基于机器学习的装配式柔性日光温室热环境预测与通风调控研究.pdfVIP

摘要

随着设施农业的发展，装配式柔性日光温室作为一种新型日光温室，凭借其建造方便、

适应性强的特点，受到了农业生产者的青睐。但在温度的智能预测和通风控制方面，依然

存在预测精度不足、通风调控目标单一与智能化水平不高的问题。针对装配式柔性日光温

室热环境调控中存在的问题，围绕温度预测影响因子的选取、温度预测模型的建立、多目

标智能通风决策模型的建立与通风控制系统软硬件开发展开研究并开发一套基于温室温

度预测的通风窗智能控制系统。

针对装配式柔性日光温室中温度预测模型预测精度不足的问题，提出了一种改进的

Transformer-BiLSTM耦合温度预测模型。该模型创新性地融合了Transformer的全局建模

能力和BiLSTM的双向信息处理优势，有效提升了特征提取能力和计算效率。采用多组

输入特征组合（5-18个特征）、多种预测时长配置（12-48小时）进行了系统性实验，并与

11种典型深度学习模型（如ResNet、GRU、TCN等）进行了全面对比。结果表明，所提

模型在各项评估指标上均优于对比模型，尤其仅在轻量级配置下实现了0.1633°C的平均

绝对误差（MAE）,较现有最佳方法降低了70.8%。

针对装配式柔性日光温室中通风调控目标单一的问题，在温度预测模型的基础上开

发了多目标智能通风决策模型。该模型采用改进的PPO算法，结合双层环境建模架构，

实现了对温室通风的智能控制。通过多维度综合评价体系，从温度控制精度、操作平稳性、

温度变化平滑度和通风时序合理性四个角度对控制策略进行评估。实验结果表明，改进后

的PPO算法控制性能显著优于传统的PID控制方法和人工经验控制方法，平均温度控制

精准度得分达到98.62，通风稳定性得分高达97.98，通风时序合理性得分97.58，控制性

能总分达到99.15。相较于人工手动控制和传统PID控制分别提高了30.56%和4.64%。

针对装配式柔性日光温室中环境调控的智能化程度不足的问题，开发了智能通风控

制系统。硬件部分涵盖了传感器网络、驱动系统、传动系统、执行机构、控制系统等。软

件部分集成了温度预测模块和智能通风决策模块。实验结果表明改进后的PPO控制算法

在温度和通风方面相较于原始PPO、PID控制和人工控制性能分别提升了3.24%、6.75%、

66.93%和4.25%、6.08%、59.95%。

研究结果表明，所开发的基于温度预测的多目标温室通风控制系统能够有效解决温

室环境调控滞后、调控目标单一和智能化程度低的问题，为提升温室生产的科技含量和智

能化水平提供了有力支持。

关键词：机器学习；温度预测模型；多目标决策；智能通风模型；软硬件集成

本研究得到山东省重点研发计划项目（编号：2022CXGC020708）资助。

Abstract

Withthedevelopmentoffacilityagriculture,assembledflexiblesolargreenhouse,asanew

typeofsolargreenhouse,hasbeenfavoredbyagriculturalproducersbyvirtueofitsconvenient

constructionandstrongadaptability.However,intheintelligentpredictionoftemperatureand

ventilationcontrol,therearestillproblemsofinsufficientpredictionaccuracy,singletargetof

ventilationregulationandlowlevelofintelligence.Aimingattheproblemsexistinginthethermal

environmentregulationandcontrolofassembledflexiblesolargreenhouse.Thesisfocusesonthe

selectionoftemperaturepredictionfactors,