一种基于作物需求的设施补光控制方法与系统与流程

本发明属于智能设施农业技术领域，特别涉及一种基于作物需求的设施补光控制方法与系统。

背景技术：

我国设施蔬菜栽培面积占世界总面积的90％以上，已成为我国现代农业的重要组成部分。尽管我国设施管理技术水平逐年提升，与发达国家相比仍存在较大差距，设施蔬菜单位面积产量仅为荷兰的1/5-1/3，其中生产过程中光合速率低是造成该现象的关键因素。相关研究表明，光照、co2、温度、肥力、水分是影响光合速率的主要因素，其中光照是决定光合速率的直接因素，已有研究证明进行补光可有效提高光合作用效率，茄果类作物产量可增加20％-30％，成熟期也可提前7-10天，实现品质和明显的提升，因此，设施内部光环境调控技术的研究的关注度日渐提升。特别是近期出现的led光源技术，其一定程度避免热量高、耗能大、不能定量调节亮度，光质、光子通量密度难以调控等传统补光设备的问题，基于led的设施补光技术已成为设施补光研究的热点，出现了各种基于led的设施补光设备，一定程度提高了作物品质和节能效果。

但是通过光合速率机理的进一步分析可以发现，作物光合作用中不仅温度、co2、光照对光合速率存在相互影响；而且作物生长的连续性使得生长期中环境对光合速率影响具有时序特性；同时生理生境动态变化导致优化调控目标值动态变化。从而，造成不同作物品种、不同生长时期、不同生长环境是由于对光照的需求不同，而现有补光系统均未完全充分考虑上述问题对作物补光效果的影响，不仅可能造成补光不足或者能源浪费，过强的光照还有可能产生光抑制现象，影响作物生长。因此，如何构建可面向不同作物全生长期需求的通用设施光环境智能调控系统，已成为限制设施发展的关键瓶颈。

技术实现要素：

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于作物需求的设施补光控制方法与系统，可面向不同作物全生长期需求，实现光环境智能调控。

为了实现上述目的，本发明采用的技术方案是：

一种基于作物需求的设施补光控制方法，监测设施内实时温度、光合有效辐射和二氧化碳浓度，结合预先建立的对应作物的需光模型，计算出该作物的当前需光量进行补光，其中，所述需光模型的建立过程如下：

采集温度、二氧化碳浓度、光照强度三个环境因子多梯度光合速率实验数据，建立基于svm的光合速率模型；

实例化光合速率模型里的温度、二氧化碳浓度两个变量，得到一系列温度、二氧化碳浓度条件下的光合速率与光照强度的关系；

使用蚁群算法对光合速率寻优，得到这些条件下最大光合速率对应的光照强度值，即作物的需光量，这一系列温度、二氧化碳浓度以及对应的需光量光照强度构成了需光模型样本集；

根据需光模型样本集，以温度、二氧化碳浓度为输入量，作物需光量为输出量，使用多项式拟合方式构建需光模型。

根据每个分区的作物类型和定值时间实例化当天的作物需光量模型，过程如下：

步骤1，零点时轮询各分区运行状态，如果该区域设备处于工作状态则对该区域的作物模型实例化操作；

步骤2，从非易失储存器中读取分区的定植日期、种植的作物种类，载入对应种类的作物需光量通用模型fn(t,co2,d)，根据定植日期和当前日期计算出植物的生长时间，将生长时间带入该模型，降维得到一个二维输入的模型fn'(t,co2)，将实例化的模型存储到内存空间。

步骤3，除每日零点外，设备开机初始化、工作状态更新、分区参数更新时也会触发步骤2。

实例化的优点：每天生长时间d都是相同的，在同一天的工作中仅数秒进行一次模型计算以尽快响应环境变化，进行实例化降维，可节约大量的cpu时间。

分区控制主要是考虑到在实际的温室管理中，可能会在一个温室内种植多种作物，而每种作物在相同时间空间条件下的需光量不同。同时受到温室的内部结构、温室周边环境影响，每个温室形成相对独立的小环境。

在作物需求和实际的环境条件都不尽相同的情况下，就需要对种植不同作物区域、不同温室环境进行差异化管理，不同的作物种植区域按照不同作物的需光模型进行需光量计算，不同的温室环境部署独立部署环境监测节点采集环境数据，根据每个区的实际需光量进行补光。

而作物模型实例化是基于时间参数对作物模型进行降维，可使作物模型多项式从16项降至9项，减少30％以上的浮点预算，节约嵌入式设备的cpu资源，大大降低对硬件性能的需求。

所述作物为茄子，需光模型为f(t,co2,d)，其中t为温度，co2为二氧化碳，d为定植到当天的时间，经过实例化茄子的需光量模型如下：

lsp＝f(t,co2,d)＝-0.0258d²-0.0031d+0.2875+0.0502d²t+0.0379d·t-2.8025t

-0.0237t·co2-5.8635×10^-9d²·co2+5.7039×10^-9d-6.4872×10^-6d²t³+5.9×10^-6dt³

-5.504×10^-8t³+1.3036×10^-5d·t²·co2+7.5778×10^-9t²co2-8.841×10^-8d·t·co2

-2.9151×10^-13t·co2。

先将监测的温度数据与内置的作物适宜生长温度范围进行比对，若不在作物的适宜生长温度内，启动保护模式停止补光；若温度在作物的适宜生长温度内，才根据监测节点的温度和co2信息，计算作物的需光量，补光时，先计算出当前有效光辐射中的红蓝光的具体值，进而计算出需补的差量，最终执行红蓝光补光，其中：

红光需光量rn＝redratio×lsp

蓝光需光量bn＝blueratio×lsp

其中lsp为计算出的作物当前需光量，redratio和blueratio为模型内置的时间随动的最优光质比例。

可每隔t时间根据当前的环境因子进行补光调整，根据作物的光周期，对不同种类的作物模型中都设定对应有每天的补光的时间段。

本发明还提供了一种基于作物需求的设施补光控制系统，包括：

监测模块，用于监测设施内实时温度、光合有效辐射和二氧化碳浓度，并通过监测节点将监测值提供给无线传感网；

人机交互模块，用于录入每个分区的作物类型、作物的定值时间、控制模式、设施所在地的经纬度数据到智能计算模块内，为补光的智能调控提供依据；

智能计算模块，根据事先录入的数据和分区当前环境信息，实例化对应作物的需光模型，计算出该分区内作物的当前需光量，发出补光决策指令；

补光模块，根据智能计算模块的决策指令执行补光；

无线传感网，用于模块间的数据通讯；

电源模块，用于为整个系统供电；

其中，

分区指的是温室内根据管理需求划分的分区，不同的分区种植了不同种作物或不同定值时间的作物，智能计算模块根据输入的分区配置对部署在不同分区的补光节点分开控制。

所述监测模块包括：

温度监测模块、光照监测模块和二氧化碳监测模块。

所述补光模块为led补光模块，采用阵列式补光灯组，选取中心波长为450nm的蓝光、680nm的红光和700nm的远红外作为调光光源，红/蓝比例设为1:1，所述智能计算模块计算当前有效光辐射中的红蓝光的具体值，进而计算出需补的差量，向led补光模块发送补光决策指令，开关或者调整各个led的亮度，执行精准补光。

所述智能计算模块输出pwm控制信号为16位，则：

其中，rpwm是红光的pwm控制信号，bpwm是蓝光的pwm控制信号，rfull是根据光场分布，红光led满功率输出的光强值，bfull是根据光场分布，蓝光led满功率输出的光强值，rn是红光需光量，bn是蓝光需光量。

与现有技术相比，本发明的有益效果是：

1)提出了基于作物生长时间序列的需光模型构建方法。本方法区别与往的需以光模型仅考虑了不同作物品种、环境因子对光合速率和调控目标值的影响，针对作物生长的连续性造成的光合速率具有时序特征的现象，研究了基于间序列的作物需光模型构建方法，通过模型实例化技术，建立主要设施作物面向光环境调控的全程细粒度调控模型。

2)基于上述模型，通过多个作物需光模型内置的方式控制补光灯节点的亮度，避免了补光不足和补光过量的问题。在保证补光效果的同时，尽可能的节约电能。同时在智能控制节点实现支持生长时间实例化多种作物的需光模型，通过实例化将作物模型降维来提升计算效率，大幅降低对硬件的需求节约了制造成本。

3)加入了分组id系统，一个智能控制节点可平行地控制多个不同区域。每个分区种植作物的参数(定值时间、作物类型等)均可独立配置。在实际生产中，多个设施大棚只需要配置一个智能控制节点，可大幅减少设备购买成本。

综上，本发明通过内嵌作物的全程时间序列需光模型，每天根据录入的定值时间，实例化需光量模型。基于用户设定的系统参数和获取的实时环境信息，计算当前环境下的作物需光量，结合补光节点的光场分布模型，计算出作物当前情况下的待补光差量实现精准补光。可在最低耗能的基础上，通过pwm控制信号对调光量进行有效控制，同时通过加温设备对温室内温度进行实时调控，从而完成对植物生长环境中温度、分波段光强的最优调控，实现植物生长光环境的实时智能调控。

附图说明

图1是本发明实施例中茄子需光量模型示意图。

图2是蚁群寻优算法流程图

图3是svm光合速率模型建立流程图

图4是本发明系统硬件结构示意图。

图5是本发明补光流程图。

图6是基于作物需光模型调控算法和普通阈值补光节能效果对比示意图(红光需补光量)。

图7是基于作物需光模型调控算法和普通阈值补光节能效果对比示意图(蓝光需补光量)。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

本发明实施例中，选择作物为茄子，根据针对茄子的田间试验于2015年10月-2016年1月测量的温度、二氧化碳浓度、光照强度三个环境因子多梯度光合速率实验数据，建立基于svm的茄子光合速率模型。

实例化模型里的温度、二氧化碳浓度两个变量，得到一系列温度、二氧化碳浓度下的光合速率与光照强度的关系。使用蚁群算法对光合速率寻优。得到这些条件下最大光合速率对应的光照强度值，即作物的需光量。这一系列二氧化碳、温度以及对应的需光量光照强度构成了需光模型样本集。

根据需光模型样本集，以二氧化碳浓度、温度为输入量，作物需光量为输出量，使用多项式拟合方式构建光合速率模型。

本发明实施例具体如下：

针对茄子的田间试验于2015年10月-2016年1月在阎良蔬菜基地进行。试验中，控制二氧化碳浓度分为6个梯度，控制温度为6个梯度，控制光照强度为10个梯度。共进行了60组试验，每组实验随机选取7株茄子植株，每株茄子植株测量5次取平均值并做三组重复。最终形成了样本容量为350的试验样本集，经过数据分析和处理后，最终得到样本个数为314的试验样本。

在matlab环境下，运用支持向量机(supportvectormachine,svm)的非线性建模方式建立时许模型，将试验数据归一化后，进行svm创建和训练，并进行核函数和参数的寻优。得到最优的svm参数后，运用试验数据进行数据的建模与预测。

由于传统蚁群算法是在离散空间内进行寻优，但在光照强度寻优中，是在连续的定义域内找寻光合速率的最大值，故须将算法改进，以使其适合在连续的定义域内寻优。在正式寻优之前，对改进蚁群算法中的主要参数进行寻优，由于蚂蚁在相邻城市间的转移是随机的，避免了多只蚂蚁选择同一条路径。设定完成蚁群算法的参数后对svm建立的光合速率时许模型进行寻优。通过svm的建模和改进蚁群算法的连续寻优，最终得到在13个温度梯度和13个二氧化碳浓度梯度不同参数的组合下，得到了169个不同条件下的光饱和点，光饱和点对应的光照强度，即为当前温度、二氧化碳条件下的作物需光量点。

再对169个光饱和点进行及其对应的环境条件进行拟合，即可得到茄子需光量模型如图1所示。图2、图3分别为蚁群算法的光饱和点寻优以及svm建立光合速率模型的流程图。

本系统的硬件结构如图4所示，以arm为核心，内部采用模块化设计思路，可分为电源模块、温度监测模块、二氧化碳监测模块、光照强度监测模块、智能计算模块、专用led补光模块、2530模块以及人机交互模块。

其中，电源模块采用标准5v直流电源供电，完成对时钟模块等对应部分的供电；同时通过ams1117标准电源模块完成5v到3.3v工作电压转换，实现按键、液晶、光照传感器等部分的实时供电。

温度监测模块，用于监测设施内实时温度，并通过监测节点将温度值提供给无线传感网；

光照监测模块，用于监测设施内实时光合有效辐射，并通过监测节点将有效辐射值提供给无线传感网；

二氧化碳监测模块，用于监测设施内实时二氧化碳，并通过监测节点将二氧化碳值提供给无线传感网；

人机交互模块，该模块展示各个分区的环境因子监测数据，同时可以录入每个分区的作物类型、作物的定值时间、控制模式、当地的经度、纬度等参数到智能控制节点内，为补光的智能调控提供依据。

智能计算模块，根据事先录入的参数和分区当前环境信息如，实例化对应作物的需光模型，计算出该分区内作物的当前需光量以及当前有效光辐射中的红蓝光的具体值，进而计算出需补的差量。最终做出补光决策指令；

2530模块，负责整个无线传感网的组网，实现系统中各个节点之间的通讯。对于补光节点来说，2530单片机还要同时还要向专用led补光模块输出pwm控制信号。

专用led补光模块，采用阵列式补光灯组，选取中心波长为450nm的蓝光、680nm的红光和700nm的远红外作为调光光源，红/蓝比例设为1:1，红/远红比例设为13:1。接2530单片机补光控制信号输出控制口，根据单片机所发送补光控制信号，开关或者调整补光灯的亮度；

如图5所示，基于上述原理和系统，本发明的调控方法详细步骤如下：

步骤一，开机运行，系统初始化。启动人机交互模块，载入非易失性存储器中的各分区作物配置、设施经纬度等参数。初始化检测节点各个传感器模块的数值，2530模块进行组网。智能检测模块等待从2530模块(根节点)接收环境监测数据。

步骤二，智能计算模块开始从2530模块(根节点)接收环境监测数据，根据每个分区的作物类型和定值时间实例化当天的作物需光量模型。

步骤三，启动智能调控算法，对部署的作物分区进行轮询计算，从内存中读取该分区环境监测节点最新回传的数据，根据配置中选择的分区作物模型当前环境因子对作物的需光量进行计算，进而根据实时光照计算差量，最终经由2530模块(根节点)向对应分区补光节点发出控制指令，调整相应补光节点的亮度实现对该区域植物生长光环境的实时、智能、精确调控。

步骤四，初始化之后，每天零点一次执行步骤二，其余时间重复执行步骤三。

其中，模型实例化的过程如下：

步骤1，零点时轮询各分区运行状态，如果该区域设备处于工作状态则对该区域的作物模型的实例化操作。

步骤2，从非易失储存器中读取分区的定植日期、种植的作物种类。载入对应种类的作物需光量通用模型fn(t,co2,d)。根据定植日期和当前日期计算出植物的生长时间。将生长时间带入该模型则降为得到了一个二维输入的模型fn'(t,co2)。将实例化的模型存储到内存空间。

步骤3，除每日零点外，设备开机初始化、工作状态更新、分区参数更新时也会触发步骤2。

实例化的优点：每天生长时间d都是相同的，在同一天的工作中5秒进行一次模型计算，进行实例化降维，可节约大量的cpu时间。

其中，智能调控算法调控一个分区过程如下：

1、载入分区的作物参数，若时间在作物的光周期内，则启动光调控机制，调用对应的作物模型。

2、根据作物的生长时间实例化出当天的作物需光量模型。

例：茄子需光量模型为f(t,co2,d)

其中t为温度，co2为二氧化碳，d为定植到当天的时间

第39天(d＝39)经过实例化茄子的需光量模型如下：

3、载入该分区监测节点最新回传的温度数据与内置的作物适宜生长温度范围进行比对。若不在作物的适宜生长温度内，启动保护模式停止补光。若温度在作物的适宜生长温度内，读取监测节点的温度和co2信息，计算作物的需光量lsp。

4、作物需光模型内置的最优红蓝光比例计算红蓝光需光量redn、bluen，redn＝redratio×lsp,bluen＝blueratio×lsp

其中redratio和blueratio为作物模型内置的时间随动的最优光质比例。

5、计算并发射该分区补光节点的pwm控制信号。

其中rfull和bfull是根据光场分布，补光节点满功率输出的光强值。输出pwm控制信号为16位，故将其量化到65535个等级中。

6、系统保持该状态，并每隔t时间根据当前的环境因子进行补光调整，超出光照时间范围。

图6、图7是根据温室内检测到的环境数据，在光质比例为1：1的条件下按阈值补光系统和本系统的需补光量对比。其中补光量越高消耗的电能也就越多。