城市草坪智能化灌溉系统方案文档格式.docx
《城市草坪智能化灌溉系统方案文档格式.docx》由会员分享,可在线阅读,更多相关《城市草坪智能化灌溉系统方案文档格式.docx(11页珍藏版)》请在冰点文库上搜索。
托普物联网针对智能化灌溉系统也做出了一些的研究与开发,并与浙江大学合作,已经研发出了针对不同灌溉类型的方案,同时也进行了实施,在实践中研究系统的适用性,针对不足做出新的补充,力求为中国农业的发展作出贡献。
1.2我国绿地灌溉现状及展望
1.2.1我国绿地灌溉现状
由于经济技术等原因,过去我国草坪灌溉基本上是以人工灌溉为主,这种灌溉方法只能改变土壤湿度,对绿地植物生长的小气候影响小,灌水定额较大,不便实施适时适量灌溉,水的利用率低,这种方法大概有80%的水由于深层渗漏及无效蒸发损失掉。
草坪灌溉宜选择喷灌,喷灌以其节水、保土、省工、适应性强、养护质量高、景观效果好等优点,在城市绿地草坪中应用广泛。
喷灌灌水器覆盖面积相对较大,并且喷点少,不影响绿地面积的整体美观,相对于传统漫灌节水30%左右。
大面积草坪(高尔夫球场、足球场、大型广场)采用喷灌,既可满足草坪生长需水的要求,又可形成一道水景加绿地的风景线。
我国过去城市绿地灌溉多采用大水漫灌或人工喷洒模式。
此类灌溉不能及时灌水、过量灌水或灌水不足,难以控制灌水均匀度,对绿地作物的正常生长产生不良影响。
现在我国主要推广的是半自动灌溉系统。
此类系统如利用定时器控制灌溉比人控园林草坪是为改善环境、增加美感、陶冶性情等目的而栽植的,因此要求它们控制系统节水很多。
可以根据经验针对不同气候时段设置不同灌溉程序,减少了灌溉的随意性。
这种情况下,灌水器采用喷头,水的实际利用率可以达到65%一70%水器采用高均匀度的喷头,实际水利用效率能达到75%一80%。
如果再配上雨风速传感器灌溉水的利用率还可以增加。
但灌溉程序设定仍是依赖管理人步参考有关参考数据。
如管理人员经验不足或获得的参考数据准确性差,编伟导致灌水过量或不足,距离精确化灌溉仍有很大距离。
但由于其投资少,灌溉水的有效利用率比手动控制提高很多,作为成熟的灌溉系统现阶段城推广的是此类模式。
1.2.2我国绿地灌溉展望
智能化灌概系统是未来灌溉的发展方向。
精确化,智能化灌溉技术是随机应用技术、传感器制造技术、塑料工业技术的提高而逐步实现的。
所谓智能就是根据植物需水量对其进行灌溉。
通过自动气象站采集每天的气象资料作物的作物系数确定出每天绿地的耗水量。
通过探测器将灌区的土壤水分湿丈螃湿度,日照时数,风速,温度等数据收集起来发送到数据处理中,自,根据预需水量计算模型进行需水量的计算。
得到需水量后通过流量控制系统进行灌溉。
1.3智能化灌溉研究动态
智能化灌溉主要由两个方面构成。
首先是作物需水量的确定,包括何时及灌多少水。
其次是流量控制系统,决定如何安排灌水以使总的灌水费用最少需水量确定的关键是参考作物腾发量即E几。
1.3.1国外智能化灌溉研究动态
1990年,第十一届国际灌溉展览年会上提出计算机技术和传感器将广泛灌溉控制管理系统中Is1。
Marti。
smith等I’]发表的灌溉规划及管理工具cROP件包,采用Penman一Montieth方程计算作物需水量还具有拟定灌溉制度和水计划、育旨。
利用全生育期的作物水分生产函数估算有限供水情况下的作物减产损。
Tsakiri利用随机过程,Mariio等利用时间序列来预测参考作物腾发量。
经过全球范围内长期的探索研究,联合国粮农组织FAO于1998年透定了Penman一Montieth方程作为全球范围内唯一有效使用的参考作物腾发量计算方法,此前一直沿用的是改进Penman法,原因是某些地区后者有可能导致对作物需水量估算过大。
ReeJ等及Pauls等利用多阶段决策过程,wardlawR等利用二次规划方法,以灌溉供水效益最大为目标建立渠系配水模型。
wangz等将灌溉配水渠道概化为一组导管,每根导管向下面的一个或几个斗口供水,即为一个轮灌组,采用0一1规划法求解一个灌水周期内各斗口的最佳轮灌组合,以达到整个配水渠道配水时间最短、流量稳定和输水损失最小。
shyamR等采用线性规划模型进行渠道配水研究,以净灌溉总收益最大为目标,并考虑了各级渠道实际放水时间、渠道输水、最小流量等约束条件,已成功地应用于印度的Golawar&
GolaPar渠灌区。
1.4本文研究思路
本文引进最新的智能化灌溉、计算机、科学算法等相关领域的研究成果,探讨城市绿地智能化灌溉系统的应用。
主要进行了绿地作物需水量模糊推理系统及灌溉运行中的流量控制系统研究。
作物需水量模糊推理系统由自动气象站及探测器采集各种气象信息,依据FAO于1998年推荐的Penlnan一Montieth方程计算出参考作物腾发量。
同时利用被灌溉作物在灌溉时的作物系数获得特定作物的作物腾发量E天,然后利用水量平衡法对土壤含水率进行逐日计算。
最后利用土壤含水率、当日作物腾发量、作物生长最佳土壤含水率、气象预报等数据建立作物需水量计算的模糊推理系统。
由此系统决策当日是否灌水及灌多少水。
在确定灌水量后,以总的灌水费用最少为目标,考虑流量约束、灌水时间约束建立流量控制系统。
本文从以下方面对智能化灌溉系统进行研究:
1.分析智能化灌溉系统的构成与设计思路。
2.分析模糊控制系统的起源、原理与具体的设计思路,研究模糊控制系统在作物需水量决策系统中的Matlab实现。
3.建立作物需水量决策系统的模糊控制模型,利用数学模型结合实时检测对作物需水量进行决策。
4.建立流量控制系统模型,对模型进行优化,采用搜索空间限定法及惩罚函数法对约束条件进行处理,利用遗传算法求解模型。
2城市绿地智能化灌溉系统结构概述
2.1智能化灌溉系统构成
智能化灌溉系统属于闭环控制灌溉系统,自动气象站中的气温、雨量、湿度等传感器,作为系统的信号反馈设备,此信号供中央控制系统采集和决策后,自动指挥灌溉系统运行。
其基本组成见图2.1。
图2.1智能化灌溉系统基本组成图
2.2中央控制系统
中央控制系统基本工作原理:
由气象传感器把植物需水相关的气象参量反馈给中央控制系统,运算植物前一天损耗的水量,并决定今天是否补充水分和补充多少水分;
若需要补水,中央控制系统向各控制器发出指令控制其辖区内的机组和电磁阀的启闭,在一定时间内按一定顺序自动完成绿地灌溉并自动停机。
控制系统工作原理及其信息流程图见图2.2。
图2.2中央控制系统工作原理及其信息流程图
控制系统主要包括两大系统:
作物需水量计算系统及流量控制系统。
作物需水量计算系统决定灌水量,流量控制系统决定如何实施灌溉,即控制各电磁阀的各个控制器的分组轮灌顺序。
通过信息传输系统将灌溉计划发送给田间控制器,由其安排各电磁阀进行灌溉。
如上所示,中央控制系统主要由作物需水量计算系统及流量控制系统构成。
2.2.1需水量计算系统
需水量计算系统利用农田水量平衡原理逐日对土壤含水量进行计算。
利用联合国粮农组织(FAO)推荐的彭曼一蒙特斯(Penlnan一Montieth)公式逐日计算参考作物蒸腾量,结合作物系数得到特定作物的作物蒸腾量。
在获知作物蒸腾量后,依据各种探测器可获知实时的气象资料,从而推算出土壤实时含水量。
为使土壤含水量保持在预定范围内,以土壤实时含水量及作物蒸腾量为输入量,灌水量为输出量建立作物需水量模糊计算系统。
利用自适应神经网络模糊推理系统(ANFIS)对输入量隶属函数及模糊规则进行优化。
2.2.2流量控制系统
得到灌水量后,控制器的分组轮灌计划由流量控制系统选择控制。
流量控制系统结构图如图2.3所示。
图2.3流量控制系统组成图
流量控制系统原理为将主管概化为一组导管,每根导管向下面的一个或几个控制器供水,一根导管即为一个轮灌组,以灌溉耗时最少为目标,以不同管段的流量限制以及灌溉系统总的灌水时间限制为约束条件建立优化模型。
参考了渠道控制系统模型,并结合目标分配类问题的模型的设立思路建立了流量控制系统模型。
为求解模型,利用搜索空间限定法法及惩罚函数法对约束条件进行优化,最后利用遗传算法对优化后模型进行求解。
3系统介绍
3.1模糊控制系统简述
模糊控制是作为结合传统的并基于规则的专家系统、模糊集理论和控制理论的成果而诞生的,它与基于被控过程数学模型的传统控制理论有很大区别。
在模糊控制中,并不像传统控制那样需要对被控过程进行定量的数学建模,而是试图通过从能成功控制被控过程的领域专家那里获得知识,即专家行为和经验。
当被控过程十分复杂甚至‘病态’时,建立被控过程的数学模型或者不可能,或者需要高昂的代价,此时模糊控制就显得具有吸引力和实用性。
由于人类专家的行为是实现模糊控制的基础,因此必须用一种容易且有效的方式来表达人类专家的知识。
IF一THEN规则格式是这种专家控制知识最适合的表示方式之一,即IF‘条件’THEN‘结果’。
这种表示方式有两个显著的特征:
它们是定性的而不是定量的;
它们是一种局部的知识,这种知识将局部的‘条件’与局部的‘结果’联系起来。
当用计算机实现时,这种规则最终需具有数值形式。
隶属函数和近似推理,为数值表示集合模糊蕴含提供了一种有利的工具。
要实现一个实际的模糊控制系统,需要解决三个问题:
知识的表示、推理策略和知识获取。
知识表示是指如何将语言规则用数值方式表示出来;
推理策略是指如何根据当前输入‘条件’产生一个合理的‘结果’;
知识的获取解决如何获得一组恰当的规则。
由于领域专家提供的知识常常是定性的,包含某种不确定性,因此知识的表示和推理必须是模糊的或近似的,近似推理理论正是为满足这种需要而提出的。
3.1.1模糊控制系统组成
模糊控制系统由模糊控制器和控制对象组成,如图3.1所示。
图3.1模糊控制系统的组成
3.1.2模糊控制器的基本结构
模糊控制器的基本结构主要包括四个部分。
1.模糊化
模糊化的作用是将输入的精确量转化为模糊化量。
其输入量包括外界的参考输入、系统的输出或状态等。
模糊化的具体过程如下:
(l)首先对这些输入量进行处理,使其变成模糊控制器要求的输入量;
(2)将上述己经处理过的输入量进行尺度变换,使其变换到各自的论域范围;
(3)将己经变换到论域范围的输入量进行模糊处理,使原先精确的输入量变成模糊量,并用相应的模糊集合来表示。
2.知识库
知识库包含了具体应用领域中的知识和要求的控制目标。
通常由数据库和模糊控制规则库两部分组成。
(l)数据库主要包括各语言变量的隶属度函数,尺度变换因子及模糊空间的分级数等。
(2)规则库包括了用模糊语言变量表示的一系列控制规则。
它们反映了控制专家的经验和知识。
3.模糊推理
模糊推理是模糊控制器的核心,它具有模拟人的基于模糊概念的推理能力。
该推理过程是基于模糊逻辑中的蕴含关系及推理规则来进行的。
4.清晰化
清晰化的作用是将模糊推理得到的控制量(模糊量)变化为实际用于控制的清晰量。
它包含以下两部分的内容:
(l)将模糊的控制量经清晰化变换,变成表示在论域范围的清晰量;
(2)将表示在论域范围的清晰量经尺度变换成实际的控制量
3.2自适应神经网络模糊推理系统(ANFIS)及其MATLAB应用
模糊推理系统的设计不依靠对象的精确数学模型,而是依靠专家或长期操作人员的经验和知识,模糊规则本质上是用户在按照己有的知识和经验对问题模型的特征进行解释的基础上预先获得的。
若缺少对某一模型的经验和知识,难以获得满意的控制效果。
若把自适应神经网络系统应用到模糊模型的推理中,则可取得较好的应用前景,自适应神经网络模糊系统中的隶属度函数及模糊规则是通过对大量己知数据学习得到的,而非依靠经验。
自适应神经网络模型控制系统ANFls(Ad即tiveNetwork一basedFuz盯InfereneeSystem)的优异之处就是可以用神经网络的学习机制补偿模糊控制系统原有的缺点网。
传统模糊推理系统的隶属函数是确定的,在选择隶属函数时带有一定的主观性。
而模糊推理的应用对象,是用户对模型变量的特性己经预先决定了的系统。
但有的时候,由于要在某个系统中应用模糊推理,为此采集了许多输入输出数据,并想将这些数据用于建模、模型跟踪或其他方案。
此时由于没有一个基于系统变量特征的先验模型结构,在某些条件下模糊控制器设计者无法边看数据就可弄清楚隶属函数的形状。
此时可用为输入输出数据选择适当的参数来调整隶属函数,以说明数据的变化类型。
在Matlab的模糊逻辑工具箱中的ANFIS函数中嵌入的神经自适应训练技术可完成该工作。
工具箱函数ANFIS是用一个给定的输入输出数据集构造出一个模糊推理系统,并用一个单独的反向传播算法或概算发与最小二乘法相结合的方法来完成对系统隶属函数的调节。
从而使得模糊系统可以从其建模数据中学习信息。
本文利用ANFIS编辑器应用工具箱函数ANFIS。
ANFIS编辑器将模糊推理技术用于数据建模。
与在其他的模糊推理工具中一样,隶属函数的形状由其参数决定,改变这些参数就将改变隶属函数的形状。
3.2.1神经一模糊推理
ANFIS是用的建模方法与系统辨识的方法相似。
首先假定一个参数化的模型结构,然后采集输入输出数据。
在使用ANFIS训练FIS模型,根据某个选定的误差准则修正隶属函数参数,使得FIS系统模仿提供给系统的训练数据。
一般情况下,若输入ANFIS的训练数据能够完全地表示将要建模的系统的特征,那么得到的FIS模型工作的非常好。
但实际中数据采集时带有噪声,训练数据无法表示要建模的系统的全部特征。
此时需要用检验数据和测试数据进行模型确认的工作。
在用ANFIS编辑器进行模型确认过程中,将输入输出数据中未经训练过的输入数据传送到被训练的FIS模型中,观察FIS模型的输出数据。
在ANFIS中,也可使用另一类型的数据既检验数据进行模型确认,其作用是控制FIS模型过渡匹配数据的能性。
当检验数据与训练数据被同时输入ANFIS中,可选定FIS模型,其参数为使检验数据模型误差最小时的参数。
模型确认中重要的是选择一个良好的输入输出数据集,这个数据集既要能典型的反应被训练模型要模仿的数据集,又要与训练数据集有明显的区别,以免确定过程失去价值。
在模型确认中使用检验数据集的基本思想,是训练中的某一时刻后,模型开始完全的匹配训练数据集。
原则上,当训练到完全匹配点发生时,对检验数据的模型误差将趋于减少,然后由于模型的过度匹配数据,检验数据的模型误差会突然增加。
ANFIs只支持Sugeno型系统,而且必须是各规则的权均为1的一阶或零阶Sugeno系统,并且系统是单输出,其输出值由加权平均反模糊化方法获得。
3.2.2ANFIS系统的Matlab应用
使用ANFIS编辑器,在命令行中键入“aullsedit’’即可。
其应用如下:
1.载入训练、检验数据集
2.选择输入和输出隶属函数的类型及输入隶属函数的个数
3.ANFIS训练
4.用训练过的FIS测试用户的数据