一种温室能耗的模型优化预测方法
【技术领域】
[0001] 本发明涉及温室控制领域，尤其是一种温室能耗预测方法。
【背景技术】
[0002] 农业的温室面积在世界范围内增加十分迅速尤其是在发展中国家。在冬季和夏季 需要大量的能量来维持农作物生长的适宜温度。因此，十分有必要在温室控制系统中或者 在温室设计时期添加能量消耗预测来减少能量耗费。
[0003] 为了预测能量消耗来节省耗费，多年来发展了很多建筑的仿真数字模型。然而，由 于农业温室是一个复杂的非线性的系统，而且模型会受到农作物的树冠和裸露的土壤表面 的影响。因此，这些数字模型都不能精确地预测温室的能量消耗。此外，也不可能将整个温 室的环境综合到控制系统之中来节省消耗。温室能量模型和普通的能量模型的建立有着相 当大的区别。一些研究人员已基于静态热平衡提出了一个动态模型来预测温室的能量消耗 模型。然而，上述内部不同参数模型很难在很长时间的测量和改变。此外，上述的物理模型 由于温室的位置，方向，形状，覆盖材料，农作物和天气状况的不同而不能直接推广使用。
[0004] 由于物理过程的复杂性，在温室模型中可以采用黑箱建模来产生输入和输出数据 而忽略温室中的物理和化学定律。然而这种黑箱建模需要大量的可能性数据，另外发展模 型可能会导致过度适应从而失去可靠性。因为在能量模型中植物参数只有在几天时间内可 以被作为一个常数的，所以这不可能在短期产生所有的可能数据来建立这个精确的能量 模型。相比于黑箱建模理论，物理模型建立方法要求更少的数据样本区匹配实际的工程目 标。
[0005] 此外，使用数据模型来预测能耗会要求对温室参数有一个合适的标准。温室模型 参数识别被作为一个需要优化的问题，所以有很多不同的解决的方法被提出来。但是现有 的方法存在的缺点是：计算时间较长、精度较低，不适合用于在线控制系统和温室的能量需 求设计。
【发明内容】
[0006] 为了克服已有温室能耗预测的计算时间较长、精度较低的不足，本发明提供一种 有效降低计算时间、提高精度的一种温室能耗的模型优化预测方法。
[0007] 本发明解决其技术问题所采用的技术方案是：
[0008] -种温室能耗的模型优化预测方法，所述预测方法包括以下步骤：
[0009] 1)建立温室能量物理模型
[0010] 温室热平衡定义为温度变化速率，同时温度变化速率转换来计算温室内部供热系 统需要提供的能量，供热系统采用风机盘管，风机盘管需要提供的能量表述如下：
[0012] 式中，Qg为风机盘管提供的能量，W ; P _为空气密度，kg/m3;v为温室的体积，m3; 为空气的比热容，X/(kg · k) ;T i为温室室内的空气温度，°c，^为单位时间内温度的 Ut 变化率；Qsc^为进入到温室的净太阳光照辐射能量，W ;Qlcing为进入到温室的长波辐射能量， W 为温室与外界的传导热量，W ;Qvent为温室与外界的通风换热能量，W ;Q &_为温室中 的作物蒸腾所需要的能量，W山。_为温室中的作物冠层与空气热传导的能量，W ;
[0013] 根据热辐射定律，进入到温室的净太阳光照辐射能量Qsc^表示如下：
[0015] 式中，As为温室地表面积，m2;I 3为室外辐射通量密度，W/m2;Ta为覆盖材料的透光 率，T。为保温幕透光率；T n为内遮阳透光率；X t为净太阳光照辐射的修正系数；
[0016] 温室的长波辐射能量仏_表示如下：
[0018] 式中，ε 12为覆盖材料和空气之间的发射率，分别由空气和覆盖材料各自的发射率 系数^和ε 2决定；Ag为温室覆盖材料的表面积，m2;。为斯蒂芬-玻耳兹曼常数；T sky为 天空温度，K A1为长波辐射的修正系数；
[0019] 温室与外界的传导热量1_表示如下：
[0021] 式中，
[0022] Kg为覆盖材料的传热系数，WAm2 · Κ) 为保温幕阻碍系数；KnS内遮阳阻碍系 数;Atop为顶窗玻璃的面积，m 2;G a为减反射玻璃的传热系数，WAm 2 · Κ) ;Sp S2、S3、S4*别是 温室4个侧面的面积，m2,其中S1对应减反射玻璃，S 2、S3、S4分别对应普通玻璃；T _、1^2、 Tcig3分别是对应的普通玻璃紧邻的温室的室内温度，°C，T。为室外空气温度，°C;
[0023] 温室与外界的通风换热能量仏^表示如下：
[0025] 式中，Aw为开窗面积，m2;C ,为平均通风排气系数；g为重力加速度，ms 2; Δ T为温 室内外的温度差，K ;T。为室外温度，K 为等效的侧窗玻璃高度，m ;CW为与风速相关的通 风率系数；U。为室外风速，m/s 3"为通风换热修正系数；
[0026] 植物蒸腾作用所需要的能量(^_表示如下：
[0027] Qtrans= geL( Xcrop-xair) As (12)
[0028] 式中，&为蒸腾的电导系数，m/s ;L为单位质量的叶片表面蒸发水所需要的能量， J/g ; x。_为作物水平高度的绝对湿度，g/m 3; X ^为温室室内空气的绝对湿度，g/m 3;A 3为 温室地表面积；
[0029] 温室中的作物冠层与空气热传导的能量1_表示如下：
[0031] 式中，LAI为叶面积指数；4表示边界层阻抗系数，s/m ;T leaf为叶表面的温度，°C;
[0032] 2)确定温室中需要辨识的温室因子，目标函数可表示为实际能量消耗和模拟能量 消耗的均方根误差RMSE : CN 105117787 A 说明书 3/10 页
[0034] 上式中，X是物理模型参数向量灵敏度分析结果，1为时间序列的最大数，qraal为 温室实际消耗能量，W ;
[0035] 3)模型参数IPSO-GA优化，过程如下：
[0036] 3. 1):按照模型参数，设置初始参数，包括群体大小M，收敛适应和最大代max_ gen，然后所有粒子生成随机的位置和速度向量；
[0037] 3. 2):所有粒子按适应值f被分为两个部分，适应度小于等于平均适应度/的粒子 会被保存，然后会被PSO算法过程加强并且直接被传递到下一代的候选列表中，而那些适 应度大于平均值的粒子将会通过遗传算法的交叉和变异算子被改进；
[0038] 3. 3):粒子通过群优化算法被增强，1彡j彡N，位置向量X1和速度向量V篇j维 度更新为：
[0039] Vij (n+1) = w (η) · Vij (n) +C1 · r! · (Pij (n) -Xij (n)) +C2 · r2 · (Pbj (n) -Xij (n)) (27)
[0040] Xi j (η+1) = Xi j (η)+Vi j (η) (28)
[0041] 上式中，Vl]是速度向量V1的第j个维度，W是指惯性权重，X U是位置向量 第j个维度，cdP c 2是正的常数被称为加速率，r JP r 2是在[0, 1]范围内的随机变量， η是指当前这代的数字；在公式（27)中，新速度Vl](n+1)由三部分组成，包括了惯性部分 w (η) · Vu (η)，个体部分 C1 · !T1 · (Pij (n) -Xu (η))以及社交部分 C2 · r2 · (pb j (n) -Xij (η));
[0042] 自适应权重在当前产生的数字表达为，
[0043] ^ -7 ft( H；"T C 29)
[0044] 上式中，max_n为最大迭代数，Wmax是I. 4, w min是0· 35 ;
[0045] 3. 4):假设位置向量&第j维，且X ^ e [X i]jiun，Xi]__]，这个位置向量&应该被编 码而且在Xlolin到X 区间相等的时间间隔内插入2 R-2个点，作为R的分辨率，两点之间 的距离δ计算为：
[0046] 靡 (30)
[0047] 其中这个第j维的位置向量Xl]被转换为二进制，表达为：
[0049] 在IPSO-GA算法中，在每一代中自适应交叉概率P。和变异概率P "是会改变的，如 下所示
[0052] 上式中，Ρ?和Pni (η)分别为第η代的交叉概率和变异概率，Pc (1)和Pni(1)分别 为第一代的交叉概率和变异概率；
[0053] 3. 5):由于新粒子被遗传算法加强后便缺少了速度向量V1和先前的最佳位置P y 随机指定一个速度向量然后把X"作为先前的最佳位置P1作为PSO算法的算子；
[0054] 3. 6):比较先前每个粒子的适应度和每个粒子的最佳适应度，得到个体最佳适应 度P1和总体最佳适应度P test;
[0055] 3. 7):如果 η < max_gen 且 RMSE < min_rm