温室温度控制系统神经网络PID控制算法研究

薄永军

摘要 在以优质、高效、高产为目的的现代化农业发展新阶段，温室自动化技术的研究受到广泛重视。对于温室自动控制系统，由于其非线性、强耦合、纯滞后、大惯性的自身特性，传统PID控制已难以满足高品质温室控制系统的需求。由于BP神经网络具有强大的学习能力及非线性映射性，将BP神经网络控制引入常规PID控制中，采用BP神经网络PID控制方案，设计温室温度的自动控制系统并进行仿真验证。仿真结果表明，相比于传统的PID控制系统，所设计的基于BP神经网络PID控制系统具有更强的自适应能力与稳健性，控制品质具有明显优势。

关键词 温室自动化；神经网络PID控制；稳健性

中图分类号 S126 文献标识码 A 文章编号 0517-6611（2014）13-04102-03

Abstract The automation technology has been widely used in greenhouse for the purpose of new stage of modern agricultural development is highquality， efficiency and high yield. For greenhouse automatic control system， due to its nonlinear， strong coupling， large inertia， pure lag， traditional PID control is difficult to meet the high quality of greenhouse control system requirements. This paper introduced the BP neural network control into conventional PID control， for BP neural network has strong ability of learning and nonlinear mapping， designing greenhouse temperature automatic control system and simulation， use the BP neural network PID control scheme. The simulation results show that， compared to the traditional PID control system， the design of PID control system based on BP neural network has better adaptive ability and robustness， control quality has obvious advantages.

Key words Greenhouse automation； Neural network PID control； Robustness

在传统农业向现代化农业转型的今天，以温室大棚等自动化技术为代表的设施农业作为农业科技研究中的重要领域之一，受到了国内外学者的广泛关注。温室环境的实时监测与调控是温室自动控制系统的关键，而实现温室自动控制的基础就是温室环境系统动态模型的建立。在温室数学模型建立的基础上，传统温室系统温度、湿度控制大多采用常规PID控制，控制方法简便且易于实现。但由于温室环境系统具有强非线性、多变量、强耦合以及抗干扰能力较差的特性[1]，且所处的环境存在大量不确定因素，难以建立其精确的数学模型，因此传统的PID控制方式已难以满足高品质温室控制系统需求。

为提高温室自动控制中的稳健性，避免传统PID控制方法的不足，引入神经网络BP设计具有自适应能力的智能PID控制系统是一种有效的解决方法。在建立温室环境下

小气候数学模型的基础上，采用PID控制与神经网络BP算

法相结合的控制方案，以温室系统中最重要影响因子温度为被控对象，设计其控制系统，利用数值仿真，与传统PID控制方法进行比较，验证了该研究提出的BP神经网络PID在温室控制中的有效性和稳健性。

1 温室环境小气候建模分析与研究

1.1 温室环境影响因子分析

温室环境因子是指植物生长过程中的关键因素，包括温度、湿度、光照、CO2浓度和营养液，其中温度是环境控制中最为重要的控制指标。

温室控制系统由气候控制系统和灌溉控制系统两部分组成。气候控制主要以温室内太阳辐射、温湿度因子、CO2浓度等为对象进行控制；而对于营养灌溉液的控制称为灌溉控制。

温室的气候控制系统结构如图1所示。图中干扰包括光照、外界温度、外界CO2浓度、外界相对湿度等；控制器输入分别为光照误差、温湿度误差、CO2浓度误差。

由仿真试验可知，在施加外界干扰的情况下，常规PID控制出现了较大的振荡，且持续时间较长；而BP神经网络PID控制系统的波动明显比常规PID控制要小得多，且很快回复到稳定状态。因此，在存在外界干扰或内部参数摄动的情况下，BP神经网络PID控制系统具有更强的鲁棒性。

4 结论

针对温室控制系统非线性、大延迟、大惯性等自身特性，该研究将智能算法引入温室控制系统的设计中。首先，通过对温室环境小气候数学模型的建立，以及环境因子的分析，得出温室温度的动态模型；其次，利用BP网络自身超强的学习能力和非线性模型任意逼近的特性，采用BP神经网络与常规PID控制相结合的设计方案，设计了温室温度基于BP神经网络的PID控制器并进行仿真验证。仿真结果表明，相比常规PID控制，根据BP神经网络PID控制所设计的控制系统具有更好的动态性能，且具有更强的鲁棒性。

参考文献

[1] 屈毅，宁铎.温室温度控制系统的神经网络PID控制[J].农业工程学报，2011，27（2）：307-311.

[2] BERNIER H，COTTINET M L.A Lowcost realtime multitasking computerized controller for farm buildings[J].ASEA，2013，87：45-51.

[3] 李强.大滞后温度系统的控制方法研究[D].重庆：西南交通大学，2009.

[4] 高迟，吕元峰.基于模糊神经网络的温室控制系统[J].农机化研究，2009（10）：187-189.