混合CNN–LSTM–Linformer驱动的自适应NMPC算法在猪舍环境控制中的应用

《Agriculture》：Hybrid CNN–LSTM–Linformer Driven Adaptive NMPC for Environmental Control in Pig Housing

　　

摘要

准确预测和节能控制猪舍环境仍然具有挑战性，因为温度、相对湿度、NH₃ 和 CO₂ 是非线性的，彼此之间存在强耦合，并且受到通风和季节性条件的影响。本研究提出了一个智能预测控制框架，该框架将混合深度学习预测与非线性模型预测控制相结合，用于多变量猪舍环境调节。比较了多种混合深度学习模型，包括 CNN-LSTM-标准变换器、CNN-LSTM-轻量级变换器以及所提出的 CNN-LSTM-线性信息器风格模型。CNN-LSTM-轻量级变换器取得了最高的整体预测准确性，而所提出的 CNN-LSTM-线性信息器风格模型通过使用可分离卷积、全局平均池化和线性信息器风格注意力机制，实现了最紧凑的结构，与 CNN-LSTM-标准变换器相比， training 时间和内存使用量减少了约 53%。该预测模型与 FLC（反馈线性控制器）、NMPC（神经网络模型预测控制器）和 ANMPC（自适应神经网络模型预测控制器）集成，用于闭环通风控制。ANMPC 根据环境偏差在线调整控制权重，以在干扰情况下平衡环境调节和能源使用。在标称闭环仿真中，NMPC 和 ANMPC 与 FLC 相比，将通风能耗降低了约 44%；而在干扰条件下，ANMPC 的 NH₃ 稳态误差降低了 4.35%，NH₃ 恢复响应速度提高了 3.5%。在 24 小时的现场验证中，NMPC 和 ANMPC 分别将能耗降低了 35.8% 和 27.4%，同时保持了污染物的安全性。