基于深度学习的温室内空调调控方法、系统及电子设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115755596A(43)申请公布日2023.03.07(21)申请号202211281568.6G06N3/08(2023.01)(22)申请日2022.10.19(71)申请人江苏省农业科学院地址210014江苏省南京市孝陵卫钟灵街50号(72)发明人毛晓娟任妮王宝佳金晶易中懿樊小雪戴秀李德翠刘家玉(74)专利代理机构北京博雅睿泉专利代理事务所(特殊普通合伙)11442专利代理师蔡兴兵(51)Int.Cl.G05B13/04(2006.01)G06F18/2323(2023.01)G06N3/04(2023.01)权利要求书2页说明书11页附图2页(54)发明名称基于深度学习的温室内空调调控方法、系统及电子设备(57)摘要本申请公开了一种基于深度学习的温室内空调调控方法、系统及电子设备，方法包括以下步骤：S1、采集预定时间段内的数据，数据包括温室内外环境因子数据、环境控制设备运行操作数据和作物生理生态数据；S2、根据数据构建温室内的空调设备的负荷量和作物叶片温度的组合预测模型；S3、将实时采集的数据输入组合预测模型，得到空调设备的负荷量和作物叶片的温度的实时预测值；S4、根据空调设备的数据信息以及空调设备的负荷量构建空调设备的数据集，选择实时预测值中满足作物生长适宜值范围并且空调设备的负荷量最小时的空调设备的数据信息的数据样本，形成空调设备最优节能调控策略。根据本申请的温室内空调调控方法能够实现温室内温度智能调控。CN115755596ACN115755596A权利要求书1/2页1.一种基于深度学习的温室内空调调控方法，其特征在于，包括以下步骤：S1、采集预定时间段内的数据，所述数据包括温室内外环境因子数据、环境控制设备运行操作数据和作物生理生态数据；S2、根据所述数据构建温室内的空调设备的负荷量和作物叶片温度的组合预测模型；S3、将实时采集的所述数据输入所述组合预测模型，得到所述空调设备的负荷量和所述作物叶片的温度的实时预测值；S4、根据所述空调设备的数据信息以及所述空调设备的负荷量构建所述空调设备的数据集，选择所述实时预测值中满足作物生长适宜值范围并且所述空调设备的负荷量最小时的所述空调设备的数据信息的数据样本，形成空调设备最优节能调控策略。2.根据权利要求1所述的基于深度学习的温室内空调调控方法，其特征在于，步骤S2中将所述数据进行清洗，将清洗后的所述数据根据温度调控类型进行全组合数据分类整合成升温数据集和降温数据集。3.根据权利要求2所述的基于深度学习的温室内空调调控方法，其特征在于，步骤S2包括：S21、根据所述温度调控类型和空调使用场景将所述数据划分为所述升温数据集和所述降温数据集，将所述升温数据集和所述降温数据集分别划分为训练集和测试集；S22、根据所述训练集构建单一预测模型，根据所述单一预测模型获得所述空调设备的负荷量与所述作物叶片的温度的预测值；S23、生成所述单一预测模型在不同时刻的权重系数值，得到时变权重组合预测模型；S24、选择所述测试集，对所述时变权重组合预测模型进行测试，得到所述组合预测模型。4.根据权利要求3所述的基于深度学习的温室内空调调控方法，其特征在于，步骤S22中，基于随机森林算法和门控循环单元神经网络构建所述单一预测模型；步骤S23中，通过麻雀搜索算法生成所述单一预测模型在不同时刻的权重系数值。5.根据权利要求4所述的基于深度学习的温室内空调调控方法，其特征在于，设定所述麻雀搜索算法的适应度函数为第i时刻组合预测模型的均方误差：其中，式(1)中T为时刻总数，i为时刻，y(i)为第i时刻实际值，yRF(i)为第i时刻随机森林模型输出值，yGRU(i)为第i时刻门控循环单元神经网络模型输出值，wRF(i)为第i时刻RF模型的权重系数，wGRU(i)为第i时刻门控循环单元神经网络模型的权重系数；所述步骤S23包括：S231、更新发现者位置，其中，式(2)中T为当前迭代次数；为麻雀位置；α为(0，1]之间的均匀随机数；Q为随机数；L表示范围向量；R2为警戒值；ST为安全值；2CN115755596A权利要求书2/2页式(3)中wmin为权重的初始值，wmax为权重的终值，Tmax为最大迭代次数；S232、更新跟随者位置，其中，式(3)中Q为随机数；i为第i个麻雀；L表示范围向量；表示第t次中麻雀最劣位置；表示第t次中麻雀最优位置；表示第t+1次中适应度最佳的麻雀位置；A表示矩阵；S233、更新警戒者位置，其中，式(4)中表示第t次中麻雀最优位置；表示第t+1次中适应度最佳的麻雀位置；表示第t次中麻雀最劣位置；K为随机数，取值在‑1和1之间；β为步长控制参数；ε为充分小的数，避免分母为0；fi、fw和fg分别为麻雀的适应度、最劣