基于神经网络虚拟传感器与实时优化算法的智能植物照明系统能耗降低研究

《IEEE Aerospace and Electronic Systems Magazine》：Energy-Efficient Plant Canopy Lighting Control Using Dimmable Movable Fixtures and Neural Network-Based Virtual Sensing

　　

摘要：

本文提出了一种概念验证型智能照明系统，旨在降低能耗的同时，在植物冠层水平提供目标光合光子通量密度（PPFD），这是优化植物生长的关键因素。所提出的方法将基于神经网络的虚拟传感器与实时优化方案相结合，通过调整电动LED灯具的高度、角度和调光水平，动态调节冠层水平的照明条件。为此，基于实验采集的数据训练神经网络，以预测PPFD作为灯具高度、角度和调光水平的函数。使用高斯-牛顿和L-BFGS-B两种算法实时最小化一个由PPFD误差和控制输入量组成的优化指标。实验结果表明，与传统的固定灯具相比，调光和可移动灯具的组合使用可将能耗降低约24%。在所评估的优化方法中，L-BFGS-B实现了更低的误差，并且所需迭代次数少于所实现的高斯-牛顿方法。此外，与固定配置相比，优化的照明配置将单位干重的能耗从1.87 kWh/g降低到0.72 kWh/g。