[发明专利]一种基于低温胁迫的卷帘机智能控制方法

权利要求书

1.一种基于低温胁迫的卷帘机智能控制方法，其特征在于，包括以下步骤：

第一步，根据植物生长阶段和现有试验条件，确定建模环境因子，构建基于NARX神经网络的日光温室室内实时温度预测模型及基于SVR的室内夜间最低温预测模型；

第二步，根据预测模型实现揭被决策：当时间为凌晨零点至正午十二点之间且棉被状态为覆盖时，首先，利用室外光辐射值计算修正后的室内光辐射值，当修正后的室内光辐射值小于光补偿点，保持原状态0返回环境数据采集环节后继续判断，直至修正后的室内光辐射值大于等于光补偿点，将室内温度、室内空气湿度、室内二氧化碳浓度、室外光辐射、修正后的室内光辐射值、卷帘棉被状态作为输入构建NARX神经网络温度预测模型，预测下一时刻室内空气温度，将预测值与温度阈值比较，当预测值大于当前时刻值温度值或大于等于温度阈值时，即刻生成卷帘机上行指令1，进行揭被；当预测值小于等于当前时刻温度且小于温度阈值时，当前时刻保持原状态0返回数据采集环节接收最新数据循环执行本步步骤，直至生成卷帘机上行指令1，结束决策过程；

第三步，根据预测模型实现盖被决策：当时间为正午十二点至第二天凌晨零点之间且棉被为揭开状态时，首先判断室内光辐射值是否大于光补偿点，当小于光补偿点时，直接生成卷帘机下行指令-1，结束决策过程；当大于等于光补偿点时，将当前时刻的温室空气温度和室外温度，以及修正后的室外夜间最低温输入SVR室内夜间最低温回归预测模型，预测室内夜间最低温，将预测值与温度阈值比较，分析对比结果，当预测值大于温度阈值，则保持当前状态0返回环境数据采集环节重复本步步骤，直至当前时刻预测值小于等于温度阈值或光辐射值小于等于光补偿点，即刻生成卷帘机下行指令-1，结束决策过程。

2.根据权利要求1所述基于低温胁迫的卷帘机智能控制方法，其特征在于，所述第一步中室内实时温度预测模型以每组样本包含的室内空气湿度、室内二氧化碳浓度、室内光辐射、室外空气温度、室外光辐射、卷帘棉被状态转换为一个cell型数据作为模型输入，以未来时刻室内温度为输出，设置NARX网络结构为6-10-1，隐层激活函数为tagsig函数，输出层激活函数为purelin线性传递函数，训练函数为trainlm函数，误差性能函数为mse函数。

3.根据权利要求1所述基于低温胁迫的卷帘机智能控制方法，其特征在于，所述第一步中室内夜间最低温预测模型以盖被时刻的室内空气温度、室外空气温度和室外夜间最低温为输入，模型输出为室内夜间最低温，选用RBF为核函数，惩罚参数c为2.83，核函数参数g为0.06。

4.根据权利要求1所述基于低温胁迫的卷帘机智能控制方法，其特征在于，所述第二步中温度阈值根据温室中植物生长临界低温与预测模型最大误差两者共同决定。

5.根据权利要求1所述基于低温胁迫的卷帘机智能控制方法，其特征在于，所述第二步日光温室室内温度预测模型中当前时刻室外光辐射值与室内光辐射值之间的拟合关系为：

y＝0.75x-0.02

其中，x为室外光辐射，y为室内光辐射修正值。

6.根据权利要求1所述基于低温胁迫的卷帘机智能控制方法，其特征在于，所述第三步夜间最低温预测模型中对天气预报夜间室外最低温做修正，修正方程为：

y＝0.76x-0.14

其中，x、y分别为修正前后的夜间室外最低温。

7.根据权利要求1所述基于低温胁迫的卷帘机智能控制方法，其特征在于，所述第二步中在环境温度高于所设阈值的严寒期，在尚未达到光补偿点但预测结果表明室内温度不会下降时进行揭被以尽早升温。

8.根据权利要求1所述基于低温胁迫的卷帘机智能控制方法，其特征在于，温度预测模型可实现预测时长及结果更新间隔由试验精度和卷帘机开启所需时间共同确定。