基于强化学习与机理模型的温室光温协同优化与自适应调控系统设计.docxVIP

PAGE2

基于强化学习与机理模型的温室光温协同优化与自适应调控系统设计

摘要

现代温室生产中，光照与温度是影响作物产量与品质的核心环境因子，但传统调控方式依赖经验阈值，难以兼顾光温协同效应与能耗约束。本研究以番茄作物为对象，设计了一套融合作物生长机理模型与强化学习的光温协同优化控制系统，旨在实现光照与温度的动态寻优，同时降低补光与气肥（CO?）的能耗。全文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进路线。首先，分析了温室光温调控的现实痛点与功能需求，提出系统的设计目标与性能指标。其次，构建了基于作物光合-呼吸-蒸腾耦合机理的数字孪生模型，并以此为环境模拟器，设计了深度确定性策略梯度（DDPG）强化学习控制器，对补光灯功率、通风开度、CO?释放量进行连续动作决策。在总体设计中，采用分层架构将系统划分为感知层、决策层与执行层，并定义了模块间数据接口。详细设计阶段给出了光温协同优化算法流程、动作空间量化方法及奖励函数构造。系统实现部分展示了基于Python的后端训练框架与上位机监控界面，阐述了模型训练与在线部署的难点及解决方案。测试结果表明，系统在典型晴天与阴天场景下，光合有效辐射（PAR）与冠层温度维持率均高于95%，与固定阈值策略相比，补光与CO?综合能耗降低约18.7%。本设计的创新点在于将作物机理模型作为先验知识嵌入强化学习环境，显著提升了策略的泛化性与样本