一种粒子群BP神经网络PID控制的温室温湿度方法技术

本发明专利技术公开了一种粒子群BP神经网络PID控制的温室温湿度方法，包括以下步骤：S1、根据PID调节的一般原则，对PID各控制参数进行一定梯度的调节，记录获取温度和湿度控制结束后的期望值、最终值、偏差以及对应的PID控制参数；S2、对期望值、最终值、偏差以及PID控制参数进行预处理，预处理后得到控制模型的训练数据；S3、确定并求解粒子群算法的适应度函数，利用粒子群算法优化神经网络的权值和阈值；S4、利用粒子群算法优化结果得到的权值和阈值搭建神经网络控制模型，并采用步骤S2中的训练数据训练模型；S5、用粒子群算法优化BP神经网络PID控制对温室的温湿度进行控制。本发明专利技术方法能适应日光温室复杂工况，能对日光温室的温、湿度进行精确的控制。进行精确的控制。进行精确的控制。

【技术实现步骤摘要】
一种粒子群BP神经网络PID控制的温室温湿度方法


[0001]本专利技术属于智能优化控制
，具体涉及一种粒子群BP神经网络PID控制的温室温湿度方法。

技术介绍

[0002]我国是世界上温室大棚面积最大的国家，如何改进温室的控制方法，使得温室大棚能够自动地对温室环境中的温湿度、二氧化碳等各个环境因子进行调控，从而得到更适合植物的生长环境，是当前我国在现代化温室环境控制技术中研究发展的主要方向和目标。
[0003]在现有的温室控制技术中，针对温、湿度的控制技术大多为常规的PID和BP
‑
PID控制。温室是一个强时变、强耦合、非线性、参数变化大的复杂对象，单纯使用PID控制会导致温室内部环境因子的波动和控制精度较低等问题，BP
‑
PID虽结合了BP神经网络的优点，但BP神经网络自身存在着收敛速度慢、运算时间长、容易陷入局部最优等缺点。为解决传统温室控制方法的较低精度和响应时间长等问题，结合控制理论和智能算法显然是必须的。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提出一种粒子群BP神经网络PID控制的温室温湿度方法，该方法能适应日光温室复杂工况，基于该方法能准确的对日光温室的温、湿度进行精确的控制。
[0005]为了达到上述目的，本专利技术采用以下技术方案：
[0006]一种粒子群BP神经网络PID控制的温室温湿度方法，包括以下步骤：
[0007]S1、根据PID调节的一般原则，对PID各控制参数进行一定梯度的调节，记录获取温度和湿度控制结束后的期望值、最终值、偏差以及对应的PID控制参数；
[0008]S2、对获取的期望值、最终值、偏差以及PID控制参数进行预处理，预处理后得到控制模型的训练数据；
[0009]S3、确定并求解粒子群算法的适应度函数，利用粒子群算法优化神经网络的权值和阈值；
[0010]S4、利用粒子群算法优化结果得到的权值和阈值搭建神经网络控制模型，并采用步骤S2中的训练数据训练模型；
[0011]S5、用粒子群算法优化BP神经网络PID控制对温室的温湿度进行控制。
[0012]进一步的，步骤S1中根据PID调节的一般原则，对PID各控制参数进行一定梯度的调节，记录获取温度和湿度控制结束后的期望值、最终值、偏差和对应的PID控制参数；
[0013]根据一定的梯度间隔设置PID控制参数，待控制进入稳定后，记录稳定状态下的温度、湿度以及对应控制的PID参数值。
[0014]进一步的，步骤S2中预处理具体为：
[0015]将步骤S1获取的期望值、最终值、偏差数据以及PID控制参数进行归一化处理，把
数据通过归一化公式处理为区间(0，1)内的数值。
[0016]进一步的，步骤S3具体包括：
[0017]S31、选取粒子群优化的适应度函数，具体为MAS函数：
[0018][0019]其中，φ
it
为i层t个神经元目标输出，ω
it
为i层t个神经元实际输出；
[0020]S32、求解粒子群算法适应度函数，利用粒子群算法优化神经网络的权值和阈值，具体为：
[0021]粒子群中整个求解空间的维数为BP神经网络中全部权值和阈值的和，初始化粒子群优化算法各项参数，确定学习因子和粒子群规模参数；
[0022]对适应度函数进行迭代求解，根据适应度函数计算出适应度函数的解：将神经网络的输出结果与期望值相减后取绝对值，再对误差绝对值求和后得到；
[0023]寻找个体极值和群体极值，群体极值是在整个粒子群中进行比较，将全局极值与当前计算所得最优的个体极值对比，并将适应度更小的极值作为新的群体极值，个体极值是每个粒子对自身进行比较，将适应度值更小的作为新的个体极值；
[0024]不断更新粒子群速度参数和位移参数；
[0025]当迭代次数达到最大次数或适应度函数误差满足要求时停止迭代，PSO算法的最终最优解作为BP神经网络的初始权值和阈值。
[0026]进一步的，步骤S4具体为：
[0027]建立神经网络控制模型，设置输入层、输出层和隐含层的神经元节点数；
[0028]输入层节点个数分别对应着温度的期望值、最终值以及偏差值和湿度的期望值、最终值以及偏差值；
[0029]输出层节点个数分别对应温度控制的PID值和湿度控制的PID值；
[0030]采用步骤S1中获取的训练数据对神经网络控制模型进行训练。
[0031]进一步的，步骤S5具体为，神经网络控制模型训练结束后，将温湿度的当前值和目标值输入神经网络模型，神经网络控制模型输出当前状态下最优的温湿度PID控制参数。
[0032]本专利技术与现有技术相比，具有如下优点和有益效果：
[0033]1、本专利技术利用粒子群算法和BP神经网络的互补性提出一种基于粒子群优化算法和BP神经网络PID控制的温室温湿度控制方法，方法能适应日光温室复杂工况，基于该方法能准确的对日光温室的温、湿度进行精确的控制。
附图说明
[0034]图1是本专利技术方法的流程图；
[0035]图2是粒子群优化BP神经网络的步骤；
[0036]图3是粒子群优化BP神经网络PID控制结构图。
具体实施方式
[0037]下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。
[0038]实施例
[0039]如图1所示，本专利技术，一种粒子群BP神经网络PID控制的温室温湿度方法，包括以下步骤：
[0040]S1、根据PID调节的一般原则，对PID各控制参数进行一定梯度的调节，记录获取温度和湿度控制结束后的期望值、最终值、偏差以及对应的PID控制参数；
[0041]在本实施例中，根据温、湿度调控的经验和PID数据调节的一般原则，对其PID控制的各参数进行调节处理，并开始试验。试验时间为一小时，每隔一分钟记录一次数据，设定温度为26℃，湿度为40RH，温度后记录温、湿度的设定值、稳定值以及偏差值。
[0042]如下表1所示为粒子群优化神经网络模型的训练数据(部分)，其中温度的PID值分别以20、1、1的梯度进行调节，而湿度的PID值分别以20、3、1的梯度进行调节。
[0043][0044][0045]表1
[0046]S2、对获取的期望值、最终值、偏差以及PID控制参数进行预处理，预处理后得到控制模型的训练数据；具体为：
[0047]将步骤S1获取的期望值、最终值、偏差数据以及PID控制参数进行归一化处理，把数据通过归一化公式处理为区间(0，1)内的数值。
[0048]S3、确定并求解粒子群算法的适应度函数，利用粒子群算法优化神经网络的权值和阈值；具体为：
[0049]S31、选取粒子群优化的适应度函数，具体为MAS函数：
[0050][0051]其中，φ
it<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种粒子群BP神经网络PID控制的温室温湿度方法，其特征在于，包括以下步骤：S1、根据PID调节的一般原则，对PID各控制参数进行一定梯度的调节，记录获取温度和湿度控制结束后的期望值、最终值、偏差以及对应的PID控制参数；S2、对获取的期望值、最终值、偏差以及PID控制参数进行预处理，预处理后得到控制模型的训练数据；S3、确定并求解粒子群算法的适应度函数，利用粒子群算法优化神经网络的权值和阈值；S4、利用粒子群算法优化结果得到的权值和阈值搭建神经网络控制模型，并采用步骤S2中的训练数据训练模型；S5、用粒子群算法优化BP神经网络PID控制对温室的温湿度进行控制。2.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法，其特征在于，步骤S1中根据PID调节的一般原则，对PID各控制参数进行一定梯度的调节，记录获取温度和湿度控制结束后的期望值、最终值、偏差和对应的PID控制参数；根据一定的梯度间隔设置PID控制参数，待控制进入稳定后，记录稳定状态下的温度、湿度以及对应控制的PID参数值。3.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法，其特征在于，步骤S2中预处理具体为：将步骤S1获取的期望值、最终值、偏差数据以及PID控制参数进行归一化处理，把数据通过归一化公式处理为区间(0，1)内的数值。4.根据权利要求1所述的粒子群BP神经网络PID控制的温室温湿度方法，其特征在于，步骤S3具体包括：S31、选取粒子群优化的适应度函数，具体为MAS函数：其中，φ
it
为i层t个神经元目标输出，ω

【专利技术属性】
技术研发人员：吴伟斌，马宝淇，胡智标，唐婷，郑泽锋，李杰，韩重阳，林国富，曾治亨，高昌伦，黄家曦，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：