[发明专利]基于多目标灰色粒子群算法的温室环境优化控制方法

摘要

本发明公开了一种基于多目标灰色粒子群算法的温室环境优化控制方法，通过引入人工控制因素，以扩展的自回归模型ARX为基础，构建温度、湿度及能耗成本多目标模型函数，在此基础上，采用灰色关联理论和粒子群优化算法PSO，面向温室环境模型进行多目标优化控制。本发明可使温室在一定程度上节约了用电成本，为温室环境的合理调控提供参考。

主权项

基于多目标灰色粒子群算法的温室环境优化控制方法，其特征在于：通过引入人工控制因素，以扩展的自回归模型ARX为基础，构建温度、湿度及能耗成本多目标模型函数，在此基础上，采用灰色关联理论和粒子群优化算法PSO，面向温室环境模型进行多目标优化控制，具体包括以下步骤：(1)、多点采集温室环境的温度、湿度信息，运用自适应加权融合估计算法对采集的温度、湿度信息在数据层进行数据融合，以用于温室环境建模和优化控制；(2)、通过引入人工控制因素，以扩展的自回归模型ARX为基础，运用系统辨识的方法辨识出模型的结构和参数，构建温室环境温度、湿度的扩展的自回归模型，并以温室调控设备运行中消耗的电量为参考建立能耗成本模型，具体过程如下：(2.1)建立温室环境温度、湿度的扩展的自回归模型：将温室外环境的温度、湿度、风速和光照强度视为扰动输入量，将温室调控设备风机、湿帘、遮阳、喷淋、顶窗视为决策输入量，输出变量为温室内的温度和湿度，以此建立温室环境温、湿度的扩展的自回归模型结构，温、湿度的扩展的自回归模型的形式如下列公式所示：A(z-1)y(k)=Σi=1nB(z-1)xi(k)+v(k)---(1),]]>A(z-1)=1+a1z-1+a2z-2+.....+anaz-na---(2),]]>Bi(z-1)=bi1+bi2z-1+bi3z-2+.....+bi(nbi)z-nbi---(3),]]>公式(1)—(3)中，y＝[y1 y2]T是温室内的温度和湿度；x＝[x1 x2…..x9]T为模型输入量；x1为室外温度，单位为℃；x2为室外相对湿度；x3为室外风速，单位为m·s‑1；x4为光照强度，单位为lux；x5至x9分别为温室调控设备风机、湿帘、遮阳、喷淋、顶窗；A(z‑1)、B(z‑1)为ARX模型系数多项式，其中A(z‑1)是输出变量对应的参数多项式，Bi(z‑1)分别为九个输入变量对应的参数多项式[12]；z‑1为后移算子；k为时间变量，单位为min；v(k)为随机噪声；na为A(z‑1)的阶；nb1,nb2.....nb9为B1(z‑1)、B2(z‑1).....B9(z‑1)的阶[12]；因温室规模小，考虑v(k)为不显著或难以猜测，则公式(1)可简化为：A(z‑1)*yi(t)＝B(z‑1)*xj(t)(i＝1、2；j＝1、2、3.....9)   (4)，根据实际温室情况，将最高阶次设置成二阶，并将公式(2)、(3)带入公式(4)，即可推出温室环境温、湿度的具体表达式为：(1+a1z-1+a2z-2)*y1(t)=(b11+b12z-1+b13z-2)*x1(t)+(b21+b22z-1+b23z-2)*x2(t)+...+(b91+b92z-1+b93z-2)*x9(t)---(5),]]>(1+c1z-1+c2z-2)*y2(t)=(d11+d12z-1+d13z-2)*x1(t)+(d21+d22z-1+d23z-2)*x2(t)+...+(d91+d92z-1+d93z-2)*x9(t)---(6),]]>已知z‑1*u(t)＝u(t‑1)，z‑2*u(t)＝u(t‑2)，将其代入(5)和(6)式即可求得温室环境温、湿度的扩展的自回归模型函数表达式；(2.2)建立温室能耗成本模型：温室控制设备运行过程中，调控设备消耗的电量由两部分组成，一部分是连续可控设备运行一段时间消耗的电量，另一部分是非连续可控设备完全开启消耗的电量，能耗成本模型J可表述为：公式(7)中，为共n1个非连续动作的调控机构开启消耗的电量；为共n2个连续动作调控机构消耗的电量；pi为单个连续调控机构的额定功率；qi为单个非连续调控机构的额定功率；xi为调控机构的开关状态；tai为非连续性调控机构完全打开的运行时间；tbi为连续性调控机构运行时间；(3)、通过引入灰色关联度理论，在标准灰色关联理论和粒子群优化算法PSO的基础上，将调控设备组合种类视为粒子的解，以温度模型、湿度模型及能耗模型为目标函数，以此完成温室环境控制的多目标优化控制，具体过程如下：(3.1)、运用灰色关联理论和粒子群优化算法PSO分别求出温度、湿度及经济成本目标函数在控制设备组合种类约束下的最优适应值，由各目标函数的最优值组成的序列作为基准矢量序列；(3.2)、根据温室实际情况，以五种调控设备排列组合种类作为粒子的解，在组合种类的约束条件下，初始化各粒子规模、迭代次数、位置及速度等，将每个粒子解的初始值转化成二进制矩阵形式代入各目标函数，得到初始目标值，将此目标值作为目标矢量序列；(3.3)、评价每个粒子的基准矢量序列与目标矢量序列之间的关联度，将当前目标矢量序列和其对应的关联度设置为粒子的个体极值存储为pbest，将关联度最大粒子的位置和其关联度作为整个种群的全局极值存储为gbest；(3.4)、更新粒子位置、速度、学习因子、权值，在更新粒子位置时，对粒子位置进行取整操作；(3.5)、计算每个粒子的关联度，将其关联度与历经的最好位置所对应的关联度作比较，如果较优，把当前关联度和其对应的粒子位置存储为pbest；比较所有粒子的个体极值和全局极值，如果较优，将该个体极值更新为全局极值，并存储其对应的粒子位置；(3.6)、判断当前迭代次数是否满足停止条件，若不满足返回步骤④继续迭代；否则，停止搜索，输出全局极值对应的开关设备组合与温度、湿度及经济成本值。