(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111376082.6 (22)申请日 2021.11.19 (65)同一申请的已公布的文献号 申请公布号 CN 113994829 A (43)申请公布日 2022.02.01 (73)专利权人 国网甘肃省电力公司电力科 学研 究院 地址 730070 甘肃省兰州市安宁区万 新北 路249号 专利权人 国网甘肃省电力公司 (72)发明人 何欣　杨勇　郝如海　包康亚　 牛浩明　冯文韬　王永年　韩凯丽　 谢映洲　刘文飞　张旭军　祁莹　 周治伊　陈仕彬　崔力心　邢研东　 刘巍　金永盛　张海龙　尹亭　 李红文　 (74)专利代理 机构 兰州中科华西专利代理有限 公司 620 02 专利代理师 曹向东 (51)Int.Cl. A01G 7/04(2006.01) G06F 30/27(2020.01) G06N 3/08(2006.01)(56)对比文件 CN 108983849 A,2018.12.1 1 CN 203136275 U,2013.08.14 CN 110729764 A,2020.01.24 CN 210746 303 U,2020.0 6.16 CN 10915 6196 A,2019.01.08 CN 103237380 A,2013.08.07 CN 112868435 A,2021.0 6.01 CN 102138464 A,201 1.08.03 CN 110334387 A,2019.10.15 CN 113408206 A,2021.09.17 CN 111525547 A,2020.08.1 1 US 202132 9848 A1,2021.10.28 赵亚威等.温室环境与叶类蔬菜生长态势模 型研究. 《北方园艺》 .2020,(第17期),全 文. 张云鹤等.日光温室内作物干物质积累预测 新方法研究. 《林业机 械与木工设备》 .20 05,(第 06期),全文. 王仕俊等.新组合模型在光电功率预测中的 应用. 《数 学的实践与认识》 .2020,(第0 6期),全 文. (续) 审查员 吴艳艳 (54)发明名称 一种考虑可时移与成本因素的LED补光灯运 行调控方法 (57)摘要 本发明涉及一种考虑可时移与成本因素的 LED补光灯运行调控方法， 该方法包括以下步骤： S1： 在植物温室内布置多个采集终端， 获取多日 的光照采集数据， 组成大量的历史光照样本数 据； 然后构建BP神经网络预测模型， 并经过多日 数据的训练修正， 得到目标神经网络参数； S2： 根 据得到的BP神经网络预测模型， 得到次日温室内 的光照曲线； 然后根据不同植物、 不同生长阶段 对光照需求量， 得到次日的LED补光量， 并反推出次日总的LED补光电负荷； S3： 构建LED补光灯优 化运行控制模型； S4： 采用加入惩罚函数的粒子 群算法， 求解出次日最优的LED补光时间和补光 功率。 本发明可直接便捷 地调控LED补光功率， 实 现农户侧综合成本最低的效果， 有效提高农户的 综合效益。 [转续页] 权利要求书3页 说明书10页 附图2页 CN 113994829 B 2022.09.20 CN 113994829 B (56)对比文件 何欣等.面向设施农业的光伏-多形态储能 联合优化调度控制. 《农业工程》 .2020,(第07 期),全文.王维洲等.基 于可时移农业负荷的光伏智慧 农业大棚微型能源网优化调度. 《中国农业大 学 学报》 .2018,(第0 6期),全文.2/2 页 2[接上页] CN 113994829 B1.一种考虑可时移与成本因素的LED补光灯运行调控方法， 包括以下步骤： S1： 在植物温室内布置多个采集终端， 获取多日的光照采集数据， 组成大量的历史光照 样本数据； 然后 构建BP神经网络预测模型， 根据前一日 的光照数据预测次日光照曲线， 并与 实际的次日光照数据进 行对比， 修正BP神经网络参数， 经过多日数据的训练修正， 得到目标 BP神经网络参数； 所述BP神经网络预测模型按下述方法获得： S11： 在温室内农作物处布置多个照度传感器， 用于采集自然光照强度； 然后通过无线 通讯模块与补光控制器连接， 同时补光控制器与智能终端连接， 用于传输日照数据， 同时接 收LED灯控制指令， 补光控制器与各LED灯连接， LED灯采用恒流驱动， 用于控制补光强度； S12： 归一化计算： BP神经网络预测模型根据历史中前一日的每小时光照数据， 作为输 入向量， 次日的24h光照量作为输出量， 与历史中实际的光照强度做对比， 反馈修正模型参 数； 其中需要按下式对24h光照输入量做归一 化处理： 式中， 是指取值范围为[0,1]的标幺值； 代表t时刻的光照量， 单位为W/m2； 为年度光照量均值， 单位 为W/m2； S13： 设定BP神经网络参数： 设定BP神经网络输入节点数为 n、 隐藏节点数 l、 输出层节点数 m， 输入层与隐藏层的连 接权重为wij， 隐藏层与输出层的连接权重为 wjk， 隐藏层各神经元的阈值为 aj(j=1,2,…,l)， j为隐藏层节点数； 输出层各神经 元阈值为bk(k=1,2,…,m)，k为输出层节点数； S14、 隐藏层输出计算： 根据24小时的光照输入量 、 输入层与隐藏层之间的连接权 值wij以及隐藏层阈值 aj， 计算隐藏层输出 Rj； 式中，f(x)为隐藏层激励函数； S15： 输出层输出计算： 根据隐藏层的输出 Rj、 隐藏层与输出层的连接权重 wjk、 输出层阈 值bk， 计算BP神经网络的预测值 Mk； S16： 计算 误差， 并更新BP神经网络参数： 输出层的结果 Mk与实际数据向量 Yk之间的误差设为 ， 根据误差更新 各层的连接权 值 和 ， 并更新BP神经网络节点阈值 和 ， 公式如下： 权　利　要　求　书 1/3 页 2 CN 113994829 B 3