作者：杜太行¹, 刘德¹, 孙曙光¹, 钱春阳^1,2, 梁倩伟¹

作者单位：1. 河北工业大学人工智能与数据科学学院，天津 300130;
2. 天津市农业科学院信息研究所，天津 300192

关键词：日光温室;切换控制;NARX神经网络;模型预测控制;节能

摘要：

针对日光温室室内温度的优化控制，在切换控制的基础上提出基于模型预测（model predictive control, MPC）的温度控制方法。首先以室外环境因素、设备开关量以及室内温度为输入，建立NARX神经网络室内温度预测模型；进而将其输出作为目标优化函数的输入，该函数以温度的控制误差、设备切换次数、系统能耗为约束，从而将控制问题转化为目标函数的求解问题，在此基础之上得到局部最优的开关设备控制序列；最终通过滚动优化机制进入最佳温度切换控制状态。实验结果表明：基于模型预测的切换控制算法可以有效调控温室内的温度，降低温室系统能耗。

Optimal temperature control of solar greenhouse based on MPC method
DU Taihang¹, LIU De¹, SUN Shuguang¹, QIAN Chunyang^1,2, LIANG Qianwei¹
1. School of Artificial Intelligence, Hebei University of Technology, Tianjin 300130, China;
2. Information Institute, Tianjin Academy of Agricultural Sciences, Tianjin 300192, China
Abstract: Aiming at the optimal control of indoor temperature in solar greenhouse, a temperature control method based on model prediction is proposed on the basis of switching control. First, take outdoor environmental factors, equipment switching values, and indoor temperature as inputs to establish a NARX neural network indoor temperature prediction model. And then use its output as the input of the objective optimization function, which takes the temperature control error, the number of equipment switching times, and the system energy consumption as constraints, so as to transform the control problem into the objective function solution problem. On this basis, obtain the local optimal switchgear control sequence. Finally enter the optimal temperature switching control state through the rolling optimization mechanism. The experimental results show that the switching control algorithm based on model prediction can effectively regulate the temperature in the greenhouse and reduce the energy consumption of the greenhouse system.
Keywords: solar greenhouse;switching control;NRAX neural network;model predictive control;energy conservation
2022, 48(1):85-91,167  收稿日期: 2021-01-27;收到修改稿日期: 2021-03-09
基金项目: 天津市农业科技成果转化与推广项目（201901060）；天津市科技计划项目（17YFZCNC00280）
作者简介: 杜太行(1963-)，男，天津市人，教授，博士生导师，研究方向为电器检测与试验、计算机应用、工业自动化等
参考文献
[1] 丁为民, 汪小旵, 李毅念. 温室环境控制与温室模拟模型研究现状分析[J]. 农业机械学报, 2009, 40(5): 162-168
[2] 毛罕平, 晋春, 陈勇. 温室环境控制方法研究进展分析与展望[J]. 农业机械学报, 2018, 49(2): 1-13
[3] 徐立鸿, 苏远平, 梁毓明. 面向控制的温室系统小气候环境模型要求与现状[J]. 农业工程学报, 2013, 29(19): 1-15
[4] 邢希君, 宋建成, 吝伶艳. 设施农业温室大棚智能控制技术的现状与展望[J]. 江苏农业科学, 2017, 45(21): 10-15
[5] 储著东, 秦琳琳, 陆林箭, 等. 实验温室温度系统混杂控制器设计与分析[J]. 中国科学技术大学学报, 2015, 45(4): 268-274
[6] 沈敏, 张荣标, 盛碧琦, 等. 温室测控系统开关设备优化组合预测控制方法[J]. 农业机械学报, 2011, 42(2): 186-189
[7] BLASCO X, MARTINEZ M, HERRERO J M, et al. Model-based predictive control of greenhouse climate for reducing energy and water consu-mption[J]. Computers and Electronics in Agriculture, 2007, 55(1): 49-70
[8] 钱欣瑞, 史彬, 鄢烈祥. 基于NARX神经网络的油品性质软测量建模[J]. 计算机与应用化学, 2017, 34(1): 64-68
[9] JUNG, D H, KIM, H S, HIN C. Time-serial analysis of deep neural network models for prediction of climatic conditions inside a green-house[J]. Computers and Electronics in Agriculture, 2020, 173(2): 186-189
[10] 熊伟丽, 孙文心, 马君霞. 带自相关约束的NARX动态软测量模型[J]. 控制与决策, 2020, 35(4): 816-822
[11] 赵洪山, 赵慧. 配电房温度的模型预测优化控制方法[J]. 电机与控制学, 2020, 24(6): 135-142
[12] 尹良震, 刘璐, 李奇. 基于灰色预测的空冷型PEMFC发电系统实时最优温度无模型自适应控制[J]. 电力自动化设备, 2017, 37(12): 164-171
[13] 魏海斌, 金涛, MON NZONGO Daniel Legrand. 一种减小有限控制集模型预测控制开关状态计算时间的方法[J]. 中国测试, 2017, 43(3): 91-96