A Digital Twin Framework for Commercial Greenhouse Climate Control System

Havebrugsindustrien i nordiske lande er meget afhængig af drivhussystemer på grund af begrænsningen af det naturlige miljø og de strenge plantekrav for bestemte plantetyper. Kommercielle avlere i disse regioner støder på betydelige udfordringer med at garantere kvaliteten af planterne, mens de minimerer produktionsomkostningerne. På den ene side skal et drivhussystem forbruge en stor mængde energi for at give et tilfredsstillende klima for plantevækst. På den anden side, i de senere år, har energiprisen stigende i Europa ført til en stigning i produktionsomkostningerne for drivhuse, hvilket gør energibesparelse og optimering imperativ. Det er dog udfordrende for avlere at håndtere dette dilemma, fordi drivhusklimakontrol er et meget dynamisk og meget koblet komplekst system. Ved at analysere funktionerne i ikke-linearitet og dynamik i drivhusklimaet kan de eksisterende løsninger ikke korrekt opfylde de praktiske krav i gartneriindustrien.


For at tackle disse problemer foreslås en digital tvilling af drivhusklimakontrol (DT-GCC) rammer i denne forskning for at optimere aktuatorens driftsplan til minimering af energiforbrug og produktionsomkostninger uden at gå på kompromis med produktionskvaliteten. Arkitekturen i DT-GCC-rammen og de anvendte metoder er uddybet modulært, herunder fysisk tvilling af drivhusklimakontrol (PT-GCC) systemforståelse, design af DT-GCC-system, sammenkobling af DTGCC og PT-GCC og integration med andre digitale tvillinger (DTS).


DT-GCC omfatter en virtuel drivhus (VGH) og en multi-objektiv optimeringsbaseret klimakontrol (MOOCC) platform. VGH er den digitale repræsentation af det fysiske drivhus gennem modellering af de faktorer, der kan påvirke drivhusklimaet markant og aktuatorens driftsstrategier. MOOCC er ansvarlig for at definere drivhusklimakontrol som et multi-objektivt optimeringsproblem (MOO) og optimere driftsplanen for kunstigt lys (lysplan) og varmesystem (varmeplan). Desuden er en hierarkisk struktur af DT-GCC designet i henhold til funktionerne og ansvaret for individuelle lag, der gavner den praktiske realisering af DT-GCC med en organiseret arkitektur af design og styring.


Funktionaliteterne i DT-GCC er udviklet i en drivhusklimakontrolplatform, der er navngivet af Dynalight, som er kombineret med en genetisk algoritme (GA) ramme kaldet Controleum. Dynalight definerer et MOO -problem til at abstrahere drivhusklimakontrolsystemet med flere objektive funktioner, og omkostningerne beregnes baseret på modelleringsresultaterne fra VGH. Controleum er ansvarlig for implementeringen af GA for at generere en Pareto Frontier (PF) og endelig løsning af løsning til let plan og varmeplan.


Forskellige scenarier og tilsvarende eksperimenter er designet til at evaluere ydelsen af DT-GCC fra individuelle perspektiver, herunder VGH, MOOCC og DT-integration. Eksperimenterne på VGH verificerer forudsigelsesydelsen for kunstigt neuralt netværk (ANN) metoder på indendørs temperatur, opvarmning af forbrug og netto fotosyntese (PN). Hvad angår de to standaloneeksperimenter, garanterer resultaterne DT-GCCs evne til at kortlægge avlernes beslutningstagning om let plan og varmeplan og verificere MOOCC-ydelsen for at opfylde voksende krav og samtidig reducere energiforbruget og omkostningerne. Endelig, i DT-integrationseksperimenterne med Digital Twin of Production Twin (DT-PF) og Digital Twin of Energy System (DT-ES), afslutter DT-GCC det tilsvarende svar på forudsigelser og optimeringsanmodninger.