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

Technische Samenvatting: Datagestuurde Klimaatregulatie in Kassen voor Sla teelt met behulp van BiLSTM en GRU Voorspellende Controle

Probleemstelling
Efficiënt kasbeheer is cruciaal voor duurzame voedselproductie, maar wordt geconfronteerd met aanzienlijke economische en milieutechnische uitdagingen door de hoge energiebehoeften voor klimaatregulatie. Traditionele besturingsstrategieën vertrouwen op procesgebaseerde, eerste-principesmodellen (bijv. thermodynamische en fluïdumdynamische vergelijkingen). Hoewel deze modellen mechanistische inzichten bieden, zijn ze vaak te complex, vereisen ze uitgebreide handmatige parameterafstemming en hebben ze moeite met het omgaan met onzekerheid en niet-lineaire dynamiek die inherent zijn aan de werkelijke kasoperaties. Daarentegen, hoewel datagestuurde machine learning-benaderingen adaptiviteit bieden, missen bestaande toepassingen in kasbesturing vaak een rigoureuze evaluatie van hun voorspellende nauwkeurigheid, robuustheid en computationele haalbaarheid voor real-time Model Predictive Control (MPC). Er is een specifiek gat in het systematisch vergelijken van diepe recurrente architecturen, zoals Long Short-Term Memory (LSTM) en Gated Recurrent Unit (GRU) netwerken, binnen een operationeel MPC-framework om hun geschiktheid te bepalen voor het balanceren van gewasopbrengst, energie-efficiëntie en naleving van beperkingen.

Methodologie
De studie stelt een nieuw datagestuurd voorspellend controleframework voor dat LSTM- en GRU-neurale netwerken integreert in een MPC-architectuur voor de teelt van sla.

• Datageneratie: Vanwege de schaarste aan real-world datasets die gelijktijdige externe verstoringen, besturingsinputs en interne klimaatreacties vastleggen, werd de trainingsdata gegenereerd via simulatie. Een gevalideerd dynamisch kasmodel (het van Henten-model) werd aangestuurd door een MPC-strategie onder diverse omgevingscondities. De dataset bestaat uit 701.200 monsters afgeleid van 20 jaar aan weergegevens (2001–2020) van Schiphol Airport, Nederland, geresampled met intervallen van 15 minuten.
• Modelarchitectuur: Zowel LSTM- als GRU-netwerken werden ontworpen met een bidirectionele structuur bestaande uit twee lagen met 16 verborgen eenheden per richting. De inputvector bevatte 11 kenmerken: historische externe verstoringen (zonne-instraling, temperatuur, CO2, luchtvochtigheid), besturingsinputs (verwarming, ventilatie, CO2-injectie) en voorgaande systeemoutputs. De modellen werden getraind om de onmiddellijke volgende staat (15 minuten vooruit) van vier belangrijke variabelen te voorspellen: droge stof van sla, binnen CO2, binnen temperatuur en binnen luchtvochtigheid.
• Training en Validatie: De modellen werden getraind met de Adam-optimizer over 15 epochs. Prestaties werden geëvalueerd met behulp van 10-voudige kruisvalidatie, waarbij variatie werd aangebracht in de inputvenstergroottes (6, 12, 18, 24 tijdstappen) en batchgroottes (8, 16, 32).
• Controlegacy: De getrainde neurale netwerken vervingen het fysieke model binnen de MPC-loop. De controller werkt op een receding-horizon wijze, waarbij een kostenfunctie wordt geoptimaliseerd die het maximaliseren van de gewasopbrengst (droge stof) balanceert tegen het minimaliseren van energieverbruik (verwarming en CO2-injectie). De optimalisatie is onderworpen aan biologische beperkingen, inclusief tijdvariërende temperatuurgrenzen (die onderscheid maken tussen dag- en nachtvereisten) en luchtvochtigheidslimieten (maximaal 85%).

Belangrijkste Bijdragen

1. Systematische Vergelijking van RNN's in MPC: Het artikel biedt een rigoureuze vergelijkende analyse van LSTM- en GRU-architecturen specifiek voor real-time kasklimaatbesturing, waarbij de voorspellende nauwkeurigheid, robuustheid tegen verstoringen en computationele haalbaarheid worden geëvalueerd.
2. Integratie van Datagestuurde Modellen in MPC: De studie demonstreert de succesvolle integratie van black-box deep learning-modellen in een online MPC-framework, waarbij traditionele eerste-principesmodellen worden vervangen om niet-lineaire dynamiek te hanteren zonder handmatige parameterrecalibratie.
3. Kwantificering van Trade-offs: Het onderzoek kwantificeert de trade-offs tussen het naleven van beperkingen, economische prestaties en computationele kosten, en biedt een gedetailleerde benchmark tegenover een conventionele MPC-baseline.

Resultaten

• Voorspellende Nauwkeurigheid: Zowel LSTM- als GRU-modellen vertoonden sterke generalisatiecapaciteiten. Het GRU-model behaalde consequent een iets lagere Mean Squared Error (MSE) en Root Mean Squared Error (RMSE) vergeleken met LSTM over de meeste configuraties. Bijvoorbeeld, de best presterende GRU-configuratie (venstergrootte 18, batchgrootte 8) bereikte een RMSE van 0,13038, vergeleken met 0,13400 voor de LSTM.
• Besturingsprestaties:
  • Luchtvochtigheidsregulatie: De datagestuurde controllers presteerden aanzienlijk beter dan de conventionele MPC-baseline wat betreft luchtvochtigheidscontrole. Luchtvochtigheidsovertredingen daalden van 54,77% met de standaard MPC naar 15,45% (GRU) en 17,71% (LSTM).
  • Temperatuurcontrole: Dag-nacht temperatuurafwijkingen werden onder de 2°C gehouden voor alle controllers. Terwijl de standaard MPC de temperatuurbeperkingen strikt handhaafde, stond de RNN-gebaseerde controller gecontroleerde versoepeling van de nachtelijke temperatuurbeperkingen toe, wat de verwarmingseis verminderde zonder de biomassa-accumulatie significant te beïnvloeden.
  • Economische Prestaties: De GRU24-controller bereikte een Economic Productivity Index (EPI) van 1,71 Hfℓm⁻², wat 91,9% van de MPC-benchmark (1,86 Hfℓm⁻²) bereikte, ondanks hogere beperkingsovertredingen. Dit geeft aan dat een matige versoepeling van beperkingen bijna optimale economische resultaten kan opleveren met lagere energiekosten.
• Computationele Efficiëntie: De GRU-architectuur bleek superieur in computationele snelheid. De GRU-controller bereikte tot 40% lagere computationele tijd dan zijn LSTM-tegenhanger (bijv. 254s vs. 360s voor een 24-staps horizon), wat de haalbaarheid voor real-time implementatie op embedded hardware bevestigt.

Betekenis en Claims
Het artikel claimt dat de voorgestelde GRU-gestuurde voorspellende controle een robuuste en computationeel efficiënte oplossing biedt voor intelligente automatisering van het klimaat in kassen. De betekenis ligt in het aantonen dat datagestuurde modellen effectief complexe fysieke modellen binnen een MPC-framework kunnen vervangen, wat zorgt voor een superieure adaptiviteit aan niet-lineaire en tijdvariërende dynamiek. Specifiek benadrukt de studie dat GRU-gebaseerde controllers het energieverbruik aanzienlijk kunnen verminderen (door onnodige nachtelijke verwarming te versoepelen) en de luchtvochtigheidsregulatie kunnen verbeteren (een cruciale factor bij het voorkomen van ziekten), terwijl ze een gewasopbrengst behouden die vergelijkbaar is met traditionele methoden.

De auteurs positioneren dit werk als een praktisch pad voor de transitie van simulatie naar real-world implementatie. Ze merken op dat hoewel de aanpak momenteel via simulatie wordt gevalideerd, de computationele efficiëntie van het GRU-model suggereert dat het geschikt is voor implementatie op laag-vermogen industriële edge-devices. De studie concludeert dat GRU-gebaseerde controle een zeer veelbelovend alternatief vormt voor conventionele MPC, waarbij een balans wordt gevonden tussen hoge voorspellende nauwkeurigheid en de adaptiviteit die vereist is voor modern, duurzaam kasbeheer. Toekomstig werk wordt expliciet geïdentificeerd als de implementatie van de GRU-controller in een operationele Chinese Solar Greenhouse om deze bevindingen onder real-world verstoringen te valideren.