CN119474736A 一种日光温室智能化环境预测及调控的方法 （大连理工大学）

一种日光温室智能化环境预测及调控的方法本发明提出一种日光温室智能化环境预测络层和门控循环单元神经网络层的温室温湿度2S1.采集温室数据和温室外气象数据，并将所述温室数据和所述温室外气象数据合并S110.从温室内设备读取温室内环境数据构建温室数据集，所述温室内环境数据包括S120.基于时间段和目标区域信息从气象局官方网站采集温室外气象数据，所述温室S130.将所述温室外气象数据合并到步骤S110构建的所述温室数据集形成所述温室环S140.利用DBSCAN算法对所述温室环境数S170.对步骤S160相关性分析后的数据进行归一化处理，将所述温室环境数据集中数述步骤S110中按照1次/分钟的频率从温室内设备读取温室内环境数据构建所述温室数据述步骤S150包括基于步骤S110动态采集得到的所述温室数据集对步骤S140降噪处理后的3S210.构建所述温室温湿度预测模型的输入层进行温室环境数据预处理，包括将同一温室环境数据集中的数据表达为时间步长×S220.构建所述温室温湿度预测模型的卷积神经网络层捕捉输入的历史序列中深层次S240.构建所述温室温湿度预测模型的门控循环单元神经网络层，所述门控循环单元S320.利用损失函数对所述温室温湿度预测值与Ylabel计算损失值，并使用Adam优化器4S330.利用所述步骤S190得到的所述训练集对所述温室温湿度预测模型进行训练，在S340.利用所述步骤S190得到的所述验证集对所述温室温湿度预测模型超参数进行调D为微分时间常数；S420.根据已知的作物生长最佳温湿度信息，输入至步骤S410构建的所述温室环境控S430.所述温室环境控制模块根据所述温室温湿度预测结果、所述作物生长最佳温湿10.根据权利要求9所述的一种日光温室智能化环境预测及调控的方法，其特征在于，所述步骤S410中构建基于PID控制器的温室环境控5[0003]对于温室环境预测问题，有许多传统的基于统计的方法，如历史平均(History行精准预测，本发明提出基于深度学习技术的预测方法，利用卷积神经网络(ConvolutionalNeuralNetwork，CNN)与门控循环单元神经网络(GatedRecurrent[0007]S1.采集温室数据和温室外气象6[0012]S110.从温室内设备读取温室内环境[0013]S120.基于时间段和目标区域信[0014]S130.将所述温室外气象数据合并到步骤S110构建的所述温室数据集形成所述温[0020]S170.对步骤S160相关性分析后的数据进S110中按照1次/分钟的频率从温室内设备读取温室内环境数S150包括基于步骤S110动态采集得到的所述温室数据集对步骤S140降噪处理后的数据进[0028]S210.构建所述温室温湿度预测模型所述温室环境数据集中的数据表达为时间步长×特征7[0029]S220.构建所述温室温湿度预测模型的卷积神经网络层捕捉输入的历史序列中深[0031]S240.构建所述温室温湿度预测[0049]S330.利用所述步骤S190得到的所述训练集对所述温室温湿度预测模型进行训[0050]S340.利用所述步骤S190得到的所述验证集对所述温室温湿度预测模型超参数进8[0056]S420.根据已知的作物生长最佳温湿[0057]S430.所述温室环境控制模块根据[0064]S416.温室环境控制反馈，[0068](2)本发明采用卷积神经网络CNN和门控循环单元神经网络GRU相结合的深度学习9[0070]图1是本发明实施例提供的一种日光温室智能化环境预测及调控的方法流程示意[0076]S1.采集温室数据和温室外气象积神经网络层ConvolutionalNeuralNetwork，CNN，和门控循环单元神经网络层Gated[0081]S110.从温室内设备读取温室内环境[0082]S120.基于时间段和目标区域信[0083]S130.将所述温室外气象数据合并到步骤S110构建的所述温室数据集形成所述温实施例中利用DBSCAN(Density_BasedSpatialClusteringofApplicationswith[0085]S150.对步骤S140噪声处理后的数据他环境因素等，提前了解这些因素与温室内温湿度之间的相关性是构建模型的关键基础，关性分析在SPSS软件上以常用的皮尔逊相关系数(PearsonCorrelationCoefficient，[0096]S210.构建所述温室温湿度预测模型[0097]优选的，本实施例在输入层后构建了如图3所示的卷积神经网络层和门控循环单[0098]S220.构建所述温室温湿度预测模型的卷积神经网络层捕捉输入的历史序列中深[0100]S240.构建所述温室温湿度预测[0112]S330.利用所述步骤S190得到的所述训练集对所述温室温湿度预测模型进行训[0113]S340.利用所述步骤S190得到的所述验证集对所述温室温湿度预测模型超参数进[0115]优选的，本实施还包括如图4所示的基于日光温室智能化环境预测数据的温室环[0119]S420.根据已知的采集所述作物生长最佳[0120]S430.所述温室环境控制模块根据err(t)＝23_21＝2℃。[0127]S