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

Résumé technique : Régulation climatique des serres pilotée par les données pour la culture de laitue à l'aide d'un contrôle prédictif par BiLSTM et GRU

Énoncé du problème
Une gestion efficace des serres est cruciale pour une production alimentaire durable, mais elle fait face à des défis économiques et environnementaux importants en raison de la forte demande énergétique pour la régulation climatique. Les stratégies de contrôle traditionnelles reposent sur des modèles basés sur des processus et des principes physiques (par exemple, des équations de thermodynamique et de dynamique des fluides). Bien que ces modèles offrent des perspectives mécanistes, ils sont souvent trop complexes, nécessitent un réglage manuel extensif des paramètres et peinent à gérer l'incertitude et la dynamique non linéaire inhérentes aux opérations réelles en serre. Inversement, bien que les approches d'apprentissage automatique fondées sur les données offrent une certaine adaptabilité, les applications existantes dans le contrôle des serres manquent souvent d'une évaluation rigoureuse de leur précision prédictive, de leur robustesse et de leur faisabilité computationnelle pour un contrôle prédictif basé sur un modèle (MPC) en temps réel. Il existe un manque spécifique de comparaison systématique des architectures récurrentes profondes, telles que les réseaux Long Short-Term Memory (LSTM) et Gated Recurrent Unit (GRU), au sein d'un cadre MPC opérationnel afin de déterminer leur aptitude à équilibrer le rendement des cultures, l'efficacité énergétique et le respect des contraintes.

Méthodologie
L'étude propose un nouveau cadre de contrôle prédictif piloté par les données intégrant des réseaux de neurones LSTM et GRU dans une architecture MPC pour la culture de la laitue.

• Génération de données : En raison de la rareté des jeux de données réels capturant simultanément les perturbations extérieures, les entrées de contrôle et les réponses climatiques internes, les données d'entraînement ont été générées par simulation. Un modèle de serre dynamique validé (le modèle van Henten) a été contrôlé par une stratégie MPC sous diverses conditions environnementales. Le jeu de données comprend 701 200 échantillons dérivés de 20 années de données météorologiques (2001–2020) de l'aéroport de Schiphol, aux Pays-Bas, rééchantillonnées à des intervalles de 15 minutes.
• Architecture du modèle : Les réseaux LSTM et GRU ont été conçus avec une structure bidirectionnelle composée de deux couches de 16 unités cachées par direction. Le vecteur d'entrée comprenait 11 caractéristiques : perturbations externes historiques (rayonnement solaire, température, CO2, humidité), entrées de contrôle (chauffage, ventilation, injection de CO2) et sorties passées du système. Les modèles ont été entraînés pour prédire l'état immédiat suivant (15 minutes plus tard) de quatre variables clés : la matière sèche de la laitue, le CO2 intérieur, la température intérieure et l'humidité intérieure.
• Entraînement et validation : Les modèles ont été entraînés avec l'optimiseur Adam sur 15 époques. Les performances ont été évaluées par validation croisée à 10 plis, en faisant varier les tailles de fenêtre d'entrée (6, 12, 18, 24 pas de temps) et les tailles de lots (8, 16, 32).
• Cadre de contrôle : Les réseaux de neurones entraînés ont remplacé le modèle physique dans la boucle MPC. Le contrôleur fonctionne selon un mode d'horizon fuyant, optimisant une fonction de coût qui équilibre la maximisation du rendement des cultures (matière sèche) et la minimisation de la consommation d'énergie (chauffage et injection de CO2). L'optimisation est soumise à des contraintes biologiques, incluant des limites de température variables dans le temps (différenciant les besoins jour/nuit) et des limites d'humidité (max 85 %).

Principales contributions

1. Comparaison systématique des RNN dans le MPC : L'article fournit une analyse comparative rigoureuse des architectures LSTM et GRU spécifiquement pour le contrôle climatique des serres en temps réel, en évaluant leur précision prédictive, leur robustesse aux perturbations et leur faisabilité computationnelle.
2. Intégration de modèles pilotés par les données dans le MPC : L'étude démontre l'intégration réussie de modèles de deep learning "boîte noire" dans un cadre MPC en ligne, remplaçant les modèles physiques traditionnels pour gérer les dynamiques non linéaires sans recalibrage manuel des paramètres.
3. Quantification des compromis : La recherche quantifie les compromis entre l'adhérence aux contraintes, la performance économique et le coût computationnel, offrant un étalonnage détaillé par rapport à une référence MPC conventionnelle.

Résultats

• Précision prédictive : Les modèles LSTM et GRU ont démontré de fortes capacités de généralisation. Le modèle GRU a systématiquement obtenu une erreur quadratique moyenne (MSE) et une erreur quadratique moyenne (RMSE) légèrement inférieures à celles du LSTM dans la plupart des configurations. Par exemple, la meilleure configuration GRU (taille de fenêtre 18, taille de lot 8) a atteint une RMSE de 0,13038, contre 0,13400 pour le LSTM.
• Performance de contrôle :
  • Régulation de l'humidité : Les contrôleurs pilotés par les données ont nettement surpassé la référence MPC conventionnelle pour le contrôle de l'humidité. Les violations d'humidité sont passées de 54,77 % avec le MPC standard à 15,45 % (GRU) et 17,71 % (LSTM).
  • Contrôle de la température : Les écarts de température jour-nuit ont été maintenus en dessous de 2 °C pour tous les contrôleurs. Alors que le MPC standard imposait strictement les contraintes de température, les contrôleurs basés sur les RNN ont permis une relaxation contrôlée des contraintes de température nocturne, ce qui a réduit la demande de chauffage sans impacter significativement l'accumulation de biomasse.
  • Performance économique : Le contrôleur GRU24 a atteint un indice de productivité économique (EPI) de 1,71 Hfℓm⁻², atteignant 91,9 % de la référence MPC (1,86 Hfℓm⁻²), malgré des violations de contraintes plus élevées. Cela indique qu'une relaxation modérée des contraintes peut produire des résultats économiques quasi optimaux avec des coûts énergétiques moindres.
• Efficacité computationnelle : L'architecture GRU s'est avérée supérieure en termes de vitesse de calcul. Le contrôleur GRU a affiché un temps de calcul jusqu'à 40 % inférieur à celui de son homologue LSTM (par exemple, 254s contre 360s pour un horizon de 24 étapes), confirmant sa faisabilité pour un déploiement en temps réel sur du matériel embarqué.

Signification et affirmations
L'article affirme que l'approche de contrôle prédictif pilotée par GRU offre une solution robuste et efficace sur le plan computationnel pour l'automatation intelligente du climat des serres. La signification réside dans la démonstration que les modèles pilotés par les données peuvent remplacer efficacement les modèles physiques complexes au sein d'un cadre MPC, offrant une meilleure adaptabilité aux dynamiques non linéaires et variables dans le temps. Plus précisément, l'étude souligne que les contrôleurs basés sur GRU peuvent réduire considérablement la consommation d'énergie (en relaxant le chauffage nocturne inutile) et améliorer la régulation de l'humidité (un facteur critique pour prévenir les maladies) tout en maintenant un rendement des cultures comparable aux méthodes traditionnelles.

Les auteurs positionnent ce travail comme une voie pratique pour la transition de la simulation vers le déploiement réel. Ils notent que bien que l'approche soit actuellement validée par simulation, l'efficacité computationnelle du modèle GRU suggère qu'il est adapté à une implémentation sur des dispositifs industriux de bord (edge devices) à faible puissance. L'étude conclut que le contrôle basé sur GRU représente une alternative très prometteuse au MPC conventionnel, équilibrant une haute précision prédictive avec l'adaptabilité requise pour une gestion moderne et durable des serres. Les travaux futurs sont explicitement identifiés comme le déploiement du contrôleur GRU dans une serre solaire chinoe opérationnelle pour valider ces résultats sous des perturbations réelles.