打开文本图片集
摘要：生产型温室的温湿度调控大多采用简单的比例积分微分（proportional integral derivative，PID）控制策略，但温湿度模型具有强耦合特性，导致基于PID控制的温湿度变化相互影响，设定点跟踪效果不理想。本研究提出一种温湿度解耦控制方法，首先构建温室温湿度机理模型，将其转换为仿射非线性系统，利用坐标变换和非线性状态反馈，将原系统解耦为2个独立的积分加时延系统;然后基于此等价系统设计PID控制器，使系统状态有效跟踪设定值;最后进行仿真验证。结果表明，提出的解耦策略可以解除温湿度间的耦合关系，基于PID控制器的解耦温湿度系统设定值跟踪效果良好。
关键词：温室;温湿度;非线性控制系统;解耦;PID控制
中图分类号： S625. 5+1 文献标志码： A 文章编号：1002-1302（2019）01-0216-05
温室特殊的结构形成了一个与外界大气候环境相对隔离的内部小气候环境，内部环境的调控直接影响作物产量、品质以及整个生产周期的经济效益[1-2]。温室环境因子受到室外可测不可控干扰以及控制设备输入等的影响[3]，具有强耦合特性[4]，这种特性使得基于模型的温室环境调控算法设计复杂度增大，各环境因子的控制并不完全独立，控制回路相互耦合[5]。
对于温室环境调控，国内外研究集中于设计一系列优化算法来调控温湿度2种关键因子。优化控制方法主要包括模糊逻辑算法、神经网络算法、遗传算法以及预测控制等[6]。其中模糊控制[7]为不依赖模型的控制，这类控制策略在一定程度上可以提高温室生产的自动化程度，但究其本质仍是一种经验控制，此类控制较少涉及实际系统状态与设定值的偏差大小。神经网络[8]、遗传算法[9-11]和预测控制[12]等都涉及优化指标，这类算法一般基于非线性模型，经过实时滚动的计算过程搜索最优的控制输入，寻优过程复杂，计算量较大，不适于实际的温室生产管理[11，13]。
实际温室温湿度调控经常采用开关控制和比例积分微分（proportional integral derivative，PID）控制[14]。开关控制策略是不基于模型的经验控制，设定点跟踪效果较差。PID控制器结构简单、易实现，在温室工程应用中被广泛使用[11]，但若将PID控制器直接用于温室温湿度系统，则会由于系统的强耦合特性，导致温湿度调控相互影响，超调量大，调控效果不理想。
综上，为改善PID调控效果，本研究提出温室温湿度反馈线性化解耦策略：构建温室温湿度模型，将其描述为仿射非线性系统;基于反馈线性化理论，实现温湿度解耦，获得等价的积分加时延系统;基于等价系统设计PID控制器;对提出的策略进行仿真验证。
1 温室温湿度反馈线性化解耦
1.1 温室温湿度模型
假设温室内部空气、水蒸气混合分布均匀，将温湿度视为集总参数。温室内温度变化与室外太阳短波辐射增热量、室内外空气经由围护材料的热交换、室内空气与土壤的熱交换、作物蒸腾作用消耗的潜热、自然通风引起的对流热交换以及加热器的热量输入有关;温室内湿度变化与作物蒸腾作用的增湿量以及通风损耗有关。根据能量和物质守恒定律，建立温室温湿度动态微分方程如式（1）、式（2）[15-16]，模型各参数含义见表1。
基于Ziegler-Nichols经验规则获取PID控制器初始参数，再对其进行微调，可得温度PID控制器比例增益为0.16，积分增益为0.000 8，微分增益为0.019 2;湿度PID控制器比例增益为0.36，积分增益为0.003 6，微分增益为0.043 2。
由图3可知，温湿度基本能够跟踪设定值。由图3-a可知，温度在1 200 s处基本不受湿度变化的影响，这种情形可解释如下：湿度通过蒸腾作用影响温度，相比室外温度、室外太阳辐射等因素对温室温度的影响，作物蒸腾对温度影响较小;由式（3）计算可得，1 200 s处室内湿度的变化导致蒸腾作用的改变量为原值的38%，蒸腾作用变化量不大，因此在 1 200 s 处温度几乎不变。由图3-b可知，湿度在2 400 s处由于温度的改变而发生小幅度波动，这是由于温度变化导致蒸腾作用发生改变，蒸腾作用是影响湿度的主要因素，因此湿度在2 400 s处与设定值发生偏离。
对比图3-a和图3-c、图3-b和图3-d可知，温室温湿度的变化相互不受影响，只响应于各自的控制输入v1和v2，实现了温湿度相互解耦。
由图4可知，在1 200 s处，湿度设定值增大，为增加湿度值，通风开启度迅速减小，通风减小导致温度增加，为保持温度不变，加热开启度也减小，随后达到稳定。同理，在2 400 s处，加热和通风开启度也作出了合理响应，以保证温湿度有效跟踪设定值。
为验证温湿度跟踪设定值的动态响应效果，给出主要的暂态性能指标：温度在2 400 s处的上升时间为112 s，超调量为2.8%，调整时间为328 s;湿度在1 200 s处的上升时间为44 s，超调量为6.53%，调整时间为196 s。
由图3和图4以及上述暂态性能指标可知，提出的基于解耦算法的PID控制系统具有良好的动静态性能，可满足温室温湿度控制需求。
4 结论
对于非线性和耦合程度较高的温室温湿度系统，本研究将其转换为仿射非线性系统，采用反馈线性化解耦方法，将系统简化为2个独立的积分加延时系统，再利用实用性较强的PID控制器对该等价系统进行控制。仿真结果表明，提出的线性化解耦策略可对温湿度进行解耦，基于解耦策略的PID控制器可使温湿度系统取得较好的跟踪效果，动静态性能指标均可满足温室控制需求。下一步研究重点是将解耦算法应用于实际的温室环境控制中，进一步对其性能进行验证。
参考文献：
[1]Montoya A P，Guzman J L，Rodriguez F，et al. A hybrid-controlled approach for maintaining nocturnal greenhouse temperature：simulation study[J]. Computers and Electronics in Agriculture，2016，123：116-124.
[2]Maher A，Kamel E，Eico F，et al. An intelligent system for the climate control and energy savings in agricultural greenhouses[J]. Energy Efficiency，2016，9（6）：1241-1255.
[3]秦琳琳，马国旗，储著东，等. 基于灰色预测模型的温室温湿度系统建模与控制[J]. 农业工程学报，2016，32（增刊1）：233-241.
[4]徐立鸿，苏远平，梁毓明. 面向控制的温室系统小气候环境模型要求与现状[J]. 农业工程学报，2013，29（19）：1-15.
[5]程文锋，杨祥龙，王立人. 温室温湿度的反馈前馈线性化解耦控制[J]. 东南大学学报（自然科學版），2012，42（增刊1）：5-10.
[6]Lafont F，Balmat J F，Pessel N A，et al. A model-free control strategy for an experimental greenhouse with an application to fault accommodation[J]. Computers and Electronics in Agriculture，2015，110：139-149.
[7]Ramdani M，Hamza A，Boughamsa M. Multiscale fuzzy model-based short term predictive control of greenhouse microclimate[C]//2015 IEEE 13th International Conference on Industrial Informatics （INDIN），2015：1348-1353.
[8]Outanoute M，Lachhab A，Ed-Dahhak A，et al. A neural network dynamic model for temperature and relative humidity control under greenhouse[C]//2015 Third International Workshop on RFID & Adaptive Wireless Sensor Networks （RAWSN），2015：6-11.
[9]Ghoreishi S N，Srensen J C，Jrgensen B N. Comparative study of evolutionary multi-objective optimization algorithms for a non-linear greenhouse climate control problem[C]// 2015 IEEE Congress on Evolutionary Computation （CEC），2015.
[10]Hasni A，Taibi R，Draoui B，et al. Optimization of greenhouse climate model parameters using particle swarm optimization and genetic algorithms[J]. Energy Procedia，2011，6：371-380.
[11]王立舒，侯 涛，姜 淼. 基于改进多目标进化算法的温室环境优化控制[J]. 农业工程学报，2014，30（5）：131-137.
[12]Gruber J K，Guzmán J L，Rodriguez F，et al. Nonlinear MPC based on a Volterra series model for greenhouse temperature control using natural ventilation[J]. Control Engineering Practice，2011，19（4）：354-366.
[13]袁洪波，李 莉，王俊衡，等. 基于温度积分算法的温室环境控制方法[J]. 农业工程学报，2015，31（11）：221-227.
[14]李迎霞，杜尚丰. 中国温室环境智能控制算法研究进展[J]. 农业工程学报，2004，20（2）：267-272.
[15]van Henten E J. Greenhouse climate management：an optimal control approach[D]. Wageningen：Wageningen Agricultural University，1994.
[16]Tap F. Economics-based optimal control of greenhouse tomato crop production[D]. Wageningen：Wageningen Agricultural University，2000.
[17]姚志迎. 温室系统环境优化控制研究[D]. 北京：中国农业大学，2013.
[18]黑文静，安 刚，林 皓，等. 输入-输出非线性反馈线性化方法在硬式空中加油控制系统设计中的应用[J]. 航空学报，2008，29（3）：651-656.
[19]孔小兵，刘向杰. 基于输入输出线性化的连续系统非线性模型预测控制[J]. 控制理论与应用，2012，29（2）：217-224.
[20]Gurban E H，Dragomir T L，Andreescu G D. Greenhouse climate control enhancement by using genetic algorithms[J]. Control Engineering and Applied Informatics，2014，16（3）：35-45.
[21]Bounaama F，Draoui B. Greenhouse environmental control using optimized MIMO PID technique[J]. Sensors & Transducers，2011，133（10）：45-52.
[22]葛洪央，陈军章，葛新锋. 饲料烘干机的自适应模糊PID控制[J]. 江苏农业科学，2017，45（9）：202-204.
[23]Moafi M，Marzband M，Savaghebi M，et al. Energy management system based on fuzzy fractional order PID controller for transient stability improvement in microgrids with energy storage[J]. International Transactions on Electrical Energy System，2016，26（10）：2087-2106.樊 超，郭亚菲，曹培格. 基于小波变换的GM（1，1）-ARIMA组合模型对粮食产量的预测[J]. 江苏农业科学，2019，47（1）：221-224.