基于贝叶斯神经网络光照预测的温室最优补光控制
系统与控制
2022-05-10 v1 机器学习
系统与控制
摘要
控制包括温室光照在内的环境参数可提高作物产量；然而，补充光照的电费可能很高。因此，采用高性价比光照方法的重要性凸显。本文提出了一种最优补充光照控制方法，该方法考虑使用变分推断贝叶斯神经网络（BNN）模型进行光照预测。通过在北卡罗来纳州某站点的历史太阳数据上测试该预测模型进行验证（=0.9971，RMSE=1.8%）。所提出的光照方法在求解底层优化问题时，结合基于BNN的光照预测、植物光照需求以及可变电价，从而最小化电费成本。为进行评估，将新策略与以下方法比较：1）基于马尔可夫的预测方法，其在假设光照预测为马尔可夫模型下求解相同优化问题；2）旨在提供固定光照量的启发式方法。通过仿真研究考察基于BNN方法的电费成本改善情况。结果表明，在全年范围内，与基于马尔可夫预测的方法和启发式方法相比，基于BNN的方法分别平均降低电费成本2.27%和43.91%。
引用
@article{arxiv.2205.03733,
title = {Optimal Lighting Control in Greenhouses Using Bayesian Neural Networks for Sunlight Prediction},
author = {Shirin Afzali and Yajie Bao and Marc W. van Iersel and Javad Mohammadpour Velni},
journal= {arXiv preprint arXiv:2205.03733},
year = {2022}
}
备注
Accepted for presentation and publication in the proceedings of the 2022 European Control Conference (ECC), July 12-15, 2022