CC BY
131
Литература
1. Третьяков А.Н., Буувэйбаатар Р., Рахмет Х. Соотношение активной и реактивной мощностей на перерабатывающем предприятии: сб. мат-лов междунар. науч.-практ. конф. (Иркутск, 25-27 марта 2008 г.) / ИрГСХА. - Иркутск: Изд-во ИрГСХА, 2008. - Ч. 3. - С. 104-108.
2. Агунов А.В. Статический компенсатор неактивных составляющих мощности с полной компенсацией гармонических составляющих тока нагрузки // Электротехника. - 2003. - № 2. - С. 47-50.
3. Пат. 2187873. Российская Федерация Н02 J 3/18. Компенсатор реактивной мощности.
4. Влияние высших гармоник на качество электроэнергии в точке общего присоединения потребителей: мат-лы междунар. науч.-практ. конф. (Иркутск, 25-27 сент. 2007 г.) / Г.С. Кудряшев, А.Н. Третьяков, ОН Шпак [и др.] // ИрГСХА. - Иркутск, 2007. - С. 181-185.
5. Третьяков А.Н., Рахмет Х. Влияние температурного режима на энергопотребление фермы КРС: сб. докл. междунар. науч.-практ. конф. - Иркутск: ИрГСХА, 2010. - С. 293-296.
---------♦'-----------
УДК 631.371 В.А. Кожухов, А.Ф. Семенов, Н.В. Цугленок
ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ЭНЕРГОСБЕРЕГАЮЩИХ РЕЖИМОВ ВЫРАЩИВАНИЯ ОВОЩЕЙ В ТЕПЛИЦЕ
Разработана система регулирования технологических параметров микроклимата. Проведен анализ функциональной взаимосвязи между элементами систем управления режимом облучения растений и концентрацией диоксида углерода. С помощью программы Simulink создана модель автоматической системы управления температурным режимом теплицы с применением аккумулятора тепла.
Ключевые слова: имитационное моделирование, параметры микроклимата, функциональная взаимосвязь, нейронная сеть, аккумулятор тепла.
V.A. Kozhukhov, A.F. Semenov, N.V. Tsuglenok POWER-SAVING MODE SIMULATION FOR VEGETABLE GROWING IN A HOTHOUSE
The system for microclimate technological parameter regulation is developed. The analysis of functional interrelation between the elements of the system for plant irradiation mode management and carbon dioxide concentration is conducted. The model of automatic system for hothouse temperature condition management with accumulator heat application is made by means of the Simulink program.
Key words: simulation, microclimate parameters, functional interrelation, neural network, heat accumulator.
В настоящее время в России себестоимость овощей, выращенных в теплицах, существенно выше, чем в странах, имеющих высокий уровень сельскохозяйственного производства. Это связано с неэффективным использованием электрической и тепловой энергии в теплице, недостаточным внедрением в технологическом процессе производства овощей нетрадиционных и возобновляемых источников энергии, отсутствием алгоритмов и программ, реализующих оптимизацию энергетических процессов, учитывающих биологические особенности роста растений.
Среди центральных проблем, поставленных Международной биологической программой, является повышение продукционного процесса растений и их различных сообществ. Основой энергетического подхода к проблеме является фотосинтетическая фиксация углекислого газа, в результате чего с участием воды и
элементов минерального питания создаются высокоэнергетические органические вещества, служащие в дальнейшем в процессах роста и развития строительным материалом растения и отдельных его органов. Исследование продукционного процесса требует изучения комплекса различных взаимодействий между растениями и окружающей средой, фотосинтеза, дыхания, передвижения вещества внутри растений. Систематизация и интеграция накопленных знаний, связанных с продукционным процессом растений, требует применения математических и кибернетических методов, позволяющих оперировать с большим количеством информации, описывать поведение больших и сложных биологических систем. Интегральный подход к проблеме повышения продуктивности не означает механическое сложение физических и биологических явлений, а предполагает суммирование роли этих явлений, исходя из их целостности на новом более высоком и качественном уровне.
Теплица представляет сельскохозяйственную систему, в которой возможно поддержание параметров микроклимата в пределах, необходимых для достижения максимальной продуктивности растений. Продукционный процесс сельскохозяйственных культур, находящихся в культивационных сооружениях, активно воздействует на влажность воздуха, температуру и содержание углекислого газа, являясь управляющим воздействием на окружающую растение среду. Процесс выращивания в таких условиях связан с управлением энергетическими процессами по алгоритмам развития растений на разных фазах и этапах онтогенеза. Поскольку точные алгоритмы неизвестны, то принятие решений в условиях неопределенностей и многомерности влияющих факторов требует выделения уровней иерархии отдельных функциональных подсистем, а также анализ их взаимодействия.
Методы возделывания растений в теплице, при которых создаются условия постоянного полноценного обеспечения растений питательными веществами и почвенной влагой согласно классификации де Вита можно отнести к первому уровню продуктивности. Для этого класса продуктивности характерны следующие основные элементы: масса сухого вещества листьев, стеблей, репродукционных или запасающих органов и корней, площадь поверхности фотосинтетической ткани, основные процессы ассимиляция СО2, дыхание поддержания, рост, распределение ассимиляторов и развитие листовой поверхности. Лимитирующие факторы, влияющие на рост и развитие растений, как правило, отсутствуют.
Продуктивность растений базируется на электромагнитной энергии света, тепловой энергии, энергии гидродинамических процессов и химической энергии минерального питания.
Применение искусственных нейронных сетей для определения зависимости искомого признака от большого числа независимо изменяющихся факторов, а в культивационном сооружении их больше ста, позволяет отказаться от поиска решения с помощью математических методов. Так как эти методы неудобны, не практичны, а часто бесполезны при таком количестве переменных из-за неточности и ошибочности получаемых результатов.
Имитационная модель продукционного процесса является не описанием или имитированием продукционного процесса, а пониманием его сущности во всей сложности, созданием количественной теории продукционного процесса [2-4].
Для решения поставленной задачи была сформирована двухслойная нейронная сеть прямого распространения в первом слое с передаточной функцией 1апв1д, во втором слое с передаточной функцией ригеНп. При этом в качестве обучающего алгоритма выбран алгоритм ^епЬегд-тащиа^ (^ат1т), который обеспечивает быстрое обучение, но требует много ресурсов.
Было проведено обучение нейронных сетей для управления параметрами микроклимата на основе данных, полученных при анализе влияния температуры, концентрации СО2 и влажности на рост и развитие растений. Для оценки достоверности результатов работы сети были использованы результаты регрессионного анализа, полученные при сравнении оптимальных значений параметров микроклимата со значениями, полученными на выходе сети, когда на вход подан входной тестовый вектор.
Также была разработана система регулирования технологических параметров микроклимата на основе уровня чистой продуктивности фотосинтеза (ЧПФ) (рис. 1).
Применение системы регулирования позволило получить оптимальный энергетический режим культивационного сооружения. Для поддержания высокого уровня ЧПФ необходимо регулировать температуру воздуха, уровень облученности и концентрацию углекислого газа, что повысит продуктивность и сократит сроки выращивания.
Рис. 1. Система регулирования технологических параметров микроклимата: I элемент системы:
1 - блок задаёт изменение ЧПФ во времени; 2 - датчик, определяющий ЧПФ; 3 - блок сравнения, на выходе которого вырабатывается сигнал, пропорциональный разности фактического и технологического значения ЧПФ; II элемент системы задаёт оптимальные значения температуры, освещённости и СО2, направленные на достижение значения ЧПФ заданного в предыдущем элементе;
III элемент предназначен для получения корректирующих значений параметров микроклимата: 1 - блок управления температурой; 2 - блок управления освещенностью; 3 - блок управления концентрацией СО2; 4 - датчик измерения температуры; 5 - датчик измерения освещенности; 6 - датчик измерения
концентрации СО2
Применяемый подход дал возможность синтезировать систему нейроуправления ЧПФ изменением параметров микроклимата теплицы, а также произвести имитационное исследование качества её работы.
Для реализации полученных нейронных сетей с помощью приложения Simulink к программе Matlab были разработаны модели САР уровня облучения и концентрации двуокиси углерода.
Анализ функциональной взаимосвязи между элементами системы управления режимом облучения растений, представленной на рис. 2, позволил создать модель на основе нейронной сети для исследования режимов работы системы облучения (рис. 3).
Рис. 2. Функциональное дерево автоматической системы облучения растений
Рис. 3. Структурная схема нейросетевого управления освещением: ИУ - измерительное устройство; еИШ - освещенность, измеренная в теплице; ешх - освещенность внутри культивационного
сооружения, заданная технологией выращивания; ев - недостаток освещенности в теплице
Данная схема представляет собой модель, отображающую регулирование освещенности в диапазоне, предусмотренном результатами системного анализа.
Анализ функциональной взаимосвязи между элементами системы управления концентрацией диоксида углерода, представленной на рис. 4, позволил создать модель на основе нейронной сети для исследования переходных режимов в системе управления концентрацией двуокиси углерода (рис. 5).
Рис. 4. Функциональное дерево системы автоматического регулирования концентрации двуокиси углерода
Рис. 5. Структурная схема нейросетевого управления концентрацией СО2:
СОИЗМ - измеренная концентрация СО2 в теплице; СОТ2ЕХ - концентрация, требуемая по технологии
выращивания; СОВ - недостаток концентрации СО2
Представленная схема управления предназначена для поддержания концентрации СО2 в диапазоне, предусмотренном результатами системного анализа.
На базе разработанной кольцевой системы теплоснабжения и моделей САР, регулирующих уровень облученности и концентрацию двуокиси углерода, была предложена схема регулирования технологических параметров микроклимата на основе уровня чистой продуктивности фотосинтеза [1; 5].
Процесс создания имитационной модели системы управления температурным режимом включает:
• формирование векторов для обучения нейронных сетей на основе экспериментальных данных. Для первой пять входных векторов: температура верхнего слоя воды в баке-накопителе (№); температура нижнего слоя воды в баке-накопителе ^п); температура воды после смесителя ^в); режим работы вентилятора (гу); режим работы циркуляционного насоса (гп) и один целевой вектор температуры воздуха в теплице (й). Для второй входным вектором будет являться вектор температуры воздуха в теплице (й), а целевым положение рукоятки смесителя (ге);
• создание М-файлов с текстом программ, выполняющих создание, обучение и тестирование полученных нейронных сетей (рис. 6). Результатом работы данных программ является создание нейронных сетей;
Рис. 6. М-файлы
• введение результатов тестирования созданных нейронных сетей, позволяющих говорить о ее работоспособности (рис. 7). Правильность работы сети зависит от точности совпадения вектора А=Т и вектора Best Linear Fit. В нашем случае коэффициент совпадения составил в первом случае R=0,985, а во втором R=0,876 [5].
Рис. 7. Тестирование сетей
В результате эксперимента получены данные, необходимые для создания, обучения и тестирования нейронной сети. Были созданы две нейронные сети для регулирования температуры воздуха в теплице. Далее полученные нейронные сети будут применены при создании САР температуры во втором эксперименте.
С примением нейронной сети в системе автоматического регулирования температурного режима теплицы с помощью программы вітиііпк была создана модель автоматической системы управления температурным режимом теплицы аккумулятора тепла (рис. 8).
га untitled ІПІВ1И
File Edit Viev Simulation Format Tools Help
□ 1 Q £ 1 & 41 Є | Q ► ■ 1 Normal ’| Й # I” S В if §
[1771
И tv 1—1 ,—4^1 ,m
щ- РП T 1 1—"—1 Neural Nefmioifcl ToWoitepace2
о Is I I I I
И- И 1 ’ To Woikspace H * Tо Woitepacel
Ready 100% |ode45
Рис. 8. Модель САР
Разработанная модель содержит две нейронные сети (Neural Network), отвечающих за обработку входящих сигналов управлением смесителем на их основе. Также для проверки работоспособности используются пять блоков Uniform Random Number (однородное произвольное число), которые позволяют эмитировать действие входных факторов, изменяющихся в заданном диапазоне.
При таком способе применения искусственной нейронной сети для управления системой обогрева теплицы можно создать САР, способную самостоятельно подстраиваться под изменяющиеся факторы и поддерживать заданные параметры в диапазоне, требуемом технологией выращивания.
Литература
1. Matlab R2007 с нуля®: пер. с англ. / Brian R. Hunt [и др.]. - М.: Лучшие книги, 2008. - 352 с.
2. Бихеле З.Н., Молдау Х.А., Росс Ю.К. Математическое моделирование транспирации и фотосинтеза растений при недостатке почвенной влаги. - Л.: Гидрометеоиздат, 1980. - 223 с.
3. Моделирование роста и развития сельскохозяйственных культур / под ред. Ф.В.Т. Пенинга де Фриза, Х.Х. ВанЛаара. - Л.: Гидрометеоиздат, 1986. - 320 с.
4. ТорнлиДж.Г.М. Математические модели в физиологии растений. - Киев: Наукова думка, 1982. - 310 с.
5. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика: пер. Ю.А. Зуева, В.А. Точенова. - М., 1992.
