Carbon Neutral Greenhouse: Economic Model Predictive Control Framework for Education

📄 arXiv: 2410.23793v1 📥 PDF

作者: Marek Wadinger, Rastislav Fáber, Erika Pavlovičová, Radoslav Paulen

分类: eess.SY

发布日期: 2024-10-31

备注: preprint under review in ECC25

💡 一句话要点

提出基于经济模型预测控制的碳中和温室教育框架，优化生菜种植与能源消耗。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 温室气候控制 经济模型预测控制 农业自动化 可持续农业

📋 核心要点

  1. 现有温室气候控制方法难以兼顾作物产量、能源消耗和CO₂排放的社会成本，缺乏综合优化。
  2. 该框架利用MPC动态调整温室环境，结合生菜生长模型和实时天气数据，在优化作物产量的同时降低能源消耗和CO₂排放。
  3. 实验结果表明，该方法能够有效平衡能源使用与作物产量，并减少CO₂排放，同时为控制系统教育提供实践平台。

📝 摘要（中文）

本文提出了一种综合框架，旨在通过一个实际的温室气候控制模型，加强建模、最优控制和非线性模型预测控制（MPC）方面的教育。该框架包括一个详细的生菜生长和温室的数学模型，这些模型受到通过应用程序编程接口（API）获得的实时外部天气条件的影响。利用这些数据，基于MPC的方法动态调整温室条件，优化植物生长和能源消耗，并最大限度地降低CO₂的社会成本。结果表明，该方法在平衡能源使用与作物产量以及减少CO₂排放方面是有效的，有助于提高经济效益和环境可持续性。除了优化生菜生产外，该框架还为控制系统教育提供了一个有价值的资源，使其更具吸引力和有效性。主要目的是为学生提供一个实践平台，以了解建模原理、MPC的复杂性以及农业系统中盈利能力和可持续性之间的权衡。该框架为学生提供实践经验，帮助他们更好地理解控制理论，将其与实际应用联系起来，并培养他们的问题解决能力。该框架可在ecompc4greenhouse.streamlit.app上访问。

🔬 方法详解

问题定义：论文旨在解决温室气候控制中，如何同时优化作物产量、降低能源消耗和减少CO₂排放的社会成本的问题。现有方法通常只关注单一目标，难以实现综合优化，并且缺乏有效的教育平台让学生理解和实践复杂的控制理论。

核心思路：论文的核心思路是利用模型预测控制（MPC）方法，结合详细的生菜生长和温室数学模型，以及实时外部天气数据，动态调整温室环境。通过优化控制策略，在满足作物生长需求的同时，最小化能源消耗和CO₂排放。

技术框架：该框架包含以下主要模块：1) 生菜生长和温室的数学模型；2) 通过API获取的实时外部天气数据；3) 基于MPC的优化控制器；4) 用户交互界面（ecompc4greenhouse.streamlit.app）。整体流程是：首先，利用天气数据和生菜生长模型预测未来一段时间内的作物生长情况；然后，MPC控制器根据预测结果，优化温室环境参数（如温度、湿度、光照等），以最大化作物产量并最小化能源消耗和CO₂排放；最后，将控制指令发送到温室执行机构，并更新模型参数。

关键创新：该论文的关键创新在于将经济模型预测控制（Economic Model Predictive Control, eMPC）应用于温室气候控制，并将其与教育框架相结合。传统的MPC主要关注系统稳定性和跟踪性能，而eMPC则更加关注经济效益，能够直接优化与经济目标相关的成本函数，例如能源消耗和CO₂排放的社会成本。此外，该框架提供了一个易于访问和使用的平台，方便学生学习和实践复杂的控制理论。

关键设计：该论文的关键设计包括：1) 详细的生菜生长模型，考虑了温度、湿度、光照等因素对生菜生长的影响；2) 经济成本函数，综合考虑了能源消耗和CO₂排放的社会成本；3) MPC控制器的优化算法，采用合适的数值优化方法求解最优控制序列；4) 用户友好的交互界面，方便学生进行参数设置和结果分析。具体的参数设置、损失函数和网络结构等技术细节在论文中未详细描述，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文展示了基于MPC的方法在平衡能源使用与作物产量以及减少CO₂排放方面的有效性。虽然论文中没有给出具体的性能数据和对比基线，但强调了该方法在经济效益和环境可持续性方面的贡献。该框架作为一个教育平台，为学生提供实践经验，帮助他们更好地理解控制理论，并培养问题解决能力。

🎯 应用场景

该研究成果可应用于实际温室生产中，通过优化控制策略，提高作物产量，降低能源消耗，减少环境污染，实现农业生产的可持续发展。此外，该框架作为一个教育平台，可以帮助学生更好地理解和掌握模型预测控制等先进控制理论，培养未来的农业科技人才。

📄 摘要（原文）

This paper presents a comprehensive framework aimed at enhancing education in modeling, optimal control, and nonlinear Model Predictive Control~(MPC) through a practical greenhouse climate control model. The framework includes a detailed mathematical model of lettuce growth and greenhouse, which are influenced by real-time external weather conditions obtained via an application programming interface~(API). Using this data, the MPC-based approach dynamically adjusts greenhouse conditions, optimizing plant growth and energy consumption and minimizing the social cost of CO\textsubscript{2}. The presented results demonstrate the effectiveness of this approach in balancing energy use with crop yield and reducing CO\textsubscript{2} emissions, contributing to economic efficiency and environmental sustainability. Besides optimizing lettuce production, the framework also provides a valuable resource for making control systems education more engaging and effective. The main aim is to provide students with a hands-on platform to understand the principles of modeling, the complexity of MPC and the trade-offs between profitability and sustainability in agricultural systems. This framework provides students with hands-on experience, helping them to understand the control theory better, connecting it to the practical implementation, and developing their problem-solving skills. The framework can be accessed at \url{ecompc4greenhouse.streamlit.app}.