This work focuses on development of control algorithms by incorporating energy and water consumption to maintain climatic conditions in greenhouse. Advanced control algorithms can supply solutions to modern exploitations. The new developments usually require accurate models (probably multivariable and nonlinear ones) and control methodologies capable of using these models. As an additional requirement it is important for the final application to be easy to use, so advanced control will not mean an increase in complexity of the manipulation of the installation. This article shows an alternative to classical climate control. It is based on two fundamental elements: an accurate non-linear model and a model based predictive control (MBPC) that incorporate energy and water consumption. Genetic Algorithms (GAs) play a key role in these two elements because functions to solve are non-convex and with local minima. First of all GAs supply a way to adjust the non-linear model parameters obtained from first principles, and finally GAs open the possibility of using non-linear model in the MBPC and of establishing a flexible cost index to minimize energy and water consumption. The results on a plastic greenhouse with arch-shaped roofs and for Mediterranean area are presented, important reduction in energy and water used in the cooling system (nebulization) is obtained.

This work describes a new methodology for Robust Identification (RI), meaning the identification of the parameters of a model and the characterization of uncertainties.The alternative proposed handles non-linear models and can take into account the different properties demanded by the model. The indicator that leads the identification process is the identification error (IE), that is, the difference between experimental data and model response. In particular, the methodology obtains the feasible parameter set (F P S set of parameters values which satisfy a bounded IE) and a nominal model in a non-linear identification problem. To impose different properties on the model, several norms of the IE are used and bounded simultaneously. This improves the model quality, but increases the problem complexity. The methodology proposes that the Robust Identification problem is transformed into a multimodal optimization problem with an infinite number of global minima which constitute the F P S. For the optimization task, a special Genetic Algorithm ( −GA

No abstract

A mis Directores, por el apoyo incondicional y confianza en mi a lo largo del desarrollo de esta Tesis. Especial agradecimiento a Pedro-Florián Martínez García, Investigador Principal del Departamento de Horticultura del IVIA, co-director de esta Tesis, director experimental de la misma, responsable del equipo de investigación en el que me encuentro, por enseñarme y facilitarme el aumento del conocimiento en el ámbito de trabajo. Claro defensor del trabajo en equipo y catalizador de la participación activa de todos los miembros, estimuló mi consideración de continuar mi formación dentro de mi propio ámbito profesional, me apoyó tanto en el inicio de esta Tesis Doctoral, como en su planificación, realización, discusión crítica y en el necesario mantenimiento del ánimo para su finalización. A Rosa Mª Belda Navarro, Profesora Titular de Universidad del Departamento de Producción Vegetal de la UPV, por aceptar la co-dirección de esta Tesis motivada por su participación en uno de los proyectos de investigación* sobre los que se ha apoyado este estudio, por su intervención en el necesario análisis crítico, por compartir periodos de intenso trabajo. Al Instituto Valenciano de Investigaciones Agrarias. Esta Tesis se ha podido desarrollar, en gran parte, gracias a la financiación de los proyectos de investigación* del Plan Nacional obtenidos por concurso por el equipo de investigación en el que me integro. Mi agradecimiento a la Comisión Valencia por ofrecerme la posibilidad de desarrollar el Tercer Grado de formación en el ámbito agrario, del que inicialmente procedo. A mis compañeros de trabajo en el Departamento de Horticultura del IVIA, que también han participado de un modo u otro a lo largo del periodo de desarrollo de esta Tesis, por lo que también es suya, sin su experiencia e interés no se podría haber llevado a buen fin gran parte de la misma: a Ximo Cerdà, persona clave y fundamental para el funcionamiento y mantenimiento de las instalaciones y del cultivo, con el apoyo de Juan Bautista Hueso, a Amparo Tomás en el laboratorio. A Antonio Verdeguer, del Servicio de Desarrollo Tecnológico, eficaz transmisor de las necesidades del sector de producción ornamental, por mantener vivos los objetivos que afectan directamente al sector productor. * proyectos del Ministerio de Educación y Ciencia (AGL2002.0418.CO02) y del INIA (RTA 03-096-C5-5). Pero también a otras personas que han estado, en un momento u otro formando parte de este equipo y apoyando incondicionalmente las labores que en él se han realizado. A los colegas de otros departamentos que han participado de modo directo. Especialmente a Emilio Carbonell y a Jordi Perez-Panadés de la Unidad de Biometría, por sus enseñanzas, sugerencias y apoyo en materia estadística. Y a Josefa Giner, por las determinaciones de nitrógeno. A muchos colegas y amigos del IVIA, de departamentos varios. A mis compañeros del Servicio de Desarrollo Tecnológico, con mucho cariño. Y en el ámbito del sector productor, dedico un agradecimiento especial a Mercedes Domínguez, a Matilde y a ...

This paper presents the non-linear modelling, based on first principle equations, for a climatic (temperature & humidity) model of a greenhouse where roses are to be grown using hydroponic methods, and the fitting of its parameters (15 in all) based on real data collected for the summer period. To do so, a procedure for estimating a set of non-linear models Θ P (Pareto optimal) when several optimisation criteria are considered simultaneously within a multiobjective optimisation context is presented. A new multiobjective evolutionary algorithm, −M OGA, has been designed to converge towardsΘ * P , which is a reduced but well distributed representation of Θ P since good convergence and distribution of the Pareto front J(Θ P) is achieved by the algorithm. A posteriori,Θ * P can be used as the basis to choose an optimal model that offers a good relationship among the different optimality criteria that have been established, as has been shown by the results obtained in the identification and validation of the greenhouse model presented in this paper.

Min-Max optimization is often used for improving robustness in Model Predictive Control (MPC). An analogy to this optimization could be the BDU (Bounded Data Uncertainties) method, which is a regularization technique for least-squares problems that takes into account the uncertainty bounds. Stability of MPC can be achieved by using terminal constraints, such as in the CRHPC (Constrained Receding-Horizon Predictive Control) algorithm. By combining both BDU and CRHPC methods, a robust and stable MPC is obtained, which is the aim of this work. BDU also offers a guided method of tuning the empirically tuned penalization parameter for the control effort in MPC.

This paper presents the non-linear modelling, based on first principle equations, for a climatic model of a greenhouse and the estimation of the feasible parameter set (F P S) when the identification error is bounded simultaneously by several norms. The robust identification problem is transformed into a multimodal optimization problem with an infinite number of global minima that constitute the F P S. For the optimization task, a special evolutionary algorithm (−GA) is presented, which characterizes the F P S by means of a discrete set of models that are well distributed along the F P S. A procedure for determining the norm bounds, such that F P S = ∅, is presented.

No abstract