一种基于环境状态感知的大棚智能调控方法及系统与流程
本发明属于设施农业环境智能控制,具体涉及一种基于环境状态感知的大棚智能调控方法及系统。
背景技术:
1、设施农业中,基于多源传感器的大棚环境监测与调控系统已得到广泛应用。然而,现有技术仍存在以下不足:
2、一、传感器数据存在系统性漂移,缺乏在线补偿机制
3、大棚内高温高湿的恶劣环境导致传感器在使用数月后普遍产生零点漂移和增益漂移。现有技术中虽然存在采用深度学习进行数据校正的方法,但均未从传感器物理退化机理出发建立可在线更新的性能退化模型,融合结果随设备老化逐渐偏离真实值。
4、二、环境突变时预测模型失效,缺乏快速恢复机制
5、遭遇突发天气变化时,环境参数出现训练样本中未包含的突变模式,预测误差急剧增大。现有技术中虽然存在采用在线学习方法进行预测模型更新的方案,但更新过程需要一定数量的新样本和迭代步数,无法在突变发生后的短时间内恢复预测精度。
6、三、系统全链路固有延迟导致调控滞后
7、传感器采集、传输、融合、预测、决策至指令执行存在数秒至数十秒的固有延迟。现有技术中虽然存在针对单一环节的延迟补偿方法,但未对系统全链路各环节延迟进行系统性分解与建模。
8、四、多调控设备耦合干扰随环境状态变化
9、通风、加热、喷雾等设备之间存在复杂耦合干扰,耦合系数随温度、湿度、风速等环境状态动态变化。现有技术中虽然存在基于固定工况系统辨识的解耦方法,但固定的解耦参数无法适应耦合系数的时变特性。
技术实现思路
1、为了解决以上技术问题,本发明提供一种基于环境状态感知的大棚智能调控方法及系统。
2、为实现上述目的,本发明提供一种基于环境状态感知的大棚智能调控方法,包括以下步骤:
3、s1:在大棚内构建三维监测网格,布设多类型传感器,采集多源环境数据;
4、s2:记录各传感器的累计运行参数,构建传感器性能退化函数,结合双基准在线校准对传感器原始数据进行漂移在线补偿,并根据补偿结果更新各传感器的置信度分数;
5、s3:对补偿后的多源传感器数据进行融合,构建当前时刻的环境状态向量s(t);
6、s4:对环境状态向量序列进行在线变化点检测,当检测到环境突变时,从模型参数快照库中匹配相似环境状态并进行参数回滚,回滚后利用新采集的数据进行快速增量微调;
7、s5:测量系统全链路各环节延迟,对总延迟进行预测,将预测目标时间点前移进行前瞻预测,生成与未来时刻环境状态对齐的控制指令;
8、s6:基于当前环境状态向量从调控参数库中匹配对应的动态调控参数组,采用所述调控参数组对多调控设备进行协同控制;
9、s7:在实际调控过程中,持续采集环境状态响应数据,对调控参数组进行在线微调,并将新的环境状态-调控参数映射关系存入调控参数库。
10、优选地,所述步骤s2中的传感器性能退化函数为:
11、
12、其中,t为累计运行时长,为历史经理的最高温度,为历史经历的最高湿度,n为累计通电次数,为漂移速率系数,为环境应力加速因子,为温度应力系数,为湿度应力系数,通断电冲击系数。所述双基准在线校准包括:利用高精度参考传感器进行绝对基准校准,利用同区域同类型多传感器的群体一致性进行相对基准校准;
13、所述漂移在线补偿包括:综合退化函数估计值、绝对基准校准结果和相对基准校准结果,采用加权递推最小二乘法实时估计各传感器的零点偏移δb_i和增益偏移δk_i,对原始观测值进行补偿校正:
14、
15、其中,为原始观测值,δ
b为零点偏移,δ
k为增益偏移,为补偿校正后的值;
16、所述置信度分数按照下式更新:
17、
18、其中,c0为初始置信度,λ为衰减系数,σb为零点偏移的归一化因子,σk为增益偏移的归一化因子。
19、优选地,所述步骤s3中的融合包括:基于各传感器的置信度分数
ci和测量方差计算融合权重:
20、
21、其中,wi为第i个传感器的融合权重,n为参与融合的传感器数量;
22、计算各环境参数的加权平均值作为融合结果;
23、所述环境状态向量为:
24、
25、其中,
t为温度,
h为湿度,
i为光照强度,
c为浓度,
m为土壤湿度,为温度变化率,为湿度变化率。
26、优选地,所述步骤s4中的在线变化点检测采用贝叶斯变化点检测算法,按照下式计算各时间点作为变化点的后验概率:
27、▏▏
28、其中,▏为根据最近
rt个观测值对当前值的预测概率,▏为运行长度的先验分布,当后验概率超过预设阈值θ_change时判定为环境突变事件;
29、所述匹配相似环境状态包括:提取当前突变模式的特征向量fcurrent,与历史快照库中各快照的环境状态标签特征向量fhistory进行余弦相似度计算:
30、
31、其中,sim(fcurrent, fhistory)为余弦相似度;若存在相似度超过预设阈值θsim的历史快照,则将模型参数回滚至该快照版本。
32、优选地,所述预测概率▏通过对最近rt个观测值进行概率密度估计得到;所述运行长度的先验分布▏采用幂律分布:
33、▏
34、其中,c为幂律指数,c的取值范围为0.5至1.0;所述后验概率的预设阈值θchange的取值范围为0.6至0.8;所述相似度的预设阈值θsim的取值范围为0.80至0.90。
35、优选地,所述步骤s5中的全链路各环节延迟包括:传感器采集延迟τs、数据传输延迟τt、融合计算延迟τf、预测计算延迟τp、决策计算延迟τd、指令传输延迟τc和执行设备响应延迟τa;通过在各环节打时间戳的方式在线测量各环节延迟;
36、优选地,所述步骤s6中的调控参数库通过以下方式构建:
37、对历史运行数据中的环境状态向量进行高斯混合模型聚类,得到k个典型环境状态簇,高斯混合模型的概率密度函数为:
38、;其中,为第k个高斯分量的混合系数,满足;μk和σk分别为第k个高斯分量的均值向量和协方差矩阵;模型参数通过期望最大化算法迭代求解,聚类数k通过贝叶斯信息准则确定;
39、对于每个状态簇k,利用该簇内的历史“环境状态-调控指令-环境响应”数据对,采用带正则化的最小二乘法求解该状态下的最优控制参数uk和耦合补偿系数矩阵ck:
40、
41、其中,y为实际环境响应向量,u为控制指令向量,η为正则化参数;
42、将各状态簇及其对应的控制参数和耦合补偿系数矩阵存储为调控参数库p ={p1, p2, ..., pk},其中pk = (uk, ck);
43、所述动态调控参数组匹配包括:计算当前环境状态向量s(t)与各状态簇中心μk的马氏距离:
44、
45、其中,为当前状态与第k个状态簇中心的马氏距离,为第k个状态簇协方差矩阵的逆矩阵;
46、k'≥2且k'≤k,对其对应的调控参数组进行距离加权插值:
47、
48、其中,权重wk = 1/(dk +η),η为极小正数防止除零,得到当前状态下的动态调控参数组p(t);
49、耦合补偿系数矩阵c(t)用于对多设备间的耦合影响进行解耦分配:
50、
51、其中,u(t)为控制参数向量,ueff(t)为经耦合补偿后的有效控制量。
52、优选地,所述步骤s7中的在线微调采用带遗忘因子的递推最小二乘法,递推公式为:
53、
54、
55、
56、其中,ρ为遗忘因子(0.95≤ρ≤0.99),φ(t)为当前控制输入和环境状态构成的回归向量,θ(t)为调控参数向量,p(t)为协方差矩阵,p(0)初始化为对角矩阵,y(t)为实际环境响应,k(t)为增益矩阵,i为单位矩阵;
57、当微调后的调控参数组与当前状态簇中心参数的偏差超过预设阈值时,在调控参数库中新增一个状态簇并存储微调后的参数组。
58、本发明还提供一种基于环境状态感知的大棚智能调控系统,包括:
59、三维监测网格传感模块,用于在大棚内构建三维监测网格并采集多源环境数据;
60、传感器漂移补偿模块,用于执行步骤s2所述的漂移在线补偿;
61、数据融合与状态构建模块,用于执行步骤s3所述的数据融合与环境状态向量构建;
62、变化点检测与模型恢复模块,用于执行步骤s4所述的环境突变检测与模型快速恢复;
63、延迟补偿与前瞻预测模块,用于执行步骤s5所述的延迟测量与前瞻预测;
64、调控参数库与动态匹配模块,用于执行步骤s6所述的动态调控参数匹配;
65、分层协同调控模块,用于根据匹配得到的调控参数组生成控制指令并输出至各执行设备;
66、在线学习与参数更新模块,用于执行步骤s7所述的调控参数在线微调。
67、本发明与现有技术相比,具有以下有益效果:
68、第一,通过构建包含累计运行时长t、最高温度、最高湿度的退化函数,从机理上刻画传感器漂移;补偿后置信度分数c(t)根据残差自动调整,残差越大权重越低,使数据融合精度在传感器全生命周期内保持稳定。
69、第二,贝叶斯变化点检测通过幂律先验▏实时识别环境突变;余弦相似度匹配历史快照进行参数回滚,回滚后仅微调最后1-2层网络参数,恢复时间从数十分钟缩短至秒级。
70、第三,将系统延迟分解为τs至τa七个独立环节并分别打时间戳测量,采用arima模型预测总延迟τtotal,将预测目标前移τtotal使控制指令生效时刻与环境状态预测时刻对齐,消除调控滞后。
71、第四,调控参数库将每个状态簇k与其对应的调控参数组pk=(uk,ck)关联存储,每个状态簇独立求解最优控制参数uk和耦合补偿系数ck;在线运行时通过马氏距离匹配最邻近状态簇并加权插值,实现耦合系数的工况自适应调整。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com