一种基于时参模型的日光温室控制方法

本发明涉及日光温室控制，具体涉及一种基于时参模型的日光温室控制方法。

背景技术：

1、温室控制技术作为设施农业温室建设的核心领域之一，在提高农作物生产效益和优化环境条件方面发挥着关键作用。日光温室作为一种常见的设施农业温室类型，其控制技术的研究和应用对于促进农业生产的可持续发展至关重要。然而，传统的控制模式在日光温室中存在一些局限性，如对于时变环境条件的不适应性和对于温室系统自身动态特性的不准确性，这使得现代农业温室控制研究成为一个难点和关键。因此，通过对大量农业数据的挖掘与分析，进而生成控制模式的方法应运而生。然而，对于日光温室控制模式的研究尚未有较好的解决方法，目前缺乏应用机器学习的日光温室控制模式的分析方法研究，涉及控制参数过多且所需数据庞大，计算时间长，导致无法快速有效进行日光温室的控制。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种基于时参模型的日光温室控制方法解决了现有方法涉及控制参数过多且所需数据庞大，计算时间长，导致无法快速有效进行日光温室的控制问题。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、提供了一种基于时参模型的日光温室控制方法，其包括以下步骤：

4、s1、获取日光温室的原始温度数据集；

5、s2、利用非均匀采样方法对原始温度数据集进行处理，得到处理后的温度数据集；

6、s3、基于温室热交换系统构建时参模型；

7、s4、将处理后的温度数据集输入至时参模型进行控制，得到控制模式；

8、s5、通过控制模式对日光温室进行温度调控，完成对日光温室的控制。

9、进一步地，步骤s2的具体步骤：

10、s2-1、对原始温度数据集进行分段处理，得到分段后的温度数据集；

11、s2-2、利用机器学习对第n段温度数据集进行分析，得到对应的分析后的温度数据集；其中，机器学习包括决策树拟合方法、神经网络拟合方法、回归拟合方法和svm拟合方法，n的初始值为1；

12、s2-3、对各分析后的温度数据集进行对比，得到对比后的温度数据集；

13、s2-4、判断对比后的温度数据集是否满足使用条件；若是则得到满足条件的温度数据集并进入步骤s2-5；反之则调整机器学习中的方法并返回步骤s2-2；

14、s2-5、对满足条件的温度数据集进行计算，得到各温度数据对应的偏导数和梯度；

15、s2-6、根据各温度数据对应的偏导数和梯度，对温度数据集进行筛选和重构，得到重构后的温度数据集；

16、s2-7、对重构后的温度数据集进行非均匀采样，得到一次采样后的温度数据集；

17、s2-8、计算一次采样后的温度数据集的密度；基于各密度对第n段温度数据集进行重采样，得到重采样后的温度数据集；

18、s2-9、对重采样后的温度数据集进行拟合，并对拟合结果与步骤s2-2中的分析后的温度数据集进行比对，得到对应的最终温度数据；

19、s2-10、将n值加1并返回步骤s2-2，直至得到每一段温度数据集对应的最终温度数据；

20、其中，处理后的温度数据集包括各段的最终温度数据。

21、进一步地，步骤s2-3的具体过程为：对各机器学习分析后的温度数据集绘制的拟合效果图进行曲线平滑度对比，选取曲线平滑度最高的分析后的温度数据集作为对比后的温度数据集。

22、进一步地，步骤s2-4的使用条件为：对比后的温度数据集对应的拟合后的温度曲线是否连续平滑。

23、进一步地，步骤s2-9的具体过程为：将重采样后的温度数据集对应的拟合结果和步骤s2-2中的分析后的温度数据集对应的拟合结果进行比对，判断两者之间的重合度，若重合度满足阈值，则得到当前段对应的最终温度数据并进入步骤s2-10；反之则计算两者之间的偏差，并基于偏差更新采样权重，返回步骤s2-7。

24、进一步地，步骤s3的时参模型的公式为：

25、

26、其中，t为时间，f(t)为处理后的温度数据集，q为温度的热传导系数，t为传递温变，为自然温变，为温度变化率。

27、进一步地，步骤s3的控制模式的状态空间公式为：

28、

29、

30、其中，为系统状态向量随时间的变化率，即状态向量的导数，a为系数矩阵，z为系统的状态向量，b、c分别为二维列向量和二维行向量，u为处理后的温度数据集，y为系统的输出向量，d为零矩阵。

31、进一步地，在时参模型训练过程中，采用函数v、时参模型对应的相图和时间序列图判断时参模型的稳定性；当函数v为正定、时参模型对应的相图呈内螺旋和时间序列图收敛时，则判定时参模型的稳定性良好，反之则重新进行训练；其中，函数v的公式如下：

32、

33、其中，t为传递温变，t0为初始传递温变，为传递温变t的一阶导数，v1(t)、v2(t)、v3(t)分别为系统的能量函数、系统传递温变t与初始传递温变t0之间的平方误差和lyapunov函数。

34、本发明的有益效果为：本发明通过非均匀采样和机器学习对原始温度数据进行处理，减少了原始温度数据的冗余度，进一步提高计算速度和控制精度；只需利用温度参数构建时间-温度模型，简化模型复杂度，实现日光温室的调控。

技术特征：

1.一种基于时参模型的日光温室控制方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于时参模型的日光温室控制方法，其特征在于：所述步骤s2的具体步骤：

3.根据权利要求2所述的基于时参模型的日光温室控制方法，其特征在于：所述步骤s2-3的具体过程为：对各机器学习分析后的温度数据集绘制的拟合效果图进行曲线平滑度对比，选取曲线平滑度最高的分析后的温度数据集作为对比后的温度数据集。

4.根据权利要求2所述的基于时参模型的日光温室控制方法，其特征在于：所述步骤s2-4的使用条件为：对比后的温度数据集对应的拟合后的温度曲线是否连续平滑。

5.根据权利要求2所述的基于时参模型的日光温室控制方法，其特征在于：所述步骤s2-9的具体过程为：

6.根据权利要求1所述的基于时参模型的日光温室控制方法，其特征在于：所述步骤s3的时参模型的公式为：

7.根据权利要求1所述的基于时参模型的日光温室控制方法，其特征在于：所述步骤s3的控制模式的状态空间公式为：

8.根据权利要求1所述的基于时参模型的日光温室控制方法，其特征在于：在时参模型训练过程中，采用函数v、时参模型对应的相图和时间序列图判断时参模型的稳定性；当函数v为正定、时参模型对应的相图呈内螺旋和时间序列图收敛时，则判定时参模型的稳定性良好，反之则重新进行训练；其中，函数v的公式如下：

技术总结本发明公开了一种基于时参模型的日光温室控制方法，涉及日光温室控制技术领域，包括以下步骤：获取日光温室的原始温度数据集；利用非均匀采样方法对原始温度数据集进行处理，得到处理后的温度数据集；基于温室热交换系统构建时参模型；将处理后的温度数据集输入至时参模型进行控制，得到控制模式；通过控制模式对日光温室进行温度调控。本发明通过非均匀采样和机器学习对原始温度数据进行处理，减少了原始温度数据的冗余度，进一步提高计算速度和控制精度；只需利用温度参数构建时间‑温度模型，简化模型复杂度，实现日光温室的调控。技术研发人员：严李强,张福豪,方晓捷,高心雨,雷旭霞,宋沛琳受保护的技术使用者：西藏大学技术研发日：技术公布日：2024/7/25