本發明涉及溫室環境自適應控制方法領域，尤其是適用于對溫室環境要求高的溫室大棚。

背景技術：

溫室生產是現代農業的重要組成部分，是農業信息化發展的主要應用領域，是國家在農業發展上的重中之重。溫室生產能實現生產效益最大化和成本最低化的目的，大幅度提高了資源利用率和生產效率，明顯改善了食品安全、環境污染和資源浪費等現象，加快了現代農業信息化控制和管理的步伐。在溫室生產中最重要的環節就是對溫室環境進行準確的檢測和有效的控制，特別是溫度、濕度、光照度和二氧化碳濃度等。通過實時的對溫室環境檢測并加以分析，結合農作物生長發育規律，控制溫室環境使溫室作物達到高產量、高質量和高品質的生產目的。隨著社會的發展，名貴作物需求的不斷擴大，加大了對溫室大棚培育的需求，使得溫室大棚環境的精準控制成為溫室控制中的重要課題。

當前，智能溫室控制大致分為自適應控制和非自適應控制兩大類。由于實際被控對象的模型參數通常隨外界條件的變化而發生變化，這就使得溫室的非自適應控制對設計者的經驗知識有較高的要求，而且控制效果仍不能滿足現代溫室農業的精準控制。自適應控制則可以有效的對系統模型在線辨識，實時的調整被控對象的模型參數，有效的對被控量進行在線補償。因此，溫室的自適應控制能夠有效的克服溫室系統的非線性、強耦合和時變等特性對溫室環境的精準控制帶來的影響。本發明提出了一種溫室環境自適應控制方法。建立了針對溫室控制中的離散非線性系統的動態等價線性預測模型，對動態等價線性預測模型中的未知變量采取了在線序列極限學習機在線參數估計，實現了溫室環境的在線自適應控制。有效提高了溫室環境的精準控制，對提高溫室生產有重大意義。

技術實現要素：

本發明所要解決的技術問題是：如何提供對溫室環境的精準控制。

本發明所采用的技術方案是：一種溫室環境自適應控制方法，按照如下步驟進行

步驟1，根據溫室系統輸入和系統輸出對應的關系，建立動態等價線性預測模型，確定該模型中狀態向量的形式。

步驟2，通過os-elm神經網絡的學習對建立的動態等價線性預測模型的參數進行估計。

步驟3，根據設計控制器的誤差準則函數，結合所獲得的動態等價線性預測模型參數估計值，最小化誤差準則函數獲得控制器輸出。

所述的步驟1中溫室系統輸入和系統輸出包括溫室加熱系統輸入和系統溫度輸出、溫室通風系統輸入和系統溫度輸出、溫室增濕系統輸入和系統濕度輸出、溫室除濕系統輸入和系統濕度輸出、溫室補光系統輸入和系統光照強度輸出、溫室二氧化碳發生器輸入和系統二氧化碳濃度輸出中的任意一種。

步驟1中建立的動態等價線性預測模型為yk+1＝f0[xk]+f1[xk]uk，其中，f0[xk]、f1[xk]為k時刻動態等價線性預測模型的待估參數，狀態向量xk為一個在(k-m+1),…,(k-1)時刻下的所有控制輸入和在(k-n+1),…,k時刻下的所有系統輸出信號組成的向量，即xk＝[yk-n+1,...,yk,uk-m+1,...,uk-1]，yk+1表示系統在k+1時刻的系統輸出，uk表示系統在k時刻的控制輸入，yk-n+1,...,yk表示系統在(k-n+1),…,k時刻的系統輸出，uk-m+1,...,uk-1表示系統在(k-m+1),…,(k-1)時刻的系統輸入，m、n分別為系統輸入和輸出的階數，m、n和k全為正整數。

步驟2的具體過程為，k時刻待估參數f0[xk]和f1[xk]所構建的os-elm神經網絡函數為和動態等價線性預測模型等價為簡寫為yk+1＝φkθ^*，其中g(ai,bi,xk)為os-elm神經網絡的隱層神經元的激活函數，其參數ai表示os-elm神經網絡隱層第i個神經元到輸入層的權值向量，bi表示隱層第i個神經元的偏置量，分別表示對f0[xk]和f1[xk]所構建的os-elm神經網絡所對應的隱層到輸出層權值向量，構建的每個os-elm神經網絡隱層節點數為l，對應l個權值，即l為正整數，構成的行向量轉置即為θ^*，φk＝[g(a1,b1,xk)...g(al,bl,xk)g(al+1,bl+1,xk)uk...g(a2l,b2l,xk)uk]，第k次學習獲得的輸出權值向量為w0k和w1k時，動態等價線性預測輸出值為：參數自適應估計表達式為：表示φk-1的轉置，ρ0為矩陣的逆。i為單位矩陣，ek表示在k大于等于2時刻溫室的實際輸出yk和預測輸出的差值，即i為正整數。φk-1表示函數值g(a1,b1,xk-1),…,g(al,bl,xk-1),g(al+1,bl+1,xk-1)uk-1,…,g(a2l,b2l,xk-1)uk-1構成的行向量，φk表示函數值g(a1,b1,xk),…,g(al,bl,xk),g(al+1,bl+1,xk)uk,…,g(a2l,b2l,xk)uk構成的行向量，是φk-1的轉置，ρk-1為矩陣的逆，即ρk-2為矩陣的逆，即

步驟3中誤差準則函數為為第k+1次系統的預測輸出，rk+1分別表示系統第(k+1)次系統輸出的期望值，為第k+1次時預測輸出和期望輸出的誤差，k為正整數。

所述的步驟3中最小化誤差準則函數為零，獲得控制器輸出為：

其中，uk+1為第(k+1)次系統的輸入值，w0k和w1k分別為第k次對權值向量和的估計。

本發明的有益效果是：提供了一種溫室環境自適應控制方法，克服了現有溫室控制系統難以精準建模以及傳統控制方法難以有效控制等問題，建立了針對溫室控制中的離散非線性系統的動態等價線性預測模型，對動態等價線性預測模型中的未知變量采取了在線序列極限學習機在線參數估計，基于動態等價線性預測模型的參數估計值構造預測誤差函數，通過最小化準則函數，獲得控制器輸出，并且控制器的設計不需要系統任何模型參數信息。有效提高了溫室環境自適應控制的精度。

附圖說明

圖1為本發明一種溫室環境自適應控制方法的流程圖。

具體實施方式

下面結合附圖1，通過詳細說明一個較佳的具體實施例，對本發明做進一步闡述，本發明不僅局限于此。

一種溫室環境自適應控制方法，包含如下步驟：步驟1，根據溫室系統輸入和系統輸出對應的關系，建立動態等價線性預測模型，確定該模型中狀態向量的形式。步驟2，通過在線序貫極限學習機(os-elm)神經網絡的學習對建立的動態等價線性預測模型的參數進行估計。步驟3，根據設計控制器的誤差準則函數，結合所獲得的動態等價線性預測模型參數估計值，最小化誤差準則函數獲得控制器輸出。

以溫室的溫度控制問題為例，具體控制如下：

溫室加熱系統輸入和系統溫度輸出

步驟1，被控系統是一個單輸入單輸出的非線性系統，取溫室加熱系統輸入為控制輸入，溫室系統溫度輸出為系統的控制輸出，狀態向量為一個在(k-m+1),…,(k-1)時刻下的所有控制輸入和在(k-n+1),…,k時刻下的所有系統輸出信號組成的向量。令x表示系統狀態向量，u表示系統的控制輸入，y表示系統的輸出，底數對應為所處時刻，則方程可以描述為：

yk+1＝f(yk,yk-1,...,yk-n+1,uk,uk-1...,uk-m+1)(0.1)

根據局部線性化近似為如下方程：

其中正整數m、n為系統輸入和輸出的階數，本實例中分別取m＝1，n＝1。

步驟2，如果已知系統的輸入輸出數據和神經網絡結構參數ai、bi、l和激發函數g(·)，則(0.2)式中只有系統權值向量θ^*是未知量，需要進行在線估計。估計準則函數組為：

其中，是yk的估計值。對(0.3)式最小二乘法，可得到θ^*的估計值

步驟3，設計控制器的誤差準則函數為：

最小化誤差準則函數，獲得控制器輸出為：

其中，為第k+1次時的誤差，rk+1是系統輸出的期望值，本實施例中取r＝28。

本實施例提供了一種溫室溫度自適應控制器在一個工作周期的工作過程，按如下時序工作：第一步，根據溫室系統輸入和系統輸出對應的關系，確定該模型中狀態向量的形式，按照(0.2)式建立被控對象的動態等價線性預測模型。第二步，利用獲取控制溫室系統溫度的輸入信號uk和對應系統的溫度輸出yk訓練構建的os-elm神經網絡，按照(0.4)式計算動態等價線性預測模型未知參數θ^*估計值。第三步，根據(0.5)式的誤差準則函數，按照(0.6)式計算系統控制輸入uk+1；將控制輸入信號輸入被控系統，產生新的系統輸出信號yk+1；返回第一步完成一個工作周期。

本發明采用動態線性化方法，通過提供被控系統的輸入輸出數據，采用在線序貫極限學習機神經網絡學習，建立了每個采樣時刻的動態等價線性化模型。采用了自適應控制算法，對溫室系統的動態等價線性模型中的參數進行在線估計，有效提高了溫室系統的控制精度。

最后應說明的是：以上各實施例僅用以說明本發明的技術方案，而非對其限制，本方案同樣可以用于控制溫室的濕度、光照度和二氧化碳濃度等；盡管參照前述各實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行同等替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的范圍。