⚡ electrical engineering

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

该论文提出了一种以饱和蒸气压差（VPD）为核心外环、结合神经网络优化设定点的级联控制架构，通过解决传统独立 PID 控制的耦合冲突，在 30 多个商业设施中实现了 30-38% 的 HVAC 能耗降低及显著的环境稳定性提升。

原作者： Andrii Vakhnovskyi

发布于 2026-04-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Andrii Vakhnovskyi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一种让温室大棚更聪明、更省电、植物长得更好的“大脑”系统。

为了让你轻松理解，我们可以把控制温室环境想象成给一个正在发烧的病人（植物）调节室温，而传统的做法和这篇论文提出的新做法有着天壤之别。

1. 传统做法的“笨办法”：两个吵架的管家

在传统的温室里，温度和湿度是由两个独立的“管家”（PID 控制器）分别控制的：

温度管家：觉得太冷了，就开暖气；觉得太热了，就开冷气。
湿度管家：觉得太湿了，就开除湿机；觉得太干了，就开加湿器。

问题出在哪？ 这两个管家经常互相打架，导致能源浪费。

场景举例：冬天，湿度管家觉得太湿了，就开除湿机。但除湿机工作时会发热，导致温度管家觉得“太热了”，于是它赶紧开冷气来降温。
结果：一个在加热，一个在制冷，两个管家在“互殴”，不仅没把环境控制好，还白白浪费了 20% 到 40% 的电费。这就好比你一边开暖气一边开窗户，或者一边踩油门一边踩刹车。

2. 新系统的“聪明大脑”：VPD（植物呼吸的“口渴度”）

这篇论文提出，不要分别盯着温度和湿度，而是要盯着一个更核心的指标——VPD（饱和差）。

什么是 VPD？ 想象一下，植物就像人一样，会“呼吸”和“出汗”（蒸腾作用）。VPD 衡量的不是空气有多干或多湿，而是空气有多“想”从植物身上抢走水分。
- 如果 VPD 太高，空气太“渴”，植物会脱水枯萎。
- 如果 VPD 太低，空气太“饱”，植物会“懒得”喝水，容易生病。
核心思想：只要把 VPD 控制在植物最舒服的范围里，植物就开心了。至于具体的温度和湿度是多少，其实可以灵活调整，只要它们的组合能满足这个“口渴度”就行。

3. 新架构：一个指挥官 + 一个 AI 优化师 + 两个执行者

这篇论文设计了一个三层级的“指挥链”：

第一层：总指挥官（VPD 控制器）

它只负责盯着一个指标：VPD 是否达标？

如果 VPD 不对，它不直接去管温度或湿度，而是向下一层发出指令：“我们需要调整一下，让植物感觉更舒服。”

第二层：AI 优化师（神经网络）

这是最聪明的部分！它是一个7-3-3 的神经网络（你可以把它想象成一个经验丰富的老农，或者一个精明的管家）。

它的任务：在满足“总指挥官”要求的 VPD 前提下，寻找最省电的温度和湿度组合。
比喻：就像你在开车去目的地（维持 VPD）。
- 传统做法是：不管路况，只踩油门（加热）或只踩刹车（制冷）。
- AI 优化师的做法是：它看着地图（数学模型），发现“哦，现在外面风大，如果我把温度调高一点，湿度调低一点，就能利用自然风降温，还能省电”。
- 它会在无数种可能的温度和湿度组合中，瞬间选出最省钱的那一种，然后告诉下面的执行者。

第三层：执行者（PID 控制器）

它们就是那两个原本“打架”的管家，但现在它们听指挥了。

它们不再自作主张，而是严格按照 AI 优化师给出的“最佳温度”和“最佳湿度”去执行。
而且，这个 AI 还能实时自我学习。如果植物长大了，或者天气突然变了，AI 会自动调整控制器的灵敏度（就像老司机根据路况调整方向盘的轻重），保证系统永远稳定。

4. 这个系统有多厉害？（实际效果）

作者在美国 8 个不同气候区的30 多个商业温室里，用了7 年多的时间测试了这个系统。结果非常惊人：

省电 30% - 38%：相当于你家的电费直接打七折，而且是因为消除了“互殴”浪费。
环境更稳：植物感受到的“口渴度”波动减少了 70% 以上。以前像坐过山车，现在像坐平稳的电梯。
反应更快：当有人开门让冷风进来时，系统能在6 分钟内恢复平衡，而旧系统需要 18 分钟。

5. 总结：为什么这很重要？

这就好比从手动挡且没有导航的旧车，升级到了自动驾驶且自带最优路线规划的电动车。

以前：两个管家互相打架，浪费电，植物受罪。
现在：一个“植物感受器”（VPD）做总指挥，一个"AI 精算师”（神经网络）算出最省钱的方案，两个执行者乖乖听话。

这项技术不仅让农民省了大笔电费，更重要的是，它让植物在更稳定、更舒适的环境中生长，最终意味着我们能以更低的成本，生产出更多、更好的食物。这就是用数学和人工智能来“种地”的魅力。

论文技术总结：基于 VPD 级联控制与神经网络优化的受控环境农业节能气候管理

1. 研究背景与问题定义 (Problem)

受控环境农业 (CEA)（如温室、垂直农场）的气候控制成本占运营总成本的 30%–80%。当前行业标准的控制策略存在以下核心痛点：

独立 PID 控制的耦合冲突：传统系统使用独立的 PID 回路分别控制温度 ( $T$ ) 和相对湿度 ($RH$)。由于加热会降低湿度、冷却会增加湿度、除湿会产生热量，独立回路常发出相互矛盾的指令（例如：除湿机加热空气的同时，温控回路开启冷却以抵消热量）。
能源浪费：这种“交叉耦合冲突”导致 HVAC 系统产生 20%–40% 的额外能源浪费，并引发系统振荡和设定点跟踪不良。
现有方案的局限：现有的 VPD（饱和蒸气压差）应用多为被动监测；模型预测控制 (MPC) 多限于仿真且计算量大；强化学习缺乏实际部署验证。

核心问题：如何消除温度与湿度控制之间的耦合冲突，在维持植物生理最适 VPD 的同时，实现 HVAC 系统的能源最小化控制？

2. 方法论 (Methodology)

论文提出了一种以 VPD 为核心的级联控制架构 (VPD-Centric Cascading Control)，结合神经网络 (NN) 进行设定点优化和 PID 增益自整定。

2.1 核心控制架构

系统采用双层级联结构：

外环 (VPD 控制器)：
- 将 VPD 从单纯的监测指标提升为主控制变量。
- 计算 VPD 误差 $e_{VPD} = VPD^* - VPD(t)$ 。
- 调用神经网络优化器，在满足目标 VPD 的约束曲线上，选择能量最优的温度 ( $T_{sp}$ ) 和湿度 ( $RH_{sp}$ ) 组合。
内环 (PID 控制器)：
- 包含两个常规 PID 回路，分别跟踪 $T_{sp}$ 和 $RH_{sp}$ ，驱动 HVAC 和除湿/加湿执行器。
- 带宽分离：内环响应速度（1–5 分钟）是外环（10–30 分钟）的 3–10 倍，确保级联稳定性。

2.2 能量最优设定点选择

VPD 约束曲面：对于目标 VPD，存在一条 $T$ 与 $RH$ 的等值曲线（近似线性，斜率约 +2.0 %RH/°C）。曲线上任意一点均满足相同的 VPD，但能耗不同。
优化问题：将 2D 优化问题降维为 1D 搜索。在给定室外条件 ( $T_{out}, RH_{out}$ $T_{o u t}, R H_{o u t}$ ) 下，寻找使总能耗 $J(T_{sp})$ $J (T_{s p})$ 最小的 $T_{sp}$ $T_{s p}$ 。
- 能耗模型包含显热（加热/冷却）和潜热（除湿）成本。
- 利用拉格朗日乘数法推导，证明在最优解处，各执行器通道的单位 VPD 边际能耗相等。

2.3 神经网络 PID 自整定 (NN-PID Auto-Tuning)

网络结构：采用 7-3-3 多层感知机 (MLP)。
- 输入 (7)： $T, RH, T_{leaf}, CO_2, PPFD, e_{VPD}, \int e_{VPD} dt$ 。
- 隐藏层 (3)：Sigmoid 激活函数。
- 输出 (3)：动态调整 PID 参数 $[K_p, K_i, K_d]$ 。
训练机制：在线反向传播，通过闭环系统误差更新权重。
稳定性保障：引入梯度裁剪和输出饱和防止增益发散。

2.4 稳定性分析

基于 Lyapunov 稳定性理论 证明了闭环系统的一致最终有界 (UUB) 特性。
在假设扰动有界、植物动态 Lipschitz 连续及 NN 权重更新有界的前提下，VPD 跟踪误差收敛于一个确定的小邻域内。

3. 主要贡献 (Key Contributions)

架构创新：首次将 VPD 确立为级联控制的主外环变量，并引入神经网络在 VPD 约束曲线上进行能量最优设定点选择，解决了 $T$ 和 $RH$ 的耦合冲突。
理论证明：提出了带有 Lyapunov 稳定性保证的在线 NN-PID 增益自适应方法，确保了系统在动态环境下的鲁棒性。
大规模实证：在 7 年多的时间里，于美国 8 个气候区的 30+ 个商业设施（500+ 独立气候区，1000 万平方英尺）进行了连续部署验证。这是目前农业领域最大规模的神经网络增强气候控制实地实验（时长约为以往所有同类实验总和的 60 倍）。

4. 实验结果 (Results)

通过与四种基准架构（独立 PID、独立 PID+ 人工监控、无 NN 的级联 PID、无 NN 的级联 PID+ 人工监控）的对比，主要成果如下：

指标	独立 PID (基准)	提出的 VPD 级联 + NN	提升幅度
VPD 稳定性 ( $\sigma_{VPD}$ )	0.15–0.25 kPa	0.04–0.08 kPa	68–73% 改善
HVAC 能耗	基准	降低 30–38%	显著节能
扰动恢复时间	18 分钟	6 分钟	60–67% 加快
积分绝对误差 (IAE)	4.8 kPa·h	1.4 kPa·h	71% 改善
超调量	35%	8%	显著降低

典型案例：

沙漠气候 (亚利桑那州)：消除了冬季早晨加热与除湿的“振荡”冲突，冬季能耗降低 41%。
大陆气候 (伊利诺伊州)：NN 学会了季节性策略（夏季利用免费冷却降低设定点，冬季提高设定点以减少加热负荷），全年能耗降低 36%。

5. 意义与讨论 (Significance)

解决行业痛点：彻底消除了独立 PID 控制中因物理耦合导致的能源浪费和系统振荡，提供了一种物理意义明确（基于植物生理）的控制范式。
优于传统 MPC：相比模型预测控制 (MPC)，该方案无需精确的植物模型辨识，计算量极小（36 个参数），可在低成本边缘硬件上运行，且具备更强的鲁棒性。
填补仿真与现实的鸿沟：通过长达 7 年的真实商业部署数据，证明了神经网络在复杂、非结构化农业环境中的实际有效性，弥补了以往仅停留在仿真或短期实验的不足。
可扩展性：虽然目前主要针对高价值作物，但该架构为受控环境农业的智能化、节能化控制提供了可推广的通用框架。

结论：该研究提出了一种理论严谨、工程可行且经过大规模验证的解决方案，成功将 VPD 从监测指标转化为控制核心，结合神经网络实现了 CEA 气候管理的能效与稳定性的双重突破。