温室环境控制方法研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇温室环境控制方法研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
【摘要】针对温室环境控制的重要性，对国内外温室环境控制的方法进行了研究，分析了温室控制系统算法的特点。温室环境控制的方法主要有：PID，专家系统，模糊控制，神经网络，进化算法等。各种控制算法各有优缺点，单一的采用某种控制算法不能满足温室环境控制的精度要求。将多种控制算法交叉与融合的混合控制算法更能满足现代温室环境智能控制的要求或寻求新的鲁棒控制新方法。同时指出了目前温室环境控制中存在的问题，并对温室环境控制的发展趋势进行了展望。
【关键词】温室；环境控制；智能控制；遗传算法
Abstract：Aiming at the importance of environment control technology in greenhouse，this paper summarized the research status on the development of greenhouse environment control methods at home and abroad，and analyzed the features and structures of greenhouse control systems.The main methods of greenhouse environmental control include PID，Expert System，Fuzzy Control，Neural Network，Evolutionary Algorithm and so on.Each control algorithm has its own advantages and disadvantages，the adoption of a single control algorithm can not satisfy the precision requirements of the environmental control of the greenhouse.Hybrid control algorithm that combined different algorithms can meet the control demands of modern greenhouse environment intelligent control well or to seek new robust control method.Their drawbacks were pointed out，and the development tendency of greenhouse environment control was expected too.
Key words：greenhouse；environmental control；intelligent control；genetic algorithm
1.引言
温室作物生产是高度集约化的设施农业产业，在解决我国三农问题和提高农业生产效率中的作用越来越突出。目前我国已是世界设施作物栽培第一大国，设施作物栽培面积超过了300万公顷。但与国外先进水平相比，目前最突出的问题是温室作物生产的产量低、能耗等生产成本高，因而经济效益较低。
温室是一个包括作物、设施、环境、栽培管理措施等诸多因子及其相互作用的复杂系统。如何协调这些因子的关系，以最小的投入为温室作物提供适宜的生长环境，从而达到高产、优质、高效和生态安全的温室生产目标，一直是国内外设施农业领域中研究的重点与热点问题。
温室环境控制即通过对相关的设施（如加热、通风、CO2施肥、肥水灌溉等设备）对温室环境进行自动调控，获得作物生长所需的适宜环境，从而大大提高作物产量与质量。因此，温室环境控制是解决以上突出问题的核心技术手段之一。本文对目前国内外温室环境控制的研究进展和成果进行综述，指出温室环境控制中的现存问题和发展方向。
2.温室环境控制研究现状
温室环境控制有3个不同的层次，即人工控制、自动控制和智能控制。3种控制方法在我国的生产生活中均有应用，其中自动控制在现代温室环境控制中应用最多，而智能控制具有处理非线性、时变和不确定信息等优点，理想的智能控制系统除了满足一般控制系统的性能要求外，还应具有自学习、自适应、自组织和自结构等功能。现代温室环境的智能控制[1]是目前的研究热点。
2.1 温室控制技术概况
温室智能控制系统作为一种资源节约型的高效农业技术，主要是在计算机综合控制下，创造适宜于作物生长的环境，实现优质、高效、低耗的工业化规模生产。要提高测控系统的性能除了硬件系统以外，控制算法也不可缺少。只有采用合理的控制算法，才能使温室环境的综合因子达到最优的控制效果，才能使温室控制系统达到智能化的水平。
目前温室环境控制中普遍采用的智能控制方法包括专家控制、模糊控制、神经网络、遗传算法和混合控制等。其中，混合控制将基于知识和经验的专家系统、基于模糊逻辑推理的模糊控制和基于人工神经网络的神经网络控制等方法交叉并融合，相互优势互补，使智能控制系统性能更理想，成为当今智能控制方面的研究热点之一。
2.2 控制算法在温室环境控制中的应用
温室环境控制系统是一个非线性、大滞后、多输入和多输出的复杂系统，其问题可以描述为：给定温室内植物在某一时刻生长发育所需的信息，该信息与控制系统检测部件所检测的信息比较，在控制器一定控制算法的决策下，各执行机构合理动作，创造出温室内植物最适宜的生长发育环境，实现优质、高产、低成本和低能耗的目标。
2.2.1 PID控制算法及应用
PID控制是自动控制中产生最早、应用最广的一种控制方法，在温室环境控制中应用最早。PID调节的实质是根据输入的偏差值，按比例、积分、微分的函数关系进行运算，将其结果用于输出控制。
PID控制适合一些较为简单的单输入、单输出线性系统，它靠控制目标与实际状态之间的误差来确定消除此误差的控制策略。采用常规PID控制器，参数不易在线调整，容易产生超调，抗干扰能力差，不能满足现代温室环境参数监控的要求。因此，在温室实际控制过程中，为了提高系统动态调节品质和控制精度，通常对常规PID控制进行改进。
朱虹通过对历史温室环境数据的合理分析，将温室的温度控制模型近似为一阶惯性加时滞环节，基于该温度近似模型用时间为权误差积分指标最优的参数自整定公式来整定PID控制器参数，将整定后的PID控制器应用于温室控制。余泳昌等研究的改进型PID控制算法在现代温室参数控制中进行了应用，其抗干扰能力方面比传统PID算法有一定的提高，使参数得到较精确的调整，使温室温度保持在最适宜的范围。Albert Setiawan等[2]在研究了温室控制算法PI控制器后，提出了拟微分反馈（PDF）控制方案，实验结果表明，PDF的控制效果在性能上（温室控制过程的静态误差，过渡过程时间，最大超调量）优于PI控制器的性能。但这种控制器的设计还是基于被控对象的数学模型，把温室的控制系统对象建模成一阶惯性滞后环节。这样对象模型的参数不同程度上随温室内空气流速，光照强度而变化，也随时间的变化而变化。因此被控对象是一个时变的对象，同时也是若干变量的函数，要想获得优化控制，创造一个适合作物生长的最佳环境有一定的难度。因此国内外学者目前大多采用智能控制方法对现代温室环境进行智能控制，并做了很多的研究，以下是温室环境智能方法控制方面的研究工作。
2.2.2 专家系统及应用
专家系统作为一种知识的载体，所表现出来的可靠性、客观性、永久性及其易于传播和复制的特性，是人类专家所不及的，因此在处理与解决某些领域问题时具有不可取代的重要作用。在温室生产中，影响作物生长的有室内和室外各种环境因子，作物和环境因子之间的关系非常复杂，难以模型化与定量描述。因此，在现代温室中可以利用专家经验知识建立作物生长参数与环境因素之间的关联系数。专家系统是应用人工智能技术，根据一个或多个专家提供的领域知识进行推理，模拟农业专家做决定的过程来解决那些复杂问题。
专家系统的基本结构由知识库、推理机、数据库、人机接口、解释机构及知识获取6部分组成[3]。专家系统善于解决不确定性的、非结构性的问题；它是靠知识和推理来解决问题，是基于知识的智能问题求解系统；它内部的知识和推理是相分离的，系统具有很好的灵活性和扩展性；它不仅能回答用户提出的问题，而且能够对最后的结论或处理问题的过程做出解释；它还有自学习能力，能不断的对自己的知识进行扩充、完善和提炼。沈天飞等在温室计算机控制系统的基础上，构建了一种专家控制平台，采用可组态的规则库和推理机制，以温室作物的生长指标作为依据，使农业科研人员能通过专家系统软件平台建立具体温室作物的计算机控制专家系统。龙利平等研究的加热实时专家控制系统，在外温的强扰动作用下，系统精度控制在0.5℃左右，完全满足温室温度控制的要求。文献[4]从工程实际出发，分析了温室气候计算机控制系统的要求，系统研究了温室气候计算机专家控制系统的设计与实现技术，对于提高温室气候的控制质量具有重要意义。
2.2.3 模糊控制算法及应用
温室环境系统是一个多变量，多耦合，非线性，大滞后的复杂动态系统，很难建立精确的数学模型。模糊控制不需要建立被控对象的精确数学模型，它是通过计算机完成人们用自然语言所描述的控制活动，其控制算法是把各种环境参数综合起来分析考虑，然后进行模糊控制[5]。模糊控制有许多良好的特性，它不需要事先知道对象的数学模型，具有响应速度快、超调小、过度时间短等优点，比PID控制调节速度快、鲁棒性好，但模糊控制稳态精度欠佳，只能实现粗略控制。
于海业等提出一种基于模糊控制算法的温室分季节、分时段的变温管理的控制方法。该系统能够很好的适应北方温室科学生产和自动化管理的要求，可满足温室作物栽培的需要。胥芳等建立了温室环境温度模糊专家控制系统的MATLAB仿真模型，仿真结果证明了该温室环境温度模糊控制策略的有效性及合理性。卢佩等采用模糊控制方法，通过建立模糊控制系统模型和对模糊控制器的设计，引入解耦参数，实现系统的温湿度解耦控制，提高了温湿度控制的精度。杨泽林等通过数据挖掘，利用采集的温室内、外温度及室内湿度数据对温室状态进行分类，提出一种基于各类别中的温室温、湿度变化率相关性进行模糊解耦控制。黄力栎等针对温室气候控制方法中温湿度之间的耦合作用，提出以温度控制为主、湿度控制为辅的控制策略，并建立两变量输入、三变量输出的控制主回路和补偿回路模糊控制系统，从而为温湿度控制提供了一种行之有效的方法。程昱宁等研究了温室冬季加热模式控制，采用Smith预测器先补偿掉系统大的延时，然后在Smith预测器前增加了模糊控制器，实现对温室的模糊控制。这种控制方式要比简单的模糊控制方式[6]在动态性能上有所改善。
2.2.4 神经网络控制算法及应用
神经网络采用黑箱方法能把复杂的系统通过有限的参数进行表达，具有自组织、自学习、非线性动态处理等特征，具有联想推理和自适应识别能力，不需要建立精确模型。神经网络优点是具有灵活性，适用于非线性和非物理数据，主要缺点是训练需要大量多维数据集，以减少推断风险[7]。
采用最常用的BP网络能对环境因子达到良好的控制效果。BP网络基本思想是最小二乘法，它采用梯度搜索技术，使网络的实际输出值与期望输出值的均方差最小。它由输入层、输出层和隐含层组成，隐含层可能含有一个或多个，每层由若干神经元组成。BP神经网络确实给温室检测系统模型的建立带来了方便，但神经网络是非线性的，进行稳定性分析相当困难。
Fathi Fourati等采用递归神经网络对温室进行直接动力学仿真，逆向神经网络与神经网络模型相结合以使系统的输出所需数值，给出仿真结果对温室的控制性能进行验证。R.Linker等建立可靠的温室环境和作物响应模型，通过消除不必要的输入，分别预测温度和CO2浓度使模型最简化，利用在小温室中两个夏季收集到的数据训练神经网络温室模型，实现温室内CO2注入和通风之间的平衡，达到了良好的CO2优化控制效果。P.M.Ferreira等[8]对混合离散训练方法和在线学习算法进行了分析，将离线方法应用于在线学习，利用线性非线性结构建立径向基函数神经网络，预测温室温度。
2.2.5 进化算法及应用
遗传算法是一种基于自然选择和群体遗传机理的搜索算法，它模拟了自然选择和遗传过程中的繁殖、和变异现象，遗传算法对复杂的优化问题不需要进行复杂的计算，只用遗传算法的3种算子就能得到最优解[9]。它的优点在于：通过参数空间编码并用随机选择的方法引导搜索向更高效的方向发展，对寻优函数基本无限制；通过目标函数来计算适配值而不需要其他推导和辅助信息，对问题的依赖性小；采用全局搜索，不易陷入局部最优点，更适合复杂大规模问题优化。
同济大学徐立鸿团队从97年开始在引进的荷兰温室中进行消化吸收其先进方法并针对本国温室环境系统特点进行研究工作，先后提出了基于栽培经验和参数辨识的温室环境多因子协调控制方法和基于温室环境动态模型和进化计算参数估计的多因子协调控制方法；基于Pareto最优的思想，利用多目标遗传算法对温室环境节能控制方法进行了有益的探讨，提出了相容优化控制算法；提出了对系统状态初值的不确定性鲁棒的温室环境系统相容优化控制方法；提出了基于温室环境动态模型对理想环境目标和能耗目标进行综合优化控制的新方法等。邓璐娟等采用多级控制策略，优化设定系统目标值来解决温室环境系统中多个时间响应常数相差过大的问题。设定系统优化目标值时，白天使植物获得最大的光合速率，夜间在满足植物生长和积温要求的前提下使温室处在能耗最小的状态下运行。构建了能量消耗为零（无加热、无制冷和无机械通风）时计算温室内部温度的模型，采用遗传算法对最优目标值进行搜索。计算结果取得了较高的效率又能节能。Hartmut Pohlheim等利用进化算法来计算温室系统的最优控制状态，每隔15-60分钟综合模型（短时间尺度模型）检测一下温室内的温度、湿度、CO2浓度，在约束条件下利用进化算法来优化温室环境控制以实现最大利润。
2.2.6 混合算法
（1）模糊PID控制算法
PID算法简单，可以实现精细控制，使系统准确跟踪设定值。模糊控制可充分利用现场和专家的经验，调节速度快，鲁棒性好，但只能实现粗略控制。对此将PID控制和模糊控制相结合，互补不足，采用混合模糊PID控制方法，解决温室环境调控中存在的时滞和模糊性问题。温室系统的延迟问题应该说是调控中很难处理的问题，任雪玲等运用预测技术解决了延迟问题，采用具有优化技术的PI和模糊控制混合技术进行调节，解决了粗调问题和细调问题。屈毅等针对温室控制对象存在的大滞后、大惯性等属性，传统控制方法的控制效果不甚理想的问题，在温室控制系统中，引入模糊PID控制方法。该方法能使温室温度控制系统根据季节的交替，时令的变化，实现优化控制，为农作物的生长发育提供合适的温度环境。
（2）基于遗传算法的优化模糊控制算法
遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。GA相比其它优化方法能更有效的求解复杂的寻优问题，为了解决模糊控制器设计中的困难，很多学者采用GA优化模糊控制规则，采用二进制编码法对控制规则进行编码，从而设计出具有自学习能力的模糊控制器。用GA调控模糊控制规则，既避免了GA优化过程的早熟现象，又可提高优化控制规则的速度。江苏大学毛罕平团队采用遗传算法优化隶属函数实现模糊控制器优化设计的方法，并将这种优化设计的模糊控制器应用于温室集散控制系统中[10]。
（3）模糊神经网络控制算法
模糊控制与神经网络相结合是一种新的技术，其主要特点是利用神经网络调整模糊推理系统的隶属度函数和推理规则，利用模糊推理规则的形式构造前向传播结构。另外，两者具有各自特性的互补性，神经网络完成的是从输入到输出的“黑箱”式非线性映射，但不具备象模糊控制那样因果规律以及模糊逻辑推理较强的知识表达能力。将两者有机地结合起来，神经网络强大的学习能力则可避免模糊控制规则和隶属函数的主观性，从而提高模糊控制的置信度，能更好的适应温室系统的非线性和时变特性。李红军等利用模糊神经网络控制器调节温室的温度因子，采用遗传算法优化高斯隶属函数的中心值和阈宽，用BP算法优化网络权值，提高了控制器的学习和调整能力。
2.2.7 其它方法的应用
Rodr’guez F.等采用分层控制法对温室作物生长进行控制，并进行了试验研究。第一个试验用自适应和反馈算法控制温室显示出良好的性能，第二个试验通过模型预测控制算法控制执行机构以获得良好的跟踪性能同时减小燃料消耗费用。J.P.Coelho等提出用粒子群优化算法设计基于模型的温室空气温度预测控制器，并与用遗传算法和逐步二次规划算法设计的控制器进行了比较，仿真结果显示用粒子群优化算法设计的基于模型的温室空气温度预测控制器效率更高。刘东利等采用神经网络模糊PID算法对温室内温度进行控制，取得了较好的动静态特性、鲁棒性和抗干扰能力。沈敏等考虑开关设备组合作用下温室测控系统的非线性动态特性，提出结构简单、不需复杂数值计算的离散预测模型，对设备组合进行滚动优化预测控制，大大简化温室测控系统预测控制算法的复杂性，缓解了测控系统分布大时滞问题。Tetsuo Morimoto等提出基于作物生长需求（Speaking Plant Approach），以及预测环境模型（PEM）方法来调控温室环境。这种做法[11]早在1980就提出了。只是当时的智能控制这一技术还没引起农业界的高度重视。随着科学技术的发展，现在基于神经网络，专家系统控制，模糊控制等技术使得基于SPA或PEM模型的温室调控成为可能。
3.存在的主要问题
各种控制算法各有优缺点，单一的采用某种控制算法，不能满足温室环境控制的精度要求。如模糊控制响应速度快、超调小、过渡时间短，但稳态精度欠佳，只能实现粗略控制。神经网络确实给温室系统模型的建立带来了方便，但神经网络是非线性的，进行稳定性分析相当困难。
国内有效的温室环境输入输出动态模型成果不多，并且在作物生长对温室环境反馈作用的方面研究的还不深入，所采用的模型在很大程度上进行了简化和近似，由于温室系统的复杂性以及存在的不确定性等因素，大大影响了实际中的控制效果，此外控制方法也是针对系统的部分特点难点有效，综合控制效果并不明显。
目前国内温室环境控制主要针对温度和湿度的控制进行研究，温室环境调控指标含糊，控制精度低，不能做到多环境因子综合控制。另外，国内外越来越重视对能源的节约，但是在节约能源的具体实现方法上还有待进一步研究。
4.展望
通过对目前国内外温室环境控制的研究现状进行分析，提出了今后温室环境控制系统的发展方向：
控制算法集成。由于现代温室环境控制系统是一个非线性、大滞后、多输入和多输出的复杂系统，单一的控制算法很难满足现代温室环境智能控制的要求，将多种智能控制算法集成，能进一步提高智能控制系统的性能，有效地为温室内作物创造最适宜的生长发育环境。
深入研究作物对温室环境的反馈作用机制，建立面向控制的适合我国温室的多环境因子综合环境控制输入输出动态模型。
进一步研究环境控制目标间冲突问题（如温度和湿度，CO2施肥的影响），环境控制精度和能耗目标冲突问题，对环境因子综合控制，并实现节能。
总之，未来的温室环境控制系统必将越来越以植物生长的最适宜环境为中心，以高效、节能为目标，大大促进设施农业的全面发展。
参考文献
[1]李锡文，杨明金，杨仁全.现代温室环境智能控制的发展现状及展望[J].农机化研究，2008（4）：9-13.
[2]Albert Setiawan，Louis D.A.，Richard M.P..Application of Pseudo-derivative-feedback Algorithm in Greenhouse Air Temperature Control[J].Computers and Electronics in Agriculture，2000，26（3）：283-302.
[3]李军，邹志荣，程瑞锋等.农业专家系统及其在园艺业中的研究与应用[J].陕西农业科学，2002（11）：22-25.
[4]郑秀莲.现代温室气候的专家控制系统[J].机电工程， 2003，20（3）：42-45.
[5]蓝淑渊，璩柏青.自寻优模糊控制器及其在温室温控中的应用[J].计算机时代，2005（10）：20-21.
[6]朱伟兴，毛罕平，李萍萍等.基于模糊控制的温室加热器的研究[J].农业工程学报，2002（3）：72-75.
[7]Ido Seginer.Some Artificial Neural Network Applications to Greenhouse Environmental Control[J].Computers and Electronics in Agriculture，1997，18：167-186.
[8]索兴梅，王崇桃.人工神经网络在农业中的应用研究[J].计算机与农业，2002（2）：6-7.
[9]任雪玲.温室环境多因子协调控制方法研究[D].上海：同济大学，2001.
[10]朱伟兴，毛罕平，李萍萍等.遗传优化模糊控制器在温室控制系统中的应用[J].农业机械学报，2002，33（3）：76-78.
[11]Tetsuo Morimoto，Yasushi Hashimoto.An Intelligent Control for Greenhouse Automation Oriented by The Concepts of SPA and SFA-an application to a post-harvest process[J].Computers and Electronics in Agriculture，2000，29（1-2）：3-20.
基金项目：国家自然科学基金项目（项目编号：61174090）。
作者简介：聂海强（1984—），男，山东人，从事多目标优化与控制的研究。