基于植株光照需求量的低碳节能补光方法、装置

本发明涉及作物补光控制，尤其涉及一种基于植株光照需求量的低碳节能补光方法、装置。

背景技术：

1、光提供了植物光合作用的能量，是调节植物生长发育的环境信号。光照条件，包括光质、光强和光周期，是调节植株生长和发育的重要环境变量之一。净光合速率(netphotosyntheticrate，pn)代表了单位时间内植株通过光合作用有机质的积累，是评价植株光合作用状况的重要指标。一方面，植株光合作用受环境影响明显，尤其是光饱和点、光补偿点、净光合速率微分(差分)值等表征植株需光量的光合参数，随空气和土壤温湿度、环境二氧化碳(co2)浓度等环境因子的改变而存在漂移现象，对应地，一天中不同时段的环境条件下补光的代价也随之变化。另一方面，受季节与生长期的影响，植株本身在形态、结构等方面存在差异，不同生长期植株在波长、带宽等方面的需光量表现出明显特征，补光收益也因不同时期产量和价格的波动而受到影响。

2、无线传感器网络(wirelesssensornetworks，wsn)是农业环境监测的重要工具，相关设备因其低成本特点，使得环境中设备的数量有了保障，测量的结果可以充分反映当前环境的时空变异性。目前wsn已广泛应用于温室环境参数的自动监测。近年来，全球led(lightemittingdiode，led)应用植物照明产值高速增长，与高压钠灯等传统补光灯相比，led植物补光灯有更精确可控的波长和带宽，可以与植株需光量相匹配，为高效率植物补光提供了可能。同时，随着led封装与集成技术的发展，其光效率也在不断提高，灯具的热耗散不断降低，为植物补光带来了更低的运行成本。机器学习是人工智能、模式识别领域的核心技术，其理论和方法被广泛应用于解决工程应用和科学领域的复杂问题，支持向量机(support vectormachine，svm)、单隐含层前馈网络(singlehiddenlayerfeedforwardneuralnetwork，slfn)、随机森林(randomforest，rf)等机器学习算法为植株需光量模型及补光决策模型的建立提供了技术支撑，在植株管理和产量预测中发挥重要作用，进化计算(evolutio narycomputation，ec)等人工智能算法也为多约束或多目标调控下的决策提供了基础。对底层机制进行建模是温室等受控环境下信息化、自动化管理的基础，机器学习和进化计算等人工智能为主要支持技术的光合预测、光环境决策等模型的建立是实现低碳节能控制的关键，在泛化性、功能性等方面与传统数学模型互补，基于植株模型在决策层面综合能耗等多约束条件对目标值的解算，将为补光等环境控制系统提供核心的技术支撑。

3、此外，温室补光可以提高植株的净光合速率，实现温室等受控环境下植株的高质高产，然而，补光也带来了额外的碳排放，高功率高光强补光并不一定适合所有环境条件下的植株需光量，因此徒增了生产的成本。

4、公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

1、针对现有技术存在的问题，本发明提供一种基于植株光照需求量的低碳节能补光方法、装置。

2、本发明的技术方案提供的一种基于植株光照需求量的低碳节能补光方法，所述方法包括：

3、获取植株的环境数据；

4、将所述环境数据输入补光决策模型，所述补光决策模型输出光照相关量目标值；

5、基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值；

6、其中，

7、所述补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得所述目标值。

8、可选的，所述预测光合速率的获取方法进一步包括：

9、获取所述目标值；

10、将所述目标值输入ls-svr模型，所述ls-svr模型输出所述目标值对应的预测光合速率；

11、其中，

12、所述ls-svr模型的核函数采用径向基函数，所述径向基函数的公式如下：

13、

14、其中，xi和xj分别对应所述ls-svr模型的两个样本，||xi-xj||为xi和xj的欧几里得距离，σ为径向基函数的拓展常数。

15、可选的，所述ls-svr模型的超参数包括正则化系数γ和径向基函数的拓展常数σ；

16、所述ls-svr模型的训练方法进一步包括：

17、获取训练用的样本；

18、基于所述样本，通过交叉验证形成测试集、验证集和训练集；

19、将进化计算中的个体位置编码为待优化的超参数；获取所述个体位置代表的超参数在所述验证集上预测光合速率误差的平均值，将所述平均值作为所述个体对应适应度值；更新所述个体位置和所述个体对应适应度值，直到到达最大迭代次数或误差小于设定值时结束，获取最优的超参数；

20、基于所述最优的超参数，通过所述训练集对所述ls-svr模型完成训练。

21、可选的，获取训练用的样本，包括：

22、通过光量子传感器获取所述植株所在环境中的光量子通量密度以及若干种不同波长的光波占比，作为所述ls-svr模型的输入量；

23、通过光合速率仪获取所述光量子通量密度和所述光波占比对应的所述植株的实际光合速率，作为所述ls-svr模型的输出量；

24、将所述输入量和对应的所述输出量作为所述ls-svr模型的一个样本。

25、可选的，所述优化获得所述目标值的方法进一步至少包括第一约束和第二约束的二者之一；

26、所述第一约束包括：

27、所述补光子系统中补光灯的电流小于等于最大额定电流；

28、所述第二约束包括：

29、所述目标值不小于所述植株在光补偿点的光照相关量的对应值；

30、所述植株在光补偿点的光照相关量的对应值的获取方法进一步包括：

31、基于训练完成的所述ls-svr模型，通过二分法获取所述光补偿点的光照相关量的对应值。

32、可选的，所述补光净碳排放量的获取方法进一步包括：

33、获取所述补光子系统运行所消耗能源的对应碳排放量；

34、获取植株因为补光所固碳的量，即为相同条件下补光后植株的固碳量减补光前植株的固碳量；

35、将所述消耗能源的对应碳排放量减去所述补光所固碳的量，作为所述补光净碳排放量。

36、可选的，所述补光子系统中补光灯通过pwm信号控制；

37、基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值，包括：

38、采用增量式比例积分微分算法调控所述pwm信号。

39、本发明的技术方案还提供的一种基于植株光照需求量的低碳节能补光装置，所述装置包括：

40、获取模块，用于获取植株的环境数据；

41、决策模块，用于将所述环境数据输入补光决策模型，所述补光决策模型输出光照相关量目标值；

42、调整模块，用于基于所述目标值，调整所述植株的补光子系统，使得所述植株所在环境中采集到的光照相关量的实时值趋近所述目标值；

43、其中，

44、所述补光决策模型能够以预测光合速率的负值、补光净碳排放量、补光电功率三者的综合加权值的最小化为方向，优化获得所述目标值。

45、本发明的技术方案还提供的一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述基于植株光照需求量的低碳节能补光方法的步骤。

46、本发明的技术方案还提供的一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于植株光照需求量的低碳节能补光方法的步骤。

47、本发明提供的基于植株光照需求量的低碳节能补光方法、装置，以提高植株光合速率、降低补光功率和碳排放量为目标，计算补光场景下的预测光合速率的负值、补光净碳排放量、补光电功率三者，获取最优的补光目标值，实现满足对植株的低碳节能补光。