温室小气候模型的研究现状.docxVIP

温室小气候模型的研究现状 0 温室小气候模型 温室是为收获品种提供合适生长环境的场所，包括温度、湿度、co和照明等环境因素。为了提高对环境的管理和控制的有效性,温室小气候和作物模型是非常必要的。在过去的20年里,荷兰、以色列、法国、美国、比利时、加拿大、葡萄牙等国家对温室小气候模型进行了深入地研究,积累了很多宝贵的经验[1~5],为温室的建造和控制技术提供了理论基础和实际指导。为了更好地改进现有温室,必须从温室的小气候模型进行分析,建造适合我国各地区气候特点的不同温室。本文就温室小气候模型的发展现状及其未来的发展趋势进行了综述和展望。 文献中已有提到关于温室内温度、湿度和CO2浓度动态仿真的模型研究。建立模型的方法主要有3种:一是依据能量和物质平衡[7~8];二是线性系统辨识,如递归最小二乘算法等;三是非线性系统辨识,如神经网络等。 1 水蒸汽平衡模型 Bot.G.P.A对温室物理过程进行了分析。温室分5层,即室外气体、覆盖层、室内气体、土壤和热管。物理过程为它们之间的热流动(显热)和水汽(潜热)流动,结构如图1所示。 温室内的显热平衡解释温度的变化率d T/dt,用来计算温室的热需求。温室内的潜热(水蒸汽)平衡用来解释温室绝对湿度的变化率。根据温室的能量和物质平衡建立动态模型如下(Bot 1991, 式中v—温室的体积(m3); qheater—加热能; E—作物蒸腾所需要的能量(W); h—温室平均高度(m)(温室容积与它的地表面积之比gAv); 在式(1)和式(2)中,通风、热传导、加热和辐射的转换机理详细见文献与文献。Stanghellini等(1995)对温室内作物的蒸腾作用水汽转换,水汽在内表面的压缩与室内外气候条件的关系进行分析。式(1)和(2)转化为 式中G—短波辐射; 自然通风时,v与室外的风速、风向、开窗的结构大小等有关,已有文献对它进行研究,都是对某一种类型的温室通过测量方法(气体追踪法、CFD和PIV等方法[11~12]),实验测量得到。由于需要实验得到一些参数(如v),而且还涉及许多参数和物理变量,因此很难应用到实践工程中。 2 温室气候模型的建立 依据实验,为了推理模型,对系统的输入和输出信号进行记录和分析。这个过程被称为系统辩识。 在温室气候模型中,输出信号的向量y是对温室内的温度iT和湿度Rhi测量得到。输入信号的向量u是对室外的温度oT,湿度Rho,太阳光照辐射Rad,通风和加热器的控制信号uvent和uheater,以及其他相关参数的测量。这个模型还必须受外界气候条件的干扰。系统和模型的原理图,如图2所示。在图2中,e,y′和ε分别为干扰信号、模型输出和预测误差。 假设温室气候模型用线性近似进行描述,那么它可以用系统辩识过程方法来建立。通过这种方法,温室气候系统可以用线性参数受控自回归模型(ARX)来表示(Boaventura Cunha et al.,1997;2000,Lung,1987)。 温室内的温度和湿度由下式表示,即 其中,ai为转换函数的分母参数,iB为延迟操作的多项式,Tpipe为加热管的温度。然而使用这个方法进行仿真时,如果参与仿真的模型参数的数据不足,将导致模型的不匹配(与物理模型比较)。这是由于ARX黑箱模型对整个系统的高度简化,不能跟踪参数的变化造成的。然而温室气候系统的参数是时变的,如在一天或一年内,由于太阳的高度和覆盖物的光环境特性是随时间变化的,因此太阳辐射转换为热的量是变化的。 为了克服上述的缺点,可以采用递推估计算法来计算式(6)和(7)转换函数的时变参数。由于参数是慢时变的,而且在长时间内变化也不是非常大,因此也可以用渐消记忆(带指数窗)的递推最小二乘算法(RLS,Recursive Least Square)来计算。计算公式如下 其中,θ为估计模型参数(多项式A和B的系数),K和P分别是收益矩阵和协方差矩阵。令P(k)=αI,一般α取值0.0001~0.001,?(k)和v(k)分别为回归信息向量和剩余方差估计。 依据物理模型建立的温室气候模型,可知它是非线性的。因此,假设建立在线性系统上的黑箱线性参数模型方法会产生较大的误差。 3 神经网络模型 温室气候模型是多输入多输出(MIMO)的非线性模型。神经网络具有能够逼近任意非线性函数的功能,支持多输入多输出,能够进行学习,以适应环境的变化等特点,因此神经网络可以用于温室气候建模的研究。 运用神经网络来建立温室气候模型已经在一些文献中描述[14~16]。温室气候的神经网络模型基本上采用具有单隐含层的前馈神经网络模型。I.Seginer等用MIMO前馈神经网络模型,用7个输入量(太阳辐射、温度、湿度和CO2发生器流量等)和两个输出(室内温度和CO2浓度)建立温室模型。但是当用来预测时,得到结果并不合理。为了