CN120973107A

CN120973107A - 一种柔性日光温室温度控制方法、系统、设备和存储介质

Info

Publication number: CN120973107A
Application number: CN202511247263.7A
Authority: CN
Inventors: 雷喜红; 刘洪润; 刘松; 田雅楠; 赵鹤
Original assignee: BEIJING AGRICULTURE TECHNOLOGY PROMOTION STATION
Current assignee: BEIJING AGRICULTURE TECHNOLOGY PROMOTION STATION
Priority date: 2025-09-02
Filing date: 2025-09-02
Publication date: 2025-11-18

Abstract

本发明公开一种柔性日光温室温度控制方法、系统、设备和存储介质，涉及温室环境技术领域，所述方法包括：调用传热模型根据温室内部热场分布数据进行温度场仿真计算，得到第一预测温度值；调用温室气温预测模型对所述外部环境温度历史时序数据进行时序分析，得到第二预测温度值；根据所述第一预测温度值和所述第二预测温度值进行数据融合，得到综合预测温度值；根据所述综合预测温度值与预设温室气温目标值的偏差量，调节所述温室设备的运行参数。通过模拟温室内部热场分布和处理外部环境时序数据，覆盖确定性规律与随机性波动，再根据得到的综合预测值计算与目标值的偏差量，基于预测偏差动态调节设备，降低无效能耗与设备损耗。

Description

一种柔性日光温室温度控制方法、系统、设备和存储介质

技术领域

本发明涉及温室环境技术领域，具体涉及一种柔性日光温室温度控制方法、系统、设备和存储介质。

背景技术

在设施农业领域，温室气温是决定作物产量、品质及上市周期的核心环境参数，也是温室运行能耗与碳排放的主要驱动因素。随着“低碳高效农业”需求的提升，温室结构正由传统砖墙-钢架-玻璃模式快速演进为“多源蓄热型柔性日光温室”。该类温室以太阳能、地热能、生物质能等多能互补方式蓄放热，并以聚合物、纤维等柔性轻质材料构建可变形骨架与覆盖层，具备高保温、高蓄热、低造价、易拆装及环境友好等显著优势，已成为设施园艺技术的前沿发展方向。然而，由于多源能量耦合、柔性结构形变、地中热变频控制、覆盖层多孔非均匀性等复杂因素叠加，温室内外热量传递呈现高度非线性、强时变及多尺度耦合特征，导致气温精准预测与实时控制成为制约温室能效和生产效率提升的瓶颈问题。

现有温室气温预测技术主要分为两大类：（1）基于物理模型的方法：依托热力学与传质学原理，建立能量平衡微分方程组，通过数值求解获得气温预测值。该类方法机理清晰、可解释性强，便于支撑温室结构优化与控制策略制定；但其模型框架难以完整刻画多源蓄热、柔性结构动态形变、地中热变频调节及材料多孔非均匀性等复杂因素，致使预测精度与鲁棒性随工况变化显著下降。（2）基于数据模型的方法：借助机器学习或深度学习技术，从历史数据中提取非线性映射关系实现气温预测。该类方法对动态随机工况适应性较强，但受限于温室历史数据的多模态、高维、稀疏及分布偏移等特性，模型易出现过拟合、泛化性差等问题；同时，由于缺乏物理约束与先验知识，其可解释性与可信度不足，难以为温室优化设计及控制策略提供可靠依据。

因此，亟需一种能够融合物理机理与数据驱动优势的温室气温预测与控制新技术，以实现高效、精准、可解释、自适应的温室环境智能调控。

发明内容

本发明的主要目的是提供一种柔性日光温室温度控制方法、系统、设备和存储介质，通过模拟温室内部热场分布和处理外部环境时序数据，覆盖确定性规律与随机性波动，再根据得到的综合预测值计算与目标值的偏差量，基于预测偏差动态调节设备，降低无效能耗与设备损耗。

为了实现上述目的，本申请实施例提供如下技术方案：

根据本申请实施例的第一方面，提供了一种柔性日光温室温度控制方法，应用于温室设备，所述方法包括：

获取柔性日光温室环境数据；所述柔性日光温室环境数据包括温室内部热场分布数据及外部环境温度历史时序数据；

调用传热模型根据温室内部热场分布数据进行温度场仿真计算，得到第一预测温度值；

调用温室气温预测模型对所述外部环境温度历史时序数据进行时序分析，得到第二预测温度值；

根据所述第一预测温度值和所述第二预测温度值进行数据融合，得到综合预测温度值；

根据所述综合预测温度值与预设温室气温目标值的偏差量，调节所述温室设备的运行参数。

根据本申请实施例的第二方面，提供了一种柔性日光温室温度控制系统，应用于温室设备，所述系统包括：

数据获取模块，用于获取柔性日光温室环境数据；所述柔性日光温室环境数据包括温室内部热场分布数据及外部环境温度历史时序数据；

传热模型计算模块，用于调用传热模型根据温室内部热场分布数据进行温度场仿真计算，得到第一预测温度值；

气温预测模块，用于调用温室气温预测模型对所述外部环境温度历史时序数据进行时序分析，得到第二预测温度值；

融合模块，用于根据所述第一预测温度值和所述第二预测温度值进行数据融合，得到综合预测温度值；

温室设备控制模块，用于根据所述综合预测温度值与预设温室气温目标值的偏差量，调节所述温室设备的运行参数。

根据本申请实施例的第三方面，提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现上述第一方面所述的方法。

根据本申请实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述第一方面所述的方法。

综上所述，本申请实施例提供了一种柔性日光温室温度控制方法、系统、设备和存储介质，通过获取柔性日光温室环境数据；所述柔性日光温室环境数据包括温室内部热场分布数据及外部环境温度历史时序数据；调用传热模型根据温室内部热场分布数据进行温度场仿真计算，得到第一预测温度值；调用温室气温预测模型对所述外部环境温度历史时序数据进行时序分析，得到第二预测温度值；根据所述第一预测温度值和所述第二预测温度值进行数据融合，得到综合预测温度值；根据所述综合预测温度值与预设温室气温目标值的偏差量，调节所述温室设备的运行参数。通过模拟温室内部热场分布和处理外部环境时序数据，覆盖确定性规律与随机性波动，再根据得到的综合预测值计算与目标值的偏差量，基于预测偏差动态调节设备，降低无效能耗与设备损耗。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

图1为本申请实施例提供的一种柔性日光温室温度控制方法流程示意图；

图2为本申请实施例提供的一种柔性日光温室温度控制系统示意图；

图3示出了本申请实施例提供的一种电子设备的结构图；

图4示出了本申请实施例提供的一种计算机可读存储介质的图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

近年来，出现一些新的技术方法，有助于克服传统的温室气温预测方法的不足，主要包括以下三个方面：（1）混合模型联动架构,利用物理模型和数据模型的优势，实现温室气温预测的技术方法。通过将物理模型和数据模型进行有效的融合和协调，形成统一的温室气温预测模型，既能够反映温室的内在规律和机理，又能够捕捉温室的动态和随机性，实现温室气温预测的高效、准确、灵活、可解释的目标。（2）多尺度协调方法,利用不同的尺度和角度对温室的热量传递过程进行建模和分析的技术方法。通过将温室的热量传递过程分解为不同的尺度和层次——微观尺度、中观尺度和宏观尺度或者空间尺度、时间尺度和频率尺度等，然后在每个尺度上建立相应的模型和算法，最后通过协调和融合不同尺度的结果，得到温室的气温预测值。其优点是能够充分考虑温室的多孔性和非均匀性等复杂因素的影响，提高模型的精度和稳定性。（3）自适应权重生成方法,利用数据的特征和目标，动态调整模型的权重的技术方法。通过使用机器学习的技术——高斯混合模型、卷积神经网络、梯度加权类激活映射等，对数据进行聚类、特征提取、可视化优化等操作，然后根据不同的聚类结果和优化目标，自适应地生成不同的权重向量，动态调整各个因素对温室气温预测的贡献权重，增强模型的泛化和迁移能力，优点是能够适应不同的数据分布和预测目标，提高模型的灵活性和适应性。

综上所述，本发明提出一种基于混合模型联动架构的温室气温预测方法，该方法结合传热模型和机器学习模型的优势，利用多尺度协调、时空特征提取、自适应权重生成、可视化优化等先进的技术方法，提高温室的保温和蓄热能力，降低能耗，延长生产季节，为温室气温预测提供一种高效、准确、灵活、可解释的解决方案。能够综合利用物理模型和数据模型的优势，实现温室气温的高效、准确、灵活、可解释的预测和控制。应该能够充分考虑温室的各种复杂因素的影响——如多源蓄热、柔性结构、地中热变频控制、多孔性和非均匀性等，提高模型的精度和稳定性；同时，也应该能够充分利用温室的历史数据和未来数据的信息——如时空相关的特征、动态和随机的规律、自适应和优化的权重等，提高模型的数据拟合和预测能力。此外，还应该能够提供模型的可视化和优化，激活区域和梯度信息、关联强度和影响方向、优化目标和控制策略等，提高模型的可解释性和可信度。

图1示出了本申请实施例提供的一种柔性日光温室温度控制方法，应用于温室设备，所述方法包括：

步骤S101：获取柔性日光温室环境数据；所述柔性日光温室环境数据包括温室内部热场分布数据及外部环境温度历史时序数据；

步骤S102：调用传热模型根据温室内部热场分布数据进行温度场仿真计算，得到第一预测温度值；

步骤S103：调用温室气温预测模型对所述外部环境温度历史时序数据进行时序分析，得到第二预测温度值；

步骤S104：根据所述第一预测温度值和所述第二预测温度值进行数据融合，得到综合预测温度值；

步骤S105：根据所述综合预测温度值与预设温室气温目标值的偏差量，调节所述温室设备的运行参数。

在一种可能的实施方式中，在步骤103中，所述调用温室气温预测模型对所述外部环境温度历史时序数据进行时序分析，得到第二预测温度值，按照如下公式：

其中，是第二预测温度值，是外部环境温度历史时序数据，是机器学习模型的参数，是激活函数，表征卷积运算，表征池化运算。

在一种可能的实施方式中，在步骤102中，所述调用传热模型根据温室内部热场分布数据进行温度场仿真计算，得到第一预测温度值，按照如下公式：

其中，M是质量矩阵，C是阻尼矩阵，K是刚度矩阵，ρ是材料密度，c是比热容，k是热传导系数；是热膨胀系数，T是温度，是参考温度，t是时间，是重力加速度，是垂直方向单位向量，u是节点位移向量，F是节点载荷向量，u ̇是节点速度向量，q是热源项，∇是梯度算子，是温室的多孔介质阻力系数，是热扩散系数，是热对流源项。

在一种可能的实施方式中，所述温室气温预测模型的构建包括如下步骤：

将外部环境温度历史时序数据按空间区域编号和时间区域编号划分为时空数据块；其中，按传感器网络拓扑划分空间区域，按固定时间窗口划分时序数据；针对每个时空数据块提取时空特征向量，将所有时空特征向量组合为时空特征矩阵；调用多尺度卷积神经网络根据所述时空特征矩阵计算得到预测值；根据所述预测值和外部环境温度历史时序数据中的真实值作为训练数据，对所述多尺度卷积神经网络进行训练，得到所述温室气温预测模型。

在一种可能的实施方式中，调用多尺度卷积神经网络根据所述时空特征矩阵计算得到预测值，包括：将所述时空特征矩阵转换为多通道二维张量，作为所述多尺度卷积神经网络的输入层；通过所述多尺度卷积神经网络的若干卷积层和池化层提取多尺度特征；将所述多尺度特征转换为一维向量，将所述一维向量转换为预测值。

在一种可能的实施方式中，还包括：利用高斯混合模型对所述外部环境温度历史时序数据进行概率建模，得到高斯模型参数和后验概率矩阵；根据后验概率矩阵为每个数据点分配高斯分量标签，得到标签向量；根据所述标签向量和实际气温数据，根据标签分组，为每个高斯分量分配目标值，得到目标值向量；根据所述标签向量和所述目标值向量为每个数据点生成权重向量；根据所述权重向量、所述实际气温数据和所述温室气温预测模型参数对所述温室气温预测模型参数进行优化。

在一种可能的实施方式中，所述利用高斯混合模型对所述外部环境温度历史时序数据进行概率建模，得到高斯模型参数和后验概率矩阵，包括如下步骤：

步骤1：假设输入数据服从高斯混合分布，每个数据点包括多个高斯分量，每个高斯分量由均值向量、协方差矩阵和混合系数表示，高斯混合分布按照以下公式表示：

其中，是输入数据，是高斯分量的个数，是第个高斯分量的混合系数，满足，是第个高斯分量的概率密度函数，是第个高斯分量的均值向量，是第个高斯分量的协方差矩阵；

步骤2：初始化高斯混合模型的参数，设定高斯分量的均值向量、协方差矩阵和混合系数的初始值，记为，；

步骤3：计算每个数据点属于每个高斯分量的后验概率，后验概率矩阵用以下公式表示：

其中，是第个数据点属于第个高斯分量的后验概率，是第个数据点的隐变量，表示其属于哪个高斯分量，是第个数据点的观测值，是迭代次数；

步骤4：根据当前的后验概率更新高斯混合模型的参数，使得输入数据的对数似然函数关于隐变量的期望最大的高斯分量的均值向量、协方差矩阵和混合系数，其中参数更新按照以下公式表示：

其中，是第个高斯分量的均值向量、协方差矩阵和混合系数的更新值，是输入数据的个数；

步骤5：判断输入数据的对数似然函数的增长量是否小于给定的阈值，或者迭代次数是否超过给定的上限，如果是则停止迭代，输出高斯混合模型的参数；如果否则返回继续迭代；其中输入数据的对数似然函数用以下公式表示：

其中，是输入数据，是高斯混合模型的参数，是高斯分量个数。

在一种可能的实施方式中，所述根据所述权重向量、所述实际气温数据和所述温室气温预测模型参数对所述温室气温预测模型参数进行优化，包括：

其中，是第个数据点的权重向量，是第个数据点所属的高斯分量的目标值，是第个数据点的高斯分量的标签；是机器学习模型的参数，是输入数据的个数，是第个数据点的权重向量，是第个数据点的实际气温，是第个数据点的预测气温，是第个数据点的平方误差，是加权均方误差，是求解最小化问题的操作。

在一种可能的实施方式中，还包括：

根据所述温室气温预测模型选择卷积层作为目标层，输出特征图的矩阵：根据所述预测值和所述特征图进行反向传播求梯度，得到梯度矩阵；根据所述梯度矩阵沿空间维度计算目标层的每个特征图的梯度的全局平均值，并得到权重向量；将所述目标层的每个特征图的权重向量和所述特征图矩阵逐通道加权叠加，得到激活区域矩阵；将所述激活区域矩阵进行归一化处理，得到归一化热图。

在一种可能的实施方式中，还包括：根据所述预测值和原始输入数据进行反向传播处理，得到梯度映射值；根据所述梯度映射值和所述归一化热图进行逐元素相乘，得到优化热图；将所述优化热图和所述原始图像进行加权融合，得到温室气温关联图，所述温室气温关联图用于表征温度与各因子的关联程度。

在一种可能的实施方式中，所述传热模型的构建包括如下步骤：基于温室参数构建温室几何模型，温室的几何模型用有限元网格划分，节点间通过单元刚度矩阵、质量矩阵、阻尼矩阵连接；所述温室参数为包括温室的形状参数、尺寸参数、结构参数、材料参数，以及温室内的作物参数、土壤参数、水分参数；基于几何模型，构建非线性热传导模型，以及输出热传导模型参数和温度场；根据所述温室几何模型的参数和所述温度场，通过多尺度协调方法，建立热对流模型，并输出热对流参数，所述热对流参数包括空气速度场、压力场、热对流源项；根据所述温室几何模型的参数、所述热传导模型参数和所述热对流参数，形成传热模型。

在一种可能的实施方式中，按照如下公式根据所述温室几何模型的参数和所述温度场，通过多尺度协调方法，建立热对流模型：

其中，，是压力，是动力粘度，是热膨胀系数，是重力加速度，是参考温度，是垂直方向单位向量，是温室的多孔性系数，是热扩散系数，是热对流源项。

可以看出，本发明旨在至少解决现有技术或相关技术中存在的温室气温预测的效率和准确性不高，以及温室的保温和蓄热能力不强、能耗高、生产季节短等技术问题之一，针对基于物理模型或数据模型的温室气温预测方法的优化与改进，综合运用混合模型联动架构、多尺度协调方法、时空特征提取方法、自适应权重生成方法、可视化优化方法等技术，克服现有技术方案的不足，提高温室气温预测的效率和准确性，以及温室的保温和蓄热能力、降低能耗、延长生产季节。

下面对本申请实施例提供的温室温度控制方法进行进一步的详细介绍。

该方法结合传热模型和机器学习模型的优势，利用多尺度协调、时空特征提取、自适应权重生成、可视化优化等先进的技术方法，有效地提高温室的保温和蓄热能力、降低能耗、延长生产季节，为温室气温预测提供一种高效、准确、灵活、可解释的解决方案。具体而言，该方法包括以下五个步骤：

S1：利用非线性有限元法和多尺度协调方法建立传热模型，考虑温室的多源蓄热、柔性结构、地中热变频控制、多孔性和非均匀性等因素，描述温室内外的热量传递过程，提供物理约束和先验知识，为温室气温预测提供基础。

S2：利用多尺度卷积神经网络（MSCNN）和时空特征提取方法建立机器学习模型，利用其强大的特征提取和表达能力，从温室的历史数据中提取时空相关的特征，捕捉温室气温与各个因素之间的复杂和非线性关系。

S3：利用高斯混合模型（GMM）和自适应权重生成方法对机器学习模型进行优化，根据不同的输入数据和输出目标，利用高斯混合模型对数据进行聚类，根据不同的聚类结果，自适应地生成不同的权重向量，动态调整各个因素对温室气温预测的贡献权重，增强模型的泛化和迁移能力。

S4：利用梯度加权类激活映射（Grad-CAM）和反向传播的可视化优化方法对机器学习模型进行可视化，通过可视化模型的激活区域和梯度信息，对Grad-CAM的结果进行优化，消除噪声和伪影，直观地展示出温室气温与各个因素之间的关联强度和影响方向，提高模型的可解释性和可信度。

S5：利用传热模型和机器学习模型的输出结果，结合物理约束和数据拟合，形成混合模型，实现温室气温的预测和控制。

下面针对上述步骤依次进行详细讲解：

第一方面：构建传热模型。

利用非线性有限元法和多尺度协调方法建立传热模型，考虑温室的多源蓄热、柔性结构、地中热变频控制、多孔性和非均匀性等因素，描述温室内外的热量传递过程。该步骤的作用是提供物理约束和先验知识为温室气温预测提供基础。非线性有限元法数值分析方法，求解复杂的非线性偏微分方程，适用于温室的非线性热传导问题。多尺度协调方法数值分析方法，在不同的尺度上对温室的热对流问题进行建模，考虑温室的多孔性和非均匀性，提高模型的精度和稳定性。本发明的技术方案是：

利用非线性有限元法和多尺度协调方法建立温室传热模型，包括以下步骤：

步骤1.1：建立温室的几何模型，包括温室的形状、尺寸、结构、材料等参数，以及温室内的作物、土壤、水分等参数。温室的几何模型用有限元网格划分，每个网格单元用节点表示，节点之间用单元刚度矩阵和单元质量矩阵描述其连接关系。温室的几何模型用以下公式表示：

其中，M是总质量矩阵，C是总阻尼矩阵，K是总刚度矩阵，u是节点位移向量，F是节点载荷向量，u ̇和u ̈分别是节点速度向量和节点加速度向量。

步骤1.2：建立温室的热传导模型，用非线性偏微分方程描述，考虑温室的非线性热传导系数、热容、热辐射、热对流等因素，以及温室内外的温度、湿度、风速、太阳辐射等边界条件。温室的热传导模型用以下公式表示：

其中，ρ是密度，c是比热容，T是温度，t是时间，k是热传导系数，q是热源项，∇是梯度算子，⋅是点乘运算。

步骤1.3：建立温室的热对流模型，该模型用多尺度协调方法描述，考虑温室的多孔性和非均匀性，以及温室内的空气流动、湿度变化、水汽凝结等因素。温室的热对流模型用以下公式表示：

步骤1.4：将温室的几何模型、热传导模型和热对流模型耦合，得到温室传热模型，该模型描述温室内外的热量传递过程，为温室气温预测提供物理约束和先验知识。温室传热模型用以下公式表示：

其中，各符号的含义与前述相同。

第二方面：时空特征学习。

利用多尺度卷积神经网络（MSCNN）和时空特征提取方法建立机器学习模型，利用其强大的特征提取和表达能力，从温室的历史数据中提取时空相关的特征，捕捉温室气温与各个因素之间的复杂和非线性关系。该步骤的作用是提供数据拟合和预测能力，为温室气温预测提供支持。多尺度卷积神经网络（MSCNN）深度学习模型，利用多尺度的卷积核和池化层，从数据中提取多层次的特征，增强模型的表达能力和预测能力。时空特征提取方法数据处理方法，利用时序和空间的信息，从温室的历史数据中提取时空相关的特征，增强模型的输入信息和输出质量。

利用多尺度卷积神经网络（MSCNN）和时空特征提取方法建立机器学习模型，该模型包括以下步骤：

步骤2.1：利用时空特征提取方法从温室的历史数据中提取时空相关的特征，该方法包括以下步骤：

步骤2.1.1：将温室的历史数据按照时间和空间的维度进行划分，得到多个时空数据块，每个时空数据块包含一定时间范围内的一定空间范围内的温度、湿度、风速、太阳辐射等温室数据。时空数据块用以下公式表示：

其中，是第i个空间区域和第j个时间区域的时空数据块，是该时空数据块在第t个时间点的数据向量，T是时空数据块的时间长度。

步骤2.1.2：对每个时空数据块进行时空特征提取，利用时序和空间的信息，从时空数据块中提取时空相关的特征——如时空数据块的均值、方差、最大值、最小值、自相关系数、互相关系数、频谱分析等。时空特征提取用以下公式表示：

其中，是第i个空间区域和第j个时间区域的时空数据块的时空特征向量，F是时空特征提取函数。

步骤2.1.3：将提取的时空特征向量组合成时空特征矩阵作为机器学习模型的输入，该时空特征矩阵反映温室的历史数据的时空相关性，增强模型的输入信息和输出质量。时空特征矩阵用以下公式表示：

其中，F是时空特征矩阵，是第i个空间区域和第j个时间区域的时空数据块的时空特征向量，I是空间区域的个数，J是时间区域的个数。

步骤2.2：利用多尺度卷积神经网络（MSCNN）从时空特征矩阵中提取多层次的特征，利用其强大的特征提取和表达能力，捕捉温室气温与各个因素之间的复杂和非线性关系，该网络包括以下步骤：

步骤2.2.1：将时空特征矩阵作为多尺度卷积神经网络（MSCNN）的输入层，该输入层将时空特征矩阵转换为多通道的二维张量，每个通道对应时空特征向量，每个元素对应时空特征值。输入层用以下公式表示：

其中，I是输入层，F是时空特征矩阵。

步骤2.2.2：设置多个卷积层和池化层，每个卷积层和池化层用不同尺度的卷积核和池化核，从输入层或上一层的输出中提取不同尺度的特征，增强模型的表达能力和预测能力。卷积层和池化层用以下公式表示：

其中，是第l个卷积层的输出，是第l个池化层的输出，σ是激活函数，是第l个卷积层的卷积核，是第l个卷积层的偏置项，*是卷积运算，max是池化运算，是第卷积层的输入。

步骤2.2.3：设置全连接层和输出层，全连接层将最后池化层的输出转换为一维向量，输出层将全连接层的输出转换为标量，作为温室气温的预测值。全连接层和输出层用以下公式表示：

其中，是全连接层的输出，是输出层的输出，是激活函数，是全连接层的权重矩阵，是全连接层的偏置向量，是最后池化层的输出，是输出层的权重向量，是输出层的偏置标量。

步骤2.3：利用温室的历史数据和实际气温作为训练数据，对多尺度卷积神经网络（MSCNN）进行训练优化网络的参数，使得网络的输出与实际气温的误差最小，提高网络的拟合能力和预测能力。训练过程用以下公式表示：

其中，是网络的参数，是训练数据的个数，是第个训练数据的实际气温，是第个训练数据的预测气温，是第个训练数据的平方误差，是训练数据的均方误差，是求解最小化问题的操作。

步骤2.4：利用温室的实时数据作为测试数据，对多尺度卷积神经网络（MSCNN）进行测试，得到温室气温的预测值，与实际气温进行比较评估网络的预测性能用以下指标衡量：

1、均方根误差（RMSE）：表示预测气温与实际气温的平方误差的平方根，反映预测的精度，越小越好。RMSE用以下公式表示：

2、相关系数（R）：表示预测气温与实际气温的线性相关程度，反映预测的一致性，越接近1越好。R用以下公式表示：

3、确定系数（R²）：表示预测气温与实际气温的变异程度，反映预测的拟合优度，越接近1越好。R²用以下公式表示：

其中，各符号的含义与前述相同，和分别是实际气温和预测气温的均值。

第三方面：模型优化与权重调整。

利用高斯混合模型（GMM）和自适应权重生成方法对机器学习模型进行优化，根据不同的输入数据和输出目标，利用高斯混合模型对数据进行聚类，根据不同的聚类结果，自适应地生成不同的权重向量，动态调整各个因素对温室气温预测的贡献权重，增强模型的泛化和迁移能力。该步骤的作用是提高模型的适应性和灵活性，为温室气温预测提供保障。高斯混合模型（GMM）概率模型，利用高斯分布对数据进行聚类，适用于温室的多模态和非线性数据分布。自适应权重生成方法优化方法，利用高斯混合模型的聚类结果，自适应地生成不同的权重向量，动态调整各个因素对温室气温预测的贡献权重，提高模型的灵活性和适应性。

利用高斯混合模型（GMM）和自适应权重生成方法对机器学习模型进行优化，包括以下步骤：

步骤3.1：利用高斯混合模型（GMM）对输入数据进行聚类，利用高斯分布对数据进行概率建模，适用于温室的多模态和非线性数据分布，包括以下步骤：

步骤3.1.1：假设输入数据服从高斯混合分布，即每个数据点由或多个高斯分量组成，每个高斯分量由均值向量、协方差矩阵和混合系数表示，高斯混合分布用以下公式表示：

其中，是输入数据，是高斯分量的个数，是第个高斯分量的混合系数，满足，是第个高斯分量的概率密度函数，是第个高斯分量的均值向量，是第个高斯分量的协方差矩阵。

步骤3.1.2：利用期望最大化（EM）算法对高斯混合模型的参数进行估计，即求解使得输入数据的对数似然函数最大的高斯分量的均值向量、协方差矩阵和混合系数，期望最大化（EM）算法包括以下步骤：

步骤3.1.2.1：初始化高斯混合模型的参数，即随机或者根据一些启发式规则给定高斯分量的均值向量、协方差矩阵和混合系数的初始值，记为，。

步骤3.1.2.2：即根据当前的参数值计算每个数据点属于每个高斯分量的后验概率，即隐变量的期望值，该后验概率用以下公式表示：

其中，是第个数据点属于第个高斯分量的后验概率，是第个数据点的隐变量，表示其属于哪个高斯分量，是第个数据点的观测值，是迭代次数。

步骤3.1.2.3：根据当前的后验概率更新高斯混合模型的参数，使得输入数据的对数似然函数关于隐变量的期望最大的高斯分量的均值向量、协方差矩阵和混合系数，该参数更新用以下公式表示：

其中，是第个高斯分量的均值向量、协方差矩阵和混合系数的更新值，是输入数据的个数。

步骤3.1.2.4：判断是否达到收敛条件，即输入数据的对数似然函数的增长量是否小于给定的阈值，或者迭代次数是否超过给定的上限，如果是，则停止迭代，输出高斯混合模型的参数，如果否，则返回S1.2.2，继续迭代。输入数据的对数似然函数用以下公式表示：

步骤3.2：利用自适应权重生成方法对机器学习模型进行优化，根据不同的输入数据和输出目标，利用高斯混合模型的聚类结果，自适应地生成不同的权重向量，动态调整各个因素对温室气温预测的贡献权重，包括以下步骤：

步骤3.2.1：根据高斯混合模型的聚类结果，为每个数据点分配高斯分量的标签，即表示该数据点最有可能属于哪个高斯分量，该标签用以下公式表示：

其中，是第个数据点的高斯分量的标签，是第个数据点属于第个高斯分量的后验概率。

步骤3.2.2：根据不同的输出目标为每个高斯分量分配目标值，表示该高斯分量对应的温室气温的期望值，该目标值用以下公式表示：

其中，是第个高斯分量的目标值，是目标函数，根据不同的输出目标进行设定，例如最大化温室气温的目标函数设定为：

其中，是第个数据点的实际气温，是第个数据点的高斯分量的标签。

步骤3.2.3：根据每个数据点的高斯分量的标签和目标值，为每个数据点生成权重向量，即表示该数据点对温室气温预测的贡献权重，用以下公式表示：

其中，是第个数据点的权重向量，是第个数据点所属的高斯分量的目标值，是第个数据点的高斯分量的标签。

步骤3.2.4：利用生成的权重向量对机器学习模型进行优化，根据不同的输入数据和输出目标，动态调整各个因素对温室气温预测的贡献权重，提高模型的泛化和迁移能力。优化过程用以下公式表示：

其中，是机器学习模型的参数，是输入数据的个数，是第个数据点的权重向量，是第个数据点的实际气温，是第个数据点的预测气温，是第个数据点的平方误差，是加权均方误差，是求解最小化问题的操作。

第四方面：可视化模型解释。

利用梯度加权类激活映射（Grad-CAM）和反向传播的可视化优化方法对机器学习模型进行可视化，通过可视化模型的激活区域和梯度信息，对Grad-CAM的结果进行优化，消除噪声和伪影，直观地展示出温室气温与各个因素之间的关联强度和影响方向，提高模型的可解释性和可信度。该步骤的作用是提高模型的透明度和可靠性，为温室气温预测提供依据。梯度加权类激活映射（Grad-CAM）可视化技术，利用模型的梯度信息，生成模型的激活区域，表达出模型的关注点和判断依据。反向传播的可视化优化方法，利用反向传播的梯度信息，对Grad-CAM的结果进行优化，消除噪声和伪影，提高模型的可视化质量和可解释性。

利用梯度加权类激活映射（Grad-CAM）和反向传播的可视化优化方法对机器学习模型进行可视化，包括以下步骤：

步骤4.1：利用梯度加权类激活映射（Grad-CAM）对机器学习模型进行可视化，利用模型的梯度信息，生成模型的激活区域，表达出模型的关注点和判断依据，包括以下步骤：

步骤4.1.1：选择目标层，卷积层或者池化层作为可视化的对象，输出反映模型的高层特征——如空间位置、形状、纹理等。目标层用以下公式表示：

其中，是目标层的输出，是目标层的第个特征图，是目标层的特征图的个数。

步骤4.1.2：计算目标层的梯度，目标层的输出对于输出层的预测值的偏导数，反映目标层的每个特征图对于预测值的贡献程度，该梯度用以下公式表示：

其中，是目标层的梯度，是输出层的预测值，是目标层的第个特征图，是目标层的特征图的个数。

步骤4.1.3：计算目标层的权重，目标层的每个特征图的梯度的全局平均值，该权重反映目标层的每个特征图对于预测值的重要性，该权重用以下公式表示：

其中，是目标层的第个特征图的权重，是特征图的元素个数，和是特征图的空间坐标，是特征图的第个元素，是特征图的第个元素的梯度。

步骤4.1.4：计算目标层的激活区域，即目标层的每个特征图的权重与特征图的乘积的逐元素求和，反映模型的关注点和判断依据，用以下公式表示：

其中，是目标层的激活区域，是目标层的第个特征图的权重，是目标层的第个特征图，是目标层的特征图的个数。

步骤4.1.5：对目标层的激活区域进行后处理，将激活区域的负值置为零，然后进行归一化，得到目标层的梯度加权类激活映射（Grad-CAM），直观地展示出模型的激活区域，用以下公式表示：

其中，是目标层的梯度加权类激活映射（Grad-CAM），是目标层的激活区域，是将激活区域的负值置为零的操作，是激活区域的最大值。

步骤4.2：利用反向传播的可视化优化方法对Grad-CAM的结果进行优化，该方法利用反向传播的梯度信息，对Grad-CAM的结果进行优化消除噪声和伪影，提高模型的可视化质量和可解释性，包括以下步骤：

步骤4.2.1：计算输出层的梯度，输出层的预测值对于输入层的数据的偏导数反映输入层的每个数据点对于预测值的影响程度，用以下公式表示：

其中，是输出层的梯度，是输出层的预测值，是输入层的第个数据点，是输入层的数据的个数。

步骤4.2.2：对输出层的梯度进行后处理，将梯度的负值置为零，然后进行归一化，得到输出层的反向传播的梯度映射（BP-Grad），反映输入层的每个数据点对于预测值的影响方向，该映射用以下公式表示：

其中，是输出层的反向传播的梯度映射（BP-Grad），是输出层的梯度，是将梯度的负值置为零的操作，是梯度的最大值。

步骤4.2.3：将Grad-CAM的结果和BP-Grad的结果进行融合，得到优化后的梯度加权类激活映射（Grad-CAM++），该映射综合考虑模型的激活区域和梯度信息，消除噪声和伪影，提高模型的可视化质量和可解释性，该映射用以下公式表示：

其中，是优化后的梯度加权类激活映射（Grad-CAM++），是目标层的梯度加权类激活映射（Grad-CAM），是输出层的反向传播的梯度映射（BP-Grad），是逐元素相乘的操作。

步骤4.2.4：将优化后的梯度加权类激活映射（Grad-CAM++）与输入数据进行叠加，得到可视化的温室气温预测图，该图直观地展示出温室气温与各个因素之间的关联强度和影响方向，提高模型的可解释性和可信度，该图用以下公式表示：

其中，是可视化的温室气温预测图，是优化后的梯度加权类激活映射（Grad-CAM++），是输入数据，是叠加的操作。

第五方面：混合模型预测。

利用传热模型和机器学习模型的输出结果，结合物理约束和数据拟合，形成混合模型，实现温室气温的预测和控制。该步骤的作用是综合利用两种模型的优势，提高温室气温预测的效率和准确性。混合模型综合模型，利用传热模型和机器学习模型的输出结果，结合物理约束和数据拟合，形成统一的温室气温预测模型，实现高效和准确的温室气温预测和控制。

利用传热模型和机器学习模型的输出结果，结合物理约束和数据拟合，形成混合模型，包括以下步骤：

步骤5.1：利用传热模型对温室气温进行物理预测，该模型利用温室的几何模型、热传导模型和热对流模型，描述温室内外的热量传递过程，为温室气温预测提供物理约束和先验知识，该模型用以下公式表示：

其中，各符号的含义与前述S1相同。

步骤5.2：利用机器学习模型对温室气温进行数据预测，该模型利用多尺度卷积神经网络（MSCNN）和时空特征提取方法，从温室的历史数据中提取时空相关的特征，捕捉温室气温与各个因素之间的复杂和非线性关系，为温室气温预测提供数据拟合和预测能力，该模型用以下公式表示：

其中，是温室气温的预测值，是时空特征矩阵，是机器学习模型的参数，是激活函数，是卷积运算，是池化运算。

步骤5.3：将传热模型和机器学习模型的输出结果进行融合，得到混合模型的输出结果，即温室气温的最终预测值，该预测值综合考虑物理约束和数据拟合，提高温室气温预测的效率和准确性，该预测值用以下公式表示：

其中，是温室气温的最终预测值，是机器学习模型的输出结果，是传热模型的输出结果，是可调节的权重系数，用于平衡两种模型的输出结果的影响。

步骤5.4：利用混合模型的输出结果对温室进行控制，根据温室气温的最终预测值，调节温室的多源蓄热、地中热变频控制等控制参数，使得温室气温达到预期的目标值，实现温室气温的预测和控制，该控制过程用以下公式表示：

其中，是温室的控制参数，是控制函数，是温室气温的最终预测值，是温室气温的目标值。

通过上述本申请提供的混合模型联动架构，将传热模型和机器学习模型进行有效的融合和协调，形成统一的温室气温预测模型，既能够反映温室的内在规律和机理，又能够捕捉温室的动态和随机性，实现温室气温预测的高效、准确、灵活、可解释的目标。该方法克服传统的物理模型和数据模型各自的局限性，综合利用两种模型的优势，提高温室气温预测的质量和效率。

通过上述本申请提供的自适应权重生成方法，利用高斯混合模型对数据进行聚类，根据不同的聚类结果和优化目标，自适应地生成不同的权重向量，动态调整各个因素对温室气温预测的贡献权重，增强模型的泛化和迁移能力。该方法克服传统的固定权重或人工调整权重的缺点，实现权重的智能化和自动化，提高模型的灵活性和适应性。

通过上述本申请提供的方法，提高温室的保温和蓄热能力、降低能耗、延长生产季节。该方法利用多种能源（太阳能、地热能、生物质能等）进行蓄热，利用柔性材料（聚合物、纤维等）构建温室的骨架和覆盖层，实现温室的自适应调节和智能控制。具有保温性能好、蓄热能力强、结构轻便、可塑性高、成本低、环保性好等优点，有效地减少温室的能源消耗和环境污染，延长温室的生产季节，提高温室的生产效率和经济效益。

通过上述本申请提供的方法，提高温室气温预测的效率和准确性，增强温室气温调控的依据和可靠性。该方法结合传热模型和机器学习模型的优势，利用多尺度协调、时空特征提取、自适应权重生成、可视化优化等先进的技术方法，有效地提高温室气温预测的效率和准确性。该方法充分考虑温室的各种复杂因素的影响——如多源蓄热、柔性结构、地中热变频控制、多孔性和非均匀性等，提高模型的精度和稳定性；同时，也充分利用温室的历史数据和未来数据的信息——时空相关的特征、动态和随机的规律、自适应和优化的权重等，提高模型的数据拟合和预测能力。此外，该方法还提供模型的可视化和优化，激活区域和梯度信息、关联强度和影响方向、优化目标和控制策略等，提高模型的可解释性和可信度，为温室气温调控提供更加科学和有效的依据和保障。

在具体实施中，本申请实施例包括不限于三个主要步骤：

第一阶段：数据获取。

为实现本发明，需要获取以下几类数据：

温室内外的环境数据，包括温度、湿度、光照、风速、风向、降水、二氧化碳等指标，反映温室的热量传递和作物生长的条件。通过安装在温室内外的传感器设备进行采集，如温湿度传感器、光照传感器、风速风向传感器、雨量传感器、二氧化碳传感器等。

温室的控制数据，包括蓄热、通风、灌溉等控制参数，反映温室的能耗和作物生长的干预。通过安装在温室内的控制器设备进行采集，例如蓄热控制器、通风控制器、灌溉控制器等。

温室的作物数据，包括作物的品种、生长期、生长状态等指标，反映温室的生产效率和作物的质量。通过人工记录或者利用图像识别等技术进行采集，例如作物品种识别、作物生长期识别、作物病虫害识别等。

此外，部分数据通过公开获取或者自行采集的方式获得：互联网公开获取：利用互联网或者其他公共平台，获取温室内外的相关数据，如气象数据、农业数据、市场数据等，作为温室气温预测的参考或者补充。

第二阶段：数据处理。

为使所获取的数据能够用于模型的构建和预测，需要对数据进行处理，包括结构化入库、数据清洗、数据标准化、数据分析等实际操作，需要用到以下几个Python库及函数：

结构化入库利用pandas库（https://pandas.pydata.org/）和sqlite3库（https://docs.python.org/3/library/sqlite3.html）将数据转换为数据框（DataFrame）格式，并存储到SQLite数据库中，方便后续的数据处理和查询。使用以下函数：pandas.read_csv()读取CSV格式的数据文件，返回数据框对象；pandas.to_sql()将数据框对象写入到SQLite数据库中，创建数据表；sqlite3.connect()连接到SQLite数据库，返回数据库连接对象；sqlite3.Cursor()创建数据库游标对象，用于执行SQL语句。

数据清洗利用numpy库（https://numpy.org/）和scipy库（https://www.scipy.org/）对数据进行缺失值、异常值、重复值等的处理，提高数据的质量和完整性。使用以下函数：numpy.isnan()判断数据是否为缺失值（NaN），返回布尔数组；numpy.nanmean()计算数据的均值，忽略缺失值；numpy.nanfill()用指定的值填充缺失值；scipy.stats.zscore()计算数据的标准分数（Z-score），用于检测异常值；scipy.stats.iqr()计算数据的四分位距（IQR），用于检测异常值；pandas.drop_duplicates()删除数据中的重复值，返回新的数据框对象。

数据标准化利用sklearn库（https://scikit-learn.org/）对数据进行归一化或者标准化的处理，消除数据的量纲和尺度的影响，提高数据的可比性和稳定性。使用以下函数：sklearn.preprocessing.MinMaxScaler()创建最小最大归一化的转换器对象，将数据转换为0到1之间的数值；sklearn.preprocessing.StandardScaler()创建标准化的转换器对象，将数据转换为均值为0，标准差为1的数值；sklearn.preprocessing.fit_transform()对数据进行拟合和转换，返回新的数组对象。

数据分析利用matplotlib库（https://matplotlib.org/）和seaborn库（https://seaborn.pydata.org/）对数据进行可视化和统计的分析，探索数据的分布、相关性、趋势等特征，为模型的构建和预测提供依据。使用以下函数：matplotlib.pyplot.figure()创建图形对象，用于绘制图表；matplotlib.pyplot.plot()绘制折线图，用于展示数据的变化趋势；matplotlib.pyplot.scatter()绘制散点图，用于展示数据的分布和相关性；matplotlib.pyplot.bar()绘制柱状图，用于展示数据的频数和比例；matplotlib.pyplot.hist()绘制直方图，用于展示数据的分布和密度；matplotlib.pyplot.boxplot()绘制箱线图，用于展示数据的分位数和异常值；seaborn.heatmap()绘制热力图，用于展示数据的相关系数矩阵；seaborn.pairplot()绘制成对图，用于展示数据的两两关系；seaborn.regplot()绘制回归图，用于展示数据的线性关系和置信区间。

第三阶段：模型构建。

为实现本发明，需要构建以下三个模型组件：

传热模型，用于描述温室内外的热量传递过程，考虑温室的多源蓄热、柔性结构、地中热变频控制、多孔性和非均匀性等因素，提供物理约束和先验知识，为温室气温预测提供基础。该模型的构建步骤如下：

步骤A：利用非线性有限元法和多尺度协调方法，建立温室的热传导方程和热对流方程，分别描述温室的固态热传导和流体热对流；

步骤B：利用边界条件和初始条件，确定温室的热边界和热初始状态，包括温室的外部环境温度、内部蓄热温度、地中热温度等；

步骤C：利用数值求解方法，求解温室的热传导方程和热对流方程，得到温室的热场分布和热流速分布，以及温室的平均气温和最高气温。

利用数据库实现传热模型的构建与求解，具体配置如下：空间离散：采用三角形单元网格（全局尺寸0.01），并在温室内外交界面（γ）处进行局部加密；函数空间：二阶拉格朗日有限元（P2），支持温度场的高阶梯度计算；边界与初始条件：边界：外部环境温度20℃、内部蓄热温度35℃、地中热温度30℃；初始：温室内部25℃、外部20℃；物理参数（从数据库动态加载）：热传导系数：内部k₁=0.5，外部k₂=0.2；热对流系数：内部c₁=0.8，外部c₂=0.4；热容：内部p₁=1.0，外部p₂=0.8；密度：内部ρ₁=1.2，外部ρ₂=1.0；风速：内部u₁=0.5m/s，外部u₂=0.2m/s；控制方程双线性形式描述瞬态热传导-对流方程（含传导项、对流项、瞬态项）；权重函数与未知函数同属P2空间；求解器：平滑聚合代数多重网格（SA-AMG）方法，配置参数：求解精度1e⁻⁶，投影空间为P₂；平滑参数ω=0.67，最大迭代次数100；交界面γ强制通量连续条件（k₁∇T₁·n=k₂∇T₂·n）。

机器学习模型，用于从温室的历史数据中提取时空相关的特征，捕捉温室气温与各个因素之间的复杂和非线性关系，提供数据拟合和预测能力，为温室气温预测提供支持。该模型的构建步骤如下：

步骤a：利用多尺度卷积神经网络（MSCNN）和时空特征提取方法，建立机器学习模型的网络结构，包括输入层、多尺度卷积层、池化层、全连接层和输出层

步骤b：利用均方误差（MSE）作为机器学习模型的损失函数，用于衡量温室气温预测的误差

步骤c：利用随机梯度下降（SGD）作为机器学习模型的优化算法，用于更新温室气温预测的网络参数。

利用数据库存储的温室历史数据（包括热场分布、热流速分布、平均气温、最高气温、外部环境温度、内部蓄热温度、地中热温度等多维度数据）实现机器学习模型的构建与训练。模型输入数据维度为(None,24,64,64,8)，依次通过以下网络层处理：第一卷积层：采用32个(3,3)卷积核，ReLU激活函数，Same填充方式提取空间特征；第二卷积层：使用16个尺寸为3的一维卷积核（时序处理），ReLU激活函数，Same填充；两级池化层：先以(2,2)窗口尺寸和步长2进行空间下采样，再以窗口尺寸2和步长2压缩时序维度；全连接层：128个神经元配合ReLU激活函数实现特征融合；最终输出未来温室的平均气温和最高气温，输出维度为(None,2)。模型训练配置如下：优化器：随机梯度下降（SGD）搭配0.01学习率与0.9动量；损失函数：均方误差（MSE）；训练设置：批量大小32，训练轮数100，验证集比例0.2；训练完成后，模型可直接接收温室当前数据（无需额外预测参数）进行未来气温预测。

混合模型，用于综合利用传热模型和机器学习模型的输出结果，结合物理约束和数据拟合，形成统一的温室气温预测模型，提高温室气温预测的效率和准确性。该模型的构建步骤如下：

步骤1：利用高斯混合模型（GMM）和自适应权重生成方法，对机器学习模型进行优化，根据不同的输入数据和输出目标，利用高斯混合模型对数据进行聚类，根据不同的聚类结果，自适应地生成不同的权重向量，动态调整各个因素对温室气温预测的贡献权重，增强模型的泛化和迁移能力

步骤2：利用梯度加权类激活映射（Grad-CAM）和反向传播的可视化优化方法，对机器学习模型进行可视化，通过可视化模型的激活区域和梯度信息，对Grad-CAM的结果进行优化，消除噪声和伪影，直观地展示出温室气温与各个因素之间的关联强度和影响方向，提高模型的可解释性和可信度

步骤3：利用传热模型和机器学习模型的输出结果，结合物理约束和数据拟合，形成混合模型，实现温室气温的预测和控制。

利用数据库存储的温室历史数据构建高斯混合模型（GMM），核心配置为：模型结构：3个高斯分量，协方差类型为full（完整协方差矩阵），以捕捉复杂数据分布；训练与预测：训练数据：温室历史数据（无需额外训练参数）；预测数据：温室当前数据（无需额外预测参数）；梯度分析：计算机器学习模型输出对输入的梯度（雅可比矩阵），梯度变量为模型输入数据；输出梯度张量，并通过热力图可视化梯度值，颜色映射方案为jet；混合模型输出：数组1：传热模型的物理模拟结果；数组2：机器学习模型的预测结果；动态预测可视化：横轴（x轴）：时间序列；纵轴（y轴）：温度值；线条1：混合模型加权融合结果（公式：Ŷ=λ·Y_机器学习+(1-λ)·T_物理模型）；线条2：真实观测值，用于对比预测精度。

综上所述，本申请实施例提供了一种柔性日光温室温度控制方法，通过获取柔性日光温室环境数据；所述柔性日光温室环境数据包括温室内部热场分布数据及外部环境温度历史时序数据；调用传热模型根据温室内部热场分布数据进行温度场仿真计算，得到第一预测温度值；调用温室气温预测模型对所述外部环境温度历史时序数据进行时序分析，得到第二预测温度值；根据所述第一预测温度值和所述第二预测温度值进行数据融合，得到综合预测温度值；根据所述综合预测温度值与预设温室气温目标值的偏差量，调节所述温室设备的运行参数。通过模拟温室内部热场分布和处理外部环境时序数据，覆盖确定性规律与随机性波动，再根据得到的综合预测值计算与目标值的偏差量，基于预测偏差动态调节设备，降低无效能耗与设备损耗。

基于相同的技术构思，本申请实施例还提供了一种柔性日光温室温度控制系统，应用于温室设备，如图2所示，所述系统包括：

数据获取模块201，用于获取柔性日光温室环境数据；所述柔性日光温室环境数据包括温室内部热场分布数据及外部环境温度历史时序数据；

传热模型计算模块202，用于调用传热模型根据温室内部热场分布数据进行温度场仿真计算，得到第一预测温度值；

气温预测模块203，用于调用温室气温预测模型对所述外部环境温度历史时序数据进行时序分析，得到第二预测温度值；

融合模块204，用于根据所述第一预测温度值和所述第二预测温度值进行数据融合，得到综合预测温度值；

温室设备控制模块205，用于根据所述综合预测温度值与预设温室气温目标值的偏差量，调节所述温室设备的运行参数。

本申请实施方式还提供一种与前述实施方式所提供的方法对应的电子设备。请参考图3，其示出了本申请的一些实施方式所提供的一种电子设备图。所述电子设备70可以包括：处理器700，存储器701，总线702和通信接口703，所述处理器700、通信接口703和存储器701通过总线702连接；所述存储器701中存储有可在所述处理器700上运行的计算机程序，所述处理器700运行所述计算机程序时执行本申请前述任一实施方式所提供的方法。

其中，存储器701可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个物理端口（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线702可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器701用于存储程序，所述处理器700在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述方法可以应用于处理器700中，或者由处理器700实现。

处理器700可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器700中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器700可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701，处理器700读取存储器701中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的方法对应的计算机可读存储介质，请参考图4，其示出的计算机可读存储介质为光盘80，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的方法。

需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

Claims

1.一种柔性日光温室温度控制方法，应用于温室设备，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述调用温室气温预测模型对所述外部环境温度历史时序数据进行时序分析，得到第二预测温度值，按照如下公式：

3.如权利要求1所述的方法，其特征在于，所述调用传热模型根据温室内部热场分布数据进行温度场仿真计算，得到第一预测温度值，按照如下公式：

4.如权利要求1所述的方法，其特征在于，所述温室气温预测模型的构建包括如下步骤：

将外部环境温度历史时序数据按空间区域编号和时间区域编号划分为时空数据块；其中，按传感器网络拓扑划分空间区域，按固定时间窗口划分时序数据；

针对每个时空数据块提取时空特征向量，将所有时空特征向量组合为时空特征矩阵；

调用多尺度卷积神经网络根据所述时空特征矩阵计算得到预测值；

根据所述预测值和外部环境温度历史时序数据中的真实值作为训练数据，对所述多尺度卷积神经网络进行训练，得到所述温室气温预测模型。

5.如权利要求4所述的方法，其特征在于，还包括：

利用高斯混合模型对所述外部环境温度历史时序数据进行概率建模，得到高斯模型参数和后验概率矩阵；

根据后验概率矩阵为每个数据点分配高斯分量标签，得到标签向量；

根据所述标签向量和实际气温数据，根据标签分组，为每个高斯分量分配目标值，得到目标值向量；

根据所述标签向量和所述目标值向量为每个数据点生成权重向量；

根据所述权重向量、所述实际气温数据和所述温室气温预测模型参数对所述温室气温预测模型参数进行优化。

6.如权利要求5所述的方法，其特征在于，所述利用高斯混合模型对所述外部环境温度历史时序数据进行概率建模，得到高斯模型参数和后验概率矩阵，包括如下步骤：

；

7.如权利要求1所述的方法，其特征在于，所述传热模型的构建包括如下步骤：

基于温室参数构建温室几何模型，温室的几何模型用有限元网格划分，节点间通过单元刚度矩阵、质量矩阵、阻尼矩阵连接；所述温室参数为包括温室的形状参数、尺寸参数、结构参数、材料参数，以及温室内的作物参数、土壤参数、水分参数；

基于几何模型，构建非线性热传导模型，以及输出热传导模型参数和温度场；

根据所述温室几何模型的参数和所述温度场，通过多尺度协调方法，建立热对流模型，并输出热对流参数，所述热对流参数包括空气速度场、压力场、热对流源项；

根据所述温室几何模型的参数、所述热传导模型参数和所述热对流参数，形成传热模型。

8.一种柔性日光温室温度控制系统，应用于温室设备，其特征在于，所述系统包括：

9.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现如权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1-7任一项所述的方法。