VPD-Centric Cascading Control with Neural Network Optimization for Energy-Efficient Climate Management in Controlled Environment Agriculture

1. El Problema: Acoplamiento Cruzado e Ineficiencia Energética

La gestión climática en la CEA representa entre el 30% y el 80% de los costos operativos. El desafío fundamental radica en la regulación acoplada de la temperatura del aire (T) y la humedad relativa (RH):

• Conflicto de Actuadores: En los sistemas convencionales, se utilizan bucles de control PID independientes para T y RH. Esto genera comandos contradictorios (ej. el bucle de humedad activa deshumidificadores que generan calor, mientras el bucle de temperatura intenta enfriar para compensar).
• Consecuencias: Estas luchas entre actuadores provocan oscilaciones, un seguimiento deficiente de los puntos de ajuste y un desperdicio energético del 20–40%.
• Limitación de los Métodos Actuales: Aunque el Déficit de Presión de Vapor (VPD) es una variable fisiológicamente significativa para las plantas, los sistemas comerciales actuales solo lo monitorean pasivamente o utilizan modelos predictivos (MPC) que requieren recursos computacionales intensivos y validación en simulación, no en producción real.

2. Metodología: Arquitectura de Control en Cascada

El artículo propone una arquitectura de control jerárquica que eleva el VPD de una métrica de monitoreo a la variable de control principal del bucle externo.

A. Estructura de Control

1. Bucle Externo (Controlador VPD):

   • Calcula el error del VPD ($e_{VPD}$).
   • Utiliza un optimizador de red neuronal para seleccionar los puntos de ajuste óptimos de temperatura y humedad ($T_{sp}, RH_{sp}$) a lo largo de la "curva iso-VPD" (la superficie donde el VPD es constante).
   • Optimización Energética: La red neuronal resuelve un problema de optimización restringida para encontrar el par ($T, RH$) que minimiza el costo total de HVAC (calefacción/enfriamiento + deshumidificación) dado el VPD objetivo y las condiciones exteriores. Esto convierte un problema 2D en una búsqueda 1D sobre la temperatura.

2. Bucles Internos (Controladores PID):

   • Dos controladores PID convencionales (uno para T y otro para RH) rastrean los puntos de ajuste generados por el bucle externo.
   • Ajuste Automático (Auto-tuning): Los ganancia de los PID ($K_p, K_i, K_d$) se adaptan en línea mediante una Red Neuronal Perceptrón Multicapa (MLP) de 7-3-3.
   • Entradas de la Red: La red recibe 7 variables: T, RH, temperatura de la hoja, CO2, PPFD, error de VPD y la integral del error de VPD.

B. Estabilidad Matemática

• Se realiza un análisis de estabilidad de Lyapunov para garantizar que el error de seguimiento del VPD sea Uniformemente Últimamente Acotado (UUB).
• Se demuestra que, bajo perturbaciones acotadas y actualizaciones de pesos acotadas, el sistema converge a una bola de error definida, evitando la deriva de parámetros mediante términos de modificación $\sigma$.

3. Contribuciones Clave

1. Arquitectura de Control Innovadora: Formalización de un sistema en cascada donde el VPD es la variable de control primaria, eliminando los conflictos de acoplamiento cruzado inherentes a los PID independientes.
2. Optimización Energética con IA: Desarrollo de un optimizador neuronal que selecciona puntos de ajuste en la superficie de restricción del VPD para minimizar el consumo energético, aprovechando el grado de libertad geométrico de la curva iso-VPD.
3. Garantías de Estabilidad Teórica: Derivación de pruebas formales de estabilidad de Lyapunov para la adaptación de ganancias PID en línea asistida por red neuronal.
4. Validación a Gran Escala: Validación en el mundo real durante más de 7 años en más de 30 instalaciones comerciales, superando en duración (aprox. 60 veces) la suma de todos los experimentos de campo publicados previamente en IA-HVAC.

4. Resultados Experimentales

La implementación se realizó en 30+ instalaciones comerciales en 8 zonas climáticas de EE. UU. (más de 500 zonas climáticas independientes y 10 millones de pies cuadrados).

• Reducción de Energía: Disminución del 30–38% en el consumo de energía HVAC en comparación con los sistemas PID independientes.
• Estabilidad del VPD: Mejora del 68–73% en la estabilidad del VPD. La desviación estándar ($\sigma_{VPD}$) se redujo de un rango de 0.15–0.25 kPa a 0.04–0.08 kPa.
• Recuperación ante Perturbaciones: Tiempo de recuperación 60–67% más rápido tras eventos de perturbación (ej. apertura de puertas).
• Error de Seguimiento: Mejora del 71% en el Error Absoluto Integral (IAE) comparado con la línea base.
• Casos de Estudio:
  • Clima Desértico (Arizona): Eliminó la "búsqueda" (hunting) entre calefacción y deshumidificación en invierno, reduciendo el consumo un 41%.
  • Clima Continental (Illinois): Adaptación estacional automática (enfriamiento gratuito en verano, reducción de carga de calefacción en invierno), logrando un ahorro anual del 36%.

5. Significado e Impacto

• Superioridad sobre MPC y RL: A diferencia del Control Predictivo por Modelo (MPC), esta solución no requiere identificación de modelos complejos ni mantenimiento de modelos de plantas, funcionando en hardware de borde de bajo costo. A diferencia del Aprendizaje por Refuerzo (RL), ha sido validada en producción real durante años, cerrando la brecha entre simulación y realidad.
• Enfoque Fisiológico: Al controlar el VPD en lugar de T y RH por separado, el sistema se alinea directamente con la respuesta fisiológica de las plantas (conductancia estomática y transpiración).
• Escalabilidad: Demuestra que las redes neuronales ligeras pueden integrarse de manera segura y eficiente en sistemas de control industrial críticos, ofreciendo una alternativa viable y energéticamente eficiente para la agricultura moderna.

En conclusión, este trabajo establece un nuevo estándar para el control climático en CEA, demostrando que la combinación de una arquitectura de control en cascada centrada en la física del VPD con optimización neuronal en línea puede lograr ahorros energéticos masivos y una estabilidad ambiental superior.