一种考虑可时移与成本因素的LED补光灯运行调控方法

摘要

本发明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。

权利要求

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BP神经网络参数，经过多日数据的训练修正，得到目标BP神经网络参数；

所述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灯控制指令，补光控制器与各LED灯连接，LED灯采用恒流驱动，用于控制补光强度；

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光照量作为输出量，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：2

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/m ；

2

为年度光照量均值，单位为W/m；

S13：设定BP神经网络参数：

设定BP神经网络输入节点数为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wij，隐藏层与输出层的连接权重为wjk，隐藏层各神经元的阈值为aj(j=1,2,…,l)，j为隐藏层节点数；输出层各神经元阈值为bk(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wij以及隐藏层阈值aj，计算隐藏层输出Rj；

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Rj、隐藏层与输出层的连接权重wjk、输出层阈值bk，计算BP神经网络的预测值Mk；

S16：计算误差，并更新BP神经网络参数：

输出层的结果Mk与实际数据向量Yk之间的误差设为 ，根据误差更新 各层的连接权值 和 ，并更新BP神经网络节点阈值 和 ，公式如下：式中，λ为学习率，取值范围为[0,1]； 和 分别表示本轮经BP神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；

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；

其中根据植物需求光照亮度DLI反推LED补光灯功率PLED按下述方法进行：S21：根据不同类型、不同阶段植物确定生长所需的日光照度DLI；

2

对于极弱光作物，其日累积光照量DLI应小于5mol/(m·天)；对于低光作物，日累积光

2 2

照量为5 10 mol/(m·天)；对于中光作物，日累积光照量DLI为10 20 mol/(m·天)；对于~ 2 ~高光作物，日累积光照量DLI为20 30 mol/(m·天)；对于极高光作物，日累积光照量DLI为~2

30 60 mol/(m·天)；

~

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：2

式中，DLI为LED灯的日补光量，单位为mol/(m·天)；DLImax和DLImin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PLED：式中，PLED为LED补光灯总的电能，单位为kWh；Ie为LED灯的平均照度，单位为lx；A为温室2

内的总面积，单位为m ；Φ0为单位面积每lx光通量，单位为lm/lx；C1和C2为修正系数，均取2

1；ηe=100 Lm/W，为补光灯光效；ke为照度换算系数，单位为μmol/(m·s·klx)，与补光灯设备有关；

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S3构建LED补光灯优化运行控制模型中的优化目标为分时电能成本、LED能耗成本、LED寿命成本的综合成本最低，约束条件为LED最大额定功率不等式约束、总的补光功率等式约束，优化变量为次日每小时的LED灯补光功率。

3.如权利要求2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：所述分时电能成本按下式计算：式中， 为LED灯补光电量成本， 为t小时的LED补光电量，单位为kWh；

为农业分时电价成本，单位为元/kWh。

4.如权利要求2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LED能耗成本是根据实验数据LED光照强度‑LED能耗功率进行拟合得到下式LED光照强度的能耗模型所获得的：式中， 为LED灯的能耗功率，单位为元； 为室内LED灯在t时刻的总照度，单位为lx； 、 为能耗拟合参数。

5.如权利要求2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LED的寿命成本按下式计算：式中， 为当日LED灯的寿命成本，单位为元； 为第n个LED灯开启的时长，单位为小时； 为第n个LED灯的购置成本，单位为元；N为开启的LED灯的总数量，单位为个； 为LED灯出厂寿命周期，单位为小时。

说明书

一种考虑可时移与成本因素的LED补光灯运行调控方法

技术领域

[0001] 本发明涉及电力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。

背景技术

[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。

发明内容

[0006] 本发明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，本发明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：

[0008] 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；

[0009] 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；

[0010] 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；

[0011] 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。

[0012] 所述步骤S1中BP神经网络预测模型按下述方法获得：

[0013] 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；

[0014] 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：

[0015]  …………………………（1）

[0016] 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/2 2
m； 为年度光照量均值，单位为W/m；

[0017] S13：设定神经网络参数：

[0018] 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wij，隐藏层与输出层的连接权重为wjk，隐藏层各神经元的阈值为aj(j=1,2,…,l)，j为隐藏层节点数；输出层各神经元阈值为bk(k=1,2,…,m)，k为输出层节点数；

[0019] 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wij以及隐藏层阈值aj，计算隐藏层输出Rj；

[0020]

[0021] 式中，f(x)为隐藏层激励函数；

[0022] S15：输出层输出计算：根据隐藏层的输出Rj、隐藏层与输出层的连接权重wjk、输出层阈值bk，计算BP神经网络的预测值Mk；

[0023]

[0024] S16：计算误差，并更新网络参数：

[0025] 输出层的结果Mk与实际数据向量Yk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：

[0026] ………………………………（4）

[0027] …………………………（5）

[0028] ………………………………（6）

[0029]

[0030]

[0031] 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；

[0032] 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。

[0033] 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PLED按下述方法进行：

[0034] 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；

[0035] 表1 不同颜色的LED灯光参数

[0036] 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：

[0037] …………………………（9）

[0038]  式中，DLI为LED灯的日补光量，单位为mol/(m2·天)；DLImax和DLImin分别为不同类型植物的日累计光照亮度DLI的上下限值；

[0039] S23：根据LED灯的日补光量按下式反推LED灯的电量PLED：

[0040]  …………………………（10）

[0041]  …………………………（11）

[0042] 式中，PLED为LED补光灯总的电能，单位为kWh；Ie为LED灯的平均照度，单位为lx；A2
为温室内的总面积，单位为m ；Φ0为单位面积每lx光通量，单位为lm/lx；C1和C2为修正系
2
数，均取1；ηe为补光灯光效，单位为Lm/W；ke为照度换算系数，单位为μmol/(m·s·klx)，与补光灯设备有关。

[0043] 所述步骤S3构建LED补光灯优化运行控制模型中的优化目标为分时电能成本、LED能耗成本、LED寿命成本的综合成本最低，约束条件为LED最大额定功率不等式约束、总的补光功率等式约束，优化变量为次日每小时的LED灯补光功率。

[0044] 所述分时电能成本按下式计算：

[0045] …………………………（12）

[0046] 式中， 为LED灯补光电量成本， 为t小时的LED补光电量，单位为kWh；为农业分时电价成本，单位为元/kWh。

[0047] 所述LED能耗成本是根据实验数据LED光照强度‑LED能耗功率进行拟合得到下式LED光照强度的能耗模型所获得的：

[0048] …………………………（13）

[0049] 式中， 为LED灯的能耗功率，单位为元； 为室内LED灯在t时刻的总照度，单位为lx； 、 为能耗拟合参数。

[0050] 所述LED的寿命成本按下式计算：

[0051] ……………………………（14）

[0052] 式中， 为当日LED灯的寿命成本，单位为元； 为第n个LED灯开启的时长，单位为小时； 为第n个LED灯的购置成本，单位为元；N为开启的LED灯的总数量，单位为个； 为LED灯出厂寿命周期，单位为小时。

[0053] 本发明与现有技术相比具有以下优点：

[0054] 1、本发明通过大量历史的日光照量曲线，构建BP神经网络模型，预测次日的光照亮曲线。采集植物温室内的每小时光照累计量为1个时刻的数据，日光照量曲线为24个时刻的数据组成，然后通过均一化处理后为输入变量。同时设定BP神经网络的各项函数和参数，给定目标误差，输出变量为次日的24h光照量，经过多次训练得到神经网络模型。通过该模型可预测次日光照情况，为后续LED补光调控方案的确定提供基础。

[0055] 2、本发明根据不同类型植物对光照量和光色需求，确定种植的农作物最佳的日累计光照量，该累计光照量与预测的次日光照量作差值，得到次日LED的补光亮度。特别是通过本发明提出的理论计算模型，由LED日补光量反推LED补光灯电量PLED，实现了农作物光需求转化为电负荷需求，可定量精准控制LED补光功率，从而实现精准控制补光量。

[0056] 3、本发明构建了LED补光优化控制模型，优化目标综合考虑了LED补光系统各项成本，特别是给出每项成本的计算方法。a）充分考虑农户分时电价的电能成本，通过控制LED补光时段尽可能降低运行成本；b)考虑了LED灯的损耗成本，对PWM调光方式下LED灯的光照亮度和电能损耗关系进行拟合，得到功率损耗模型，从而根据LED灯的光照亮度关联确定LED灯的电能损耗；c)优化目标还考虑了LED寿命成本，根据LED灯的购置成本、出厂寿命期限、日光照时长计算出日运行寿命成本。

[0057] 4、本发明采用改进的粒子群算法对LED补光优化控制模型进行求解。特别是针对约束条件中含等式约束条件：植物总的日补光功率一定，采用引入惩罚函数H(x)，当粒子寻优时，若日补光功率低于植物总的需求量时则加入大的惩罚函数，限制粒子寻优方向；同时优化模型本身是寻找最低成本，迫使补光功率不得太高，因此两者叠加效果是使粒子光照功率尽可能朝着植物需求功率靠近。

[0058] 5、本发明可直接便捷地调控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，而且满足电网侧的“削峰填谷”需求。

附图说明

[0059] 下面结合附图对本发明的具体实施方式作进一步详细的说明。

[0060] 图1为本发明的流程图。

[0061] 图2本发明BP神经网络模型训练流程。

[0062] 图3为本发明实施例中预测光照曲线与实际光照曲线对比。

[0063] 图4为本发明实施例中粒子群优化求解收敛过程。

[0064] 图5为本发明实施例中次日LED补光调控方案。

具体实施方式

[0065] 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：

[0066] 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。

[0067] 其中：如图2所示，BP神经网络预测模型按下述方法获得：

[0068] 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。

[0069] 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：

[0070]  …………………………（1）

[0071] 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/2 2
m； 为年度光照量均值，单位为W/m；

[0072] S13：设定神经网络参数：

[0073] 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wij，隐藏层与输出层的连接权重为wjk，隐藏层各神经元的阈值为aj(j=1,2,…,l)，j为隐藏层节点数；输出层各神经元阈值为bk(k=1,2,…,m)，k为输出层节点数；

[0074] 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wij以及隐藏层阈值aj，计算隐藏层输出Rj；

[0075]

[0076] 式中，f(x)为隐藏层激励函数；

[0077] S15：输出层输出计算：根据隐藏层的输出Rj、隐藏层与输出层的连接权重wjk、输出层阈值bk，计算BP神经网络的预测值Mk；

[0078]

[0079] S16：计算误差，并更新网络参数：

[0080] 输出层的结果Mk与实际数据向量Yk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：

[0081] ………………………………（4）

[0082] …………………………（5）

[0083] ………………………………（6）

[0084]

[0085]

[0086] 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；

[0087] 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。

[0088] 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。

[0089] 根据植物需求光照亮度DLI反推LED补光灯功率PLED按下述方法进行：

[0090] 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；

[0091] 表1 不同颜色的LED灯光参数

[0092] 对于极弱光作物，其日累积光照量DLI应小于5mol/(m2·天)；对于低光作物，日累2 2
积光照量为5 10 mol/(m·天)；对于中光作物，日累积光照量DLI为10 20 mol/(m·天)；
~ 2 ~
对于高光作物，日累积光照量DLI为20 30 mol/(m·天)；对于极高光作物，日累积光照量~
2
DLI为30 60 mol/(m·天)。若光照量DLI不足则生长缓慢，若光照量过剩则抑制生长。
~

[0093] 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：

[0094] …………………………（9）

[0095] 式中，DLI为LED灯的日补光量，单位为mol/(m2·天)；DLImax和DLImin分别为不同类型植物的日累计光照亮度DLI的上下限值；

[0096] S23：根据LED灯的日补光量按下式反推LED灯的电量PLED：

[0097]  …………………………（10）

[0098]  …………………………（11）

[0099] 式中，PLED为LED补光灯总的电能，单位为kWh；Ie为LED灯的平均照度，单位为lx；A2
为温室内的总面积，单位为m ；Φ0为单位面积每lx光通量，单位为lm/lx；C1和C2为修正系
2
数，均取1；ηe为补光灯光效，单位为Lm/W；ke为照度换算系数，单位为μmol/(m·s·klx)，与补光灯设备有关。

[0100] 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。

[0101] 具体过程如下：

[0102] 构建LED补光灯优化运行控制模型中的优化目标为分时电能成本、LED能耗成本、LED寿命成本的综合成本最低，约束条件为LED最大额定功率不等式约束、总的补光功率等式约束，优化变量为次日每小时的LED灯补光功率。

[0103] 所述分时电能成本按下式计算：

[0104] …………………………（12）

[0105] 式中， 为LED灯补光电量成本， 为t小时的LED补光电量，单位为kWh；为农业分时电价成本，单位为元/kWh。

[0106] 所述LED能耗成本是根据实验数据LED光照强度‑LED能耗功率进行拟合得到下式LED光照强度的能耗模型所获得的：

[0107] …………………………（13）

[0108] 式中， 为LED灯的能耗功率，单位为元； 为室内LED灯在t时刻的总照度，单位为lx； 、 为能耗拟合参数。

[0109] 所述LED的寿命成本按下式计算：

[0110] ……………………………（14）

[0111] 式中， 为当日LED灯的寿命成本，单位为元； 为第n个LED灯开启的时长，单位为小时； 为第n个LED灯的购置成本，单位为元；N为开启的LED灯的总数量，单位为个； 为LED灯出厂寿命周期，单位为小时。

[0112] 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。

[0113] 为优化含有等式约束条件，本发明引入惩罚函数，当寻优过程中有粒子的累积光照亮度小于总补光功率PLED时，在目标函数中引入一个足够大的常数，限制该粒子的寻优方向。

[0114] ………………（15）

[0115] 式中，F为综合最低成本，单位为元；H(x)为惩罚函数，当求解过程中LED补光灯总的电能低于PLED时，H(x)取为100元，当补光电能高于PLED时，H(x)取为0元。

[0116] 实施例 如图1所示，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：

[0117] S1：搭建LED智能采集和补光系统，获取每小时的植物温室内的光照数据；在植物温室内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。

[0118] 然后构建BP神经网络预测模型，并预测次日的室内光照量曲线。具体如下：

[0119] （a）采集西北某地区温室大棚内全月31天的光照强度数据，数据采集周期为1h，即光照量数据维度是31×24，并按照公式（1）进行归一化处理，得到处理后的光照数据如表2所示：

[0120] 表2 归一化后的光照数据

[0121] （b）神经网络模型中输入变量为归一化后的历史24h光照量，即24×1的向量，输出向量为次日的24小时光照量。训练数据为前30天的光照量数据，校验数据为第31天的光照数据，目标误差 取为0.001。采用BP神经网络的输入节点数n取值为24，输出层节点数m取值为24，隐藏层为2层，初始的连接权重为[0,1]内的随机数，隐藏层阈值aj初始为1，输出层神经元阈值bk为1，预测结果如图3所示。

[0122] 由图3可知本发明的次日的光照预测曲线与实际光照曲线基本一致，平均光照强度误差为0.35%，日累积光照量误差为2.64%，因此光照强度的预测结果精度在95%以上，满足下一步的基于预测光照量的LED补光运行调控需求。

[0123] S2：选择以吸收红蓝光比4:1的高光植物为例，其日累计光照亮20 30 mol/(m2·~2 2
天)，即DLImax=30 mol/(m·天)，DLImin=20 mol/(m·天)。表1中太阳总光照亮为2797.3W/
2 2 2 2
m ，按照1 W/m 等于 4.57 μmol/(s·m)，即预测太阳光的日照量为18.408mol/m。以西北某地区的玻璃温室大棚，其室内光照强度s(t)如表3所示：

[0124] 表3 西北某地区预测的室内日光照强度

[0125] 按照公式（9）计算LED出日照补光量为25mol/m2‑18.408mol/m2=6.592 mol/m2。

[0126] 由LED的补光量反推LED的平均光照度，然后按公式计算出Ie=6.592/(132×0.75+7
145×0.25)=4.874×10 lx。

[0127] 本实施例中蓝色LED灯系数为145，红色LED灯系数为132；温室内的总面积A为2
500m ；单位面积每lx光通量Φ0为2.8 lm/lx；修正系数C1和C2均为1；LED灯补光灯光效ηe为
2
100lm/W；照度换算系数ke与补光灯设备有关，单位为7μmol/(m·s·klx)。根据公式（10）~（11）反推出LED灯的补光功率：PLED=4.874×10 ×500×2.8×1×1/（100×3600）=
189.54kWh。因此可求得次日LED全天的补光电能为189.54 kWh。

[0128] S3：构建电能成本、能耗成本和寿命成本最低的LED补光灯模型。本实施例中LED灯采用PWM方式调光。

[0129] 其中：LED能耗功率和LED光照量之间关系式如公式（5）所示。通过实验参数拟合得到 、 分别取值为3.1和0.1，则得到公式（9）：

[0130] 其中LED灯单个功率为18W，成本为19元/支，总面积500m2温室最大补光功率为25kW，西北某地农业峰时电价0.671元/kWh，平时电价0.449元/kWh，谷时电价为0.227元/kWh。每支灯光的额定寿命为10000小时。

[0131] 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。

[0132] 粒子群种群大小为50，迭代上限为1000次，惩罚函数为H(x)=100，优化变量为24小时的每小时补光功率，目标函数为三种成本综合最小，求解结果如下：

[0133] 采用改进的粒子群算法对优化模型进行求解。其中，粒子群算法中有总的补光功率等式约束，本发明采用惩罚函数，在各粒子进行寻优时，当粒子的总补光功率低于PLED时，目标函数中的惩罚函数H(x)取值为100元，当总补光功率高于PLED时，惩罚函数H(x)取值为0元，从而限制算法寻优方向，当。粒子群的种群规模为50，迭代次数上限为1000次；最后当连续100次迭代结果没变化则视为算法收敛，输出最优补光灯运行策略，或者达到迭代次数上限时输出补光灯运行策略。该策略包含次日每个小时的补光功率。求解结果如图4所示。从图中可以看出在192次迭代收敛，求得的当日最低补光用能成本为71.823元，其中用电成本为51.804元，LED寿命成本为20.007元，损耗成本为0.012元，在成本下的LED运行调控方案如图5所示。

[0134] 由图5可知，在考虑用能成本下，次日的LED补光灯功率多在夜间低谷时段开启，可进一步实现用户侧综合成本最优，指导用户科学合理调控LED补光灯功率。若采用LED补光实时控制策略，白天日光照射基础上，使植物光照量始终维持在恒定值，此种模式下在峰值电价时段仍进行补光，用能成本将远高于本发明的优化调控方案，而且无法根据光照条件、作物生长需求量预测性调控补光时段与补光电量。