一种多因子耦合的植物工厂光环境调控方法与系统与流程

本发明涉及智慧农业领域，一种多因子耦合的植物工厂光环境调控方法与系统。

背景技术：

1、随着农业现代化的到来，植物工厂成为现代农业中不可分割的一部分，而光照是植物工厂中关键的组成部分，是植物光合作用不可或缺的一项环境因子，也是调节植物分化、生长和发育的重要生理信号。光质、光子通量密度ppfd、光周期作为影响作物瞬时光合速率和累计光合产量三个方面，是植物工厂光环境的重要组成部分。此外，植物工厂的环境还包括温度、湿度、光照强度以及co2浓度等一些列因素，是一个时变非线性、多变量强耦合的系统，因此，植物工厂的环境控制是一个非常复杂的控制系统。

2、国内外设施农业的光环境调控研究已经开展了多年，但是传统设施光环境调控研究往往从灯具出发，没有考虑补光光照对于植物生长过程的影响，导致产生较高能耗，却难以再提高补光效率，降低了光能的利用率。随着植物光生物学的发展，行业从业者开始基于光合作用及作物发展需求，对设施农业进行光环境调控，但是往往以传统种植经验或专家系统为依据，设定“阈值”，进行分阶段定量调控，难以实现实时动态调控，导致调控不足或者过量，影响作物生长，造成能源浪费，限制了光环境调控精准度。随着现代农业科技的发展，人工智能算法在农业领域得到广泛应用，实现了植物工厂环境控制的精准调控。胡瑾等利用人工智能算法构建了光环境调控模型，考虑了不同温度下最优的光子通量密度的差异性，但没有考虑到光质对作物光合作用的影响。徐立鸿等基于nsga-ii多目标遗传算法完成了耦合ppfd、温度t、湿度rh、co2浓度等因素的设施作物光合速率预测模型构建，但其仍未考虑光质比在光环境中的重要作用。于海业等基于svm利用可见光各波段光谱辐射配比关系实现了预测群体净光合速率，充分考虑了光质比对光环境的影响，但该方法忽略了温度、湿度等耦合因素的综合影响。胡瑾等融合温度、光强、光质等构建了光合速率预测模型，但光质仅考虑蓝光、红光，不能满足植物生长多光谱的需求。因此，基于温度t、湿度rh、co2浓度等和光质、光量子通量密度、光周期等环境因子耦合关系构建实时动态调控作物最优的光环境(包括光质、光量子通量密度和光周期)的调控目标模型，是实现高精度、智能化智植物工厂环境调控亟待解决的问题。

3、但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

4、在光环境调控中，无法合理解决光质和光量子通量密度之间的耦合关系，从而不能实现光质(多波长光谱)和光量子通量密度有效精准调控，并且所有技术都忽略光周期的调控，缺乏光环境的整体调控方案，同时在判断光强调控目标值时，通常以饱和光量子通量(最大光强)为主，造成光抑制和高能耗。

技术实现思路

1、本技术实施例通过提供一种多因子耦合的植物工厂光环境调控方法与系统，基于ls-svm的光合速率预测模型和曲面微分模型，利用ffpd和不同波长光谱之间的关系，基于日累积光照量dli和实时ffpd，制定了植物工厂光环境优化控制方案，构建光控系统，利用pwm和ppfd之间的关系，制定了基于pwm占空比增量的调控策略，解决了多因子耦合环境的植物工厂精准调控光环境(光质、ppfd、光周期)的技术问题，实现了基于作物生长最优光质和最优光量子通量密度的实时动态调节，并根据不同种类作物不同生长阶段进行“定额”补光，真正实现精准调光，解决了高能耗与高成本问题，实现了植物工厂补光的经济性。

2、为了实现上述目的，本发明采用的技术方案是：

3、1.本技术实施例提供了一种多因子耦合的植物工厂光环境调控方法与系统，所述方法包括：

4、步骤1：样本数据采集：利用植物工厂内布设的无线网络采集环境参数信息和作物生长信息；

5、步骤2：数据预处理：排除样本数据中的异常数据点，进行归一化和相关性筛选,并对数据进行数据集划分；

6、步骤3：光合预测模型的建立：将所述环境参数作为输入变量、光合速率值作为输出变量，构建基于ls-svm的光合速率预测模型，基于训练组数据进行训练，形成作物光合速率预测模型；基于验证集进行模型验证，满足优化目标，确定作物光合速率预测模型；

7、步骤4：光环境优化控制模型的建立：根据作物光合速率预测模型，预测不同种类不同生长阶段不同co2浓度和温度t条件下作物光量子通量密度ppfd的离散光响应曲线组；结合一阶、二阶微分变化点，建立光量子通量密度ppfd调控目标值模型；以该调控目标值为基础，建立光量子通量密度ppfd和不同中心波长光量子通量密度ppfdλi函数关系式，利用nsga-ⅱ算法确定光质控制模型中的决策变量；根据作物不同种类、不同生长阶段的日累积光照量(daily light integral,dli)，确定作物日补光时间t，从而形成植物工厂的光环境优化控制方案；

8、步骤5：实时光环境控制方案：利用模糊控制pid算法对当前设施农业实际测量光量子通量ffpd、不同中心波长光量子通量密度ppfdλi，与所述光环境控制方案的光环境目标进行微分比较，得出不同波长led光源的pwm补光控制占空比，并根据累计光量子通量，设定补光时长，实现光强、光质和光周期的精细调控；

9、所述步骤4中：

10、在量子通量密度ppfd调控目标值确定的基础上，建立光量子通量密度ppfd和不同中心波长光量子通量密度ppfdλi函数关系，

11、

12、

13、ai为不同中心波长光量子通量密度ppfdλi所占百分比。

14、利用nsga-ⅱ算法对光质控制模型中的决策变量进行求解a[a1,a2……am]；

15、根据作物不同种类、不同生长阶段的日累积光照量dli，确定作物日补光时间t：

16、

17、

18、ti为一天内led补光的不同时段。

19、从而形成具体的植物工厂的光环境优化控制方案：

20、pn＝f(ppfd,[a1,a2,…,am],[t1,t2,…,tn])   (4)

21、所述步骤5中：

22、控制系统首先判断作物的不同种类α、不同生长期β和不同生长状态γ，得到作物的生长矩阵gr[α，β，γ]，确认光质配比矩阵a[a1,a2……am]，发出不同通道的pwm实时占空比信号dλi。根据饱和电流is和ppfd之间的正比例关系，确定不同波长饱和电流isλ和ppfdλi之间的比例系数kλi，设置下一时刻的不同波长光谱的占空比dλi的增量△dλi：

23、δdλi＝dλi0-kλi×(ppfdλi-ppfdλi-1)   (5)

24、实时比对测试值ppfdλi0和预测值ppfdλi，得到差值，进行增量式pid调整，以实现精准调控；

25、δdλi'＝δdλi-kλi×(ppfdλi-ppfdλi0)   (6)

26、实时读取作物日累积光照量ppf，以30分钟为时间间隔(可以是10分钟、20分钟、30分钟、45分钟、60分钟、120分钟等)计算实时累计光照量dlit(公式(2))，当dli>dlit时，继续进行补光；当dli≤dlit时，停止补光。

27、具体可以用调控矩阵来表示：

28、

29、2.根据权利要求1所述的方法，所述采集环境参数信息和作物生长信息为:环境参数信息包括co2浓度、空气温度t、空气相对湿度rh、土壤ph值、ec值、光量子通量密度ppfd和不同中心波长光量子通量密度ppfdλi(i＝1……m)；作物生长信息主要是作物种类、作物生长阶段、生长状态、作物单叶片面积、作物叶片空间占比、作物叶片的净光合速率pn；

30、3.根据权利要求1所述的方法，所述采集环境参数信息和作物生长信息的方法为：通过布置在植物工厂内多个位置处的无线传感器网络节点对植物工厂的环境因子进行实时监测，获取植物工厂的环境信息；每个无线传感器连接有co2浓度传感器、温度传感器、湿度传感器、土质检测传感器、ppfd传感器；通过路由器将节点环境参数数据上传至远程服务器平台，并进行本地储存，方便后续数据分析；

31、4.根据权利要求1所述的方法，所述采集作物生长信息的方法为：通过布置在植物工厂内多个位置处的无线传感器网络节点对植物工厂内的作物生长信息进行实时监测，获取植物工厂的作物生长信息；每个无线传感器连接有图像识别传感器、光合速率测试传感器；通过路由器将节点环境参数数据上传至远程服务器平台，并进行本地储存，方便后续数据分析；

32、5.根据权利要求1所述的方法，所述数据预处理方法为：

33、数据归一化：使用max-min标准化方法(见(8))将数据集的各维度统一在区间[0,1]内，从而消除各维度量纲差异；

34、

35、xi(k)为第k个样本作物第i环境因子变量对应的原始数据，x'i(k)为第k个样本作物第i环境因子变量对应的归一化数据，min(xi)、max(xi)分别为第i环境因子变量的最小值和最大值。用同样的办法可以对净光合速率pn进行归一化处理得到pn；

36、相关性筛选：分别计算各个环境因子和净光合速率pn的灰度关联系数，并计算它们之间的灰色关联度，进行关联度排序，剔除与所述作物净光合速率pn关联度小的环境因子，完成变量筛选，降低变量维度；从而确定环境因子x＝(x1，x2，x3，x4)，x1、x2、x3、x4分别指叶面温度、光子通量密度、土壤湿度、co2浓度；

37、数据集划分：随机取样品数据集的80％作为训练集，剩余20％作为测试集；

38、6.根据权利要求1所述的方法，所述光合预测模型的功能实现过程为：

39、(1)构建植物工厂作物净光合速率模型：

40、pn＝f(x)＝f(x(x1,x2,x3,x4))   (9)

41、pn＝(pn1,pn2,…,pnn)，n是训练样本个数。

42、(2)选用gauss核函数，根据结构化风险最小原则，结合拉格朗日函数，根据kuhn-tucker条件，得到的作物净光合速率预测模型，可以用以下公式描述：

43、

44、

45、其中，为高斯核函数，xi为第i个样本的输入向量，为核函数中心，αi为拉格朗日乘子。

46、(3)选择训练集数据，根据kuhn-tucker条件求解回归超平面参数，得到光合速率模型；将测试集数据代入模型，得到拟合数据，计算拟合误差，如不符合要求，则重复步骤(1)～步骤(2)，直至拟合误差符合要求，得到净光合速率预测模型。

47、7.根据权利要求1所述的方法，所述光环境优化控制模型的建立功能实现过程为：

48、(1)基于所述光合速率预测模型，在不同的叶面温度、土壤湿度和co2浓度条件下，构造ppfd光合响应曲面，将每个曲面离散化为不同ppfd下的光响应曲线簇；采用中心微分法，对作物净光合速率pn的离散集进行一阶和二阶微分运算，得到一阶和二阶微分曲线；利用爬坡法搜索二阶微分曲线的两段曲线的曲率极值点，较低段曲线的曲率极值点所对应的ppfd即调控下限值，较高段曲线的曲率极值点对应的ppfd即调控上限值，以此上下限值作为调控点，形成调控区间。各曲线调控特征点构成调控特征点集，在此基础上利用多元回归建立基于植物工厂光质调控目标值模型。

49、(2)以该调控特征点集为基础，建立光量子通量密度ppfd和不同中心波长光量子通量密度ppfdλi函数关系式，利用nsga-ⅱ算法确定光质控制模型中的决策变量，形成ppfdλi1(下限调控集)和ppfdλi2(上限调控集)；

50、(3)光质调控策略：

51、

52、8.一种植物工厂光环境调控系统，包括：

53、数据采集模块：用于获取植物工厂的环境信息和作物的生长信息；

54、数据存储模块：存储数据采集模块采集的即时数据、主控模块形成的决策方案等，并存储专家系统数据；

55、主控模块：包括分析处理单元、决策形成单元和控制器单元。分析处理单元及时分析和解析数据，形成光合速率预测模型，决策形成模块根据光合速率预测模型及检测环境信息，形成动态调光决策；控制器单元与各种传感器相连，进行有效的反馈和制动；

56、执行模块：执行模块包括与控制器相对应的执行设备组，每个执行设备组包括压缩机、生长灯和co2发生器等；执行模块还可以根据主控模块形成的控制策略，将控制指令传输至对应的控制器，通过控制器控制对应的执行设备；

57、多协议无线网络：包括主节点及zigbee、lora等无线网络；主节点接收各子系统采集的数据，并向数据采集模块和执行模块发送控制指令以控制环境；zigbee、lora网络用于不同距离的环境监控；

58、9.根据权利要求8所述的一种植物工厂光环境调控系统，所述执行模块：

59、包括补光灯控制节点，主要由多波段补光灯、补光灯驱动电路、微型信号发生器、无线模块和单片机组成；多波段补光灯包括但不限于多个芯片集成模组、多个单色芯片按一定规律排列形成的条形灯和面板灯；无线模块将接收到的数据传输给主控模块，经确认校验位无误后提取数据包中的调参命令段，处理后单片机通过串口向微型脉冲信号发生器发送命令使其准确的输出响应的频率和pwm占空比信息，达到精准定量调节光环境的目的；

60、10.根据权利要求8、9所述的一种植物工厂光环境调控系统，所述执行模块中的不同波长光谱的占空比dλi的增量△dλi为：

61、δdλi＝dλi0-kλi×(ppfdλi-ppfdλi-1)   (12)

62、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

63、1、由于采用了综合考虑光质、光量子通量密度和光周期，基于ls-svm的光合速率预测模型和曲面微分模型，建立了光环境调控目标值模型，所以，有效解决了多因子耦合的植物工厂光环境整体调控方案，实现了基于作物生长最优光质和最优光量子通量密度的多波长需光量实时动态调节，并根据不同种类作物不同生长阶段进行“定额”补光，真正实现智能动态精准调光。

64、2、由于采用了光合响应曲线离散集与曲面微分模型，揭示了作物净光合速率随ppfd的变化规律，以二次微分曲线的极值点作为调控点，解决了传统补光以饱和光强为单一目标值进行调控所带来的高能耗与高成本问题，实现了作物补光的光强量化管理。

65、3、由于采用了曲面二次微分模型，解决了基于曲面曲率理论建模过程复杂、数据输入繁杂、内存耗用大、计算效率低的特点，实现了简化建模环节，计算过程效率高，易于实现，具有一定的通用性和拓展性。