基于BiLSTM和GRU的大田气候调控数据驱动方法——以生菜培育为例
系统与控制
2026-02-05 v2 系统与控制
摘要
高效的温室管理对于可持续粮食生产至关重要，但气候调控的高能耗造成显著的经济和环境挑战。虽然已有基于工艺的温室模型，但往往过于复杂或不够精确，难以实现可靠的控制。为此，本研究引入一种新颖的数据驱动预测控制框架，利用长短期记忆网络（LSTM）和门控循环单元（GRU）神经网络内置于模型预测控制（MPC）架构中。训练数据来自于经过验证的动态模型，模拟生菜培育在各种环境条件下的情景。LSTM和GRU网络被训练预测未来温室状态——包括温度、湿度、CO₂浓度和作物干重，通过10折交叉验证确认其鲁棒性。这些网络被嵌入在在线MPC控制器中，以优化加热、通风和CO₂喷射，旨在最小化能源消耗并最大化作物产量，同时尊重生物约束。结果表明，LSTM和基于GRU的控制器均显著优于传统MPC基准。例如，湿度违规率从54.77%（MPC）降至15.45%（GRU）和17.71%（LSTM），日夜温度偏差均保持在2℃以下。GRU控制器还实现了比LSTM高达40%的计算时间降低，证明其实时可行性。总体而言，所提出的GRU驱动的预测控制方法为智能温室气候自动化提供了稳健且计算高效的解决方案，适用于实际运行约束。
引用
@article{arxiv.2507.21669,
title = {Data-Driven Greenhouse Climate Regulation in Lettuce Cultivation Using BiLSTM and GRU Predictive Control},
author = {Soumo Emmanuel Arnaud and Marcello Calisti and Athanasios Polydoros},
journal= {arXiv preprint arXiv:2507.21669},
year = {2026}
}