【技術實現步驟摘要】
本專利技術屬于人工智能領域，具體公開了一種日光溫室智能化環境預測及調控的方法。
技術介紹
1、農業是國家第一產業，是人類生存之本，也是支撐整個國民經濟不斷發展與進步的重要保障。農業的發展將直接影響國民經濟的發展趨勢，其重要性不言而喻。農業現代化建設在經歷了良種化、水利化、化學化、機械化之后，已步入了自動化、智能化階段。在這一階段，農業數字化轉型將成為核心，新一代數字化信息技術與傳統農業結合正在成為推動現代農業高質量發展和實現鄉村振興戰略的必要手段。
2、對于溫室環境預測問題，有許多傳統的基于統計的方法，如歷史平均(historyaverage，ha)、向量自回歸(vector?autoregressive?model，var)、支持向量回歸(supportvector?machine，svr)和自回歸綜合移動平均(auto-regressive?moving?average?model，arima)。然而這些方法需要滿足時間序列的平穩性假設。受益于深度神經網絡的表示能力，這些方法利用圖神經網絡(graph?neural?networks，gnns)捕獲空間相關性，使用循環神經網絡(recurrent?neural?networks，rnns)來提取時間相關性，通過整合不同的網絡來探索時空相關性，從而實現更準確的日光溫室環境預測。但是這些方法都或多或少存在一定的局限性。
3、溫室內溫濕度等小氣候環境具有復雜的時序性、非線性的特點，受外部氣象條件、溫室的地理位置、溫室的調控系統等諸多因素影響，為了耦合這些影響
技術實現思路
1、本專利技術主要為了耦合這些影響溫室內溫濕度的特征信息，充分挖掘這些特征的內部潛在聯系及空間規律，采用深度學習方法，建立溫室內多點溫濕度預測模型，對溫室的溫濕度空間分布情況進行精準預測。
2、本專利技術提供了一種日光溫室智能化環境預測及調控的方法，包括如下步驟：
3、s1.采集溫室數據和溫室外氣象數據，并將所述溫室數據和所述溫室外氣象數據合并構成溫室環境數據集，對所述溫室環境數據集中數據依次進行數據噪聲處理、篩選、相關性分析和數據歸一化處理，得到預測數據集；
4、s2.構建并訓練溫室溫濕度預測模型，所述溫室溫濕度預測模型包括：輸入層、卷積神經網絡層和門控循環單元神經網絡層；
5、s3.將預測數據集輸入所述溫室溫濕度預測模型，訓練、驗證并調整所述溫室溫濕度預測模型超參數，得到溫室溫濕度預測結果；
6、s4.構建溫室環境控制模塊，基于作物生長最佳溫濕度信息、步驟s3得到的所述溫室溫濕度預測結果進行溫室環境調整。
7、根據本申請一些實施例的一種日光溫室智能化環境預測及調控的方法，所述步驟s1包括：
8、s110.從溫室內設備讀取溫室內環境數據構建溫室數據集，所述溫室內環境數據包括：日光溫室室內溫度、室內濕度、土壤溫度、土壤濕度、室內光照、放風機降溫排濕參數；
9、s120.基于時間段和目標區域信息從氣象局官方網站采集溫室外氣象數據，所述溫室外氣象數據包括：氣溫、相對濕度、風速、降水量、氣壓；
10、s130.將所述溫室外氣象數據合并到步驟s110構建的所述溫室數據集形成所述溫室環境數據集，其中所述溫室環境數據集內存儲的為時間序列特征向量；
11、s140.利用dbscan算法對所述溫室環境數據集內的數據進行噪聲處理；
12、s150.對步驟s140噪聲處理后的數據進行篩選；
13、s150.利用公式(1)對步驟s150篩選后的數據進行相關性分析，
14、
15、其中，xi是變量x的第i個觀測值，yi是變量y的第i個觀測值，所有xi的算術平均，是所有yi的算術平均；
16、s170.對步驟s160相關性分析后的數據進行歸一化處理，將所述溫室環境數據集中數據映射至[-1,1]范圍內得到預測數據集，如公式(2)所示：
17、
18、其中，x表示原始值，mean(x)表示樣本均值，std表示樣本方差，x′表示歸一化后的值。
19、根據本申請一些實施例的一種日光溫室智能化環境預測及調控的方法，所述步驟s110中按照1次/分鐘的頻率從溫室內設備讀取溫室內環境數據構建所述溫室數據集。
20、根據本申請一些實施例的一種日光溫室智能化環境預測及調控的方法，所述步驟s150包括基于步驟s110動態采集得到的所述溫室數據集對步驟s140降噪處理后的數據進行補全，并按照預設聚合窗口進行數據處理。
21、根據本申請一些實施例的一種日光溫室智能化環境預測及調控的方法，所述步驟s170之后還包括：
22、s180.基于預設窗口尺寸利用滑動窗口生成所述預測數據集data：{x,ylabel}，其中x為輸入的變量，ylabel為系統采集的實際數據。
23、s190.按照6:2:2的比例對所述預測數據集進行劃分，分別作為訓練集、驗證集和測試集。根據本申請一些實施例的一種日光溫室智能化環境預測及調控的方法，所述步驟s2包括：
24、s210.構建所述溫室溫濕度預測模型的輸入層進行溫室環境數據預處理，包括將同一時刻的室內所述溫濕度數據與所述溫室外氣象數據串聯成新的時間序列特征向量，則所述溫室環境數據集中的數據表達為時間步長×特征向量的二維矩陣；
25、s220.構建所述溫室溫濕度預測模型的卷積神經網絡層捕捉輸入的歷史序列中深層次的時間、空間特征規律，所述卷積神經網絡層由2個卷積層、1個最大池化層、2個卷積層、1個最大池化層依次串聯得到；
26、s230.對所述卷積神經網絡層輸出數據進行flatten操作；
27、s240.構建所述溫室溫濕度預測模型的門控循環單元神經網絡層，所述門控循環單元神經網絡層為2層結構，激活函數為relu激活函數，神經元數目分別為64、128；
28、s250.將網絡的輸出經過反歸一化后得到溫濕度預測數據。
29、根據本申請一些實施例的一種日光溫室智能化環境預測及調控的方法，所述步驟s220中，所述卷積層為卷積核3×3、卷積核數目依次為16、16、32、32的4層卷積層，卷積層采用relu激活函數；
30、所述最大池化層大小為2。
31、根據本申請一些實施例的一種日光溫室智能化環境預測及調控的方法，所述步驟s3包括；
32、s310.將所述預測數據集中數據x批量輸入所述溫室溫濕度預測模型，本文檔來自技高網...
【技術保護點】
1.一種日光溫室智能化環境預測及調控的方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟S1包括：
3.根據權利要求2所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟S110中按照1次/分鐘的頻率從溫室內設備讀取溫室內環境數據構建所述溫室數據集。
4.根據權利要求3所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟S150包括基于步驟S110動態采集得到的所述溫室數據集對步驟S140降噪處理后的數據進行補全，并按照預設聚合窗口進行數據處理。
5.根據權利要求4所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟S170之后還包括：
6.根據權利要求5所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟S2包括：
7.根據權利要求6所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟S220中，所述卷積層為卷積核3×3、卷積核數目依次為16、16、32、32的4層卷積層
8.根據權利要求7所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟S3包括；
9.根據權利要求8所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟S4包括：
10.根據權利要求9所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟S410中構建基于PID控制器的溫室環境控制模塊包括：
...【技術特征摘要】
1.一種日光溫室智能化環境預測及調控的方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟s1包括：
3.根據權利要求2所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟s110中按照1次/分鐘的頻率從溫室內設備讀取溫室內環境數據構建所述溫室數據集。
4.根據權利要求3所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟s150包括基于步驟s110動態采集得到的所述溫室數據集對步驟s140降噪處理后的數據進行補全，并按照預設聚合窗口進行數據處理。
5.根據權利要求4所述的一種日光溫室智能化環境預測及調控的方法，其特征在于，所述步驟s170之后還包括...
【專利技術屬性】
技術研發人員：申彥明，李云騰，齊恒，郭占俊，秦山，李國強，劉貴詩，張子昕，
申請(專利權)人：大連理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。