基于强化学习的绿色大棚气候控制模型预测控制

绿色大棚气候控制旨在以作物产量和资源效率为目标进行性能最大化。一个有前景的 approach 是模型预测控制 (MPC)，它利用系统模型来优化控制输入，同时施加物理约束。然而，由于真实系统的复杂性以及预测天气档案的不确定性，大棚系统的预测模型本质上都不准确。对于基于模型的方法如 MPC，这会降低性能并导致约束违反。现有方法通过鲁棒或随机 MPC 方法来处理预测模型的不确定性，但这些方法必然会因保守性而降低作物产量，往往计算负担更重。在 contrast，基于学习的控制方法，如强化学习 (RL)，能够通过利用数据来改进性能来自然处理不确定性。本文提出一种 MPC 基于 RL 的控制框架，以应对预测不确定性下的气候控制性能优化。该方法采用参数化 MPC 方案，从数据中在线学习约束、预测模型和优化成本的参数化，以最小化约束违反并最大化气候控制性能。仿真结果表明，该方法能够学习出在约束违反和高效作物生长方面显著优于当前最先进技术的 MPC 控制器。