Разработка AI-системы управления теплицами: климат, полив, освещение
Современная теплица — управляемая экосистема. Полностью автоматизированная теплица (vertical farm) даёт урожайность в 100–200 раз выше открытого грунта. AI оптимизирует потребление ресурсов при максимальном качестве и скорости роста.
Архитектура системы управления
Сенсорная сеть:
- Климат: температура воздуха, CO₂, влажность, скорость воздуха (каждые 10–20 м)
- Субстрат: температура, влажность, EC, pH питательного раствора
- Освещение: фотосинтетически активная радиация (PAR), DLI (Daily Light Integral)
- Внешние условия: метеостанция для натурального освещения и ветра
Исполнительные устройства:
- HVAC (отопление, вентиляция, кондиционирование)
- Туманообразователи, увлажнители
- Насосы досветки (LED growlights, регулируемый спектр)
- Инжекторы CO₂
- Капельный полив (рецирку̀лирующие системы)
Model Predictive Control (MPC)
MPC — оптимальное управление с горизонтом предсказания:
import numpy as np
from scipy.optimize import minimize
class GreenhouseMPC:
"""
Model Predictive Control для климата теплицы.
Горизонт: 4 часа, шаг: 15 минут → 16 шагов
"""
def __init__(self, prediction_horizon=16, control_horizon=4):
self.H_p = prediction_horizon
self.H_c = control_horizon
# Термодинамическая модель теплицы (упрощённая)
# dT/dt = (Q_heat + Q_solar - Q_ventilation - Q_loss) / C_thermal
self.C_thermal = 2.5e6 # теплоёмкость воздуха теплицы (Дж/°C)
self.dt = 900 # 15 минут в секундах
def predict_temperature(self, T_init, control_sequence, disturbances):
"""
T_init: начальная температура
control_sequence: массив [heat_power_W, vent_rate_m3/s] на H_c шагов
disturbances: прогноз [solar_radiation, outdoor_temp] на H_p шагов
"""
T = T_init
trajectory = [T]
for t in range(self.H_p):
ctrl_idx = min(t, self.H_c - 1)
Q_heat = control_sequence[ctrl_idx][0]
vent_rate = control_sequence[ctrl_idx][1]
Q_solar = disturbances[t][0] * 0.4 * 1000 # 40% трансмиссии стекла × площадь
T_outdoor = disturbances[t][1]
Q_vent = vent_rate * 1200 * (T - T_outdoor) * 1.0 # cp_air × delta_T
Q_loss = 50000 * (T - T_outdoor) # теплопотери ограждения
dT = (Q_heat + Q_solar - Q_vent - Q_loss) / self.C_thermal * self.dt
T = T + dT
trajectory.append(T)
return trajectory
def optimize_control(self, current_state, setpoints, disturbance_forecast):
"""Оптимизация управления для следующего горизонта"""
T_sp = setpoints['temperature']
CO2_sp = setpoints['co2']
def objective(u):
u_matrix = u.reshape(self.H_c, 2)
T_traj = self.predict_temperature(
current_state['temperature'], u_matrix, disturbance_forecast
)
# Штраф за отклонение от уставки + энергопотребление
tracking_error = sum((T - T_sp)**2 for T in T_traj)
energy_cost = sum(u_matrix[:, 0]) # мощность отопления
return tracking_error + 0.001 * energy_cost
u0 = np.zeros(self.H_c * 2)
bounds = [(0, 500000)] * self.H_c + [(0, 5)] * self.H_c # heat [W], vent [m3/s]
result = minimize(objective, u0, method='SLSQP', bounds=bounds)
return result.x.reshape(self.H_c, 2)[0] # применить только первый шаг
Оптимизация освещения
DLI-таргетирование:
Daily Light Integral (DLI) — суммарное количество фотонов за день. Каждая культура имеет оптимальный DLI:
- Томаты: 20–30 mol/m²/day
- Салат: 14–16 mol/m²/day
- Клубника: 12–15 mol/m²/day
Алгоритм: утром прогноз натурального освещения (API погоды) → рассчитать сколько нужно досветить LED → расписание включения на день с учётом тарифной сетки электроэнергии.
Спектральная оптимизация:
Современные LED-светильники позволяют управлять соотношением синего/красного/far-red:
- Высокая доля синего: компактные растения, антоцианы (декоративные культуры)
- Far-red: ускорение цветения, влияние на фотопериодизм
- ML: персонализированный спектр по фазе роста и целевым характеристикам продукции
Управление питательным раствором
Adaptive fertigation:
Питательный раствор рециркулирует. AI управляет его составом:
- EC (электропроводность) → суммарная концентрация → NPK
- pH → доступность элементов питания
- Ионный анализ (ISE-датчики или лабораторные пробы) → баланс по N/Ca/K/Mg
ML-модель потребления: сколько элементов берёт посев за период → прогностическое пополнение до коррекции потребовалась.
Метрики теплицы
| Показатель | Конвенциональная | MPC + AI |
|---|---|---|
| Расход тепла | базис | -20–30% |
| Расход электр. (досветка) | базис | -15–25% |
| Урожайность томата | 60–80 кг/м²/год | 80–110 кг/м²/год |
| Расход воды | базис | -30–40% |
| Однородность продукции | 85% | 93–97% |
Срок разработки: 3–5 месяцев для MPC-системы климата + управления поливом и досветкой с IoT-интеграцией (SCADA/OPC-UA).