一种温室能耗的模型优化预测方法

摘要

一种温室能耗的模型优化预测方法，包括以下步骤：1)建立温室能量物理模型，温室热平衡定义为温度变化速率，同时温度变化速率转换来计算温室内部供热系统需要提供的能量，供热系统采用风机盘管；2)确定温室中需要辨识的温室因子，目标函数被表示为实际能量消耗和模拟能量消耗的均方根误差RMSE；3)模型参数IPSO-GA优化。本发明提供一种有效降低计算时间、提高精度的一种温室能耗的模型优化预测方法。

主权项

一种温室能耗的模型优化预测方法，其特征在于：所述预测方法包括以下步骤：1)建立温室能量物理模型温室热平衡定义为温度变化速率，同时温度变化速率转换来计算温室内部供热系统需要提供的能量，供热系统采用风机盘管，风机盘管需要提供的能量表述如下：式中，Q_g为风机盘管提供的能量，W；ρ_air为空气密度，kg/m³；V为温室的体积，m³；C_air为空气的比热容，J/(kg·k)；T_i为温室室内的空气温度，℃，为单位时间内温度的变化率；Q_solar为进入到温室的净太阳光照辐射能量，W；Q_long为进入到温室的长波辐射能量，W；Q_cover为温室与外界的传导热量，W；Q_vent为温室与外界的通风换热能量，W；Q_trans为温室中的作物蒸腾所需要的能量，W；Q_crop为温室中的作物冠层与空气热传导的能量，W；根据热辐射定律，进入到温室的净太阳光照辐射能量Q_solar表示如下：Q_solar＝A_sI_aT_a·T_cT_nX_t   (3) 式中，A_s为温室地表面积，m²；I_a为室外辐射通量密度，W/m²；T_a为覆盖材料的透光率，T_c为保温幕透光率；T_n为内遮阳透光率；X_t为净太阳光照辐射的修正系数；温室的长波辐射能量Q_long表示如下：Q_long＝ε₁₂A_gσ(T_i⁴‑T_sky⁴)·X_l   (7) 式中，ε₁₂为覆盖材料和空气之间的发射率，分别由空气和覆盖材料各自的发射率系数ε₁和ε₂决定；A_g为温室覆盖材料的表面积，m²；σ为斯蒂芬‑玻耳兹曼常数；T_sky为天空温度，K；X_l为长波辐射的修正系数；温室与外界的传导热量Q_cover表示如下：Q_cover＝A_topG_aK_cK_n·(T_i‑T_o)+S₁(T_i‑T_o)·G_a+S₂(T_i‑T_og1)·K_g+S₃(T_i‑T_og2)·K_g+S₄(T_i‑T_og3)·K_g  (9) 式中，K_g为覆盖材料的传热系数，W/(m²·K)；K_c为保温幕阻碍系数；K_n为内遮阳阻碍系数；A_top为顶窗玻璃的面积，m²；G_a为减反射 玻璃的传热系数，W/(m²·K)；S₁、S₂、S₃、S₄分别是温室4个侧面的面积，m²，其中S₁对应减反射玻璃，S₂、S₃、S₄分别对应普通玻璃；T_og1、T_og2、T_og3分别是对应的普通玻璃紧邻的温室的室内温度，℃，T_o为室外空气温度，℃；温室与外界的通风换热能量Q_vent表示如下：式中，A_w为开窗面积，m²；C_d为平均通风排气系数；g为重力加速度，ms^‑2；ΔT为温室内外的温度差，K；T₀为室外温度，K；H_c为等效的侧窗玻璃高度，m；C_w为与风速相关的通风率系数；U₀为室外风速，m/s；X_w为通风换热修正系数；植物蒸腾作用所需要的能量Q_trans表示如下：Q_trans＝g_eL(χ_crop‑χ_air)A_s   (12) 式中，g_e为蒸腾的电导系数，m/s；L为单位质量的叶片表面蒸发水所需要的能量，J/g；χ_crop为作物水平高度的绝对湿度，g/m³；χ_air为温室室内空气的绝对湿度，g/m³；A_s为温室地表面积；温室中的作物冠层与空气热传导的能量Q_crop表示如下：式中，LAI为叶面积指数；r_b表示边界层阻抗系数，s/m；T_leaf为叶表面的温度，℃；2)确定温室中需要辨识的温室因子，目标函数可表示为实际能量消耗和模拟能量消耗的均方根误差RMSE：上式中，X是物理模型参数向量灵敏度分析结果，l为时间序列的最大数，q_real为温室实际消耗能量，W；3)模型参数IPSO‑GA优化，过程如下：3.1)：按照模型参数，设置初始参数，包括群体大小M，收敛适应和最大代max_gen，然后所有粒子生成随机的位置和速度向量；3.2)：所有粒子按适应值f被分为两个部分，适应度小于等于平均适应度f的粒子会被保存，然后会被PSO算法过程加强并且直接被传递到下一代的候选列表中，而那些适应度大于平均值的粒子将会通过遗传算法的交叉和变异算子被改进；3.3)：粒子通过群优化算法被增强，1≤j≤N，位置向量X_i和速度向量V_i第j维度更新为：v_ij(n+1)＝w(n)·v_ij(n)+c₁·r₁·(p_ij(n)‑x_ij(n))+c₂·r₂·(pb_j(n)‑x_ij(n))   (27) x_ij(n+1)＝x_ij(n)+v_ij(n)   (28) 上式中，v_ij是速度向量V_i的第j个维度，w是指惯性权重，x_ij是位置向量X_i的第j个维度，c₁和c₂是正的常数被称为加速率，r₁和r₂是在[0,1]范围内的随机变量，n是指当前这代的数字；在公式(27)中，新速度v_ij(n+1)由三部分组成，包括了惯性部分w(n)·v_ij(n)，个体部分c₁·r₁·(p_ij(n)‑x_ij(n))以及社交部分c₂·r₂·(pb_j(n)‑x_ij(n))；自适应权重w在当前产生的数字表达为，上式中，max_n为最大迭代数，w_max是1.4，w_min是0.35；3.4)：假设位置向量X_i第j维，且x_ij∈[x_{ij_min},x_{ij_max}]，这个位置向量X_i应该被编码而且在x_{ij_min}到x_{ij_max}区间相等的时间间隔内插入2^R‑2个点，作为R的分辨率，两点之间的距离δ计算为：其中这个第j维的位置向量x_ij被转换为二进制，表达为：在IPSO‑GA算法中，在每一代中自适应交叉概率P_c和变异概率P_m是会改变的，如下所示P_c(n)＝P_c(1)×(1‑n/max_gen)   (32) P_m(n)＝P_m(1)×(1‑n/max_gen)   (33) 上式中，P_c(n)和P_m(n)分别为第n代的交叉概率和变异概率，P_c(1)和P_m(1)分别为第一代的交叉概率和变异概率；3.5)：由于新粒子被遗传算法加强后便缺少了速度向量V_i和先前的最佳位置P_i，随机指定一个速度向量然后把X″作为先前的最佳位置P_i作为PSO算法的算子；3.6)：比较先前每个粒子的适应度和每个粒子的最佳适应度，得到个体最佳适应度P_i和总体最佳适应度P_best；3.7)：如果n＜max_gen且RMSE＜min_rmse，min_rmse为设定的最小均方根偏差，就令n＝n+1返回3.3)；否则输出最佳值RMSE和优化参 数向量X。