一種溫室能耗的模型優化預測方法
【技術領域】
[0001] 本發明涉及溫室控制領域，尤其是一種溫室能耗預測方法。
【背景技術】
[0002] 農業的溫室面積在世界范圍內增加十分迅速尤其是在發展中國家。在冬季和夏季 需要大量的能量來維持農作物生長的適宜溫度。因此，十分有必要在溫室控制系統中或者 在溫室設計時期添加能量消耗預測來減少能量耗費。
[0003] 為了預測能量消耗來節省耗費，多年來發展了很多建筑的仿真數字模型。然而，由 于農業溫室是一個復雜的非線性的系統，而且模型會受到農作物的樹冠和裸露的土壤表面 的影響。因此，這些數字模型都不能精確地預測溫室的能量消耗。此外，也不可能將整個溫 室的環境綜合到控制系統之中來節省消耗。溫室能量模型和普通的能量模型的建立有著相 當大的區別。一些研究人員已基于靜態熱平衡提出了一個動態模型來預測溫室的能量消耗 模型。然而，上述內部不同參數模型很難在很長時間的測量和改變。此外，上述的物理模型 由于溫室的位置，方向，形狀，覆蓋材料，農作物和天氣狀況的不同而不能直接推廣使用。
[0004] 由于物理過程的復雜性，在溫室模型中可以采用黑箱建模來產生輸入和輸出數據 而忽略溫室中的物理和化學定律。然而這種黑箱建模需要大量的可能性數據，另外發展模 型可能會導致過度適應從而失去可靠性。因為在能量模型中植物參數只有在幾天時間內可 以被作為一個常數的，所以這不可能在短期產生所有的可能數據來建立這個精確的能量 模型。相比于黑箱建模理論，物理模型建立方法要求更少的數據樣本區匹配實際的工程目 標。
[0005] 此外，使用數據模型來預測能耗會要求對溫室參數有一個合適的標準。溫室模型 參數識別被作為一個需要優化的問題，所以有很多不同的解決的方法被提出來。但是現有 的方法存在的缺點是：計算時間較長、精度較低，不適合用于在線控制系統和溫室的能量需 求設計。

【發明內容】

[0006] 為了克服已有溫室能耗預測的計算時間較長、精度較低的不足，本發明提供一種 有效降低計算時間、提高精度的一種溫室能耗的模型優化預測方法。
[0007] 本發明解決其技術問題所采用的技術方案是：
[0008] -種溫室能耗的模型優化預測方法，所述預測方法包括以下步驟：
[0009] 1)建立溫室能量物理模型
[0010] 溫室熱平衡定義為溫度變化速率，同時溫度變化速率轉換來計算溫室內部供熱系 統需要提供的能量，供熱系統采用風機盤管，風機盤管需要提供的能量表述如下：
[0012] 式中，Qg為風機盤管提供的能量，W ; P _為空氣密度，kg/m3;v為溫室的體積，m3; 為空氣的比熱容，X/(kg · k) ;T i為溫室室內的空氣溫度，°c，^為單位時間內溫度的 Ut 變化率；Qsc^為進入到溫室的凈太陽光照輻射能量，W ;Qlcing為進入到溫室的長波輻射能量， W 為溫室與外界的傳導熱量，W ;Qvent為溫室與外界的通風換熱能量，W ;Q &_為溫室中 的作物蒸騰所需要的能量，W山。_為溫室中的作物冠層與空氣熱傳導的能量，W ;
[0013] 根據熱輻射定律，進入到溫室的凈太陽光照輻射能量Qsc^表示如下：
[0015] 式中，As為溫室地表面積，m2;I 3為室外輻射通量密度，W/m2;Ta為覆蓋材料的透光 率，T。為保溫幕透光率；T n為內遮陽透光率；X t為凈太陽光照輻射的修正系數；
[0016] 溫室的長波輻射能量仏_表示如下：
[0018] 式中，ε 12為覆蓋材料和空氣之間的發射率，分別由空氣和覆蓋材料各自的發射率 系數^和ε 2決定；Ag為溫室覆蓋材料的表面積，m2;。為斯蒂芬-玻耳茲曼常數；T sky為 天空溫度，K A1為長波輻射的修正系數；
[0019] 溫室與外界的傳導熱量1_表示如下：
[0021] 式中，
[0022] Kg為覆蓋材料的傳熱系數，WAm2 · Κ) 為保溫幕阻礙系數；KnS內遮陽阻礙系 數;Atop為頂窗玻璃的面積，m 2;G a為減反射玻璃的傳熱系數，WAm 2 · Κ) ;Sp S2、S3、S4*別是 溫室4個側面的面積，m2,其中S1對應減反射玻璃，S 2、S3、S4分別對應普通玻璃；T _、1^2、 Tcig3分別是對應的普通玻璃緊鄰的溫室的室內溫度，°C，T。為室外空氣溫度，°C;
[0023] 溫室與外界的通風換熱能量仏^表示如下：
[0025] 式中，Aw為開窗面積，m2;C ,為平均通風排氣系數；g為重力加速度，ms 2; Δ T為溫 室內外的溫度差，K ;T。為室外溫度，K 為等效的側窗玻璃高度，m ;CW為與風速相關的通 風率系數；U。為室外風速，m/s 3"為通風換熱修正系數；
[0026] 植物蒸騰作用所需要的能量(^_表示如下：
[0027] Qtrans= geL( Xcrop-xair) As (12)
[0028] 式中，&為蒸騰的電導系數，m/s ;L為單位質量的葉片表面蒸發水所需要的能量， J/g ; x。_為作物水平高度的絕對濕度，g/m 3; X ^為溫室室內空氣的絕對濕度，g/m 3;A 3為 溫室地表面積；
[0029] 溫室中的作物冠層與空氣熱傳導的能量1_表示如下：
[0031] 式中，LAI為葉面積指數；4表示邊界層阻抗系數，s/m ;T leaf為葉表面的溫度，°C;
[0032] 2)確定溫室中需要辨識的溫室因子，目標函數可表示為實際能量消耗和模擬能量 消耗的均方根誤差RMSE : CN 105117787 A 說明書 3/10 頁
[0034] 上式中，X是物理模型參數向量靈敏度分析結果，1為時間序列的最大數，qraal為 溫室實際消耗能量，W ;
[0035] 3)模型參數IPSO-GA優化，過程如下：
[0036] 3. 1):按照模型參數，設置初始參數，包括群體大小M，收斂適應和最大代max_ gen，然后所有粒子生成隨機的位置和速度向量；
[0037] 3. 2):所有粒子按適應值f被分為兩個部分，適應度小于等于平均適應度/的粒子 會被保存，然后會被PSO算法過程加強并且直接被傳遞到下一代的候選列表中，而那些適 應度大于平均值的粒子將會通過遺傳算法的交叉和變異算子被改進；
[0038] 3. 3):粒子通過群優化算法被增強，1彡j彡N，位置向量X1和速度向量V篇j維 度更新為：
[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個維度，W是指慣性權重，X U是位置向量 第j個維度，cdP c 2是正的常數被稱為加速率，r JP r 2是在[0, 1]范圍內的隨機變量， η是指當前這代的數字；在公式（27)中，新速度Vl](n+1)由三部分組成，包括了慣性部分 w (η) · Vu (η)，個體部分 C1 · !T1 · (Pij (n) -Xu (η))以及社交部分 C2 · r2 · (pb j (n) -Xij (η));
[0042] 自適應權重在當前產生的數字表達為，
[0043] ^ -7 ft( H；"T C 29)
[0044] 上式中，max_n為最大迭代數，Wmax是I. 4, w min是0· 35 ;
[0045] 3. 4):假設位置向量&第j維，且X ^ e [X i]jiun，Xi]__]，這個位置向量&應該被編 碼而且在Xlolin到X 區間相等的時間間隔內插入2 R-2個點，作為R的分辨率，兩點之間 的距離δ計算為：
[0046] 靡 (30)
[0047] 其中這個第j維的位置向量Xl]被轉換為二進制，表達為：
[0049] 在IPSO-GA算法中，在每一代中自適應交叉概率P。和變異概率P "是會改變的，如 下所示
[0052] 上式中，Ρ?和Pni (η)分別為第η代的交叉概率和變異概率，Pc (1)和Pni(1)分別 為第一代的交叉概率和變異概率；
[0053] 3. 5):由于新粒子被遺傳算法加強后便缺少了速度向量V1和先前的最佳位置P y 隨機指定一個速度向量然后把X"作為先前的最佳位置P1作為PSO算法的算子；
[0054] 3. 6):比較先前每個粒子的適應度和每個粒子的最佳適應度，得到個體最佳適應 度P1和總體最佳適應度P test;
[0055] 3. 7):如果 η < max_gen 且 RMSE < min_rm