基于改進PSO算法的多溫室物聯網群控終端變量協調控制研究*

冷令，吳偉斌，張偉杰，羅安生

(1. 中山職業技術學院信息工程學院，廣東中山，528400； 2. 華南農業大學工程學院，廣州市，510642； 3. 中山市農業科技推廣中心，廣東中山，528400)

0 引言

全世界范圍內，發達國家早已開始利用儀器采集溫室大田信息并按指標進行控制，基本實現了農業生產的機械化和自動化，而發展中國家在溫室控制中只采用單因素控制技術，即分別對溫濕度、光照強度、二氧化碳等環境條件進行控制，缺少先進的溫室結構及空氣溫濕度調控系統，傳統的農業種植條件無法實現作物的精細化生產，精準提供反季作物，為此一種全新的農業設施——溫室應運而生[1-2]。

溫室可以在相對可控環境下，利用科學技術手段，實現作物高效生產[3]。利用大數據技術可以有效了解農業相關數據的發展動態，拓展用戶與溫室作物的信息交流，控制農業生產要素為農業生產提供決策和尖端服務，提升作物質量，因此，艾精文等[4]在電網系統中，鑒于控制設備的重要性，有效地整合信息資源，按照控制設備生命周期管理的要求，運用物聯網技術，實現控制信息的精細化和可視化，將信息模型引入電網設備的運行監測和管理，并提出一套完整的全景信息建模方案。牛萍娟等[5]對溫室環境調控方式進行研究，設計了一種無線溫室監測系統，解決了監測系統落后、生產效率低的問題，利用STM32完成了智能網關的設計，最終實現了監測功能，較好地滿足了溫室智能監測的應用要求。賈衛東等設計了一個去極值均值算法，對溫室環境進行遙控，實現了控制設備的自適應實時控制，通過對樣機總體結構的分析，使該控制設備能迅速調整并沿作物行中心線移動，使整個遙控系統靈敏、安全、可靠。

但是以上方法存在費用高、控制精準度差、智能化程度低、溫室群信息管理缺失、難以實現集中控制分布式管理等問題。為此本文提出一種基于大數據的多溫室物聯網群控終端變量協調控制方法，該方法創新之處在于引入大數據以及物聯網技術，增加控制變量，對溫室的空氣溫度、相對濕度、光照強度以及二氧化碳濃度進行測控；區別于其他溫室單一控制方法，引入PSO算法，并對區間內浮點數的取值范圍進行優化，優化物聯網溫室群總控制終端，形成溫室群整體、協調智能化控制，實現溫室群智能化管控。

1 基于大數據的多溫室物聯網群控終端變量協調控制方法

為實現多溫室群控終端變量協調控制，有效融合大數據技術、物聯網、無線傳感技術以及可視化技術，設計基于大數據的多溫室分層分布式物聯網群控集成系統，協調控制溫室群的多參數、多變量[6]，綜合分析溫室作物生長大數據，實現溫室群智能化管控。系統框架結果如圖1所示。

圖1 基于大數據的多溫室分層分布式物聯網群控集成系統框架

1.1 單溫室智能化協調控制

以優化溫室結構，提升溫室自動化管理水平以及提升溫室作物生長效率為目的，采用單個溫室的多參數多變量協調控制方法，實現單溫室智能化協調控制。

良好的生長環境是實現溫室作物高效生產的基本保障，為此，單溫室智能化協調控制需要對溫室作物生長環境進行有效監控，并采取合適的策略對其實施智能化協調控制。溫室作物生長環境監控需要依據作物的實際生長情況判定，即需要結合人工手動控制的經驗確定控制優先級，通過參數的優先級別選取控制對應策略。溫室中，溫度、濕度、光照、二氧化碳含量的排列順序為影響作物生長的環境優先級別順序[7-9]。

傳統的溫室溫濕度控制方法是利用水調控溫濕度，該方法存在控制延遲性大、浪費人力資源過多等缺點。為實現溫室溫濕度環境參數協調控制，將VAV變風量空調溫濕度自動控制系統應用到溫室溫濕度控制中。通過控制風口送風量實現溫室溫濕度變更，在風口處的壓力性VAV Box中內置一個溫濕度傳感器[10]，檢測溫室內的溫濕度，便于溫室內溫濕度智能化協調控制。溫濕度控制示意圖如圖2所示。

圖2 溫濕度控制示意圖

溫室內的串級控制由變風量控制器和溫室內的溫控器共同形成，其中主控制量為溫室的溫度，輔控制量為空氣流量。變風量控制器會依據溫室設定溫濕度以及內置溫濕度傳感器采集溫濕度數據，智能控制風量調整信號，變更送風量，將溫室溫濕度調整至設定溫濕度區間。與此同時風道壓力傳感器智能識別風道內壓力變化，實現自適應調節，變更空調送風機轉數[11]，控制送風量不變，將溫室溫濕度控制在設定區間。

傳統的溫室光照控制是利用光敏儀結合人工經驗判斷適合溫室作物生長的光照情況。為實現溫室光照智能化協調控制，將光照智能化控制系統應用到溫室光照控制中，光照智能化協調控制系統利用系統內置光照傳感器對溫室作物實施生長光照程度監測，并將采集到的光照監測數據傳輸至與控制器相連接的執行部件，控制器中預先設定了溫室作物的最佳生長光照區間，將光照傳感器采集到的光照數據與設定的最佳生長光照區間作對比，利用模糊控制算法控制溫室內光照。當傳感器采集到的光照超出控制區間，算法控制器會控制執行器自動調節溫室燈光和遮陽板開關，將溫室的光照變更為作物所需光照區間的光照值，實現溫室光照的智能化監測和協調控制。

利用光照智能控制系統調節溫室光照過程中，當光照值達到或降低至一定值時，溫室內的二氧化碳含量會產生相應改變，這種情況下光照值便可成為VAV變風量空調溫濕度自動控制系統的行動指導，反饋控制變風量參數，聯動其它控制器對溫室環境參數智能調節，實現溫室作物處于最佳環境中生長，提升溫室作物產量的同時實現高效率管控。

1.2 多溫室群控終端變量協調智能化控制

在完成單溫室智能化協調控制基礎上，實現溫室群的協調控制。通過在溫室群外布設一個總控制器，實現各個溫室溫度、濕度、光照、二氧化碳等環境參數的集中控制。溫室群控制方式如圖3所示。

圖3 溫室群控制方式

利用溫室群總控制器集中管控各個溫室的參數。單個溫室將利用物聯網采集到的環境參數經控制器上傳至溫室群控制平臺，溫室群控制平臺采用大數據分析技術對其實行分析，若各溫室作物品種相同，可利用溫室群總控制器實施不同參數統一調控，并通過采集不同時期的作物生長狀態，獲取最適合作物生長的環境參數區間[12-14]。舉例說明，若溫室1的作物生長溫度參考區間為13 ℃～16 ℃，控制器控制下的溫室2的作物生長溫度區間17 ℃～19 ℃，以此類推，通過定期觀察n個溫室的作物生長狀況，采集溫度相關大數據，利用系統平臺記錄并分析大數據，精確化指導溫室作物生長。因此溫室群集中協調控制可實現溫室作物高效、節能、高產的最終目標。

1.3 基于改進PSO算法的多溫室控制平臺

伴隨物聯網在多溫室群控集成系統的應用，多溫室物聯網的形成促進了多溫室大數據的產生，物聯網的特性導致其形成龐大的數據量會產生大量的結構化、半結構化以及非結構化數據信息，使多溫室傳感信息的應用面臨挑戰。因此，通過PSO算法(Particle Swarm Optimization，粒子群優化算法)對參數進行尋優操作，使結構化、半結構化以及非結構化數據信息整合起來，為協調控制提供基礎條件。則有

(1)

其中，尋優適應值ω取值區間為[0,1]，主要作用為描述結構化、半結構化以及非結構化分散數據信息C′、γ和ωk的屬性重要性，TH取值區間為[0.1%,10%]，主要作用為對篩選樣本在總樣本數量中占據比例的控制。C′、γ如式(2)所示。

(2)

其中，Z1、Z2代表PSO算法得到的實際尋優參數，也就是這些半結構化以及非結構化最優數據信息樣本，兩者取值范圍是[-5,25]區間內浮點數。

以下對區間內浮點數的取值范圍進行優化，能夠表征PSO算法粒子更新函數的是式(3)。

(3)

r1、r2——[0,1]間的隨機數；

w——慣性系數，其描述著粒子沿著原來速度方向飛行的趨勢；

c1——多溫室傳感信息自身信任系數；

c2——粒子群體信任系數；

將PSO算法迭代次數定義為200，粒子群設置為40，為從中尋求出有用信息良好指導多溫室作物生長，促進溫室發展[15]，利用齊次變換矩陣研究粒子群運動情況，構建的三維齊次變換矩陣

(4)

式中：Bi j——群控終端相對于標準空間坐標系的作物傳感信息矩陣；

Ki——粒子群信任系數提升矢量[5]。

在多種形式的協調控制中，分別繞坐標軸X、Y和Z的轉動成為基本轉動，當群控終端協調控制提升值Ki比1%小，則停止尋優，將此時的最優參數輸出，為有效解決多溫室物聯網數據處理提供了一個平臺框架，完成多溫室群控終端變量協調控制，解決了極值調節控制系統運行的連續性和穩定性問題，有效存儲、分析、查詢多溫室物聯網產生的大數據。

由此可見，多溫室物聯網群控終端變量協調控制的實現離不開大數據技術的支持，大數據的發展是多溫室物聯網發展的必然手段。

基于改進PSO算法的多溫室控制平臺，有效利用大數據分析技術，對由傳感器組成的物聯網采集到的溫度、濕度、光照、二氧化碳等環境參數以及相關生長狀態和產量等數據實現處理與分析，實現溫室群的智能化管控。基于改進PSO算法的多溫室控制平臺結構如圖4所示。

圖4 基于大數據的多溫室控制平臺結構

各個溫室的無線傳感器會實時采集溫室作物生長環境中的各項環境數據信息，包括空氣溫度、濕度、光照、二氧化碳濃度以及病蟲害等，經由GPRS網絡上傳至數據中心[16-23]，利用大數據分析技術進行分析，當環境參數信息超出溫室作物生長參數指標范圍，平臺會發出警告，協調各控制器及時調整相關環境參數，實現多溫室終端變量協調控制。

2 試驗與分析

2.1 試驗環境

為驗證本文方法有效性，選取廣東省中山市農業推廣中心示范基地的溫室大棚實施基于大數據的多溫室分層分布式物聯網群控集成系統部署，在各溫室中分別布設溫度傳感器、濕度傳感器、光照傳感器、二氧化碳濃度傳感器以及土壤濕度傳感器，在溫度控制柜中布設一個控制節點和一個與智能網關相連接的匯聚節點，實現溫室與服務器間的數據遠程傳輸。對無限采集節點的網絡ID和無限信道進行設定保障各個溫室獨立組網。采用LJ-A系列室外氣象站采集溫室相關環境數據。溫室環境參數實施監控界面如圖5所示。

圖5 溫室環境參數監控界面

如圖5所示，系統數據監控模塊清晰顯示溫室的環境參數，并且能夠自由切換想要獲知的溫室環境相關參數，可以自由設置數據采集周期，并實現采集數據和設備狀態數據存儲，且界面操作簡單、功能齊全。

2.2 數據采集性能測試

數據采集測試的目的是驗證無線傳感器對溫室內的空氣溫度、濕度、光照強度、二氧化碳濃度以及土壤濕度等環境參數的采集性能。數據采集每10 min一次，在3個溫室大棚共進行5次試驗，試驗結果如表1所示。

表1 溫室環境參數采集結果

分析表1數據可知，傳感器采集到的數據可以被正常讀取，且傳感器采集到的溫室環境參數與氣象站采集數據相差很小，均在傳感器采集環境參數參考值的正常區間內波動。其中傳感器采集的空氣溫度與氣象站的平均誤差均值為0.182 ℃；傳感器采集的相對濕度、光照強度、二氧化碳濃度、土壤濕度的數據與氣象站采集數據的平均誤差均值分別為為0.336%RH、16.60 lx、18.4 ppm、1.5%。結果表明本文方法的數據采集具備良好準確性。

2.3 智能控制效果測試

智能控制測試是驗證本文方法的溫室環境參數智能化控制效果。以番茄溫室番茄幼苗在上午的最適生長環境為例，采用本文方法對溫室的空氣溫度、相對濕度、光照強度以及二氧化碳濃度進行測控，設置溫室內空氣溫度、相對濕度、光照強度、二氧化碳濃度的目標值分別為27 ℃、50%RH、1 151 lx、1 500 ppm。每隔12 s將采集到的數據存儲至數據庫中一次，共采集40 min，試驗結果如表2～表5所示。

表2 空氣溫度試驗數據

表3 相對濕度試驗數據

分析表2～表5的溫室環境參數可知，本文方法可對溫度、相對濕度、光照強度和二氧化碳濃度等環境參數進行良好的調控，其中穩定時設定的目標溫度值的平均值為25.6 ℃，誤差值為1.4 ℃，相對濕度平均值為47.60%RH，誤差值為2.4%RH左右，光照強度和二氧化碳濃度也基本可以維持在一個較小的范圍內波動。試驗結果表明本文方法具備較好數據控制性能，控制穩定性較強，控制下的環境參數誤差較小。

表4 光照強度試驗數據

表5 二氧化碳濃度試驗數據

2.4 實際值與目標值的擬合測試

該文通過在溫室外部設置一個總控制器，對各溫室內的溫度、濕度、光照、二氧化碳等環境參數進行集中控制，從而實現溫室總控制器對各個溫室的集中控制。在這個過程中，對各個參數的實際控制程度由實際值與目標值的擬合程度反映，本文方法測試結果如圖6所示。

圖6 不同環境參數實際值與目標值的擬合測試結果

由圖6可知，本文方法在四種試驗參數的測試下，其擬合結果最高可達80%，說明本文方法的各項環境參數均可在短時間內控制到環境參數設置目標值，其平臺運行速度和準確性得到保證，可以為溫室作物良好生長提供最佳環境參數。

3 結論

針對現有的溫室控制方法存在信息傳輸慢、所控環境變量單一以及智能化水平低的控制現狀，提出基于改進PSO算法的多溫室物聯網群控終端變量協調控制方法，并通過試驗得出以下結論。

1) 將大數據以及物聯網等先進技術有效引入溫室終端變量協調控制中，可提升溫室作物產量，促進農業經濟發展。

2) 對溫室的空氣溫度、相對濕度、光照強度以及二氧化碳濃度進行測控，溫度值的平均值為25.6 ℃，誤差值為1.4 ℃，相對濕度平均值為47.60%RH，誤差值為2.4%RH左右，光照強度和二氧化碳濃度波動范圍較小，提高溫室群協調智能化控制。為該領域的相關研究提供參考。

3) 通過與其他方法的對比測試，突出本研究能夠為溫室環境中信息化管理、智能化控制，其不同環境參數實際值與目標值擬合結果最高可達80%，為農業大數據利用提供理論集成與技術實現途徑。