光照精准预测的苗床调度方法、系统及介质技术方案

本发明专利技术提供了一种光照精准预测的苗床调度方法、系统及介质，包括：光照预测模型建立步骤：采集并处理历史天气数据及历史光照数据，建立光照强度预测模型；光照强度预测步骤：采集实时的天气数据，并根据获得的光照强度预测模型，预测光照强度，输出光照预测数据；调度决策获取步骤：根据获得的光照预测数据，对苗床进行调度。本发明专利技术解决了人工光源的耗能问题和太阳光利用型温室的土地利用率低下问题，实现了小区域光照预测和立体苗床的动态优化部署，从而提高了植物工厂作物栽培的科学化、精确化和智能化程度。

Seedbed scheduling methods, systems and media for accurate light prediction

【技术实现步骤摘要】
光照精准预测的苗床调度方法、系统及介质
本专利技术涉及立体栽培
，具体地，涉及光照精准预测的苗床调度方法、系统及介质。
技术介绍
提高农业生产效率，实现农业装备精准控制一直是农业自动化的研究重点。随着温室种植在世界范围的推广应用，针对温室种植的相关设备得到了迅速发展，出现了以自动化多层栽培装备为代表的高度专业化、自动化农业设备。温室以其不受外界环境干扰、土地利用率高、自动化程度高的优点，在欧洲与日本等土地资源匮乏、环境恶劣的地区得到了广泛的应用。近年来，国际上植物工厂技术研发极为活跃，一方面不断引入和应用高新科技成果，朝着更加智能精准控制的方向发招；另一方面朝着更加节能和低运行成本的实用化方向发展，以实现技术的普遍化。就人工光植物工厂而言，多采用多层式立体栽培以提高土地资源的利用效率，但人工光源的电能消耗约占植物工厂总体的80％。因此，高能耗一直是人工光植物工厂的难题。而太阳光利用型植物工厂因为考虑到所有的作物都要能够收到光照，要求作物生长方向上不能有遮挡物，一般使用单层式栽培方案，土地资源的利用效率低下。为了解决两种类型的温室问题，有必要将两者的优势进行结合，既能利用太阳光作本文档来自技高网...

【技术保护点】
1.一种光照精准预测的苗床调度方法，其特征在于，包括：光照预测模型建立步骤：采集并处理历史天气数据及历史光照数据，建立光照强度预测模型；光照强度预测步骤：采集实时的天气数据，并根据获得的光照强度预测模型，预测光照强度，输出光照预测数据；调度决策获取步骤：根据获得的光照预测数据，对苗床进行调度。

【技术特征摘要】
1.一种光照精准预测的苗床调度方法，其特征在于，包括：光照预测模型建立步骤：采集并处理历史天气数据及历史光照数据，建立光照强度预测模型；光照强度预测步骤：采集实时的天气数据，并根据获得的光照强度预测模型，预测光照强度，输出光照预测数据；调度决策获取步骤：根据获得的光照预测数据，对苗床进行调度。2.根据权利要求1所述的光照精准预测的苗床调度方法，其特征在于，所述光照预测模型建立步骤包括：数据采集步骤：采集历史第一区域天气数据及历史第二区域天气数据，输出第一及第二区域数据集；数据处理步骤：剔除第一及第二区域数据集中的大于预设时长的连续空白数据段，并将连续空白数据段用时间尺度相邻的两个值的平均值进行填充，将填充后的第一及第二区域数据集以小时为单位进行平均操作，将第一及第二区域数据集中的数据以时间相同为标准合并组成样本数据，根据获得的样本数据构造并输出模型训练特征；模型建立步骤：根据获得的模型训练数据，以光照强度为预测目标，采用集成学习模型进行训练，选择误差函数，交叉验证进行参数调整，获得光照强度预测模型。3.根据权利要求2所述的光照精准预测的苗床调度方法，其特征在于，所述历史第一区域天气数据包括以下所述任一种或任多种：温度、相对湿度、降雨量、天气、风速、风向；所述历史第二区域天气数据包括：传感器获取的光照强度；所述模型训练特征包括：所有样本数据；对应于样本数据的时间；对应于样本数据的时间当日的预报温度、湿度的最大值和最小值；对应于样本数据的时间当日的前一日相同时刻的所有天气要素，包括：温度、相对湿度、降雨量、天气、风速、风向、本地光照强度；所述模型建立步骤：所述集成学习模型为渐进梯度回归树算法，包括：训练一个基础回归树，用它对训练集进行预测，计算出决策树的预测残差，接着使用这个残差对第二个回归树进行训练，然后再次计算残差，继续训练第三个回归树，并不断循环向前，最后将所有树的预测残差相加，从而对新实例进行预测；所述误差函数为均方根误差，公式如下：RMSE表示均方根误差，即RootMeanSquaredError；m表示样本总数；表示模型预测值；yi表示真实值；所述交叉验证方法为K-fold验证方法：将训练集随机分割成K个不同的子集，每个子集称为一个折叠，然后对决策树模型进行K次训练和评估，即每次挑选一个折叠进行评估，使用另外的K-1个折叠进行训练，产出的结果是一个包含K次评估分数的数组；所述参数调整包括：将模型学习速率设置为第一预设值，每次训练时选择输入特征随机子集的比例设置为第二预设值，每个回归树的叶节点数量设置为第三预设值，训练迭代次数设置为第四预设值。4.根据权利要求3所述的光照精准预测的苗床调度方法，其特征在于，所述光照强度预测步骤包括：采集实时的天气数据，使用获得的光照强度预测模型，预测以一小时为时间粒度的光照强度值lpred(t)，并输出光照预测数据。5.根据权利要求4所述的光照精准预测的苗床调度方法，其特征在于，所述调度决策模型建立步骤：预设只有在顶层苗床的作物才会接收到光照，在下层苗床的作物接收到的光照强度为0，在一天中，苗床共轮换j次，第一次轮换满足每层苗床作物生长光量需求最低量Lmin；苗床作物在t1到t2时间段内光照总量L的计算公式如下：其中，l表示作物接收到的光照强度值；初始时，t＝Tstart,j＝1，其中j为轮换次数；在t时刻每层作物已经获得的光照总量为：其中，i表示苗床的层数；t表示时刻；Li(t)表示第i层作物截至t时刻已经获得的光照总量；li(t)表示第i层苗床的实时光照强度，当第i层苗床被调度到顶层接收光照时，li(t)等于所测得的实时光照，当第i层苗床不在顶层时，li(t)等于0；Tstart表示当天开始有光照的时刻；在t时刻，根据已测得光照和预测光照强度lpred(t)计算一整天的光照总量Lpred：其中，Lpred表示根据已测得光照和预测光照强度计算出的一整天的光照总量；lpred(t)表示预测的以一小时为时间粒度的光照强度值；Tend表示一天光照结束的时间；N表示苗床的总层数；确定每一次轮换结束的时间，满足：K＝c/(c+1)(5)其中，i表示苗床的层数；Lmin表示苗床作物生长光量需求最低量；T1表示苗床第一次轮换结束的时间；T2表示苗床第二次轮换结束的时间；c表示第二次轮换中的光照总量对于第三次轮换接收的光照总量的倍数；K表示由c计算得到的第二次轮换中的光量占第二、三次轮换的总光量的比例系数；根据预测的光照强度计算t时刻到下一次轮换结束时可以获得的光照总量Ljpred(t)为：Ljpred(t)表示t时刻到下一次轮换结束时可以获得的光照总量；Tj表示第j次轮换结束的时间，j表示轮换次数；可以得出在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij，推导公式如下：Lij(t)＝Lj(t)-Li(t)(9)其中，Lj(t)表示在t时刻预测的第j次轮换后每层苗床所受到的总光量；Li(t)表示第i层苗床在t时刻已经获得的光量；m表示在该次轮换中未接受光照的总层数，m≤N；N表示苗床的总层数；Lij(t)表示第i层苗床在第j次次轮换之前应该补足的光量；Tij表示第i层苗床在第j次轮换中的从顶层调度下来的时间由上述公式计算出Tij；判断是否t+△t≤Tj：若t+△t≤Tj，则t更新为t+△t，返回公式(2)重新计算；若t+△t>Tj，则判断轮换次数j是否大于预设次数：若不大于，则j＝j+1,t＝t+△t,返回公式(2)重新计算；若大于，则结束计算；其中，△t表示预设间隔时间；根据获得的在t时刻时第i层苗床在第j次轮换中的从顶层调度下来的时间Tij，对苗床进行调度。6.一种光照精准预测的苗床调度系统，其特征在...

【专利技术属性】
技术研发人员：刘成良，贡亮，方锐，汪韬，吴伟，黄亦翔，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31