Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelo y Control de Invernaderos PDF
Modelo y Control de Invernaderos PDF
Los estudios recomiendan manejar los nutrientes en los cultivos hidropónicpos según
el principio del "Balance de Masa". Lo anterior significa que los nutrientes que pongamos en el
riego van a parar al cultivo, al drenaje o se quedarán en el sustrato. Recomendamos agregar
los nutrientes a la solución dependiendo de lo que queramos que la planta tome.
Uno de los principales problemas con el manejo y control de las soluciones nutritivas
es que la concentración de los elementos del grupo 1 (N, P, K, Manganeso) debe ser adecuada
para prevenir una acumulación indeseable en el tejido de las plantas. Las concentraciones
bajas son difíciles de vigilar y de controlar.
El control del clima del invernadero es complejo debido a la alta interacción no lineal
entre el subsistema biológico y el subsistema físico, y debido a un fuerte acoplamiento de las
dos variables controladas principales: temperatura y humedad.
1
Control en invernaderos hidropónicos.
El problema del control invernadero es crear un ambiente favorable para el cultivo con
el fin de alcanzar predeterminada resultados: alto rendimiento, alta calidad y bajo costo. Se
trata de un problema de control muy difícil de aplicar en la práctica, debido a la complejidad
de los entornos del invernadero. Por ejemplo, que son altamente no lineales, fuertemente
acoplado y múltiples entradas y salidas (MIMO), presentan comportamientos variables en el
tiempo y en su mayoría son perturbados por el tiempo exterior (velocidad del viento, la
temperatura exterior, la humedad, etc) y también por otras muchas dificultades prácticas
(actuadores, ciclo humedeciendo, etc.).
Las técnicas de control modernas se han desarrollado en varias ramas. Durante las
últimas dos décadas, un considerable esfuerzo se dedicó a desarrollar modelos de cultivos
climático y invernadero adecuada, a los efectos de simulación, control y gestión. El modelo
puede ser diseñado de dos maneras. Un método se basa en las leyes físicas que intervienen en
el proceso y el otro en el análisis de los datos de entrada-salida del proceso. En el primer
método, se emplean las propiedades termodinámicas del sistema de invernadero. Sin
embargo, los parámetros de las ecuaciones son variables y dependientes del tiempo, por lo
que es difícil de obtener modelos matemáticos precisos del invernadero. El segundo enfoque
se basa en la teoría de la identificación del sistema. Los métodos convencionales basados en la
identificación del sistema, como los enfoques ARX, pero no pueden modelar correctamente el
comportamiento no lineal del clima del invernadero. Los métodos inteligentes parecen ser las
opciones más adecuadas para el modelado de este tipo de sistemas. Debido a las propiedades
de aproximación universal que puede modelar sistemas no lineales con datos formados por
aptitud arbitraria.
Por lo general, el control del clima del invernadero emplea controladores PI/PID para
el modelo equivalente reducido a procesos desacoplados con control integral con tiempo
2
Control en invernaderos hidropónicos.
muerto (IPDT, integral plus dead time) para regular la temperatura y humedad. Aunque hay
varias técnicas de control avanzado para el invernadero, la mayoría de estos métodos
funcionan con independencia del punto de referencia sobre la base de los controladores PID
convencionales debido a su arquitectura simple, fácil aplicación y excelente rendimiento en
aplicaciones prácticas. Sin embargo, la sintonización de varios controladores sigue siendo un
reto para los operadores de la producción en invernadero. Muchos Los controladores están
mal sintonizado en la práctica debido a la complejas propiedades tales como las fuertes
interacciones entre las variables, no linealidades, múltiple restricciones, y objetivos variables
en el tiempo.
donde Tin, Tout son las temperaturas (°C) interior y exterior del aire del invernadero, V es el
volumen del invernadero (m3), UA es el coeficiente de transferencia de calor W/K , ρ es la
densidad del aire (1,2 kg/m3), Cp es el calor específico del aire (1006 J ( kgK) -1), Qheater es el
calor suministrado por el calentador al invernadero (W), Si es la energía solar radiante
interceptada (W), Qfog es la capacidad del sistema de niebla (gH2O/s ), λ es el calor latente de
vaporización (2257 J/g), V es la tasa de ventilación (m3/s), win y wout son la humedad absoluta el
interior y el exterior (gH2O/m3), E (Si, win) es la tasa de evapotranspiración de la plantas
(gH2O/s).
3
Control en invernaderos hidropónicos.
En el apartado 8.2 se trata el ajuste de los parámetros PID de un sistema de control del
clima de un invernadero utilizando algoritmos evolutivos basados en el desempeño de
múltiples medidas como la buena puesta a punto y el seguimiento de un control suave para las
señales. El esquema de ajuste propuesto de leyes de la termodinámica no lineales es validado
por control de clima del invernadero, reduciendo al mínimo el error del tiempo de integración
cuadrado (ITSE, integrated time square error).
Por otro lado, debido a su capacidad para manejar tanto datos numérico y la
información lingüística, es factible aplicar un sistema de lógica difusa adaptativo para crear un
modelo del clima del invernadero, para a continuación, proporcionar la predicción para el
control de clima del invernadero. En el apartado 8.4 se trata el modelo climático del
invernadero utilizando como herramienta esencial la lógica difusa para el control del clima del
invernadero. El modelo debe describir las respuestas del clima del invernadero a las influencias
externas, tales como la radiación solar, la temperatura exterior del aire, velocidad del viento y
la humedad exterior, y para las acciones de control realizadas en los actuadores utilizados en el
invernadero, tales como ventiladores, sistemas de calefacción, etc
4
Control en invernaderos hidropónicos.
El modelo puede ser calculado de dos maneras. Un método se basa en las leyes físicas
que intervienen en el proceso y el otro en el análisis de los datos de entrada-salida del
proceso. En el primer método las propiedades termodinámicas del sistema de invernadero se
emplean. Sin embargo, los parámetros de las ecuaciones son variante en el tiempo y
dependiente del tiempo, por lo que es difícil obtener información precisa en los modelos
matemáticos del clima del invernadero.
La combinación de MPC con PSO no sólo se puede afirmar que la función de coste de
energía es flexible, también se pueden resolver los problemas de optimización de la procesos
no lineales. El controlador consta de tres elementos fundamentales: una predicción que
predice la temperatura basado en el modelo y el proceso información, una función de coste
que asigna un valor a mantener la condición bajo control del clima del invernadero con coste
mínimo de energía, y una técnica de optimización que se utiliza para resolver el problema de
optimización PSO lineales limitados. En este apartado, el controlador propuesto puede
mantener la temperatura por debajo del rango especificado con el consecuente ahorro del
consumo de energía.
5
Control en invernaderos hidropónicos.
entrada. Existen dos tipos de modelos que se identifican: el modelo de proceso (clima del
invernadero) y perturbaciones externas (tiempo externo).
El clima del invernadero control es complejo debido a la alta interacción no lineal entre
el subsistema biológico y el subsistema físico, y debido a un fuerte acoplamiento de las dos
variables controladas principales: temperatura y humedad.
6
Control en invernaderos hidropónicos.
Por lo general, el control del clima del invernadero emplea controladores PI/PID para
el modelo equivalente reducido a procesos desacoplados con control integral con tiempo
muerto (IPDT, integral plus dead time) para regular la temperatura y humedad.
7
Control en invernaderos hidropónicos.
Las variables de estado x1 y x2 (idéntica a las variables de salida y1, y2) son las
temperaturas interior del invernadero (Tin) y la humedad interior absoluta (win). El control de
entrada u1 y u2 son la tasa de ventilación ( ̇ ) y del capacidad del agua de la niebla del sistema
(Qfog). Las perturbaciones externas v1, v2 y v3 corresponden a la radiación solar (Si), la
temperatura exterior (Tout) y humedad absoluta exterior (wout). Las ecuaciones que describen
el proceso, se caracterizan por una alta linealidad y acoplamiento.
= a(x,v)+B(x,v)u
yi = hi (x)
yi(ri)=fi(x,v)+giT(x,v)u , i=1,…,p
donde la derivada de orden ri es el grado relativo de la i-ésima salida del sistema. Hay que
tener en cuenta la matriz no singular D(x,v) tendrá la forma:
8
Control en invernaderos hidropónicos.
entonces, el vectores de entradas de control u para la ley de control feedforward está dada
por:
donde ûi son los nuevos componentes del vector de control del proceso equivalente
controlado por disociadar en cerrado bucles.
yi(ri)= ûi
En el caso particular del modelo de clima del invernadero, las variables ûi1, û2
administran los integradores equivalentes como procesos desconectados para la temperatura
y la regulación de la humedad. En este caso, tras la linealización por realimentación
feedforward y con el procedimiento de desacoplo presentado anteriormente, las variables de
control de procesos u(u1,u2) tiene la forma:
9
Control en invernaderos hidropónicos.
donde Kp, Ti, Td, Tf son los parámetros del PID; K la ganancia y L el tiempo muerto del proceso
IPDT. La aproximación de Pade de primer orden para el tiempo muerto:
e-Ls = (1 – ½ · s)/ (1 + ½ · s)
10
Control en invernaderos hidropónicos.
Uno de los métodos empíricos más conocidos para el ajuste del regulador PID es el de
método de Ziegler-Nichols queofrece un buen rechazo de perturbaciones de carga.
Para los sistemas en los que el seguimiento del set-point es importante, una solución
para la sintonización de PID se puede realizar mediante el ajuste de los coeficientes para bucle
cerrado. El método de sintonización propuesto consiste en la adecuación de los coeficientes
del polinomio numerador y el denominador de la función transferir en bucle cerrado.
Para aumentar las prestaciones del sistema descritos en la sección anterior, se puede
utilizar un controlador PID filtrado. Para ajustar este controlador, el método basado en síntesis
directa se utiliza en un lazo cerrado deseado de la función de transferencia.
11
Control en invernaderos hidropónicos.
Se sugiere que se elija λ ∈ [0.8L, 3L], y utilizar un conjunto de β ∈ [0,3, 0,4] entorno al
set-pont para reducir el sobreimpulso de respuesta al escalón.
Como se estudió en el punto anterior una gran cantidad de métodos de ajuste han sido
presentado en las literaturas existentes, sin embargo, con estos métodos convencionales es
difícil lograr el rendimiento deseado del invernadero controlado porque estos métodos se
basan en modelos lineales, que son generalmente ajustados alrededor de los puntos de
operación. Por lo tanto, hay que explorar los nuevos diseños para el ajuste de los parámetros
del PID para controlar el sistema del invernadero.
12
Control en invernaderos hidropónicos.
El modelo climático proporcionado en el punto anterior dos variables tienen que ser
reguladas: la temperatura del aire interior (Tin) y la relación de humedad (win) a través de los
procesos de ventilación (VR(t) ,%) y nebulización (Qfog(t) ,%).
Para que el controlador PID del sistema del invernadero tenga en cuenta el sistema
dinámico invernadero mencionado anteriormente, es un sistema de dos entradas y dos salidas
continuo no lineal. Consideramos un control PID multivariable estructurado como se muestra
en la figura siguiente.
u(k) = u(k - 1) + Kp(e(k) - e(k - 1)) + Ki·e(k) + Kd(e(k) - 2·e(k - 1) + e(k - 2))
En las especificaciones generales, los parámetros típicos en el dominio del tiempo son:
pico sobre-oscilación, tiempo de subida, tiempo de establecimiento y estacionario error. El
error integral es el criterio más comúnmente usado como una buena medida para el
rendimiento del sistema. Todas las clases de criterios de desempeño, tales como el error
absoluto integrado (IAE), error cuadratico integrado (ISE), error cuadrático integrado del
13
Control en invernaderos hidropónicos.
tiempo (ITSE) y error absoluto integrado del tiempo (ITAE), se emplean a menudo en el diseño
de sistemas de control. Algunos casos se ha demostrado que ITSE puede producir
rendimientos superiores en bucle cerrado, como mínimo sobreimpulso, con un tiempo de
sedimentación más rápido y menos tiempo requerido para alcanzar inicialmente el punto de
funcionamiento. Por lo tanto, se considera ITSE como el criterio de optimización en este
apartado, que se da como:
Además, el criterio de rendimiento para un proceso MIMO de una salida puede ser diferente al
resto de las salidas, además puede tener una prioridad más alta de las otras. Consideraremos
que la misma prioridad, y por lo tanto, la misma clase de criterios de rendimiento. Por
consiguiente, para una representación digital del sistema, el índice de rendimiento para el
sistema MIMO del invernadero se reescribe como sigue:
donde i es el i-ésimo bucle cerrado, t (k) representa el tiempo de la k-ésima iteración. Además,
para evitar el daño del actuador causada por oscilaciones de control, consideraremos otro
índice de desempeño definidos como
14
Control en invernaderos hidropónicos.
Es obvio que los criterios de decisión están en conflicto con entre sí, porque la
búsqueda de un rendimiento de rastreo rápido por lo general causa una gran diferencia de la
ley de control y la oscilación de los actuadores. Por consiguiente, una compensación
satisfactoria deben ser encontrada y debe proporcionar un conjunto de soluciones óptimas
para minimizar el índice de rendimiento J1 y J2. Es decir, J1 y J2 se toman como dos funciones
objetivo o funciones de costos para el proceso de optimización. Múltiples métodos de
optimización se utilizan para obtener soluciones Pareto-optimas, para múltiples objetivos en
conflicto. Muchos algoritmos, como NSGA-II, SPEA2 y PAES.
Que optimice J1(ind, u), J2(ind, u), Sujeto a ai ≤ ind(i) ≤ bi, cj ≤ uj ≤ dj, para i = 1, … , 6, j = 1, 2
donde ai y bi son límites de restricción para los parámetros, y ci y di son límites de restricción
para las entradas.
15
Control en invernaderos hidropónicos.
Las Funciones de Base Radial (RBF), presentado por J.Moody y C.Darken, surgió como una
variante de la red neuronal artificial a finales de los 80. Las redes neuronales RBF tienen una
capa de entrada, una capa oculta y una capa de salida. La capa de las neuronas ocultas
contiene las funciones Gaussianas cuya transferencia salidas son inversamente proporcionales
a la distancia de la centro de la neurona. La arquitectura de un RBF típico la red se muestra en
la figura siguiente.
16
Control en invernaderos hidropónicos.
Los nodos de salida implementan una suma ponderada de los nodos ocultos de salidas
de la siguiente manera:
Donde wij es el peso de la conexión del nodo oculto j-ésimo al nodo de salida de la i-ésima, y L
es el número de nodos de salida.
17
Control en invernaderos hidropónicos.
donde k es el paso iterativo, Kp, Ki y Kd son las ganancias de los términos proporcional, integral
y derivado de un controlador PID, respectivamente. Combinar la red RBF con el controlador
PID convencional, contamos con una estrategia híbrida de control, y su estructura se muestra
en la figura siguiente. La red RBF se utiliza para ajustar los parámetros del controlador PID
convencional a través de la información del jacobiano. Las correspondientes fórmulas se dan
como sigue.
xc (1) = e (k) - e (k - 1)
xc (2) = e (k)
xc (3) = e (k) - 2e (k - 1) + e (k - 2)
u (k) = u (k - 1) + DU (k)
E (k) = ½ e (k) 2
18
Control en invernaderos hidropónicos.
donde el correspondiente ΔKi, ΔKp (k), (k) y ΔKd (k) son ajustarse basándose en el método del
gradiente negativo de la siguiente manera:
Em(k) = ½ em(k)2
donde em(k) es la señal de error entre la planta real salida y la salida de la red RBF, que está
representado por
19
Control en invernaderos hidropónicos.
donde αw, ασ, αc, βw, βσ y βc son los correspondientes factores de impulso y que pueden
acelerar la convergencia y ayudar a la red de mínimos locales. ηw (k), ησ (k) y ηc (k) son
parámetros adecuados de velocidad de aprendizaje, tasa demasiado bajo de aprendizaje hace
que la red aprenden muy lentamente, mientras que demasiado alta hace que el peso y la
función objetivo divergen. Por lo tanto, adoptamos el método de sintonización de la siguiente
manera:
ηw (k) = ηw (k - 1) - ξΔem(k)
ησ (k) = ησ (k - 1) - ξΔem(k)
ηc (k) = ηc (k - 1) - ξΔem(k)
Un sistema adaptativo lógica difusa es una clase de sistemas de lógica difusa, que tiene la
capacidad de aprendizaje y automáticamente modificar reglas difusas mediante el aprendizaje.
Además, se pueden utilizar tanto los datos numéricos e información lingüística. Se puede
identificar variables en tiempo real de los sistemas no lineales. Llamamos identificador difuso
de sistema de lógica difusa, que tiene un algoritmo de aprendizaje de propagación y se utiliza
para identificar sistemas dinámicos no lineales. En comparación con el identificador de red
neural, el identificador difuso tiene dos ventajas esenciales:
20
Control en invernaderos hidropónicos.
Basándose en el análisis de los procesos físicos del clima del invernadero, podemos
obtener la ecuación dinámica de la temperatura del aire del invernadero mediante el equilibrio
energético. La expresión general es:
Donde Vg es el volumen del invernadero (m3), CAPg es la capacidad de calor del invernadero
(J/mK), Tg y Td temperaturas interior y exterior, respectivamente (K o ºC).
Es es la radiación solar:
ES =Qs x s
21
Control en invernaderos hidropónicos.
Eheat=Qheat x sp
Ega = Qga x sc
E es el calor de la transpiración
E=H·rtot-1(cl-cb).
VgCapg · dTg/dt = αs l τ cosθ s -εcaFc σ(Tg4 – Ta4) + αp (Tg – Ta) sp + sc kc (Tg-Ta)/d + αc sc (Ta - Tg)
Donde s es el área de terreno de efectivo del invernadero (m2), sc es el área de cobertura (m2),
sp es el área exterior de los tubos de calefacción (m2).
22
Control en invernaderos hidropónicos.
Algunos parámetros del modelo pueden ser medidos por sensores, otros se consideran
como perturbaciones, por ejemplo, Ta, Tg, Ts, c1, ca, cg, I, θ,u. Aunque la temperatura de la
tubería de calentamiento Tp y la apertura de ventilación β se consideran las entradas de
control, Tp se controla mediante el flujo de agua de la tubería. Según los tipos de las entradas,
es posible reorganizar la ecuación:
VgCapg · dTg/dt = αs l τ cosθ s +εcaFc σ Ta4 + sc (kc /d + αc)Ta - l(dTs / dt) s - H·rtot-1(cl-cb)
23
Control en invernaderos hidropónicos.
Cuando ȳl el centro del conjunto difuso de salida, ̅ il y σil son el centro y el ancho del
conjunto difuso de entrada, respectivamente, xi es i-ésima entrada. La construcción de un
sistema de lógica difusa inicial razonable es para seleccionar los parámetros iniciales (ȳl, ̅ il y σil)
correctamente.
24
Control en invernaderos hidropónicos.
El modelo de temperatura del aire del invernadero puede ser descrita por una
ecuación paramétrica con entradas exógenas u.
donde Ti es la temperatura del aire, a-1 el operador retardo, n el número de los retrasos de la
entrada a la salida, u el vector de señales de entrada y M y N son polinomios en a -1.
Con el fin de predecir la temperatura del aire, Ti, el modelo se describe por la ecuación
siguiente:
25
Control en invernaderos hidropónicos.
Los parámetros del modelo q, p1, p2, p3, p4 y p5 deben ser identificados para obtener el
modelo aplicable. Una identificación alternativa aceptada para los parámetros en el modelo no
lineal se basa por lo general en un algoritmo recursivo de mínimos cuadrados. En caso de
parámetros desconocidos, la introducción de las variables estimadas ̂i, el modelo se puede
escribir como:
̂i (k) = φT (k -1) ̂
Donde
̂ = [q p1 p2 p3 p4 p5]
Los parámetros del modelo se determinan de tal una manera que reducen al mínimo
las siguientes funciones:
26
Control en invernaderos hidropónicos.
8.5.3.1. Predictor.
El rendimiento del MPC depende en gran medida de la exactitud del modelo del
proceso. El modelo utilizado para el predictor es el modelo de temperatura del aire del
invernadero que se ha mencionado anteriormente y es capaz de describir la dinámica del clima
del invernadero. Futuras salidas se pueden predecir por el predictor en el sistema.
Con el fin de ahorrar consumo de energía, las acciones de control futuras se calculan
para minimizar una función de coste especificado. Desde que el MPC es uno de las pocas
estrategias que garantizan el cumplimiento de las especificaciones de restricción, se propone
una nueva estrategia de control MPC para reducir al mínimo el valor de la función de coste en
el diseño del controlador cuando se tiene en cuenta el consumo de energía.
Aplicando MPC con función de coste, el usuario tendrá un enfoque flexible para
alcanzar el objetivo de diseño. El objetivo de control es mantener el coste de la energía
mediante la apertura de la ventana y calefacción bajo el valor mínimo. La entrada y salida de
las variables climáticas del invernadero tienen que ser mantenidos en un rango. La función de
coste se debe minimizarse se rige por las siguientes expresiones:
27
Control en invernaderos hidropónicos.
donde
Las variables de entrada del controlador están limitadas por los límites físicos de la
calefacción y la apertura de ventanas. Para las variables de salida, el objetivo es mantener las
condiciones climáticas en un rango de valor ([T min, Tmax]) para todas se tiene horizonte de
predicción N. Entonces el problema de optimización para resolver en cada tiempo de muestreo
es
Min J(x)
Sujeto a
La ecuación de Min J(x) sujeto a xmin ≤ x ≤ xmax ; Tmin ≤ Ti ≤ Tmax no se pueden resolver
directamente. En general, las funciones de penalización son una manera eficaz de resolver los
problemas con restricciones, que pueden transformar el problema restringido a uno no
restringido. La función de coste es reformulada de la siguiente forma:
28
Control en invernaderos hidropónicos.
Min J(x,M)
Sujeto a
xmin ≤ x ≤ xmax
Suponiendo funciones gaussianas para poner en práctica las neuronas RNFBR, la salida
global de la red puede ser descrito por las siguientes ecuaciones:
f(x) = α0 + ∑ i ϕ (ǁx-ciǁ)
29
Control en invernaderos hidropónicos.
‖ ‖
ϕ (ǁx-ciǁ) =
∑ ; εi = yi – f(xi)
‖ ‖ en forma vectorial.
30
Control en invernaderos hidropónicos.
w = [w(n)T, w(l)T]T
[ ]
fx=φ(x(n))w(l)
ε = ½ ǁy- φ(x(n))w(l)ǁ2
̂ = A+ y
31
Control en invernaderos hidropónicos.
̂ (k + 1) = f (x(k))
donde o(k) es un vector de ningún valor en el pasado, los vectores vi(k) corresponden a p
insumos exógenos que tienen nvi elementos retrasados cada uno, y los vectores ui(k)
corresponden a las entradas de control q compuestas nui valores pasados:
Los vectores de Lo, Lvi y Lui contienen las órdenes de los retardos no, nvi y uni,
respectivamente, con respecto a cada variable. Cuando f se realiza por un modelo NAR el único
componente de x(k) es o(k) (nvi = nui = 0). Ahora está claro que la cuestión de que los insumos
deben ser utilizados en el modelo RNFBR, corresponde en realidad a dos preguntas: qué
variables se debe utilizar, y, para cada variable retrasada qué términos deben ser empleados.
32
Control en invernaderos hidropónicos.
Con el fin de clasificar a los individuos, el Moga requiere que estos sean evaluados. En
general, los objetivos se pueden clasificar en dos grupos: la complejidad del modelo y los
resultados del modelo. En lo que se refiere a la complejidad del modelo, la norma de los
parámetros de salida lineal RNFBR, ǁw (l)ǁ, se utiliza, que tiene también el efecto de rechazo a
los modelos que tienen parámetros lineales mal condicionadas. Los objetivos modelos de
desempeño considerados son la raíz error cuadrático medio (RMSE, Root Mean-Square Error)
de las predicciones de Feed-forward obtenidos en el entrenamiento y los conjuntos de datos
de generalización (One-Step-Ahead Training Error, OSATE; One-Step-Ahead Generalisation
Error, OSAGE).
33
Control en invernaderos hidropónicos.
1. Los valores iniciales de identificación difusa tienen significados físicos, por lo que se
pueden seleccionar de manera adecuada. Por el contrario, los valores iniciales de
identificador de red neuronal se seleccionan generalmente al azar. Debido a que el
algoritmo de aprendizaje de propagación hacia atrás adoptada por dos tipos de
identificador pertenece a algoritmo de gradiente, la selección de los parámetros
iniciales influye en la velocidad de convergencia del algoritmo en gran medida.
2. El identificador Fuzzy se compone de un conjunto de reglas "ifthen'', que proporciona
la ruta de acceso para el uso de la información lingüística. Información importante
sobre el sistema no lineal es, probablemente, desconocido contenida en la
información lingüística.
34
Control en invernaderos hidropónicos.
Como se puede entender, este enfoque se ve fuertemente afectado por el ajuste inicial
de parámetros. Por ejemplo, el incremento sigma provoca modelo más suave. Una elección
sigma muy grande lleva al modelo al sistema real; por el contrario, la selección sigma pequeña
hace que el modelo difuso sea incapaz de seguir las variaciones rápidas del proceso. El
modelado físico suele ser insuficiente para las predicciones precisas del comportamiento de
35
Control en invernaderos hidropónicos.
las salidas del sistema. Con el fin de superar este problema, se controla mediante una menor
modificación del algoritmo.
Basado en el error de mínimos cuadrados, se puede inferir que la media de los datos
para cada grupo se representa más correctamente como el centro de ese clúster. Resultados
de la simulación verificar esta teoría muy claramente. Los resultados de la modelización de la
temperatura del invernadero de acuerdo con la base de reglas obtenida a partir de un
algoritmo basado en tales:
36
Control en invernaderos hidropónicos.
A. inicialización
Elija valores aleatorios para el peso inicial vectores wj (0). La única restricción es que el
wj (0) ser diferente para j = 1, 2,..., l, donde l es el número de neuronas en la red. Puede ser
deseable mantener la magnitud de los pesos pequeños.
B. muestreo
Extraer una muestra X desde el espacio de entrada con una cierta probabilidad, el
vector X representa el patrón de activación que se aplica a la red. La dimensión del vector de X
es igual a m.
D. Actualizando
Ajustar los vectores de peso sinápticas de todas las neuronas mediante el uso de la
fórmula de actualización:
donde η(n) es el parámetro de tasa de aprendizaje, y hj,i (x) es la función de vecindad centrada
alrededor de la neurona ganadora i(x). Tanto η (n) y hj,i(x) se varían dinámicamente durante el
aprendizaje para obtener mejores resultados.
37
Control en invernaderos hidropónicos.
E. Continuación
Por lo tanto, la utilización reglas no sólo es más adecuado, sino también una mejor
varianza y números de reglas se aplican como los parámetros iniciales para el algoritmo SOFM.
En la segunda etapa, estos parámetros se adaptan mediante el uso del algoritmo SOFM, y por
lo que las reglas se generan de forma automática. Además, el uso del algoritmo de
agrupamiento rápida convergencia conduce a una velocidad más alta para el algoritmo híbrido
propuesto, y no el algoritmo SOFM. Por último, las reglas de la SOFM se aplican sobre la base
de la ecuación para el modelado de la temperatura del invernadero:
38
Control en invernaderos hidropónicos.
39
Control en invernaderos hidropónicos.
A. Estrategia MOCC
Teniendo en cuenta los problemas anteriores y sobre la base de las experiencias de aplicación
exitosa de la producción en invernadero, se propuso dos capas para el marco de control
compatible y otro para el control Compatible Multi-objetivo modificada (MOCC) algoritmo
mediante el uso de un intervalo óptimo o los objetivos de control de la región (por ejemplo, las
regiones del objetivo compatibles) en lugar de los objetivos óptimos de control de punto, a
saber, la ampliación de los objetivos de punto de intervalos o regiones para garantizar la
existencia de la controladora. Por ejemplo, los rangos de [f1min, f1max] y [f2min, f2max]
generalmente se selecciona como sus respectivas regiones del objetivo compatibles, y
40
Control en invernaderos hidropónicos.
Por otra parte, la estrategia de control anterior proporciona un enorme espacio para el
ahorro de energía debido a la precisión bajo control que significa un bajo costo. Se propone un
marco de control compatibles modificado que se muestra en anterior. Se adopta dos niveles
jerárquicos, a que se refiere como el nivel de optimización compatible y el nivel de control
compatible.
B. Aplicación Algoritmo
1) optimización multi-objetivo: los dos niveles tienen una etapa de optimización multi-
objetivo, que se utiliza para obtener soluciones de Pareto para múltiples objetivos en conflicto.
Considerando MOEAs recién desarrollados y versátiles, contamos con un NSGA-II modificado
para la optimización compatible para obtener el error de control mínimo y el consumo de
energía. En comparación con el origenal NSGA-II, el algoritmo de resta la fase de inicialización
de la población retiene el cuerpo principal de NSGA-II. Con el fin de lograr un menor consumo
de energía y una mayor precisión de control, se construye la siguiente función de error
objetivo
41
Control en invernaderos hidropónicos.
Sujeto a
42
Control en invernaderos hidropónicos.
43