高架绿植智能灌溉系统架构及智能模型研究

李文波，葛为伟，袁新球，刘良旭*

（1.宁波市政工程建设集团股份有限公司，浙江 宁波；2.宁波市产城生态建设集团有限公司，浙江 宁波；3.宁波工程学院，浙江 宁波）

随着物联网和智能化等技术的发展，研发适用于高架环境绿植灌溉的智能灌溉解决方案的条件已经逐渐成熟。本研究引用物联网技术解决电磁阀控制系统的孤岛现场，引入深度学习框架预测每个路段的最低需水量，实现定时按需灌溉。

人工神经网络算法在各智能领域都有着不可或缺的地位，以神经网络为基础的需水量预测模型被广泛应用到智能灌溉系统中，随着各种预测模型的应用使得灌溉系统变得越来越智能化[1]。孟玮[2]等人使用径向基神经网络对苹果的需水量进行了相关预测，但径向基神经网络对数据的依赖性较高，在数据不足够充分的时候该神经网络将无法工作。张明岳[3]等人设计了一种基于改进的 Elman 神经网络和模糊控制的智能灌溉系统，利用Elman 神经网络对作物蒸发蒸腾量即作物需水量进行了相关预测研究。

1 高架绿植智能灌溉框架

按照系统功能，整个系统分为现场控制、物联网管理、智能业务处理和预警四大模块组成，见图1。

图1 高架绿植智能灌溉系统架构

1.1 现场控制模块

现场控制模块采用物联网边缘控制中心架构设计，每个现场控制模块包括一个主要功能、包括接收云服务器的控制命令、上传现场环境状态和报警、在网络不通时按照本地存储模式实现灌溉等。

1.2 物联网管理模块

物联网设备管理子系统实现对高架绿植灌溉远程设备和传感器的统一管理和配置。由于高架灌溉需要管理成千上万个现场控制系统，为了便于统一实现对现场设备的管理，系统还提供了分组管理和控制模式管理。分组管理就是将相同控制方式的设备分成一组。灌溉模式则是实现设定常用灌溉模式，例如图2是灌溉模式的管理界面。图3 显示了添加一个灌溉模式的界面。

图2 灌溉模式管理

图3 灌溉模式添加界面

1.3 智慧业务模块

智慧业务模块包括灌溉数据的管理、现场控制点的管理、天气预报数据的管理和智能灌溉模型管理四个部分。

历史灌溉数据是每个灌溉控制点采集的花箱土壤湿度、温度、光照等历史数据，图4 显示了该模块保存的某个控制点的湿度和温度变化曲线。从图4 中可以发现，由于花箱土壤以沙土为主，湿度越高，其湿度下降速度越快。因此，过渡灌溉除了造成水资源浪费之外并没有任何作用。而且过渡灌溉会导致灌溉时间变长，从而造成更大的水资源浪费。

图4 花箱土壤湿度变化曲线

在日常业务中，工作人员对灌溉设备的管理以控制点为单位。因此，控制点管理就是以控制点为单位对物联网设备进行管理，方便工作人员的管理和报警处理。

1.4 报警模块

高架绿植灌溉系统控制成千上万个电磁阀。为了有效对电磁阀状态进行管理，本系统设计了基于微信公众号和小程序相结合的灌溉报警子系统。公众号实现物联网设备实时预警反馈，运维人员只要关注公众号，就可以实时接收灌溉系统的预警和状态反馈。小程序则是实现所有故障和报警信息的管理和处理流程，使得相关管理人员可以根据预警的位置和设备信息，实时掌控每个传感器、控制器的运行状态，避免出现电磁阀故障而导致大面积绿植枯死。

2 智能需水预测模型

2.1 Transformer 框架

Transformer 是一个具有编码器-解码器结构的最具竞争力的神经序列模型。与LSTM 或RNN 不同，Transformer 不是使用递归和卷积，而是利用输入嵌入中添加的位置编码来对序列信息进行建模。Transformer 整体架构为左右两个部分，左侧为Encoder，右侧为Decoder。Encoder 与Decoder 各自都堆叠了N 层。

2.2 基于Transformer 的需水量预测模型

为了实现对每个电磁阀控制路段的花箱实现按需灌溉。系统引入Transformer 框架构建需水量预测模型，该模型分成两步实现，第一步，利用路段环境数据和未来天气预报数据，使用基于Transformer 的预测模型预测下一次灌溉时路段的花箱湿度。第二步，根据每个花箱的湿度以及环境因素，使用基于Transformer模型预测使得下一次湿度不低于湿度阈值的花箱湿度，从而设置本次灌溉时花箱土壤湿度需要达到的目标值。

（1） 位置编码

无论是花箱温湿度和花箱环境参数、还是天气预报信息都是按天为单位的时间序列数据。为了进一步提取时间序列的位置信息，笔者采用时间戳编码方式，将数据的当前时间戳与灌溉周期开始时间戳之间相对距离编码成自注意力机制相关性的一种重要因素，以体现数据的顺序特征。

（2） 编码器-解码器框架

Transformer 由masked self-attention 模块、编码器-解码器模块和前馈神经网络三个模块组成。按照GPT2 的decoder-only Transformer 思想，编码器输入是一个每次目标向右移动一个位置的花箱湿度时间序列。例如，假设有x1，x2，x3，x4，x5，x6等六个需要预测的花箱湿度时间序列数据（见图5），按照时间序列预测思想，编码器中，输入为x100000 对应预测输出为0x2’0000, 当输入是x1x20000 时，对应的预测为00x3’000。

图5 时间序列预测过程

（3） 训练阶段中改进的教师强制

使用教师强制的模型学习能力很强，因为预测错误会被实时纠正，使得下一个预测更加准确。但它的缺点也是明显的。模型每次的预测错误都会被忽略，这意味着这些错误不会对损失产生影响，即模型仅是学习如何预测下一个步长的输出。另一方面，在预测阶段，模型必然需要预测更长的步长，不能再依赖频繁的修正。

为了弥补训练和预测之间的差距，模型需要慢慢学习纠正这类错误。本项目采用逐渐为模型提供上一次预测结果代替真实值作为模型输入。开始选择真实值的高概率开始，即采用教师强制尽快稳定模型，并随着模型的成熟，逐渐收敛到纯粹从模型输出中采用，以实现模拟预测任务。

（4） 基于需水量预测的智能模型

笔者训练的预测模型旨在利用采集的历史数据环境数据和花箱土壤温湿度的时间序列数据、天气预报的气象数据，训练花箱在环境数据下的花箱湿度变化预测模型。由于本项目实验环境从搭建到数据采集共6 个月，去除无效数据后生成训练样本160 个。经过训练得到模型。模型经过后续生成的测试数据进行测试，实验结果基本满足实际变化。

3 结论

针对现有高架绿植环境，设计了针对高架绿植环境的智能灌溉系统，设计的高架绿植智能灌溉系统，解决当前高架绿植灌溉运维存在的灌溉模式调整复杂等问题。

（1） 系统极大降低了运维人员设置和巡检的工作量，提高了工作效率。

（2） 本系统实现了电磁阀故障的主动识别，降低了大面积绿植死亡的可能性，从而减少了绿植死亡带来的巨大更换工作量。