Optimal Energy Management in Indoor Farming Using Lighting Flexibility and Intelligent Model Predictive Control

📄 arXiv: 2510.03686v1 📥 PDF

作者: Mohammadjavad Abbaspour, Mukund R. Shukla, Praveen K. Saxena, Shivam Saxena

分类: eess.SY

发布日期: 2025-10-04

💡 一句话要点

提出基于模型预测控制的智能光照管理策略，降低室内农业能源成本。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 室内农业 模型预测控制 光照管理 能源优化 Transformer 电价预测

📋 核心要点

  1. 室内农业依赖人工照明导致高能耗和成本，亟需优化。
  2. 提出基于模型预测控制的光照策略，结合光照调节和日前电价预测。
  3. 实验结果表明，该策略能显著降低能源成本和峰值负荷，提高经济效益。

📝 摘要（中文）

室内农业虽然能够实现全年粮食生产，但对人工照明的依赖显著增加了能源消耗、峰值负荷费用和种植者的能源成本。最近的研究表明，植物能够容忍光照中断，从而可以设计24小时的光照计划（或“配方”），并根据日前定价进行战略性光照调节。因此，本文提出了一种用于室内农业的最佳光照控制策略，该策略通过调节光照强度和光周期来降低能源成本。该控制策略在模型预测控制框架内实施，并利用基于Transformer的神经网络来预测未来24小时的太阳辐射和电价，以进一步降低能源成本。该控制策略基于对莴苣作物的真实实验，以发现最小光照暴露和适当的明暗间隔，这些被以数学方式表示为约束，以维持植物健康。基于安大略省真实电力市场数据的对一公顷温室的模拟表明，与基线配方相比，每年可降低成本318,400美元（20.9%），峰值负荷降低1.6兆瓦（33.32%），总节能1890兆瓦时（20.2%）。这些发现突出了智能光照控制在提高室内农业可持续性和经济可行性方面的潜力。

🔬 方法详解

问题定义：室内农业依赖人工照明，导致能源消耗高、成本高，且易受电价波动影响。现有方法缺乏对光照时间和强度的精细化控制，未能充分利用植物对光照中断的耐受性，以及日前电价的波动规律，导致能源利用效率低下。

核心思路：核心在于通过智能调节光照强度和光周期，在满足植物生长需求的前提下，充分利用电价低谷时段进行照明，并避免高峰时段的用电。同时，考虑到植物对光照中断的耐受性，允许在一定范围内调整光照时间，以进一步降低能源成本。

技术框架：整体框架是一个基于模型预测控制（MPC）的优化系统。该系统包含以下主要模块：1) 基于Transformer的神经网络，用于预测未来24小时的太阳辐射和电价；2) 植物生长模型，用于描述光照强度和光周期对植物生长的影响；3) 优化器，用于根据预测的太阳辐射、电价和植物生长模型，确定最佳的光照强度和光周期；4) 控制器，用于根据优化器的输出，控制照明设备的运行。

关键创新：主要创新点在于将模型预测控制与基于Transformer的电价预测相结合，实现了对光照时间和强度的精细化控制。此外，该方法还考虑了植物对光照中断的耐受性，允许在一定范围内调整光照时间，从而进一步降低能源成本。

关键设计：关键设计包括：1) 使用Transformer网络进行电价预测，Transformer擅长处理时间序列数据，能够捕捉电价的波动规律；2) 通过实际实验确定植物对光照中断的耐受范围，并将其作为约束条件加入到优化问题中；3) 使用模型预测控制框架，能够根据未来一段时间的电价和太阳辐射，提前规划光照策略，从而实现全局最优。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

通过对一公顷温室的模拟，结果表明，与基线配方相比，该策略每年可降低成本318,400美元（20.9%），峰值负荷降低1.6兆瓦（33.32%），总节能1890兆瓦时（20.2%）。这些数据表明，该方法能够显著降低室内农业的能源成本和环境影响。

🎯 应用场景

该研究成果可应用于各类室内农业场景，如温室、植物工厂等，帮助种植者降低能源成本，提高经济效益。此外，该方法还可以推广到其他高能耗农业领域，如水产养殖等，具有广阔的应用前景和重要的实际价值。未来，可以进一步研究不同植物的光照需求，开发更加精细化的光照控制策略。

📄 摘要（原文）

Indoor farming enables year-round food production but its reliance on artificial lighting significantly increases energy consumption, peak load charges, and energy costs for growers. Recent studies indicate that plants are able to tolerate interruptions in light, enabling the design of 24-hour lighting schedules (or "recipes") with strategic light modulation in alignment with day-ahead pricing. Thus, we propose an optimal lighting control strategy for indoor farming that modulates light intensity and photoperiod to reduce energy costs. The control strategy is implemented within a model predictive control framework and augmented with transformer-based neural networks to forecast 24-hour ahead solar radiation and electricity prices to improve energy cost reduction. The control strategy is informed by real-world experimentation on lettuce crops to discover minimum light exposure and appropriate dark-light intervals, which are mathematically formulated as constraints to maintain plant health. Simulations for a one-hectare greenhouse, based on real electricity market data from Ontario, demonstrate an annual cost reduction of $318,400 (20.9%), a peak load decrease of 1.6 MW (33.32%), and total energy savings of 1890 MWh (20.2%) against a baseline recipe. These findings highlight the potential of intelligent lighting control to improve the sustainability and economic feasibility of indoor farming.