基于粒子群優化算法的太陽能水培智能控制系統設計與實現

關鍵詞：粒子群優化算法;最大功率點跟蹤;水培智能控制;模糊控制;Smith預估器;光伏發電

中圖分類號：TP273 文獻標志碼：A

0 引言（Introduction）

目前，水培營養液水質參數調控的發展仍然滯后，營養補給存在較大時延[1]，并且設備運轉會產生額外的碳排量。因此，研制兼具精準控制技術和節能環保特性的水培智能控制系統，具有重大的科研意義。

模糊控制算法常被運用于農作物的生產監控中[2]，但其參數選取隨機性較大，控制反饋有時延，容易超調。對此，趙羊羊等[3]用PSO算法優化模糊控制器的量化、比例因子，提升了系統的抗干擾能力;SAKTHIVEL等[4]利用Smith預估器有效補償了模糊控制器的輸入時變延遲。光伏電池的轉換效率受環境變化影響而呈現不穩定性[5]。為實現效率最大化，周濤等[6]設計了MPPT控制的自供電光伏電源系統，提高了能量收集效率;王津[7]提出一種基于擾動觀測法的MPPT方法，有效減少在外部環境變化時的功率波動。

綜上，本研究選擇PSO算法對模糊控制參數尋優，引入Smith預估器，實現對營養液pH 和EC值的精確、高效控制，從而穩定維持作物適宜的生長環境;同時，加入光伏發電模塊，并通過MPPT算法提升發電效率，大幅減少了碳排量。

1 系統結構及工作原理（System structure andworking principle）

1.1 系統總體結構

完整的水培智能控制系統采用三層架構，自上而下有應用層、云服務層和感知控制層。感知控制層主要由數據采集模塊和設備控制模塊組成，兩個模塊集成于STM32L151C8T6芯片中，構成一個完整的控制核心。其中，由pH傳感器和EC傳感器構成的數據采集模塊負責獲取營養液的水質參數，并將數據上傳至設備控制模塊進行控制決策;設備控制模塊通過定時程序和算法程序分別對循環水泵、補光燈、MPPT控制器和加液蠕動泵下達相應指令以調控作物的生長環境。云服務層選用Openfire通信服務器作為數據雙向傳輸的橋梁，把感知控制層獲取到的營養液水質參數傳輸到應用層，供用戶查看和分析，同時把用戶觸發的控制指令下發至感知控制層，指揮系統完成相應操作。應用層是基于微信公眾號平臺搭建的一個用戶端，可以進行網絡配置、設備管理、控制模式切換、補光控制、實時數據監測和歷史數據查詢等操作。水培智能控制系統整體結構圖如圖1所示。

1.2 營養液水質參數控制設計

用戶先通過微信公眾號向系統下達自動控制指令，設備控制模塊接收指令后，通過營養液存儲桶中的pH 傳感器和EC傳感器獲取實時數據，再通過PSO算法和Smith預估器優化的模糊控制器輸出控制決策，進而驅動蠕動泵分別適量抽取4種溶液進行補充。在實驗過程中，營養液的pH通過注入酸液和堿液進行調節，EC值通過注入肥料母液和水進行調節。由于改進后的模糊控制器具有獨特的反饋機制，因此系統會持續獲取pH 和EC的實測值并與預設的最適值進行相互比較，根據比較結果不斷重復上述蠕動泵的加液流程，直至參數穩定在最適值。在自動控制狀態下，循環水泵會定時開啟，向水培架中補充營養液，同時也將被消耗的殘液輸送回存儲桶中重新加液更新，營養液水質參數控制結構圖如圖2所示。

1.3 光伏發電控制設計

根據種植現場需求，將若干個電池分別串聯和并聯組成光伏電池組。在光伏電池組和負載之間引入MPPT控制器，用于控制光伏電池端的電壓，使變換后的工作點正好與光伏電池的最大功率點重合[8]。完成光能向直流電的轉化后，電能存儲于蓄電池內備用。逆變器則將蓄電池組中的存電轉化為穩定的交流電供給系統的負載使用，以保證系統正常運轉。完整的光伏發電控制結構如圖3所示。

2 模糊控制器的設計與優化（Design andoptimization of fuzzy controller）

2.1 模糊控制器設計針

對調控pH和EC值的需求，分別設計了兩個模糊控制器，每個控制器負責合理分配兩個蠕動泵的加液速率，以精確調節對應的營養液水質參數。記最適宜水培作物生長的pH和EC值分別為P 和E，這兩個變量的取值因作物品種而有所差異，本實驗選擇生菜作為研究對象，分別取P 為6.5，E 為2.000 mS/cm[9]。

在初始化工作點時，電壓和電流的采樣值選擇開路電壓的一半或者短路電流的一半。算法通過不斷更新D （t），確保擾動方向始終與輸出功率增大的方向一致，當|ΔP|小于設定閾值α 時停止擾動，將系統的工作點穩定在最大功率點附近。擾動觀測算法流程圖如圖9所示。

依據上述算法原理設計出的控制仿真模型主要由核心Boost升壓電路、光伏電池、MPPT控制器和PWM 模塊組成，MPPT算法模型圖如圖10所示。

4 系統性能測試（Performance testing of system）

4.1 系統實物開發

本研究設計的水培智能控制系統是江蘇省鎮江市重點研發計劃項目，實驗系統的設計、開發與測試工作均在江蘇科茂信息技術有限公司的農產品實驗基地完成，其研究成果于2023年11月9日成功通過專家組項目驗收，目前已結項并將研制出的系統進行了實際的部署，并獲得了顯著的產收效果。以下是基于粒子群優化算法的太陽能水培智能控制系統的實物研發成果（圖11）。

4.2 營養液水質參數調控有效性測試

4.2.1PSO Smith優化的模糊控制算法效果測試

實驗比較了3種模糊控制算法，分別為傳統模糊控制、Smith模糊控制和PSO Smith模糊控制。實驗主要驗證的是本研究設計的算法模型對比兩種傳統算法，是否能夠更靈敏、準確地調節營養液水質參數，使目標參數以更快的速度回歸作物生長所需的最適值，并維持在一個相對穩定的范圍。實驗將最適pH和EC值分別設置為6.5和2.000 mS/cm，再把pH 和EC值的初始值分別調整為4.5和0 mS/cm。

仿真實驗結果如下。

傳統模糊控制算法耗費81 s達到pH 預設值，并在183 s 后維持穩定，維穩后的波動范圍在6.497～6.668，波動幅值為0.171;Smith模糊控制算法耗費59 s達到pH 預設值，并在102 s后維持穩定，維穩后的波動范圍在6.412～6.561，波動幅值為0.149;PSO Smith模糊控制算法耗費44 s達到pH預設值，并在63 s后維持穩定，維穩后的波動范圍在6.489～6.586，波動幅值為0.097。pH調控效果圖如圖12所示。

傳統模糊控制算法耗費80 s達到EC預設值，并在181 s 后維持穩定，維穩后的波動范圍在2.001～2.176 mS/cm，波動幅值為0.175 mS/cm;Smith模糊控制算法耗費57 s達到EC 預設值，并在100 s后維持穩定，維穩后的波動范圍在1.974～2.127 mS/cm，波動幅值為0.153 mS/cm;PSO Smith模糊控制算法耗費43 s達到EC預設值，并在62 s后維持穩定，維穩后的波動范圍在1.987～2.089 mS/cm，波動幅值為0.102 mS/cm。EC值調控效果圖如圖13所示。

4.2.2 水培種植測試

將實驗的觀測時間定為45 d，將生菜幼苗均勻地種植在水培架上，開啟設備控制箱中的PSO Smith模糊控制線程使系統進入自動控制模式。營養液水質參數每日的記錄方法為早、中、晚進行3次水質采樣，每次采樣重復獲取6次數據，計算18次采樣數據的平均值，記錄為當日的觀測值。為了減少其中沉積物等雜質對營養液水質參數的影響，每隔15 d更新一次營養液。通過上述測量方法，得到pH 和EC值在實驗期間的變化趨勢分別如圖14（a）和圖14（b）所示。

4.3 MPPT控制算法效果測試

在系統設計中選擇的光伏電池的基本參數如下：開路電壓Uoc 為22.00 V;短路電流Isc 為8.58 A;最大功率點電壓Um為17.70 V;最大功率點電流Im 為7.94 A;最大功率Pm 為140.00 W。設置的實驗環境條件為室溫25 ℃和光照強度1 000 W/m2?；谝陨蠀?，可以得到電流、電壓和功率的跟蹤效果如圖15所示。

5 結論（Conclusion）

本文設計的基于粒子群優化算法的太陽能水培智能控制系統覆蓋了應用層、云服務層和感知控制層，依靠嵌入式等相關技術完成了實物搭建。實驗數據的對比結果顯示，引入PSO算法和Smith預估器的模糊控制器具有更短的調節時間和更小的波動幅度，解決了時滯問題，提升了控制效率。種植測試中，pH和EC值始終維持在最適范圍內輕微浮動，證明了系統的可靠性。MPPT擾動觀測算法電流、電壓和功率跟蹤效果圖表明，經過短暫的調節，光伏設備工作點能與最大功率點相匹配，提升了發電效率。

綜上所述，本系統既達到了大幅提升農作物生產效率的目的，又符合低碳農業的環保理念，具有深遠的研究意義和廣闊的應用前景。

作者簡介：

張凈（1975-），女，博士，副教授。研究領域：計算機應用，電子與通信工程。

涂笑童（1999-），男，碩士生。研究領域：電子與通信工程。

劉曉梅（1976-），女，本科，高級工程師。研究領域：企業信息化，農業信息化。