The invention relates to a predictive control method for the field of intelligent intelligent irrigation system, first established the irrigation process model according to the hydrological characteristics of irrigation, agricultural irrigation irrigation and then collected information to calculate the target, according to the data of water level sensor and irrigation target calculation control deviation according to control deviation calculation controller output rate, then according to the control the rate of deviation and the controller output rate and the current predictive control intelligent control rate feedback ultrashort were calculated, and then calculate the intelligent predictive control rate and input it to the irrigation process model, process model output by irrigation water level according to the water level difference value is judgment and achieve the goal of irrigation irrigation, and enter the cycle of operation finally, the object accurately reach the target value of intelligent irrigation. The invention provides a fast convergent and stable control method for the time delay process of agricultural irrigation.
【技术实现步骤摘要】
一种面向大田智能灌溉系统的智能预测控制方法
本专利技术属自动控制领域,涉及一种面向大田智能灌溉系统的智能预测控制方法,特别是涉及一种基于内分泌超短反馈机制的智能控制以及预测控制的智能预测控制方法。
技术介绍
智能灌溉模式与传统人工控制相比,具有节省水肥、人工等显著特点,并可消除人为因素对灌溉的不利影响,更有利于灌溉的科学管理和先进灌溉技术的推广。智能灌溉模式对提高农作物产量以及我国家庭牧场的建设具有促进作用,推动了我国劳动力转移和农村经济结构的调整,同时也有利于环境保护。为了实现智能灌溉,首要是根据作物实时数据、气象数据、输水损失等信息,得到对不同农业区块的水量分配目标,再通过分配得到的水量作为参考值实现农业灌溉用水的智能预测控制。对农业灌溉水量的智能预测控制有其独特的特征,这种控制不同于一般的单一的水库资源的分配和调节,也不同于常见一般车间资源流量调度和公路汽车流量的控制。首先,它是一个层次性的过程,农业灌溉水量主要按照干、支、斗、农四级渠道结构,灌溉水流是从上游渠道流动到下游渠道的过程,下游水量的多少直接与上游的水量相关,下游水量分配多少、可调控到多少水量,直接受到前一次的上游来水量的影响,上下游水量的计算是一个层次过程。其次,农业灌溉水量的智能预测控制是一个与水量管理相关的多因素叠和的过程,下游水量的预测,除了与上游水量相关外,还与水流过程中生态、农业、工业、生活用水相关,而且还会不断有新的水源(河流)的流入和渠道水量的损耗。最后,农业灌溉水量的智能预测控制还是一个大型水量聚合的动态过程,水量在叠和过程中,还涉及到环境降雨量和蒸发量等动态水量的变化过 ...
【技术保护点】
一种面向大田智能灌溉系统的智能预测控制方法,其特征是,包括以下步骤:(1)根据灌溉渠的水文特征建立灌溉过程模型,所述灌溉过程模型的表达式如下:
【技术特征摘要】
1.一种面向大田智能灌溉系统的智能预测控制方法,其特征是,包括以下步骤:(1)根据灌溉渠的水文特征建立灌溉过程模型,所述灌溉过程模型的表达式如下:式中,Fp(sc)是二阶纯滞后传递函数,sc是拉普拉斯变换频域空间的变量符号,e为自然常数;(2)在农业灌区中部署不同传感器得到农业灌溉信息,将农业灌溉信息存入数据库并计算得到灌溉目标sp,计算时首先计算参考作物腾发量ET0,然后依次计算作物需水量ETc、作物的净需水量Ir净和灌区的毛需水量Ir毛,最后将灌区毛需水量Ir毛转换为对应的灌溉渠中水位高度即为灌溉目标sp,sp的单位为m;(3)根据灌溉目标sp和传感器的水位数据计算控制偏差,计算公式如下:e(k)=y(k)-sp;式中,e(k)为当前时刻k对应的当前控制偏差,y(k)为当前时刻k对应的传感器的水位数据,单位为m;(4)根据控制偏差计算控制器的控制率输出,所述控制器为增量式PID控制器,计算公式如下:积分系数Ki=KpTs/Ti,微分系数Kd=KpTd/Ts;式中,uc(k)为当前时刻k对应的当前控制器的控制率输出,Kp是PID控制器的参数,Ts是采样时间,单位为s,Ti是积分时间,单位为s,Td是微分时间,单位为s,e(k-1)为前一时刻k-1对应的前一时刻控制偏差e(k-1);(5)根据控制偏差和控制器的控制率输出分别计算得到超短反馈智能控制率ucf(k)和当前预测控制率变化量Δup(k);所述超短反馈智能控制率ucf(k)的计算公式如下:ucf(k)=uc(k)+f(Δuc(k));Δe(k)=e(k)-e(k-1);式中,Δuc(k)为当前控制器的控制率输出uc(k)的变化率,f(Δuc(k))为Δuc(k)经过超短反馈处理单元的非线性函数处理后得到的值,α和n是因子系数,α≠0,n>1;所述当前预测控制率变化量Δup(k)的计算公式如下:式中,Kp0为系统初始增益,T0是一阶极点常数,T1是二阶系统的第一个极点参数,T2是二阶滞后的第二个极点参数,uc(k-1)是前一时刻k-1对应的前一时刻控制器的控制率输出,是前一时刻的由于被控对象时滞特性带来延时控制,τ是时滞,单位为s;(6)根据超短反馈智能控制率ucf(k)和当前预测控制率变化量Δup(k)计算智能预测控制率ucp(k),ucp(k)=ucf(k)+Δup(k);(7)将智能预测控制率ucp(k)输入到灌溉过程模型,由灌溉过程模型输出水位值yout(k),yout(k)的单位为m,当水位值yout(k)不等于灌溉目标sp时,重复步骤(3)~(7);当水位值yout(k)等于灌溉目标sp时,重复步骤(3),等待传感器获得灌溉渠水位需求的变化。2.根据权利要求1所述的一种面向大田智能灌溉系统的智能预测控制方法,其特征在于,步骤(1)中,所述灌溉过程模型是一个二阶纯滞后模型,所述二阶纯滞后模型的建立过程如下:灌溉渠的水文特征通常由圣维南方程描述:式中,A是渠水表面积,单位为m2,Q是通过渠道横截面渠水流量,单位为m3/s,t是时间,单位为s,x是灌溉渠长,单位为m,q是横向灌溉流出量,单位为m3/s,z是绝对水位,单位为m,Sf是渠道粗糙率,g是重力加速度,单位为m/s2;假设:(a)横向灌溉流出量q=0;(b)偏微分方程中惯性项相对于影响较小,因此被忽略;基于以上假设,偏微分方程中的z项被消去,得到的扩散波方程如下:式中,C是渠水流速,单位为m/s,D是渠水扩散速度,单位为m2/s;参数C和D取决于渠道横截面渠水流量Q、绝对水位z以及渠道长度x:式中,B是渠水表面宽度,单位为m;通常渠道俯瞰呈现为一个矩形渠池形状,将参数C和D通过渠池几何参数直接描述为:
【专利技术属性】
技术研发人员:丁永生,田运,蔡欣,郝矿荣,王海山,张向飞,
申请(专利权)人:东华大学,上海农业物联网工程技术研究中心,上海市农业委员会信息中心,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。