Data-Driven Greenhouse Climate Regulation in Lettuce Cultivation Using BiLSTM and GRU Predictive Control

Technische Zusammenfassung: Datengetriebene Steuerung des Treibhausklimas in der Kopffruchtkultivierung mittels BiLSTM und GRU-prädiktiver Regelung

Problemstellung
Eine effiziente Gewächshausbewirtschaftung ist entscheidend für eine nachhaltige Lebensmittelproduktion, steht jedoch aufgrund des hohen Energiebedarfs für die Klimaregulierung vor erheblichen wirtschaftlichen und ökologischen Herausforderungen. Traditionelle Steuerungsstrategien stützen sich auf prozessbasierte Modelle erster Prinzipien (z. B. thermodynamische und fluiddynamische Gleichungen). Während diese Modelle mechanistische Einblicke bieten, sind sie oft zu komplex, erfordern eine umfangreiche manuelle Parametrierung und haben Schwierigkeiten mit der Unsicherheit und den nichtlinearen Dynamiken, die in realen Gewächshausbetrieben herrschen. Im Gegensatz dazu bieten zwar datengesteuerte Ansätze des maschinellen Lernens Anpassungsfähigkeit, doch mangelt es bestehenden Anwendungen in der Gewächshaussteuerung oft an einer rigorosen Evaluierung der Vorhersagegenauigkeit, Robustheit und der rechnerischen Durchführbarkeit für eine Echtzeit-Modellprädiktive Regelung (MPC). Es besteht eine spezifische Lücke in der systematischen Vergleichung tiefer rekurrenter Architekturen, wie etwa Long Short-Term Memory (LSTM) und Gated Recurrent Unit (GRU) Netzwerke, innerhalb eines operativen MPC-Frameworks, um deren Eignung für die Abwägung zwischen Ernteertrag, Energieeffizienz und Einhaltung von Randbedingungen zu bestimmen.

Methodik
Die Studie schlägt ein neuartiges datengesteuertes prädiktives Regelungsframework vor, das LSTM- und GRU-neuronale Netze in eine MPC-Architektur für die Kultivierung von Kopfsalat integriert.

• Datengenerierung: Aufgrund der Knappheit an realen Datensätzen, die gleichzeitige Außendesturbationen, Steuereingänge und interne Klimareaktionen erfassen, wurden die Trainingsdaten mittels Simulation generiert. Ein validiertes dynamisches Gewächshausmodell (das van Henten-Modell) wurde unter verschiedenen Umweltbedingungen durch eine MPC-Strategie gesteuert. Der Datensatz umfasst 701.200 Stichproben, die aus 20 Jahren Wetterdaten (2001–2020) vom Flughafen Schiphol, Niederlande, extrahiert und in 15-Minuten-Intervallen resampelt wurden.
• Modellarchitektur: Sowohl LSTM- als auch GRU-Netzwerke wurden als bidirektionale Struktur mit zwei Schichten und jeweils 16 Hidden Units pro Richtung entworfen. Der Eingangsvektor enthielt 11 Merkmale: historische externe Störungen (Sonneneinstrahlung, Temperatur, CO2, Luftfeuchtigkeit), Steuereingänge (Heizung, Lüftung, CO2-Injektion) und vergangene Systemzustände. Die Modelle wurden darauf trainiert, den unmittelbaren nächsten Zustand (15 Minuten im Voraus) von vier Schlüsselvariablen vorherzusagen: Trockenmasse des Salats, CO2 im Innenraum, Innentemperatur und Luftfeuchtigkeit im Innenraum.
• Training und Validierung: Die Modelle wurden unter Verwendung des Adam-Optimierers über 15 Epochen trainiert. Die Leistung wurde mittels 10-facher Kreuzvalidierung evaluiert, wobei Fenstergrößen (6, 12, 18, 24 Zeitschritte) und Batch-Größen (8, 16, 32) variiert wurden.
• Regelungsframework: Die trainierten neuronalen Netze ersetzten das physikalische Modell innerhalb der MPC-Schleife. Der Regler arbeitet in einem Receding-Horizon-Verfahren und optimiert eine Kostenfunktion, die die Maximierung des Ernteertrags (Trockenmasse) gegen die Minimierung des Energieverbrauchs (Heizung und CO2-Injektion) abwägt. Die Optimierung unterliegt biologischen Randbedingungen, einschließlich zeitvarianter Temperaturbereiche (Unterscheidung zwischen Tag- und Nachtanforderungen) und Feuchtigkeitsgrenzwerten (maximal 85 %).

Wesentliche Beiträge

1. Systematischer Vergleich von RNNs in der MPC: Die Arbeit liefert eine rigorose vergleichende Analyse von LSTM- und GRU-Architekturen speziell für die Echtzeit-Klimasteuerung in Gewächshäusern, indem sie Vorhersagegenauigkeit, Robustheit gegenüber Störungen und rechnerische Durchführbarkeit bewertet.
2. Integration datengesteuerter Modelle in die MPC: Die Studie demonstriert die erfolgreiche Einbettung von Black-Box-Deep-Learning-Modellen in ein Online-MPC-Framework, welches traditionelle Modelle erster Prinzipien ersetzt, um nichtlineare Dynamiken ohne manuelle Rekalibrierung der Parameter zu handhaben.
3. Quantifizierung von Zielkonflikten: Die Forschung quantifiziert die Trade-offs zwischen Randbedingungstreue, wirtschaftlicher Leistung und Rechenaufwand und bietet ein detailliertes Benchmark gegen eine konventionelle MPC-Baseline.

Ergebnisse

• Vorhersagegenauigkeit: Sowohl LSTM- als auch GRU-Modelle zeigten starke Generalisierungsfähigkeiten. Das GRU-Modell erreichte konsistent etwas niedrigere Werte für den mittleren quadratischen Fehler (MSE) und den mittleren quadratischen Wurzelfehler (RMSE) im Vergleich zu LSTM über die meisten Konfigurationen hinweg. Beispielsweise erreichte die leistungsfähigste GRU-Konfiguration (Fenstergröße 18, Batch-Größe 8) einen RMSE von 0,13038, verglichen mit 0,13400 für das LSTM.
• Regelungsleistung:
  • Feuchtigkeitsregulierung: Die datengesteuerten Regler übertrafen die konventionelle MPC-Baseline bei der Feuchtigkeitskontrolle signifikant. Die Verstöße gegen die Feuchtigkeitsgrenzwerte sanken von 54,77 % beim Standard-MPC auf 15,45 % (GRU) und 17,71 % (LSTM).
  • Temperaturregelung: Tag-Nacht-Temperaturabweichungen wurden für alle Regler unter 2 °C gehalten. Während der Standard-MPC die Temperatur-Randbedingungen strikt durchsetzte, erlaubten die RNN-basierten Regler eine kontrollierte Lockerung der Nachttemperatur-Randbedingungen, was den Heizbedarf reduzierte, ohne die Biomasseakkumulation signifikant zu beeinflussen.
  • Wirtschaftliche Leistung: Der GRU24-Regler erreichte einen Economic Productivity Index (EPI) von 1,71 Hfℓm⁻² und erreichte damit 91,9 % des MPC-Benchmarks (1,86 Hfℓm⁻²), trotz höherer Grenzwertverletzungen. Dies deutet darauf hin, dass eine moderate Lockerung der Randbedingungen nahezu optimale wirtschaftliche Ergebnisse mit geringeren Energiekosten liefern kann.
• Effizienz der Berechnung: Die GRU-Architektur erwies sich als überlegen in der Rechengeschwindigkeit. Der GRU-Regler erreichte bis zu 40 % geringere Rechenzeiten als sein LSTM-Gegenstück (z. B. 254 s gegenüber 360 s für einen 24-Schritte-Horizont), was seine Eignung für den Echtzeit-Einsatz auf eingebetteter Hardware bestätigt.

Bedeutung und Behauptungen
Das Paper behauptet, dass der vorgeschlagene GRU-gesteuerte prädiktive Regelungsansatz eine robuste und recheneffiziente Lösung für die intelligente Automatisierung des Gewächshausklimas bietet. Die Bedeutung liegt in der Demonstration, dass datengesteuerte Modelle komplexe physikalische Modelle innerhalb eines MPC-Frameworks effektiv ersetzen können, wodurch eine überlegene Anpassungsfähigkeit an nichtlineare und zeitvariable Dynamiken erreicht wird. Insbesondere hebt die Studie hervor, dass GRU-basierte Regler den Energieverbrauch signifikant senken können (durch die Lockerung unnötiger Nachtheizung) und die Feuchtigkeitsregulierung verbessern können (ein kritischer Faktor zur Vermeidung von Krankheiten), während sie Ernteerträge vergleichbar zu traditionellen Methoden aufrechterhalten.

Die Autoren positionieren diese Arbeit als praktischen Weg für den Übergang von der Simulation zum realen Einsatz. Sie merken an, dass der Ansatz derzeit mittels Simulation validiert wird, die Recheneffizienz des GRU-Modells jedoch auf dessen Eignung für die Implementierung auf leistungsschwachen industriellen Edge-Geräten hindeutet. Die Studie kommt zu dem Schluss, dass die GRU-basierte Regelung eine äußerst vielversprechende Alternative zur konventionellen MPC darstellt, die eine hohe Vorhersagegenauigkeit mit der für das moderne, nachhaltige Gewächshausmanagement erforderlichen Anpassungsfähigkeit verbindet. Als zukünftige Arbeit wird explizit der Einsatz des GRU-Reglers in einem operativen chinesischen Solar-Gewächshaus identifiziert, um diese Ergebnisse unter realen Störeinflüssen zu validieren.