一种考虑可时移与成本因素的LED补光灯运行调控方法技术

本发明专利技术涉及一种考虑可时移与成本因素的LED补光灯运行调控方法，该方法包括以下步骤：S1：在植物温室内布置多个采集终端，获取多日的光照采集数据，组成大量的历史光照样本数据；然后构建BP神经网络预测模型，并经过多日数据的训练修正，得到目标神经网络参数；S2：根据得到的BP神经网络预测模型，得到次日温室内的光照曲线；然后根据不同植物、不同生长阶段对光照需求量，得到次日的LED补光量，并反推出次日总的LED补光电负荷；S3：构建LED补光灯优化运行控制模型；S4：采用加入惩罚函数的粒子群算法，求解出次日最优的LED补光时间和补光功率。本发明专利技术可直接便捷地调控LED补光功率，实现农户侧综合成本最低的效果，有效提高农户的综合效益。综合效益。综合效益。

【技术实现步骤摘要】
一种考虑可时移与成本因素的LED补光灯运行调控方法


[0001]本专利技术涉及电力LED灯补光控制领域，尤其涉及一种考虑可时移与成本因素的LED补光灯运行调控方法。

技术介绍

[0002]LED灯相比传统的白炽灯或者节能灯，具有寿命长、体积小、能耗低、波长固定和冷光源的显著优势，是一种经济环保的补光灯，目前在植物工厂、植物大棚等种植模式中正大规模推广应用，并将逐步替代传统农业补光设备。
[0003]目前采用可控硅调光如线性模拟调光和PWM调光技术，对光质、光强和光周期实现精准调光，因此LED灯已具备实时调控的技术条件。但目前LED补光灯一方面存在补光成本和能耗成本占总运行成本比重高的特点，需要在满足农作物补光需求下尽可能降低用能成本；另一方面，不同类型、不同生长阶段的农作物对光照量存在不同的最佳适应点，当补光不足则生长缓慢，当光照过剩则抑制生成，因此需要确定科学的日补光量；此外，农业用电存在“峰谷”电价差异，大规模的LED补光灯应尽可能在“谷”时段用电，这样不仅有利于电力系统稳定，而且可降低农户成本，因此，需要合理规划LED灯的补光时段。
[0004]目前，在LED补光灯控制方法方面有如下一些方法：
⑴
搭建了末端温度、光照、湿度传感器，实时向移动终端上传数据，然后电脑实现决策计算确定补光方案，向补光控制器下发指令，控制LED的红蓝光比例，以适应不同植物的补光需求；
⑵
在前述基础上根据环境信息和荧光信息调节三基色LED灯的颜色和强度；
⑶
构建智能的补光终端、集中控制器、移动电脑，通信采用无线自组网通讯，其WIFI支持AP和STATION模式，可通过移动终端或现场集中控制器实时控制LED补光功率；
⑷
基于植物生长对光照需求特性，在不同温度下利用植物荧光传感器反馈光合效率，采用PWM数字调光实时、精准、节能控制LED补光灯功率，能时刻保证植物的最大光合效率。
[0005]虽然上述补光系统考虑了植物生长对光照的需求，实现了LED实时智能补光的功能，但未根据分时电价因素考虑农户的用能成本、能耗成本、寿命成本，缺少合理的补光控制策略，因此，在LED补光优化调控方面可待进一步研究。

技术实现思路

[0006]本专利技术所要解决的技术问题是提供一种直接便捷的考虑可时移与成本因素的LED补光灯运行调控方法。
[0007]为解决上述问题，本专利技术所述的一种考虑可时移与成本因素的LED补光灯运行调控方法，包括以下步骤：S1：在植物温室内布置多个采集终端，获取多日的光照采集数据，组成大量的历史光照样本数据；然后构建BP神经网络预测模型，根据前一日的光照数据预测次日光照曲线，并与实际的次日光照数据进行对比，修正神经网络参数，经过多日数据的训练修正，得到目标神经网络参数；
S2：根据得到的BP神经网络预测模型，输入前一日的光照数据，得到次日温室内的光照曲线；然后根据不同植物、不同生长阶段对光照需求量，将植物光照需求量与预测的光照累计量做差值，得到次日的LED补光量；再通过LED补光灯功率理论计算模型，反推出次日总的LED补光电负荷；S3：根据次日LED补光电负荷，以分时电能成本、LED能耗成本、LED寿命成本为目标，构建LED补光灯优化运行控制模型；S4：采用加入惩罚函数的粒子群算法，求解出次日最优的LED补光时间和补光功率。
[0008]所述步骤S1中BP神经网络预测模型按下述方法获得：S11：在温室内农作物处布置多个照度传感器，用于采集自然光照强度；然后通过无线通讯模块与补光控制器连接，同时补光控制器与智能终端连接，用于传输日照数据，同时接收LED等控制指令，补光控制器与各LED灯连接，LED采用恒流驱动，用于控制的补光强度；S12：归一化计算：BP神经网络预测模型根据历史中前一日的每小时光照数据，作为输入向量，次日的24h光照亮作为输出量，与历史中实际的光照强度做对比，反馈修正模型参数；其中需要按下式对24h光照输入量做归一化处理：
…………………………
（1）式中，是指取值范围为[0,1]的标幺值；代表t时刻的光照量，单位为W/m2；为年度光照量均值，单位为W/m2；S13：设定神经网络参数：设定网络输入节点数为n、隐藏节点数l、输出层节点数m，输入层与隐藏层的连接权重为w
ij
，隐藏层与输出层的连接权重为w
jk
，隐藏层各神经元的阈值为a
j
(j=1,2,
…
,l)，j为隐藏层节点数；输出层各神经元阈值为b
k
(k=1,2,
…
,m)，k为输出层节点数；S14、隐藏层输出计算：根据24小时的光照输入量、输入层与隐藏层之间的连接权值w
ij
以及隐藏层阈值a
j
，计算隐藏层输出R
j
；式中，f(x)为隐藏层激励函数；S15：输出层输出计算：根据隐藏层的输出R
j
、隐藏层与输出层的连接权重w
jk
、输出层阈值b
k
，计算BP神经网络的预测值M
k
；S16：计算误差，并更新网络参数：输出层的结果M
k
与实际数据向量Y
k
之间的误差设为，根据误差更新各层的连
接权值和，并更新网络节点阈值和，公式如下：
………………………………
（4）
…………………………
（5）
………………………………
（6）（6）式中，λ为学习率，取值范围为[0,1]；和分别表示本轮经网络训练更新后的节点阈值；S17：当误差小于目标误差时，则停止本次训练，否则继续进行S13~S16过程，直达误差满足条件；至此实现了历史中一天的数据训练，经过多日的历史数据训练，得到最终的BP神经网络预测模型。
[0009]所述步骤S2中根据植物需求光照亮度DLI反推LED补光灯功率P
LED
按下述方法进行：S21：根据表1按不同类型、不同阶段植物确定生长所需的日光照度DLI；表1不同颜色的LED灯光参数S22：根据预测的室内每小时光照度S(t)和植物所需的累积光照量DLI，按下式确定LED灯的日补光量：
…………………………
（9）式中，DLI为LED灯的日补光量，单位为mol/(m2·
天)；DLI
max
和DLI
min
分别为不同类型植物的日累计光照亮度DLI的上下限值；S23：根据LED灯的日补光量按下式反推LED灯的电量P
LED
：
…………………………
（10）
…………………………
（11）
式中，P
LED
为LED补光灯总的电能，单位为kWh；I
e
为LED灯的平均照度，单位为lx；A为温室内的总面积，单位为m2；Φ0为单位面积每lx光通量，单位为lm/lx；C1和C2为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑可时移与成本因素的LED补光灯运行调控方法，包括以下步骤：S1：在植物温室内布置多个采集终端，获取多日的光照采集数据，组成大量的历史光照样本数据；然后构建BP神经网络预测模型，根据前一日的光照数据预测次日光照曲线，并与实际的次日光照数据进行对比，修正神经网络参数，经过多日数据的训练修正，得到目标神经网络参数；S2：根据得到的BP神经网络预测模型，输入前一日的光照数据，得到次日温室内的光照曲线；然后根据不同植物、不同生长阶段对光照需求量，将植物光照需求量与预测的光照累计量做差值，得到次日的LED补光量；再通过LED补光灯功率理论计算模型，反推出次日总的LED补光电负荷；S3：根据次日LED补光电负荷，以分时电能成本、LED能耗成本、LED寿命成本为目标，构建LED补光灯优化运行控制模型；S4：采用加入惩罚函数的粒子群算法，求解出次日最优的LED补光时间和补光功率。2.如权利要求1所述的一种考虑可时移与成本因素的LED补光灯运行调控方法，其特征在于：所述步骤S1中BP神经网络预测模型按下述方法获得：S11：在温室内农作物处布置多个照度传感器，用于采集自然光照强度；然后通过无线通讯模块与补光控制器连接，同时补光控制器与智能终端连接，用于传输日照数据，同时接收LED等控制指令，补光控制器与各LED灯连接，LED采用恒流驱动，用于控制的补光强度；S12：归一化计算：BP神经网络预测模型根据历史中前一日的每小时光照数据，作为输入向量，次日的24h光照亮作为输出量，与历史中实际的光照强度做对比，反馈修正模型参数；其中需要按下式对24h光照输入量做归一化处理：式中，是指取值范围为[0,1]的标幺值；代表t时刻的光照量，单位为W/m2；为年度光照量均值，单位为W/m2；S13：设定神经网络参数：设定网络输入节点数为n、隐藏节点数l、输出层节点数m，输入层与隐藏层的连接权重为w
ij
，隐藏层与输出层的连接权重为w
jk
，隐藏层各神经元的阈值为a
j
(j=1,2,
…
,l)，j为隐藏层节点数；输出层各神经元阈值为b
k
(k=1,2,
…
,m)，k为输出层节点数；S14、隐藏层输出计算：根据24小时的光照输入量、输入层与隐藏层之间的连接权值w
ij
以及隐藏层阈值a
j
，计算隐藏层输出R
j
；式中，f(x)为隐藏层激励函数；S15：输出层输出计算：根据隐藏层的输出R
j
、隐藏层与输出层的连接权重w
jk
、输出层阈值b
k
，计算BP神经网络的预测值M
k
；
S16：计算误差，并更新网络参数：输出层的结果M
k
与实际数据向量Y
k
之间的误差设为，根据误差更新各层的连接权值和，并更新网络节点阈值和，公式如下：公式如下：公式如...

【专利技术属性】
技术研发人员：何欣，杨勇，郝如海，包康亚，牛浩明，冯文韬，王永年，韩凯丽，谢映洲，刘文飞，张旭军，祁莹，周治伊，陈仕彬，崔力心，邢研东，刘巍，金永盛，张海龙，尹亭，李红文，
申请(专利权)人：国网甘肃省电力公司，
类型：发明
国别省市：