设施农业能源互联网智能预警理论：评述与展望

付学谦，杨菲菲，周亚中，魏中辉

设施农业能源互联网智能预警理论：评述与展望

付学谦，杨菲菲，周亚中，魏中辉

（中国农业大学信息与电气工程学院，北京 100083）

农业信息化与电气化是现代农业发展的必由之路，建设能源驱动的现代设施农业成为防范农业气象灾害的一种有效途径。然而，农业环境监控系统与供能系统的运行和管理相互割裂，无法应对温室停电、农电负荷过载等连锁风险。因此，该文将农业科学、信息科学与电力科学相关理论融合，考虑设施农业环境、农作物和能源系统状态，从系统科学的角度出发研究人工智能在农业工程和电力工程交叉学科的应用，对基于多源数据融合的设施农业能源互联网智能预警理论进行评述与展望。该研究可为保障设施农业的安全生产，推动智慧农业技术与农业智能装备的升级和发展，实现农业园区的信息化和电气化提供参考。

物联网；农业信息化；预警系统；设施农业环境；农业能源互联网

0 引 言

能源与农业互联是建设现代农业的必经之路，具有显著的环保、经济效益。在电源侧，农业生物质能是替换化石能源的战略举措，不仅可以降低高污染高耗能化石能源的碳排放，还可以避免秸秆等燃烧造成生态环境破坏。在负荷侧，农业电气化为农业信息化提供电源，为农业机械化及其自动化提供动力；电力杀虫除草制氮等物理防治替代化石防治，避免了对农产品和土壤的污染，也是实现农村农业碳中和的重要途径之一。以“农光互补”为代表的新能源与现代农业的产业融合，一地两用，具有发电和农业两个层面的经济效益。农业能源互联网支持能源与农业产业融合，可以增加农村的收入途径，推动农业智能装备升级。能源与农业互联是助力乡村振兴的一种工程模式，在技术上保障农业生产智能化，在经济上实现农业和新能源跨界融合盈利，在环保上实现农业碳中和。2021年中央一号文件关于全面推进乡村振兴加快农业农村现代化的意见之一是实施乡村清洁能源建设工程，加大农村电网、微管网供气系统建设[1]，为能源与农业互联提供了政策支持。

高耗能LED植物工厂、农业大棚在有效避免气象灾害的同时，严重依赖可靠的能源供给来调整设施农业环境、开展农业自动化生产。设施农业人工环境的调控需要消耗能源，如温室的调湿与降温、通风、供暖都需要能源系统进行供能。因此，新能源的不确定性、能源供应的不安全会给农业生产带来安全挑战。一方面，能源系统的不安全状态会破坏设施农业人工环境，导致低温冻害、农作物枯死、光照不足等灾害发生。2011年2月，北京市通州区马驹桥镇某座蔬菜大棚断电无法浇水导致菜农损失60万元[2]。另一方面，农村电网结构薄弱，灌溉负荷等农电负荷激增会导致电力设备过负荷。现代农业安全生产与能源系统安全运行给农业能源互联网应用落地带来了双重挑战，亟需深化农业能源互联网智能预警理论研究。

现代农业园区安全运营的挑战在于农业环境监控系统与能源调度系统相对独立，分属不同公司运营和管理，缺少联动机制和统一管控，农业生产和能源系统的联动性风险难于防控。此外，农业能源互联网智能预警理论基本属于空白阶段，需要农业工程、计算机科学与技术、电气工程学科交叉融合，如何综合利用能源调度系统量测数据和农业监控数据实现农业和能源的双重预警是农业能源互联网安全运行亟待解决的技术难题。农业园区亟待发展农业能源互联网理论，实现对农业环境与能源管理系统的协同控制，保障农业安全生产。

1 研究现状

框架是首先介绍能源与农业互联，其次介绍能源与农业安全关联，最后讲述农业生产智能预警工作。3个内容的逻辑关系是，互联造成了协同安全问题，智能预警是解决协同安全的措施之一。农业能源互联网智能预警技术破解跨界难题的思路如图1所示。

1. 喷头 2. 空气温湿度传感器 3. 摄像头 4. 土壤温湿度传感器 5. 智能电表 6. 太阳能光伏板 7. 抽水泵

1.1 互联理论

中国乡村用能规模显著增加，然而现有农村能源系统协调性差、能效低、高碳排放、污染严重，严重阻碍了农业生产集约化、规模化发展。以色列农业电气化水平处于世界先进水平，摆脱了水资源和土地对传统农业的束缚，其先进技术有光伏纳滤膜淡化灌溉技术、全电垂直农业、电力灌溉泵站技术等[3]。美国农业生物质发电技术处于世界领先水平，欧洲、北美等国家形成了完整的光伏农业体系，借鉴国外的现代能源农业技术有助于中国实现“新农业”与“新能源”协同发展，助力农村大振兴[4]。在能源互联网的时代背景下，为推动农业生产向低碳化、智能化、集约化转型，亟需发展园区农业能源互联网[5]。新能源发电出力和现代农业生产能耗受天气影响大，能源气象和农业气象对农业园区具有双重影 响[6]。考虑到现代农业园区地高耗能和负荷可转移地特征，设施农业园区可以作为消纳风光新能源的重要途 径[7]。能源与农业的互联不仅表现为能源为农业提供电力、热力和动力，农业能源系统中的碳循环技术成为实现农业碳中和的重要途径之一[8]。新能源系统与现代农业的互联协同运作效果显著，实现了废弃物到能源的转换和农业生产的可持续发展[9]。

综上，农业生物质发电技术成熟，新能源与农业融合已经实现了工程应用，然而尚没有形成农业能源互联网理论体系，新能源电力如何推动实现农业生产碳达峰、碳中和仍处于初步研究阶段。

1.2 安全关联

能源和农业的协同安全已经引起了国内外学者的关注。付学谦等[10]对农业园区能源互联网的在线安全分析做出了展望，为农业园区能源互联网安全预警智能化提供了理论基础。Fu等[11]考虑到天气变化对农业生产和新能源发电的影响，给出了天气变化对农业能源互联网安全运行影响的量化模型。周亚中等[12]考虑了一地两用带来的农作物和光伏争光问题，建立了光伏大棚的空间耦合模型，并对极端天气下的农业能源网络安全情况进行了仿真和分析。Zhang等[13]对水-能源-粮食的耦合系统进行建模，研究了灌溉成本和作物产量平衡问题。Purwanto等[14]探究了水-能源-粮食-人口-经济-生态系统耦合系统之间相互影响关系。Putra等[15]利用数据统计的方法研究了影响水-能源-粮食安全关系的指标。Mohammadpour 等[16]基于数据统计研究了一种量化水-能源-粮食安全性的方法。此外，Chiara等[17]研究发现，电力供应是否安全会对粮食生产产生直接影响。

综上，国外的研究从宏观的角度分析了水-能源-粮食的关联关系，为相关农业和能源政策制定提供了决策信息，并不支持具体实际工程的落地。国内的研究以现代农业园区为研究对象，考虑了能源系统和农业生产的连锁风险，实现了能源系统安全的仿真分析，然而尚未形成系统化的农业安全量化分析方法。

1.3 智能预警

智能预警关系到设施环境安全，是农业工程领域关注的焦点问题。感知数据与数据建模是农业智能预警的实现的关键。Hu等[18]提出一种基于最优融合集的多传感器数据融合算法。苑进等[19]将高斯过程用于农业感知数据质量控制，结合自回归模型，提出动态时间序列的缺值预测和野值度量方法。Silva等[20]提出多层数据融合架构以提高传感器精度。金瑞等[21]融合流形学习算法降维的光谱维信息和经连续投影算法优选的图像维信息，以丰富感知数据信息。段青玲等[22]提出一种畜禽养殖物联网异构数据融合模型。高荣华等[23]结合专家知识和集成学习方法，融合结构化环境参数与非结构化图像特征，构建多结构病害特征最优组合模型。Yang等[24]结合基础预测模型、预警理论和植保产品风险分析，建立温室作物病害发生预警模型。Vanthoor等[25]和Ma等[26]构建气候模拟模型，可准确预测温室内温度、蒸气压、二氧化碳浓度和温度、光照辐射。Taewon等[27]发现迁移学习可用于适应深度学习模型，利用较少数据预测温室小气候。杨亮等[28]提出基于经验模态分解和长短时记忆神经网络的猪舍氨气浓度预测模型，较局部回归网络等模型预测精度更高。秦琳琳等[29]基于遗忘因子递推最小二乘法辨识模型参数，提出基于切换系统的温室建模与预测控制方法。Su等[30]结合代数拟合技术、时间序列函数、最小二乘优化算法，提出一种离散时间的温室气候模型以控制温室环境。程曼等[31]结合全局变量、神经网络，解决了温室控制中的大滞后、大惯性问题。现有农业设施环境的预警多采用人工智能模型，可以有效应对农业设施环境复杂多变的特点。

农业智能预警通常结合物联网、人工智能、专家系统、知识库、推理机等技术实现。Wang等[32]结合物联网、人工智能识别和云计算技术，构建温室种植预警监测系统，实时监测作物生长状态和环境并进行自动控制。孙治贵等[33]基于云计算、物联网、移动互联技术，结合关联规则、数据挖掘和专家知识决策方法，开发设施农业气象灾害预警及决策系统。孟超英等[34]结合分布式物联网、传感器和云计算技术，建立考虑异构数据集成等需求的蛋鸡舍设施养殖智能监测系统。Aiello等[35]建立基于多传感器数据融合的可持续温室管理决策支持系统。任延昭等[36]结合物联网、云服务和差分时间序列模型，建立基于微信平台的温室环境监测与温度预测系统，实现数据采集端的轻量化与可移动性，且精度较高。Li等[37]基于气象灾害预警模型概念，建立基于浏览器/服务器架构和移动互联网的气象风险管理系统，为日光温室提供大规模、长期、可扩展的精准农业服务。设施农业环境智能预警依托农业物联网，由传感器、物联网、计算平台组成的监控系统成为设施农业环境安全调控的硬件基础。

农业电网对现代化农业生产安全运行至关重要，但普遍缺乏智能预警功能。别朝红等[38]立足于能源转型下的新能源电力系统，阐述了新能源电力系统安全风险预警的迫切性。Fu等[39]研究了天气对配电网静态电压稳定指数和电压偏差的影响。甘瑞研等[40]结合电压稳定指标，研究了风电并网对电压安全稳定性的影响。姜明军等[41]对有储能接入的清洁能源并网电力系统进行了安全风险量化。皇甫成等[42]提出一种考虑电力系统频率安全的可再生能源接入极限评估方法。向德军等[43]提出了一种基于人工神经网络的电力系统精细化安全运行规则生成方法。Rabiee等[44]研究了绿色氢能对电力系统安全的影响，建立了安全约束多时段最优潮流模型。林晓煌等[45]对惯性安全域的概念进行了定性描述和定量分析，从而辅助建立低惯量预警机制，提高系统频率稳定性。刘柳等[46]基于能量枢纽管线出口负荷，提出了面向区域综合能源系统的安全域模型。潘昭光等[47]提出多能流静态安全分析方法，用于能源互联网。

综上，现有研究在植物表型信息监控分析方面技术成熟、设施环境参数监控系统开发已经运用到了实际的农业园区中。然而，现有的农业环境监控理论将农业园区能源系统作为绝对安全可靠的电源，没有考虑到能源系统的断电风险，无法应对能源系统安全问题带来的设施农业环境破坏问题。

2 关键技术

2.1 相关理论基础

农业物联网基于对农作物环境、生理参数进行监测、传输与分析，得出调控命令并执行以实现农田精细化、智能化、自动化管理[48]。农业能源互联网是能源互联网与现代农业的融合体，根据农业和能源的动态关系，实现能源系统和农业生产的深层次耦合优化[10]。农业能源互联网融合交叉农业科学、电力科学和信息科学，集成农业物联网、电力物联网和能源互联网等关键技术，是农业信息化和能源互联网的重要发展方向之一。电源侧以新能源为主体，负荷侧装备大量高耗能的农业智能装备；在物理侧，农业园区能源系统和设施农业人工环境交互影响；在信息侧，农业物联网和电力物联网集成，实现农业与能源信息资源共享。农业能源互联网与农业物联网的显著区别有2点：1）农业能源互联网包括物理层和信息侧两个方面的技术，物理层实现多能源与农业生产耦合优化，信息侧实现对物理环境的感知和控制；农业物联网是个农业信息化工程技术，侧重信息侧而非物理层。2）农业能源互联网信息侧不仅接入了农业物联网感知层的信息，尤其是和能源消耗有关的信息，还需要接入电力物联网感知层的信息。

设施农业与能源系统交互影响示意图如图2所示，主要包括农业园区能源系统和设施农业人工环境两部分。在农业园区内有集群的光伏温室，含有高比例新能源和热电联产机组；温室内配有补光灯、散热器、水泵等设施农业环境调控设备，通过光伏板、热电联产机组的能量输入来改善设施农业的光环境、热环境以及水环境。不同类型的调控设备会对能源系统和农业系统产生不同的影响。

设施农业与能源系统交互影响体现在碳循环、能源耦合、空间耦合等多个层面[10]，具体机理如下：1）碳循环表现在发电厂产生二氧化碳，富碳农业将二氧化碳作为气肥用于农业生产。2）能源耦合表现在农业生产活动消耗能源，农业废弃物可以转化为生物质能源。需要注意的是设施农业消耗多品种能源，农业生产自动化和设施农业环境调控需要能源系统提供电能、动能和热能。3）空间耦合表现在一地两用，板上光伏发电与板下农业种植的模式使得新能源与农业在物理空间共存，光伏板的布置方案对光伏发电量和透光率产生重要影响。

图2 设施农业与能源系统交互影响示意图

2.2 智能预警理论体系

农业能源互联网智能预警理论研究了农业科学、信息科学、电力科学融合交叉的基础科学问题，以农业能源互联网为研究对象，充分挖掘环境传感器、农业感官传感器和能源表计量测数据中的风险信息，采用信息守恒、信息互补、多源异构数据融合、模型与数据融合驱动、关联规则挖掘算法等信息科学理论实现对设施农业和能源系统的智能预警。农业能源互联网智能预警理论体系示意图如图3所示。

2.2.1 现有进展

已有的智能预警理论和方法以农业信息化、电气工程各个分支领域中的具体预警问题为研究对象，相关研究成果较为成熟，包括：1）植物表型监测技术、2）设施农业环境因子监测技术、3）能源系统静态安全分析技术。农业能源互联网理论是农业电气化与自动化的发展趋势，作为电气与农业工程的交叉学科，需要实现能源系统和农业系统两个方面的预警，保障农业智能装备的能源供应和安全运行。

2.2.2 关键问题及难点

农业能源互联网智能预警的关键问题是如何融合多源传感器数据，实现设施农业环境因子预警与农业能源系统静态安全预警。多源传感器包含了环境传感器、农业感官传感器和能源表计3个方面。环境传感器、农业感官传感器数据需要融合的依据在于，不同的农作物品种及生长期对环境因子要求不同，不能脱离农作物状态评估设施农业环境能否满足植物正常生长的需求，需要结合植物表型信息判断环境因子的安全性。能源安全运行状态关系着农业装备的正常运行，现代农业能耗高也考验着电网的承载能力，需要结合农业和能源的数据去判断总体的安全情况。

图3 农业能源互联网智能预警理论体系

农业能源互联网智能预警的难点是能源数据与农业数据无法直接融合，突破农业和能源源传感器信息融合技术成为实现农业能源互联网智能预警的关键。破解以上难题可以从以下两个方面开展工作：1）能源系统的承载能力化为设施农业环境可调控范围，简言之就是把能源信息转换为农业信息，实现这个过程需要完成农业设施与装备能耗的建模。融合设施环境信息、植物表型信息、设施农业环境可调控范围信息，能够实现设施农业环境因子智能预警。2）将设施农业环境的调控需求转化为能耗预测，简言之就是预测设施农业的能源需求；农业生产负荷是一种独特的气象敏感负荷，负荷过大会考验能源系统的供应能力。融合农业生产能源需求信息、能源表计量测信息，能够实现农业能源系统静态安全预警。

2.2.3 研究展望

由研究现状可知，工业/城市能源系统预警与设施农业预警都较为成熟，而农业能源系统预警的研究仍处于空白领域，如何兼顾农作物安全生长和能源系统安全运行的需求成为未来农业生产管理的重要议题。为满足设施农业环境和园区能源系统的协同安全需求，亟需深化农业能源互联网智能预警理论研究，未来研究方向涉及以下3个方面的研究工作：1）农业能源系统预警方法；2）农业能源系统风险传播机理；3）基于能源农业数据融合的预警方法。具体如图4所示。

农业能源互联网中的农业预警方向与农业物联网、农业大数据等中的农业预警有显著的不同，具体包括：1）研究对象不同，农业物联网、农业大数据等中的农业预警研究对象包括大田、设施农业、植物工厂等，对农业电气化水平无硬性要求；农业能源互联网研究对象为现代农业园区，不仅包含高耗能的大棚和植物工厂等设施农业还包括园区内的能源系统，要求具有较高的农业电气化水平。2）技术应用途径不同，农业物联网、农业大数据等中的农业预警不仅可为具体的设施农业提供预警还可以为一个大的区域的农业生产提供气象灾害预警。农业能源互联网预警的途径是为了保障农业园区能源系统安全调度运行，并为设施农业环境调控提供决策信息。

1. 智能电表 2. 燃气表 3. 热量表 4. 光照度传感器 5. 积光仪 6. 日照时数传感器 7. 光合有效辐射仪 8. 空气温度传感器 9. 积温仪 10. 土壤温度传感器 11. 空气湿度传感器 12. 土壤水分传感器 13. 二氧化碳传感器 14 大气压力传感器 15. 风速风向传感器 16. 摄像头 17. RGB相机 18. 深度相机 19. 三维激光扫描仪 20. 成像光谱仪 21. 荧光成像仪

1）农业能源系统预警方法

研究农业规模化集约化生产的能源消耗特点，建立农业用能负荷预测模型。研究热、电、气等异质能源数据的融合方法，建立热网、电网、气网耦合的园区能源系统综合状态估计模型。建立基于深度学习模型的供电安全裕度预警模型，输入为能源系统运行状态估计信息、新能源发电预测信息、农业负荷预测信息，输出为未来时间段的供电安全裕度等能源系统安全预警指标信息。农业能源系统预警方法示意图见图5。

图5 农业能源系统预警方法

如图5所示，结合异质能源数据融合和基于深度学习的安全裕度预测等技术：1）建立考虑热网、电网、气网耦合的稳态模型，提出基于伪量测建模的状态估计方法，解决实时量测数据不足的问题。农业综合供能系统状态估计是模型驱动的方法，实现热、电、气异质能源数据的融合，得到了能源系统的当前运行状态。2）建立新能源发电和农业负荷的预测模型。新能源发电预测建模采用数据驱动方法；农业负荷预测建模采用模型驱动的方法，充分考虑设施农业环境调控对集约化农业生产能耗的影响。3）考虑农业供能系统当前运行状态、新能源发电量变化趋势、集约化农业负荷变化趋势对热网、电网、气网静态安全的影响，建立基于深度学习网络的供能安全裕度预测模型。农业综合供能系统具有非线性相关性，采用堆叠自动编码器提取深度特征实现安全裕度的回归预测，发现能源网络未来运行中的薄弱环节，保证规模化农业用能需求。

2）农业能源系统风险传播机理

以设施农业环境为研究对象，研究能源系统供电裕度、供热裕度对设施农业人工环境调控与农作物安全生长的影响。以农业园区能源系统为研究对象，研究设施农业规模化、集约化生产对农业园区能源系统安全运行的影响。基于农业和能源系统的风险传播机理，建立风险联动性分析模型，量化设施农业环境调控与综合供能系统运行的交互影响。农业能源系统风险传播机理示意图见图6。

图6 农业能源系统风险传播机理

如图6所示，结合交互影响机理建模和预想事故集生成等技术：1）建立设施农业能耗模型，分析综合供能系统运行状态对设施农业人工环境调控的影响机理，实现能源系统风险转变为设施农业风险的仿真模拟。2）分析农业规模化生产对综合供能系统安全运行的影响机理，实现农业负荷扰动转变为供能系统运行风险的仿真模拟。综合供能系统静态安全风险评估指标包括：静态电压稳定性、电压越限、气网静态气压稳定指标等。3）充分考虑农业生产安全事故和能源系统预想事故，建立风险联动性分析模型。分析设施农业安全指标变化对能源系统安全指标变化的影响机理，实现农业风险和能源风险的交互影响的模拟仿真。

3）基于能源农业数据融合的预警方法

研究植物表型识别等农业感官分析方法，建立植物表型信息与生长状态关联的数据驱动模型，该模型的输入是植物表型信息，输出是农作物生理状态信息。研究环境传感器信息融合方法，实现农业环境因子的特征级融合。建立考虑温室调控能耗的环境预测模型，实现能源与农业环境的数据融合，能够对设施环境因子进行预测。建立农作物生长状态预警模型，该模型的输入是设施环境因子预测信息，输出是农作物生理状态预测信息。基于能源农业数据融合的预警方法示意图见图7。

图7 基于能源农业数据融合的预警方法

如图7所示，结合农业视觉分析和基于深度学习的作物生理状态预测等技术：1）建立植物表型信息与作物生理状态相关联的数据驱动模型。模型的输入为图像数据，输出为作物生理状态。2）建立设施环境因子与作物生理状态相关联的农业预警模型。深度学习模型的输入为设施环境因子的时间序列信息，输出为作物生理状态的时间序列信息。考虑不同的设施环境因子可造成相同的农作物生理性危害，在进行特征提取时，深度神经网络中得的输入层和隐含层划分成多个模块，没有权重的连接，使得不同设施环境因子的影响独立的进行计算，在最后一层的隐含层对设施环境特征进行深度提取，实现对农作物生理状态预测。3）基于设施农业与能源系统的交互影响机理建立设施环境因子预测模型，实现能源量测与环境传感器数据的融合。光环境预测模型考虑室外光环境、补光灯耗电量对温室内光环境影响；热环境预测模型考虑光照、散热器热力消耗、历史热环境对未来热环境影响；水环境预测模型考虑温度、水泵耗电量、历史水环境对未来水环境影响。农业预警方法融合了能源与农业数据，通过预测的设施环境因子来计算未来的农作物生长状态。

值得注意的是，农业能源互联网预警可分解为设施农业和能源系统两部分，设施农业预警和能源系统预警对时间与空间尺度的需求不同。农作物产生安全问题的时间尺度跨度大，一般为小时级或日级别[10]；能源系统的不同能流网络对安全风险的响应也表现为不同的形式，如电网中电能以光速传播[49-50]、供热网络中流体压力以声速传播[51]、流体温度以分钟级或小时级传播[52]。因此，农业能源互联网预警需要具备秒级、小时级、日级等多时间尺度特点。考虑农业能源互联网的集约化生产特点，农业能源互联网的空间预警尺度为现代化农业产业园区。能源侧主要考虑分布式电源、热电联产机组等供能设备以及电网、热网、气网等能源网络；负荷侧考虑设施农业的现代化植物工厂、全控温室等[6]。

3 结 语

随着能源互联网与现代农业交叉融合的趋势日益明显，农业能源互联网成为智慧农业发展的趋势之一，它支持发展新能源产业，赋能现代农业，是实现乡村振兴的新动力。目前，设施农业安全生产与能源系统安全运行给农业能源互联网应用落地带来了双重挑战，亟需深化农业能源互联网智能预警理论研究。为满足上述需求，本文提出以下3个简要思路：1）针对农业集约化生产对供能安全的需要，研究农业能源系统预警方法。2）针对农业生态系统和农业综合供能系统的连锁风险问题，提出农业能源系统风险传播机理分析方法。3）针对农作物安全生长对农业环境调控的需要，研究基于能源农业数据融合的智能预警方法，防控风险在综合供能系统和设施农业中传播。农业能源互联网智能预警是农业安全生产和农业供能系统安全运行的前提，该研究对保护设施植物免受寒冷天气的侵袭及农业抗旱等具有理论指导意义。

[1] 中共中央国务院关于全面推进乡村振兴加快农业农村现代化的意见[EB/OL]. [2021-02-21]. http://www.moa.g ov.cn/xw/zwdt/202102/t20210221_6361863.htm

[2] 蔬菜大棚突然断电无法浇水菜农损失60万[EB/OL]. [2011-02-22]. https://news.qq.com/a/20110222/001052.htm

[3] 魏中辉，付学谦. 以色列现代农业用能对我国建设农业能源互联网的启示[J].电力需求侧管理，2021，23(4)：20-25.

Wei Zhonghui, Fu Xueqian. The enlightenment of Israeli modern agricultural energy use to Chinese construction of agricultural energy internet[J]. Power Demand Side Management, 2021, 23(4): 20-25. (in Chinese with English abstract)

[4] Fu X, Zhou Y, Yang F, et al. A review of key technologies and trends in the development of integrated heating and power systems in agriculture[J]. Entropy, 2021, 23(2): 260.

[5] 付学谦，周亚中，孙宏斌，等. 园区农业能源互联网:概念、特征与应用价值[J]. 农业工程学报，2020，36(12)：152-161.

Fu Xueqian, Zhou Yazhong, Sun Hongbin, et al. Park-level agricultural energy internet: Concept, characteristic and application value[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(12): 152-161. (in Chinese with English abstract)

[6] 马令希，付学谦. 考虑农业-气象-能源耦合的农业能源互联网理论及应用[J]. 中国电力，2021，54(11)：115-124.

Ma Lingxi, Fu Xueqian. The theory and application of agricultural energy internet considering the coupling of agriculture, meteorology and energy[J]. Electric Power, 2021, 54(11): 115-124. (in Chinese with English abstract)

[7] 陈伟，路源，何欣，等. 计及风光就地消纳的设施农业产业园区综合能源系统多目标优化调度方法[J]. 电力建设，2021，42(7)：20-27.

Chen Wei, Lu Yuan, He Xin, et al. A multi-objective optimal scheduling method for integrated energy system of protected agricultural industrial park considering local consumption rate of wind and solar energy[J]. Electric Power Construction, 2021, 42(7): 20-27. (in Chinese with English abstract)

[8] 伍文成，胡志锋，吴家威，等. 耦合农业和能源系统的生物质热电炭联产研究[J]. 电力需求侧管理，2021，23(4)：56-61.

Wu Wencheng, Hu Zhifeng, Wu Jiawei, et al. Research on biomass cogeneration of heat, power and biochar combined with agriculture and energy system[J]. Power Demand Side Management, 2021, 23(4): 56-61. (in Chinese with English abstract)

[9] 刘城宇，杨洪明. 废弃物到能源的闭环供应链：循环供能、协同运作与可持续性[J]. 农业工程学报，2021，37(10)：182-191.

Liu Chengyu, Yang Hongming. Waste to energy closed-loop supply chain: Recycling energy supply, collaborative operation and sustainability[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(10): 182-191. (in Chinese with English abstract)

[10] 付学谦，周亚中，孙宏斌，等. 园区农业能源互联网在线安全分析：评述与展望[J]. 中国电机工程学报，2020，40(17)：5404-5412.

Fu Xueqian, Zhou Yazhong, Sun Hongbin, et al. Online security analysis of a park-level agricultural energy internet: Review and prospect[J]. Proceedings of the Chinese Society for Electrical Engineering, 2020, 40(17): 5404-5412. (in Chinese with English abstract)

[11] Fu X, Yang D, Guo Q. Security analysis of a park-level agricultural energy Internet considering agrometeorology and energy meteorology[J]. CSEE Journal of Power and Energy Systems, 2020, 6(3): 743-748.

[12] 周亚中，付学谦，杨菲菲，等. 考虑空间耦合的农业园区能源互联网静态安全分析[J/OL].电网技术: 1-10[2021-06-08].https://doi.org/10.13335/j.1000-3673.pst.2021.0445.

Zhou Yazhong, Fu Xueqian, Yang Feifei, et al. Static security analysis of a park-level agricultural energy internet considering spatial coupling[J/OL]. Power System Technology: 1-10[2021-06-08].https://doi.org/10.13335/ j.1000-3673.pst.2021.0445. (in Chinese with English abstract)

[13] Zhang J, Campana P E, Yao T, et al. The water-food-energy nexus optimization approach to combat agricultural drought: A case study in the United States[J]. Applied Energy, 2018, 227: 449-464.

[14] Purwanto A, Susnik J, Suryadi F X, et al. Quantitative simulation of the Water-Energy-Food (WEF) security nexus in a local planning context in Indonesia[J]. Sustainable Production and Consumption, 2021, 25: 198-216.

[15] Putra M P I F, Pradhan P, Kropp J P. A systematic analysis of Water-Energy-Food security nexus: A South Asian case study[J]. Science of the Total Environment, 2020, 728: 138451.

[16] Mohammadpour P, Mahjabin T, Fernandez J, et al. From national indices to regional action-An analysis of food, energy, water security in Ecuador, Bolivia, and Peru[J]. Environmental Science and Policy, 2019, 101: 291-301.

[17] Chiara C, Donatella S, Elena V. An empirical assessment of the effects of electricity access on food security[J]. World Development, 2021, 141: 105390.

[18] Hu H, Yan H. Multi-sensor data fusion algorithm of wisdom agriculture based on fusion set[C]. International Conference on Virtual Reality and Intelligent Systems, 2018: 121-124.

[19] 苑进，胡敏，Wang K，等. 基于高斯过程建模的物联网数据不确定性度量与预测[J]. 农业机械学报，2015，46(5)：265-272.

Yuan Jin, Hu Min, Wang K, et al. Uncertainty measurement and prediction of IOT data based on Gaussian process modeling[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(5): 265-272. (in Chinese with English abstract)

[20] Silva T, Torres A, Rocha A, et al. Multilevel data fusion for the internet of things in smart agriculture[J]. Computers and Electronics in Agriculture, 2020, 171: 105309.

[21] 金瑞，李小昱，颜伊芸，等. 基于高光谱图像和光谱信息融合的马铃薯多指标检测方法[J]. 农业工程学报，2015，31(16)：258-263.

Jin Rui, Li Xiaoyu, Yan Yiyun, et al. Detection method of multi-target recognition of potato based on fusion of hyperspectral imaging and spectral information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(16): 258-263. (in Chinese with English abstract)

[22] 段青玲，肖晓琰，刘怡然，等. 基于改进型支持度函数的畜禽养殖物联网数据融合方法[J]. 农业工程学报，2017，33(增刊1)：239-245.

Duan Qingling, Xiao Xiaoyan, Liu Yiran, et al. Data fusion method of livestock and poultry breeding internet of things based on improved support function[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(Supp. 1): 239-245. (in Chinese with English abstract)

[23] 高荣华，李奇峰，孙想，等. 多结构参数集成学习的设施黄瓜病害智能诊断[J]. 农业工程学报，2020，36(16)：158-165.

Gao Ronghua, Li Qifeng, Sun Xiang, et al. Intelligent diagnosis of greenhouse cucumber diseases based on multi-structure parameter ensemble learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(16): 158-165. (in Chinese with English abstract)

[24] Yang X, Li M, Zhao C, et al. Early warning model for cucumber downy mildew in unheated greenhouses[J]. New Zealand Journal of Agricultural Research, 2007, 50(5): 1261-1268.

[25] Vanthoor B H E, Visser P H B D, Stanghellini C, et al. A methodology for model-based greenhouse design: Part 2, description and validation of a tomato yield model[J]. Biosystems Engineering, 2011, 110(4): 378-395.

[26] Ma D, Carpenter N, Maki H, et al. Greenhouse environment modeling and simulation for microclimate control[J]. Computers and Electronics in Agriculture, 2019, 162: 134-142.

[27] Taewon M, Jung E S. Knowledge transfer for adapting pre-trained deep neural models to predict different greenhouse environments based on a low quantity of data[J]. Computers and Electronics in Agriculture, 2021, 185: 106136.

[28] 杨亮，刘春红，郭昱辰，等. 基于EMD-LSTM的猪舍氨气浓度预测研究[J]. 农业机械学报，2019，50(S1)：353-360.

Yang Liang, Liu Chunhong, Guo Yuchen, et al. Prediction of ammonia concentration fattening piggery based on EMD-LSTM[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(S1): 353-360. (in Chinese with English abstract)

[29] 秦琳琳，马国旗，储著东，等. 基于灰色预测模型的温室温湿度系统建模与控制[J]. 农业工程学报，2016，32(增刊1)：233-241.

Qin Linlin, Ma Guoqi, Chu Zhudong, et al. Molding and control of greenhouse temperature-humidity system based on grey prediction model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(Supp. 1): 233-241. (in Chinese with English abstract)

[30] Su Y, Xu L. Towards discrete time model for greenhouse climate control[J]. Engineering in Agriculture, Environment and Food, 2017, 10(2): 157-170.

[31] 程曼，袁洪波，蔡振江，等. 基于全局变量预测模型的温室环境控制方法[J]. 农业工程学报，2013，29(25)：177-183.

Cheng Man, Yuan Hongbo, Cai Zhenjiang, et al. Environment control method in greenhouse based on global variable prediction model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(25): 177-183. (in Chinese with English abstract)

[32] Wang L, Jia L, Wang J, et al. The early-warning and inspection system for intelligent greenhouse based on internet of things[J]. Journal of Physics: Conference Series, 2021, 1757(1): 012151.

[33] 孙治贵，王元胜，张禄，等. 北方设施农业气象灾害监测预警智能服务系统设计与实现[J]. 农业工程学报，2018，34(23)：149-156.

Sun Zhigui, Wang Yuansheng, Zhang Lu, et al. Design and realization of intelligent service system for monitoring and warning of meteorological disasters in facility agriculture in North China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(23): 149-156. (in Chinese with English abstract)

[34] 孟超英，王佳，陈红茜，等. 基于分布式对象的蛋鸡舍设施养殖数字化智能监测系统[J]. 农业机械学报，2017，48(10)：292-299.

Meng Chaoying, Wang Jia, Chen Hongqian, et al. Intelligent monitoring system based on distributed object for layer house[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(10): 292-299. (in Chinese with English abstract)

[35] Aiello G, Giovino I, Vallone M, et al. A decision support system based on multisensor data fusion for sustainable greenhouse management[J]. Journal of Cleaner Production, 2018, 172(4): 4057-4065.

[36] 任延昭，陈雪瑞，贾敬敦，等. 基于微信平台的温室环境监测与温度预测系统[J]. 农业机械学报，2017，48(S1)：302-307.

Ren Yanzhao, Chen Xuerui, Jia Jingdun, et al. Environment monitoring and temperature prediction in greenhouse based on wechat platform[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(S1): 302-307. (in Chinese with English abstract)

[37] Li M, Chen S, Liu F, et al. A risk management system for meteorological disasters of solar greenhouse vegetables[J]. Precision Agriculture, 2017, 18(6): 997-1010.

[38] 别朝红，潘超琼，陈叶，等. 能源转型下新能源电力系统概率风险评估[J]. 西安交通大学学报，2021，41(7)：1-11.

Bie Zhaohong, Pan Chaoqiong, Chen Ye, et al. Probabilistic risk assessment of new energy power system in the context of energy transition[J]. Journal of Xi'an Jiaotong University, 2021, 41(7): 1-11. (in Chinese with English abstract)

[39] Fu X, Sun H, Guo Q, et al. Probabilistic power flow analysis considering the dependence between power and heat[J]. Applied Energy, 2017, 191: 582-592.

[40] 甘瑞研. 风电场并网对电力系统电压稳定性的影响[D]. 济南：山东大学，2016.

Gan Ruiyan. Impact Study for the Voltage Stability Analysis of Wind Power Integrated System[D]. Jinan: Shandong University, 2016. (in Chinese with English abstract)

[41] 姜明军，王文婷. 考虑储能电站的清洁能源并网电力系统风险量化与安全效益评估[J]. 电力需求侧管理，2021，23(2)：52-57.

Jiang Mingjun, Wang Wenting. Risk quantification and security benefit assessment of clean energy grid connected to power system considering energy storage power stations[J]. Power Demand Side Management, 2021, 23(2): 52-57. (in Chinese with English abstract)

[42] 皇甫成，邱婷，梁吉，等. 一种考虑电力系统频率安全的新能源并网限值评估方法[J]. 电网与清洁能源，2021，37(2)：85-90.

Huangfu Cheng, Qiu Ting, Liang Ji, et al. A sustainable energy penetration limit evaluation method considering power system frequency security[J]. Power System and Clean Energy, 2021, 37(2): 85-90. (in Chinese with English abstract)

[43] 向德军，王彬，郭文鑫，等. 基于人工神经网络的电力系统精细化安全运行规则[J]. 电力系统保护与控制，2017，45(18)：32-37.

Xiang Dejun, Wang Bin, Guo Wenxin, et al. Fine security rule for power system operation based on artificial neural network[J]. Power System Protection and Control, 2017, 45(18): 32-37. (in Chinese with English abstract)

[44] Rabiee A, Keane A, Soroudi A. Green hydrogen: A new flexibility source for security constrained scheduling of power systems with renewable energies[J]. International Journal of Hydrogen Energy, 2021, 46(37): 19270-19284.

[45] 林晓煌，文云峰，杨伟峰. 惯量安全域：概念、特点及评估方法[J]. 中国电机工程学报，2021，41(9)：3065-3079.

Lin Xiaohuang, Wen Yunfeng, Yang Weifeng. Inertia security region: Concept, characteristics, and assessment method[J]. Proceedings of the Chinese Society for Electrical Engineering, 2021, 41(9): 3065-3079. (in Chinese with English abstract)

[46] 刘柳，王丹，贾宏杰，等. 面向区域综合能源系统的安全域模型[J]. 电力自动化设备，2019，39(8)：63-71.

Liu Liu, Wang Dan, Jia Hongjie, et al. Security region model for regional integrated energy system[J]. Electric Power Automation Equipment, 2019, 39(8): 63-71. (in Chinese with English abstract)

[47] 潘昭光，孙宏斌，郭庆来. 面向能源互联网的多能流静态安全分析方法[J]. 电网技术，2016，40(6)：1627-1634.

Pan Zhaoguang, Sun Hongbin, Guo Qinglai. Energy internet oriented static security analysis method for multi-energy flow[J]. Power System Technology, 2016, 40(6): 1627-1634. (in Chinese with English abstract)

[48] Yang Z, Ding Y, Hao K, et al. An adaptive immune algorithm for service-oriented agricultural Internet of Things[J]. Neurocomputing, 2019, 344: 3-12.

[49] Spangler R, Shoults R. Power generation, operation, and control [Book Review][J]. IEEE Power & Energy Magazine, 2014, 12(4): 90-93.

[50] 张伯明，陈寿孙，严正. 高等电力网络分析[M]. 北京：清华大学出版社，2007：1-22.

[51] 段常贵. 燃气输配[M]. 北京：中国建筑工业出版社，2001：86-124.

[52] 田玉卓，闫全英，赵秉文. 供热工程[M]. 北京：机械工业出版社，2008：172-241.

Intelligent early warning theory of the facility agricultural energy internet: Review and prospect

Fu Xueqian, Yang Feifei, Zhou Yazhong, Wei Zhonghui

(,100083,)

Electrification and informatization of agricultural machinery will be the only way for the development of modern agriculture. The energy-driven modern agriculture has also become an effective way to prevent meteorological disasters. However, the agricultural environment monitoring and the energy supply system are operated separately from each other at present. It cannot cope with the chain risks, such as greenhouse power outages and agricultural power overload. An intelligent early warning of agricultural energy internet is basically unexplored so far. Therefore, it is very necessary to integrate the relevant theories of agriculture, informatics, and electrical science, particularly for the facility agriculture, crops, and energy system. This review was focused on the application of artificial intelligence technology in the interdisciplinary of agricultural and power engineering, in terms of system science. An intelligent early warning of agricultural energy internet was also explored using multi-source data fusion. The current research progress of the intelligent early warning was analyzed from three aspects: the interconnection between energy and agriculture, the correlation between energy and agricultural security, and the intelligent early warning of agricultural production. Among them, the interconnection was caused the existence of collaborative security, whereas, the intelligent early warning was one of the measures to solve the collaborative security. After that, the key technologies were also introduced from the fundamental and applied system. Specifically, the concept of the agricultural energy internet was introduced to clarify the difference and connection with general concepts, such as the agricultural Internet of Things, as well as the interaction between facility agriculture and the energy system. The applied system included three aspects, such as the current research, key issues, and difficulties, together with the future directions.It was found that the current intelligent early warning was focused on the specific issues in the various branches of agricultural informatization and electrical engineering. Some specific research was relatively mature, including the plant phenotype monitoring, the facility agricultural environment monitoring, and the static safety analysis of the energy system. Therefore, the key issue of the intelligent early warning can be widely expected to integrate the multi-source sensor data in the agricultural energy internet. As such, the early warning of environmental factors can be realized in the protected agriculture and energy system.The following brief ideas can be proposed. 1) To break through the early warning of the facility agricultural energy system. Decision-making can also be provided for the operation and control of the energy system in intensive agricultural production. 2) To propose the risk propagation in the agricultural energy system, particularly for the unified modeling of the facility agricultural environment and the integrated energy supply system. It can provide a model basis for the early warning of energy internet. 3) To break through the early warning using data fusion of energy and agriculture, particularly for the early warning of crop physiological state. It can provide the decision-making information for the collaborative control of protected facility agriculture environment and integrated energy supply system.This finding can provide a strong reference to the safe production of facility agriculture, especially on the upgrading and development of smart agricultural technology and intelligent equipment for agricultural informatization and electrification.

internet of things; agricultural informatization; early warning system; facility agricultural environment; agricultural energy internet

10.11975/j.issn.1002-6819.2021.21.004

TP391

A

1002-6819(2021)-21-0024-10

付学谦，杨菲菲，周亚中，等. 设施农业能源互联网智能预警理论：评述与展望[J]. 农业工程学报，2021，37(21)：24-33.doi：10.11975/j.issn.1002-6819.2021.21.004 http://www.tcsae.org

Fu Xueqian, Yang Feifei, Zhou Yazhong, et al. Intelligent early warning theory of the facility agricultural energy internet: Review and prospect[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(21): 24-33. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.21.004 http://www.tcsae.org

2021-06-10

2021-09-23

国家自然科学基金资助项目（52007193）；中国农业大学2115人才工程资助

付学谦，博士，副教授，研究方向为农业能源互联网的基础理论等。Email：fuxueqian@cau.edu.cn