基于改进PSO算法的多温室物联网群控终端变量协调控制研究*

冷令，吴伟斌，张伟杰，罗安生

(1. 中山职业技术学院信息工程学院，广东中山，528400； 2. 华南农业大学工程学院，广州市，510642； 3. 中山市农业科技推广中心，广东中山，528400)

0 引言

全世界范围内，发达国家早已开始利用仪器采集温室大田信息并按指标进行控制，基本实现了农业生产的机械化和自动化，而发展中国家在温室控制中只采用单因素控制技术，即分别对温湿度、光照强度、二氧化碳等环境条件进行控制，缺少先进的温室结构及空气温湿度调控系统，传统的农业种植条件无法实现作物的精细化生产，精准提供反季作物，为此一种全新的农业设施——温室应运而生[1-2]。

温室可以在相对可控环境下，利用科学技术手段，实现作物高效生产[3]。利用大数据技术可以有效了解农业相关数据的发展动态，拓展用户与温室作物的信息交流，控制农业生产要素为农业生产提供决策和尖端服务，提升作物质量，因此，艾精文等[4]在电网系统中，鉴于控制设备的重要性，有效地整合信息资源，按照控制设备生命周期管理的要求，运用物联网技术，实现控制信息的精细化和可视化，将信息模型引入电网设备的运行监测和管理，并提出一套完整的全景信息建模方案。牛萍娟等[5]对温室环境调控方式进行研究，设计了一种无线温室监测系统，解决了监测系统落后、生产效率低的问题，利用STM32完成了智能网关的设计，最终实现了监测功能，较好地满足了温室智能监测的应用要求。贾卫东等设计了一个去极值均值算法，对温室环境进行遥控，实现了控制设备的自适应实时控制，通过对样机总体结构的分析，使该控制设备能迅速调整并沿作物行中心线移动，使整个遥控系统灵敏、安全、可靠。

但是以上方法存在费用高、控制精准度差、智能化程度低、温室群信息管理缺失、难以实现集中控制分布式管理等问题。为此本文提出一种基于大数据的多温室物联网群控终端变量协调控制方法，该方法创新之处在于引入大数据以及物联网技术，增加控制变量，对温室的空气温度、相对湿度、光照强度以及二氧化碳浓度进行测控；区别于其他温室单一控制方法，引入PSO算法，并对区间内浮点数的取值范围进行优化，优化物联网温室群总控制终端，形成温室群整体、协调智能化控制，实现温室群智能化管控。

1 基于大数据的多温室物联网群控终端变量协调控制方法

为实现多温室群控终端变量协调控制，有效融合大数据技术、物联网、无线传感技术以及可视化技术，设计基于大数据的多温室分层分布式物联网群控集成系统，协调控制温室群的多参数、多变量[6]，综合分析温室作物生长大数据，实现温室群智能化管控。系统框架结果如图1所示。

图1 基于大数据的多温室分层分布式物联网群控集成系统框架

1.1 单温室智能化协调控制

以优化温室结构，提升温室自动化管理水平以及提升温室作物生长效率为目的，采用单个温室的多参数多变量协调控制方法，实现单温室智能化协调控制。

良好的生长环境是实现温室作物高效生产的基本保障，为此，单温室智能化协调控制需要对温室作物生长环境进行有效监控，并采取合适的策略对其实施智能化协调控制。温室作物生长环境监控需要依据作物的实际生长情况判定，即需要结合人工手动控制的经验确定控制优先级，通过参数的优先级别选取控制对应策略。温室中，温度、湿度、光照、二氧化碳含量的排列顺序为影响作物生长的环境优先级别顺序[7-9]。

传统的温室温湿度控制方法是利用水调控温湿度，该方法存在控制延迟性大、浪费人力资源过多等缺点。为实现温室温湿度环境参数协调控制，将VAV变风量空调温湿度自动控制系统应用到温室温湿度控制中。通过控制风口送风量实现温室温湿度变更，在风口处的压力性VAV Box中内置一个温湿度传感器[10]，检测温室内的温湿度，便于温室内温湿度智能化协调控制。温湿度控制示意图如图2所示。

图2 温湿度控制示意图

温室内的串级控制由变风量控制器和温室内的温控器共同形成，其中主控制量为温室的温度，辅控制量为空气流量。变风量控制器会依据温室设定温湿度以及内置温湿度传感器采集温湿度数据，智能控制风量调整信号，变更送风量，将温室温湿度调整至设定温湿度区间。与此同时风道压力传感器智能识别风道内压力变化，实现自适应调节，变更空调送风机转数[11]，控制送风量不变，将温室温湿度控制在设定区间。

传统的温室光照控制是利用光敏仪结合人工经验判断适合温室作物生长的光照情况。为实现温室光照智能化协调控制，将光照智能化控制系统应用到温室光照控制中，光照智能化协调控制系统利用系统内置光照传感器对温室作物实施生长光照程度监测，并将采集到的光照监测数据传输至与控制器相连接的执行部件，控制器中预先设定了温室作物的最佳生长光照区间，将光照传感器采集到的光照数据与设定的最佳生长光照区间作对比，利用模糊控制算法控制温室内光照。当传感器采集到的光照超出控制区间，算法控制器会控制执行器自动调节温室灯光和遮阳板开关，将温室的光照变更为作物所需光照区间的光照值，实现温室光照的智能化监测和协调控制。

利用光照智能控制系统调节温室光照过程中，当光照值达到或降低至一定值时，温室内的二氧化碳含量会产生相应改变，这种情况下光照值便可成为VAV变风量空调温湿度自动控制系统的行动指导，反馈控制变风量参数，联动其它控制器对温室环境参数智能调节，实现温室作物处于最佳环境中生长，提升温室作物产量的同时实现高效率管控。

1.2 多温室群控终端变量协调智能化控制

在完成单温室智能化协调控制基础上，实现温室群的协调控制。通过在温室群外布设一个总控制器，实现各个温室温度、湿度、光照、二氧化碳等环境参数的集中控制。温室群控制方式如图3所示。

图3 温室群控制方式

利用温室群总控制器集中管控各个温室的参数。单个温室将利用物联网采集到的环境参数经控制器上传至温室群控制平台，温室群控制平台采用大数据分析技术对其实行分析，若各温室作物品种相同，可利用温室群总控制器实施不同参数统一调控，并通过采集不同时期的作物生长状态，获取最适合作物生长的环境参数区间[12-14]。举例说明，若温室1的作物生长温度参考区间为13 ℃～16 ℃，控制器控制下的温室2的作物生长温度区间17 ℃～19 ℃，以此类推，通过定期观察n个温室的作物生长状况，采集温度相关大数据，利用系统平台记录并分析大数据，精确化指导温室作物生长。因此温室群集中协调控制可实现温室作物高效、节能、高产的最终目标。

1.3 基于改进PSO算法的多温室控制平台

伴随物联网在多温室群控集成系统的应用，多温室物联网的形成促进了多温室大数据的产生，物联网的特性导致其形成庞大的数据量会产生大量的结构化、半结构化以及非结构化数据信息，使多温室传感信息的应用面临挑战。因此，通过PSO算法(Particle Swarm Optimization，粒子群优化算法)对参数进行寻优操作，使结构化、半结构化以及非结构化数据信息整合起来，为协调控制提供基础条件。则有

(1)

其中，寻优适应值ω取值区间为[0,1]，主要作用为描述结构化、半结构化以及非结构化分散数据信息C′、γ和ωk的属性重要性，TH取值区间为[0.1%,10%]，主要作用为对筛选样本在总样本数量中占据比例的控制。C′、γ如式(2)所示。

(2)

其中，Z1、Z2代表PSO算法得到的实际寻优参数，也就是这些半结构化以及非结构化最优数据信息样本，两者取值范围是[-5,25]区间内浮点数。

以下对区间内浮点数的取值范围进行优化，能够表征PSO算法粒子更新函数的是式(3)。

(3)

r1、r2——[0,1]间的随机数；

w——惯性系数，其描述着粒子沿着原来速度方向飞行的趋势；

c1——多温室传感信息自身信任系数；

c2——粒子群体信任系数；

将PSO算法迭代次数定义为200，粒子群设置为40，为从中寻求出有用信息良好指导多温室作物生长，促进温室发展[15]，利用齐次变换矩阵研究粒子群运动情况，构建的三维齐次变换矩阵

(4)

式中：Bi j——群控终端相对于标准空间坐标系的作物传感信息矩阵；

Ki——粒子群信任系数提升矢量[5]。

在多种形式的协调控制中，分别绕坐标轴X、Y和Z的转动成为基本转动，当群控终端协调控制提升值Ki比1%小，则停止寻优，将此时的最优参数输出，为有效解决多温室物联网数据处理提供了一个平台框架，完成多温室群控终端变量协调控制，解决了极值调节控制系统运行的连续性和稳定性问题，有效存储、分析、查询多温室物联网产生的大数据。

由此可见，多温室物联网群控终端变量协调控制的实现离不开大数据技术的支持，大数据的发展是多温室物联网发展的必然手段。

基于改进PSO算法的多温室控制平台，有效利用大数据分析技术，对由传感器组成的物联网采集到的温度、湿度、光照、二氧化碳等环境参数以及相关生长状态和产量等数据实现处理与分析，实现温室群的智能化管控。基于改进PSO算法的多温室控制平台结构如图4所示。

图4 基于大数据的多温室控制平台结构

各个温室的无线传感器会实时采集温室作物生长环境中的各项环境数据信息，包括空气温度、湿度、光照、二氧化碳浓度以及病虫害等，经由GPRS网络上传至数据中心[16-23]，利用大数据分析技术进行分析，当环境参数信息超出温室作物生长参数指标范围，平台会发出警告，协调各控制器及时调整相关环境参数，实现多温室终端变量协调控制。

2 试验与分析

2.1 试验环境

为验证本文方法有效性，选取广东省中山市农业推广中心示范基地的温室大棚实施基于大数据的多温室分层分布式物联网群控集成系统部署，在各温室中分别布设温度传感器、湿度传感器、光照传感器、二氧化碳浓度传感器以及土壤湿度传感器，在温度控制柜中布设一个控制节点和一个与智能网关相连接的汇聚节点，实现温室与服务器间的数据远程传输。对无限采集节点的网络ID和无限信道进行设定保障各个温室独立组网。采用LJ-A系列室外气象站采集温室相关环境数据。温室环境参数实施监控界面如图5所示。

图5 温室环境参数监控界面

如图5所示，系统数据监控模块清晰显示温室的环境参数，并且能够自由切换想要获知的温室环境相关参数，可以自由设置数据采集周期，并实现采集数据和设备状态数据存储，且界面操作简单、功能齐全。

2.2 数据采集性能测试

数据采集测试的目的是验证无线传感器对温室内的空气温度、湿度、光照强度、二氧化碳浓度以及土壤湿度等环境参数的采集性能。数据采集每10 min一次，在3个温室大棚共进行5次试验，试验结果如表1所示。

表1 温室环境参数采集结果

分析表1数据可知，传感器采集到的数据可以被正常读取，且传感器采集到的温室环境参数与气象站采集数据相差很小，均在传感器采集环境参数参考值的正常区间内波动。其中传感器采集的空气温度与气象站的平均误差均值为0.182 ℃；传感器采集的相对湿度、光照强度、二氧化碳浓度、土壤湿度的数据与气象站采集数据的平均误差均值分别为为0.336%RH、16.60 lx、18.4 ppm、1.5%。结果表明本文方法的数据采集具备良好准确性。

2.3 智能控制效果测试

智能控制测试是验证本文方法的温室环境参数智能化控制效果。以番茄温室番茄幼苗在上午的最适生长环境为例，采用本文方法对温室的空气温度、相对湿度、光照强度以及二氧化碳浓度进行测控，设置温室内空气温度、相对湿度、光照强度、二氧化碳浓度的目标值分别为27 ℃、50%RH、1 151 lx、1 500 ppm。每隔12 s将采集到的数据存储至数据库中一次，共采集40 min，试验结果如表2～表5所示。

表2 空气温度试验数据

表3 相对湿度试验数据

分析表2～表5的温室环境参数可知，本文方法可对温度、相对湿度、光照强度和二氧化碳浓度等环境参数进行良好的调控，其中稳定时设定的目标温度值的平均值为25.6 ℃，误差值为1.4 ℃，相对湿度平均值为47.60%RH，误差值为2.4%RH左右，光照强度和二氧化碳浓度也基本可以维持在一个较小的范围内波动。试验结果表明本文方法具备较好数据控制性能，控制稳定性较强，控制下的环境参数误差较小。

表4 光照强度试验数据

表5 二氧化碳浓度试验数据

2.4 实际值与目标值的拟合测试

该文通过在温室外部设置一个总控制器，对各温室内的温度、湿度、光照、二氧化碳等环境参数进行集中控制，从而实现温室总控制器对各个温室的集中控制。在这个过程中，对各个参数的实际控制程度由实际值与目标值的拟合程度反映，本文方法测试结果如图6所示。

图6 不同环境参数实际值与目标值的拟合测试结果

由图6可知，本文方法在四种试验参数的测试下，其拟合结果最高可达80%，说明本文方法的各项环境参数均可在短时间内控制到环境参数设置目标值，其平台运行速度和准确性得到保证，可以为温室作物良好生长提供最佳环境参数。

3 结论

针对现有的温室控制方法存在信息传输慢、所控环境变量单一以及智能化水平低的控制现状，提出基于改进PSO算法的多温室物联网群控终端变量协调控制方法，并通过试验得出以下结论。

1) 将大数据以及物联网等先进技术有效引入温室终端变量协调控制中，可提升温室作物产量，促进农业经济发展。

2) 对温室的空气温度、相对湿度、光照强度以及二氧化碳浓度进行测控，温度值的平均值为25.6 ℃，误差值为1.4 ℃，相对湿度平均值为47.60%RH，误差值为2.4%RH左右，光照强度和二氧化碳浓度波动范围较小，提高温室群协调智能化控制。为该领域的相关研究提供参考。

3) 通过与其他方法的对比测试，突出本研究能够为温室环境中信息化管理、智能化控制，其不同环境参数实际值与目标值拟合结果最高可达80%，为农业大数据利用提供理论集成与技术实现途径。