的电量，能耗成本模型j可表述为：公式(7)中，为共n1个非连续动作的调控机构开启消耗的电量；为共n2个连续动作调控机构消耗的电量；pi为单个连续调控机构的额定功率；qi为单个非连续调控机构的额定功率；xi为调控机构的开关状态；tai为非连续性调控机构完全打开的运行时间；tbi为连续性调控机构运行时间；(3)、通过引入灰色关联度理论，在标准灰色关联理论和粒子群优化算法pso的基础上，将调控设备组合种类视为粒子的解，以温度模型、湿度模型及能耗模型为目标函数，以此完成温室环境控制的多目标优化控制，具体过程如下：(3.1)、运用灰色关联理论和粒子群优化算法pso分别求出温度、湿度及经济成本目标函数在控制设备组合种类约束下的最优适应值，由各目标函数的最优值组成的序列作为基准矢量序列；(3.2)、根据温室实际情况，以五种调控设备排列组合种类作为粒子的解，在组合种类的约束条件下，初始化各粒子规模、迭代次数、位置及速度等，将每个粒子解的初始值转化成二进制矩阵形式代入各目标函数，得到初始目标值，将此目标值作为目标矢量序列；(3.3)、评价每个粒子的基准矢量序列与目标矢量序列之间的关联度，将当前目标矢量序列和其对应的关联度设置为粒子的个体极值存储为pbest，将关联度最大粒子的位置和其关联度作为整个种群的全局极值存储为gbest；(3.4)、更新粒子位置、速度、学习因子、权值，在更新粒子位置时，对粒子位置进行取整操作；(3.5)、计算每个粒子的关联度，将其关联度与历经的最好位置所对应的关联度作比较，如果较优，把当前关联度和其对应的粒子位置存储为pbest；比较所有粒子的个体极值和全局极值，如果较优，将该个体极值更新为全局极值，并存储其对应的粒子位置；(3.6)、判断当前迭代次数是否满足停止条件，若不满足返回步骤④继续迭代；否则，停止搜索，输出全局极值对应的开关设备组合与温度、湿度及经济成本值。本发明在充分调研模型方法基础上，采用扩展的自回归模型(autoregressiveexogenous,arx)结构，利用系统的输入和输出信息建立数学模型，既适用于线性系统，又适用于非线性系统。因温湿度变化过程是非线性，在温湿度平衡点处可近似视为线性，运用arx模型能够近似表示。本发明通过传感器的多点采集及数据融合算法，保证采集信息的一致性和可信度。因温室环境的复杂性，在采集温室环境数据时，采集点的位置不同会导致信息具有较大的差异。传统的温室环境采集方法多数对单点进行采集，忽略不同采集点信息的差异性。因此，研究多传感器的数据采集技术，并运用自适应加权融合估计算法，保证信息采集的一致性和可信度是本发明需要解决的关键问题之一。本发明通过引入人工控制因素，将温室调控设备加入温湿度模型结构，并建立能源消耗模型。传统的温室环境调控模型多数考虑温度和湿度模型结构，忽略温室环境的能源消耗成本，一定程度上并不满足温室环境的最优控制。因此，本发明在充分考虑温度、湿度基础上，建立能源消耗模型，既能满足作物生长对环境的要求，又节约了用电成本。本发明围绕灰色关联理论，结合灰色关联理论和粒子群优化算法(particleswarmoptimization,pso)，完成温室环境控制的多目标优化控制。多目标pso多用于工程设计、化工领域、电力系统领域及数据挖掘领域等，能够有效解决多目标的优化问题，在温室环境系统控制中的研究有限。本发明在充分研究多目标pso基础上，将其应用于温室环境控制中，经多次迭代完成粒子群的优化控制。本发明在研究有关温室环境的优化控制策略时，运用多目标灰色pso对温室调控设备进行优化，并与线性加权和法、单目标pso算法相比具有一定的优势，既能满足温室作物生长对环境的要求，一定程度上节约了用电成本，为温室环境的合理调控提供参考。与现有技术相比，本发明有何优点：(1)多点采集温湿度信息，提高数据的准确性。(2)围绕多目标优化思想，建立温度、湿度、能耗成本模型，满足作物适宜的生长条件的同时，节约一定的能耗成本。(3)针对温室调控设备执行机构存在不连续问题，提出离散粒子群算法，解决pso只能优化整形参数的问题。(4)因温室环境的复杂性，室内多源因子间存在一定的耦合性，本发明在对温室环境进行调控时，无需考虑信息间的耦合性。附图说明图1为本发明方法原理框图。图2为本发明具体实施方式中用d1验证模型温度的输出曲线图。图3为本发明具体实施方式中用d1验证模型湿度的输出曲线图。图4为本发明具体实施方式中用d2验证模型温度的输出曲线图。图5为本发明具体实施方式中用d2验证模型湿度的输出曲线图。具体实施方式如图1所示，基于多目标灰色粒子群算法的温室环境优化控制方法，通过引入人工控制因素，以扩展的自回归模型(autoregressiveexogenous,arx)为基础，构建温度、湿度及能耗成本多目标模型函数，在此基础上，采用灰色关联理论和粒子群优化算法(particleswarmoptimization,pso)，面向温室环境模型进行多目标优化控制，具体包括以下步骤：(1)、多点采集温室环境的温度、湿度信息，运用自适应加权融合估计算法对采集的温度、湿度信息在数据层进行数据融合，以用于温室环境建模和优化控制；本发明在距作物高1m的水平区域，按温室南北方向等间隔布置三处温度、湿度传感器，可保证温室信息采集的一致性和可信度。(2)、通过引入人工控制因素，以扩展的自回归模型arx为基础，运用系统辨识的方法辨识出模型的结构和参数，构建温室环境温度、湿度的扩展的自回归模型，并以温室调控设备运行中消耗的电量为参考建立能耗成本模型，具体过程如下：(2.1)建立温室环境温度、湿度的扩展的自回归模型：将温室外环境的温度、湿度、风速和光照强度视为扰动输入量，将温室调控设备风机、湿帘、遮阳、喷淋、顶窗视为决策输入量，输出变量为温室内的温度和湿度，以此建立温室环境温、湿度的扩展的自回归模型结构，经交叉验证，通过模型预测得到的温湿度曲线与实际测量的温湿度曲线变化趋势一致。温度均方根误差rmse为0.7℃，相对误差re为1.59％。湿度均方根误差rmse为1.1％，相对误差re为2.14％。说明arx模型能有效模拟温室环境内的温度和湿度，能够满足温室环境调控设备对模型结构的需求。温、湿度的扩展的自回归模型的形式如下列公式所示：公式(1)—(3)中，y＝[y1y2]t是温室内的温度和湿度；x＝[x1x2…..x9]t为模型输入量；x1为室外温度，单位为℃；x2为室外相对湿度；x3为室外风速，单位为m·s-1；x4为光照强度，单位为lux；x5至x9分别为温室调控设备风机、湿帘、遮阳、喷淋、顶窗；a(z-1)、b(z-1)为arx模型系数多项式，其中a(z-1)是输出变量对应的参数多项式，bi(z-1)分别为九个输入变量对应的参数多项式[12]；z-1为后移算子；k为时间变量，单位为min；v(k)为随机噪声；na为a(z-1)的阶；nb1,nb2.....nb9为b1(z-1)、b2(z-1).....b9(z-1)的阶[12]；因温室规模小，考虑v(k)为不显著或难以猜测，则公式(1)可简化为：a(z-1)*yi(t)＝b(z-1)*xj(t)(i＝1、2；j＝1、2、3.....9)(4)，根据实际温室情况，将最高阶次设置成二阶，并将公式(2)、(3)带入公式(4)，即可推出温室环境温、湿度的具体表达式为：已知z-1*u(t)＝u(t-1)，z-2*u(t)＝u(t-2)，将其代入(5)和(6)式即可求得温室环境温、湿度的扩展的自回归模型函数表达式；(2.2)建立温室能耗成本模型：温室控制设备运行过程中，调控设备消耗的电量由两部分组成，一部分是连续可控设备运行一段时间消耗的电量，另一部分是非连续可控设备完全开启消耗的电量，能耗成本模型j可表述为：公式(7)中，为共n1个非连续动作的调控机构开启消耗的电量；为共n2个连续动作调控机构消耗的电量；pi为单个连续调控机构的额定功率；qi为单个非连续调控机构的额定功率；xi为调控机构的开关状态；tai为非连续性调控机构完全打开的运行时间；tbi为连续性调控机构运行时间；(3)、通过引入灰色关联度理论，在标准灰色关联理论和粒子群优化算法pso的基础上，将调控设备组合种类视为粒子的解，以温度模型、湿度模型及能耗模型为目标函数，以此完成温室环境控制的多目标优化控制，具体过程如下：(3.1)、运用灰色关联理论和粒子群优化算法pso分别求出温度、湿度及经济成本目标函数在控制设备组合种类约束下的最优适应值，由各目标函数的最优值组成的序列作为基准矢量序列；(3.2)、根据温室实际情况，以五种调控设备排列组合种类作为粒子的解，在组合种类的约束条件下，初始化各粒子规模、迭代次数、位置及速度等，将每个粒子解的初始值转化成二进制矩阵形式代入各目标函数，得到初始目标值，将此目标值作为目标矢量序列；(3.3)、评价每个粒子的基准矢量序列与目标矢量序列之间的关联度，将当前目标矢量序列和其对应的关联度设置为粒子的个体极值存储为pbest，将关联度最大粒子的位置和其关联度作为整个种群的全局极值存储为gbest；(3.4)、更新粒子位置、速度、学习因子、权值，在更新粒子位置时，对粒子位置进行取整操作；(3.5)、计算每个粒子的关联度，将其关联度与历经的最好位置所对应的关联度作比较，如果较优，把当前关联度和其对应的粒子位置存储为pbest；比较所有粒子的个体极值和全局极值，如果较优，将该个体极值更新为全局极值，并存储其对应的粒子位置；(3.6)、判断当前迭代次数是否满足停止条件，若不满足返回步骤④继续迭代；否则，停止搜索，输出全局极值对应的开关设备组合与温度、湿度及经济成本值。具体实施例：步骤一：试验环境与数据采集试验于2016年3月14日至4月21日在安徽农业大学农萃园的茶树育苗温室进行，温室由钢结构搭建的玻璃温室，脊向为南北向，占地约为80m2，顶部有天窗、遮阳可控设备，北部有2台风机，与温室南部的湿帘形成风向对流，便于降温，喷淋管位于茶苗上方0.5m。茶苗大小约为15cm，以往仅根据人工经验对茶苗进行降温、加湿等管理操作。根据茶学专家知识，适宜的温度为22℃～28℃，湿度为50％～70％，理想最佳温湿度设定值为25℃和60％。距茶苗高1m的水平区域，按南北方向等间隔布置三处温度、湿度传感器，运用自适应加权数据融合估计算法将温度和湿度在数据层进行融合，用于温室建模和优化控制。利用nicompactrio与wsn3202短距离无线通信模块采集室内环境的温度、湿度、二氧化碳浓度及光照强度等参数；用ph自动气象站采集室外温度、湿度、风速及光照强度等气象信息。步骤二：模型的建立及模型验证将采集的数据进行预处理，运用自适应加权数据融合算法将多点温湿度值进行融合，在matlab平台上，运用arx模型建立温湿度模型结构。通过对调控设备进行分析，调控设备可分为连续调控(风机、喷淋、湿帘)和非连续调控(遮阳、天窗)，将调控设备消耗的电量作为能源消耗模型。选取3月14日至4月18日间的数据建立温室环境模型，运用交叉验证的方式检验模型的准确性。将4月19日11:00～11:30和12:00～12:30期间的数据分别用于温湿度建模试验，以4月19日11:30～12:00和12:30～13:00期间的数据为验证数据，记为d1和d2。将d1和d2中数据的输入量分别代入上述模型计算出温度和湿度的预测值，其结果如下如图2、3、4、5所示。步骤三：算法优化与结果分析在matlab平台上，编写多目标灰色粒子群算法并对算法结果进行比对验证。选取4月19日11:35监测的数据实施多目标优化控制，该时刻监测到的温度值是31.5℃，湿度值是47.2％，开启的调控设备是遮阳、湿帘和顶窗。根据茶苗适宜生长的条件，表明温室仍需要降温操作。将已建立的温度、湿度、能耗模型作为优化目标函数，以风机、湿帘、遮阳、喷淋及顶窗为决策变量，运用多目标灰色pso算法对决策变量和温度、湿度及能耗进行模拟仿真。优化后的设备组合是遮阳与喷淋，选取11:35至11:55时间段对温室环境进行仿真模拟：即在开启遮阳与喷淋的组合情况下，11:55时室内温度为24.51℃，湿度为59.35％，消耗能量为0.14j，此时温室内的温湿度达到茶苗生长适宜的范围要求，一定程度上降低了能耗。本发明是面向较优的温室环境控制方法研究，在说明多目标灰色pso算法的可行性时，选取标准pso算法、线性加权和法两种常用的最优方法做比较，分别对温度、湿度、耗电量进行优化仿真，绘制温度、湿度及能耗的比对表格，如表1所示：表1结果比较table1comparisonofresults由表1可知，运用标准pso和多目标灰色pso算法优化方法得到的温度和湿度值均在适宜的温湿度范围内，线性加权和法优化方法得到的温度和湿度值在适宜温湿度范围之外。对比消耗电量可知，运用多目标灰色pso算法优化后消耗的电量介于标准pso与线性加权和法之间。按照多目标同时达到较优的策略，选用多目标灰色pso算法对温室进行优化，在开启遮阳与喷淋的组合情况下，得到使温室内温度和湿度满足作物适宜生长条件且耗电量较少的调控设备组合种类。当前第1页12当前第1页12