融合机器学习范式与混合整数模型预测控制的灌溉调度
系统与控制
2023-06-16 v1 人工智能
机器学习
系统与控制
动力系统
摘要
农业部门目前面临水资源节约与作物产量优化的重大挑战，主要源于淡水稀缺问题。传统灌溉调度方法往往难以满足大规模灌溉系统的需求。为此，本文提出一种利用机器学习三种范式来优化灌溉调度的预测式灌溉调度器。该调度器采用 k-means 聚类方法，基于土壤水力参数与拓扑信息将田块划分为不同的灌溉管理区。此外，采用长短期记忆网络为每个管理区建立动态模型，以准确预测土壤水分动态。该调度器被表述为一个混合整数模型预测控制问题，旨在最大化水分吸收的同时最小化总耗水量与灌溉成本。为应对混合整数优化难题，利用近端策略优化算法训练负责每日灌溉决策的强化学习智能体。为评估所提调度器性能，选取加拿大莱斯布里奇一块 26.4 公顷的田块作为 2015 与 2022 生长季的案例研究。结果表明，在两个生长季中，相较传统灌溉调度方法，所提调度器在水分利用效率和作物增产方面均更优。值得注意的是，所提调度器实现了 6.4% 至 22.8% 的节水，以及 2.3% 至 4.3% 的增产。
引用
@article{arxiv.2306.08715,
title = {Integrating machine learning paradigms and mixed-integer model predictive control for irrigation scheduling},
author = {Bernard T. Agyeman and Mohamed Naouri and Willemijn Appels and Jinfeng Liu and Sirish L. Shah},
journal= {arXiv preprint arXiv:2306.08715},
year = {2023}
}