[發明專利]一種溫室能耗的模型優化預測方法

有效

• 申請號: 201510412071.7
• 申請日: 2015-07-14
• 公開（公告）號: CN105117787B
• 公開（公告）日: 2019-01-08
• 發明（設計）人: 管海娃
• 申請（專利權）人: 溫州科技職業學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種溫室能耗的模型優化預測方法，其特征在于：所述預測方法包括以下步驟：

1)建立溫室能量物理模型

溫室熱平衡定義為溫度變化速率，同時通過溫度變化速率轉換來計算溫室內部供熱系統需要提供的能量，供熱系統采用風機盤管，風機盤管需要提供的能量表述如下：

式中，Q_g為風機盤管提供的能量，W；ρ_air為空氣密度，kg/m³；V為溫室的體積，m³；C_air為空氣的比熱容，J/(kg·k)；T_i為溫室室內的空氣溫度，℃，為單位時間內溫度的變化率；Q_solar為進入到溫室的凈太陽光照輻射能量，W；Q_long為進入到溫室的長波輻射能量，W；Q_cover為溫室與外界的傳導熱量，W；Q_vent為溫室與外界的通風換熱能量，W；Q_trans為溫室中的作物蒸騰所需要的能量，W；Q_crop為溫室中的作物冠層與空氣熱傳導的能量，W；

根據熱輻射定律，進入到溫室的凈太陽光照輻射能量Q_solar表示如下：

Q_solar＝A_sI_aT_a·T_cT_nX_t (3)

式中，A_s為溫室地表面積，m²；I_a為室外輻射通量密度，W/m²；T_a為覆蓋材料的透光率，T_c為保溫幕透光率；T_n為內遮陽透光率；X_t為凈太陽光照輻射的修正系數；

溫室的長波輻射能量Q_long表示如下：

Q_long＝ε₁₂A_gσ(T_i⁴-T_sky⁴)·X_l (7)

式中，ε₁₂為覆蓋材料和空氣之間的發射率，分別由空氣和覆蓋材料各自的發射率系數ε₁和ε₂決定；A_g為溫室覆蓋材料的表面積，m²；σ為斯蒂芬-玻耳茲曼常數；T_sky為天空溫度，K；X_l為長波輻射的修正系數；

溫室與外界的傳導熱量Q_cover表示如下：

Q_cover＝A_topG_aK_cK_n·(T_i-T_o)+S₁(T_i-T_o)·G_a+S₂(T_i-T_og1)·K_g+S₃(T_i-T_og2)·K_g+S₄(T_i-T_og3)·K_g (9)

式中，K_g為覆蓋材料的傳熱系數，W/(m²·K)；K_c為保溫幕阻礙系數；K_n為內遮陽阻礙系數；A_top為頂窗玻璃的面積，m²；G_a為減反射玻璃的傳熱系數，W/(m²·K)；S₁、S₂、S₃、S₄分別是溫室4個側面的面積，m²，其中S₁對應減反射玻璃，S₂、S₃、S₄分別對應普通玻璃；T_og1、T_og2、T_og3分別是對應的普通玻璃緊鄰的溫室的室內溫度，℃，T_o為室外空氣溫度，℃；

溫室與外界的通風換熱能量Q_vent表示如下：

式中，A_w為開窗面積，m²；C_d為平均通風排氣系數；ΔT為溫室內外的溫度差，K；C_w為與風速相關的通風率系數；U₀為室外風速，m/s；X_w為通風換熱修正系數；

植物蒸騰作用所需要的能量Q_trans表示如下：

Q_trans＝g_eL(χ_crop-χ_air)A_s (12)

式中，g_e為蒸騰的電導系數，m/s；L為單位質量的葉片表面蒸發水所需要的能量，J/g；χ_crop為作物水平高度的絕對濕度，g/m³；χ_air為溫室室內空氣的絕對濕度，g/m³；A_s為溫室地表面積；

溫室中的作物冠層與空氣熱傳導的能量Q_crop表示如下：

式中，LAI為葉面積指數；r_b表示邊界層阻抗系數，s/m；T_leaf為葉表面的溫度，℃；

2)確定溫室中需要辨識的溫室因子，目標函數可表示為實際能量消耗和模擬能量消耗的均方根誤差RMSE：

上式中，X是物理模型參數向量靈敏度分析結果，l為時間序列的最大數，q_real為溫室實際消耗能量，W；

3)模型參數優化，過程如下：

3.1)：按照模型參數，設置初始參數，包括群體大小M，收斂適應和最大代max_gen，然后所有粒子生成隨機的位置和速度向量；

3.2)：所有粒子按適應值f被分為兩個部分，適應度小于等于平均適應度的粒子會被保存，然后會被PSO算法過程加強并且直接被傳遞到下一代的候選列表中，而那些適應度大于平均值的粒子將會通過遺傳算法的交叉和變異算子被改進；

3.3)：粒子通過群優化算法被增強，1≤j≤N，位置向量X_i和速度向量V_i第j維度更新為：

v_ij(n+1)＝w(n)·v_ij(n)+c₁·r₁·(p_ij(n)-x_ij(n))+c₂·r₂·(pb_j(n)-x_ij(n)) (27)

x_ij(n+1)＝x_ij(n)+v_ij(n) (28)

上式中，v_ij是速度向量V_i的第j個維度，w是指慣性權重，x_ij是位置向量X_i的第j個維度，c₁和c₂是正的常數被稱為加速率，r₁和r₂是在[0,1]范圍內的隨機變量，n是指當前這代的數字；在公式(27)中，新速度v_ij(n+1)由三部分組成，包括了慣性部分w(n)·v_ij(n)，個體部分c₁·r₁·(p_ij(n)-x_ij(n))以及社交部分c₂·r₂·(pb_j(n)-x_ij(n))；

慣性權重w在當前產生的數字表達為，

w(n)＝w_max-n·(w_max-w_min)/max_n (29)

上式中，max_n為最大迭代數，w_max是1.4，w_min是0.35；

3.4)：假設位置向量X_i第j維，且x_ij∈[x_{ij_min},x_{ij_max}]，這個位置向量X_i應該被編碼而且在x_{ij_min}到x_{ij_max}區間相等的時間間隔內插入2^R-2個點，作為R的分辨率，兩點之間的距離δ計算為：

其中這個第j維的位置向量x_ij被轉換為二進制，表達為：

在IPSO-GA算法中，在每一代中自適應交叉概率P_c和變異概率P_m是會改變的，如下所示

P_c(n)＝P_c(1)×(1-n/max_gen) (32)

P_m(n)＝P_m(1)×(1-n/max_gen) (33)

上式中，P_c(n)和P_m(n)分別為第n代的交叉概率和變異概率，P_c(1)和P_m(1)分別為第一代的交叉概率和變異概率；

3.5)：由于新粒子被遺傳算法加強后便缺少了速度向量V_i和先前的最佳位置P_i，隨機指定一個速度向量，然后把X″作為先前的最佳位置P_i，并作為PSO算法的算子；

3.6)：比較先前每個粒子的適應度和每個粒子的最佳適應度，得到個體最佳適應度f_i和總體最佳適應度P_best；

3.7)：如果n＜max_gen且RMSE＜min_rmse，min_rmse為設定的最小均方根偏差，就令n＝n+1返回3.3)；否則輸出最佳值RMSE和優化參數向量X。