CNN 온도 예측 모델 기반의 단동 온실 온도 제어기술 개발

Abstract

온실은 작물 재배를 위한 최적의 환경을 조성해 줄 수 있다는 장점이 있지만 이상적인 재배환경을 만들기 위해서는 세심한 관리가 필요하다. 작물들이 생육 적온을 벗어난 고온 또는 저온의 환경에 장시간 노출되면 스트레스를 받거나 질병에 걸리게 되고 이는 최종적으로 생산성 저하로 이어지게 된다. 특히 지구 온난화로 인해 폭염이나 폭설 같은 기상이변이 자주 발생하면서 급격하게 변화하는 외부기상에 대응할 수 있는 온실 제어 기술 개발의 필요성이 증가하고 있다. 본 연구에서는 온실 내외부 기상 데이터를 기반으로 온실 내부 온도 변화를 예측하고 이를 온실 제어에 활용함으로써 외부 기상의 변화에 대응하여 생육 적온을 유지하는 온실 제어 기술을 개발하였다. 인공 신경망 기법 중 하나인 convolutional neural network (CNN)을 이용하였으며 내부온도, 내부습도, 내부 CO2 농도, 외부온도, 외부습도, 일사량, 풍속, 풍향, 시간 총 9가지 요인들을 입력으로 하여 30분뒤 온실 내부온도 변화를 예측하는 모델을 개발하였다. 예측 모델은 수원에 위치한 서울대학교 부속 농장의 단동형 비닐온실에서 관측된 4월, 11월, 1월의 계절별 데이터를 사용하여 개발하였다. 예측 모델을 통해 출력되는 예측 온도를 제어에 활용하기 위해 Message Queueing Telemetry Transport (MQTT) 통신을 활용하여 실시간 온도 변화 예측 시스템을 구성하였다. 실시간으로 예측되는 30분뒤 온도를 제어에 적용하기 위해 국내 단동형 온실에서 쓰이는 proportional band(P-band) 제어식에 예측온도와 목표온도의 차이를 고려하는 예측 제어 계수 Kp를 더하여 예측 제어식을 개발하였다. 제어 대상으로는 환기 팬, 천창, 측창, 온풍기, 다겹 보온 커튼이 있으며 환풍기와 온풍기는 작동시간을 천창, 측창, 다겹 보온 커튼은 열림 정도를 비례적으로 제어하였다. 목표온도는 온실 재배 작물 중 하나인 방울 토마토의 생육 적온인 17-¬27 ℃로 설정하였다. 개발된 제어식의 예측 제어 계수 Kp값의 정도에 따라 예측 온도의 영향을 실험하고자 Kp값을 0.1, 0.2, 0.3으로 늘려가며 각각 이틀씩 제어하였고 예측 제어의 성능을 비교하고자 하였다. 실험 결과, 각각의 예측 제어 계수 0.1, 0.2, 0.3은 목표온도를 기준으로 각각 평균제곱근오차(RMSE) 3.2℃, 2.7℃, 2.0℃를 보였고 예측 제어 계수가 증가함에 따라 평균제곱근오차가 줄어들었다. 본 연구에서 개발된 예측 모델을 적용한 예측 기반 제어 실험 결과, 실시간으로 온도 변화 예측이 가능함을 보였고 온실 제어 또한 내부 온도 변화를 미리 알고 대응하여 제어함으로써 목표온도를 추종할 수 있음을 보였다.

Greenhouses have the advantage of creating an optimal environment for crop cultivation, but careful management is required to create an ideal cultivation environment. Plants exposed to high or low temperatures become stressed or sick, eventually decreasing productivity. In particular, as weather changes such as heat waves and heavy snow frequently occur due to global warming, there is an increasing need to develop greenhouse control technologies that can cope with rapidly changing external weather. This study developed a greenhouse control technology that predicts the temperature change inside the greenhouse based on the weather data inside and outside the greenhouse and uses it for greenhouse control to maintain the growth temperature in response to changes in the external weather. Convolutional neural network (CNN), one of the artificial neural network techniques, was used to predict changes in the internal temperature of the greenhouse after 30 minutes by inputting nine factors: internal temperature, internal humidity, external temperature, external humidity, solar radiation, wind speed, and time. The prediction model was developed using seasonal data from April, November, and January observed in a single-type vinyl greenhouse at a farm affiliated with Seoul National University in Suwon. A real-time temperature change prediction system was constructed using Message Queuing Telemetry Transport (MQTT) communication to utilize the predicted temperature output through the prediction model for control. In this study, the prediction-based control equation was developed by adding the prediction control coefficient Kp, which considers the difference between the prediction temperature and the target temperature in conventional proportional control. The control targets are ventilation fans, skylights, side windows, hot fans, and multi-layered insulation curtains, and ventilation fans and hot fans control the operating time of skylights, side windows, and multi-layered insulation curtains proportionally. The target temperature setpoint was at 17-27°C, the growth temperature of cherry tomatoes, one of the greenhouses cultivated crops. To test the effect of the prediction-based control, the prediction control coefficient Kp value was increased to 0.1, 0.2, and 0.3 for two days each and compared each prediction-based control performance. As a result of the experiment, each of the prediction control coefficients, 0.1, 0.2, and 0.3, showed an average square root error (RMSE) of 3.2℃, 2.7℃, and 2.0℃ based on the target temperature. As the prediction control coefficient increased, the average square root error decreased. As a result of the prediction-based control experiment applied with the prediction model developed in this research, it was possible to predict the temperature change in real-time, and it was also possible to follow the target temperature by knowing and responding to the internal temperature change in advance.