基于R-BP神經(jīng)網(wǎng)絡(luò)的溫室小氣候多步滾動(dòng)預(yù)測模型*

任守綱，劉 鑫，顧興健，王浩云，袁培森，徐煥良

?

基于R-BP神經(jīng)網(wǎng)絡(luò)的溫室小氣候多步滾動(dòng)預(yù)測模型*

任守綱1,2，劉 鑫1，顧興健1，王浩云1，袁培森1，徐煥良1,2

（1．南京農(nóng)業(yè)大學(xué)信息科技學(xué)院，南京 210095；2．國家信息農(nóng)業(yè)工程技術(shù)中心，南京 210095）

溫室高效生產(chǎn)依賴于適宜的溫室小氣候環(huán)境，建立高精度的溫室小氣候多步預(yù)測模型對(duì)實(shí)現(xiàn)溫室環(huán)境優(yōu)化調(diào)控具有重要意義。本研究提出一種基于滾動(dòng)的反向傳播神經(jīng)網(wǎng)絡(luò)（Rolling Back Propagation Neural Network, R-BP）的溫室小氣候多步滾動(dòng)預(yù)測模型。模型主要包括兩個(gè)階段：（1）建立初始的BP神經(jīng)網(wǎng)絡(luò)。采用自動(dòng)編碼器無監(jiān)督學(xué)習(xí)方法獲取初始網(wǎng)絡(luò)參數(shù)，并利用改進(jìn)的粒子群算法優(yōu)化網(wǎng)絡(luò)參數(shù)。（2）建立滾動(dòng)的BP神經(jīng)網(wǎng)絡(luò)群。將前一個(gè)網(wǎng)絡(luò)輸出作為后一個(gè)網(wǎng)絡(luò)的部分輸入進(jìn)行滾動(dòng)訓(xùn)練和預(yù)測，實(shí)現(xiàn)溫室小氣候多步滾動(dòng)預(yù)測。為驗(yàn)證R-BP模型的有效性，在阿拉伯聯(lián)合酋長國阿布扎比市的自控溫室和中國蘇州市的非自控溫室分別進(jìn)行試驗(yàn)。驗(yàn)證試驗(yàn)表明，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比，在阿布扎比溫室試驗(yàn)中，采用R-BP模型預(yù)測未來6h室內(nèi)溫度，其平均誤差降低69.9%，預(yù)測相對(duì)濕度，其平均誤差降低47%；在蘇州溫室試驗(yàn)中，采用R-BP模型預(yù)測未來6h室內(nèi)溫度，其平均誤差降低43.3%，預(yù)測相對(duì)濕度，其平均誤差降低55.6%。說明R-BP模型能夠較準(zhǔn)確預(yù)測未來6h內(nèi)溫室小氣候環(huán)境變化，可為制定溫室小氣候優(yōu)化調(diào)控方案提供依據(jù)。

溫室環(huán)境；自動(dòng)編碼器；BP神經(jīng)網(wǎng)絡(luò)；粒子群算法；滾動(dòng)預(yù)測

溫室小氣候預(yù)測模型對(duì)溫室環(huán)境優(yōu)化調(diào)控具有重要意義[1-2]，主要分為兩類：一是機(jī)理模型，在荷蘭、美國等國家應(yīng)用較多[3]，其建模所需參數(shù)多，建模難度大[4]。二是實(shí)驗(yàn)?zāi)Ｐ停Ｅc溫室類型無關(guān)，僅需獲取溫室內(nèi)外的環(huán)境數(shù)據(jù)。在實(shí)驗(yàn)?zāi)Ｐ椭?，反向傳播（Back Bropagation，BP）神經(jīng)網(wǎng)絡(luò)簡單且容錯(cuò)能力強(qiáng)，在溫室小氣候預(yù)測中應(yīng)用最為廣泛[5-12]。Seginer等[5]首先提出基于BP神經(jīng)網(wǎng)絡(luò)的溫室小氣候模型；汪小旵等[6]利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了適于南方梅雨季節(jié)的溫室小氣候模型，在網(wǎng)絡(luò)輸入中加入天窗控制狀態(tài)。何芬等[7]采用BP神經(jīng)網(wǎng)絡(luò)建立溫室內(nèi)植物冠層溫度模型，模型模擬精度較機(jī)理模型更高。李倩等[8]利用BP神經(jīng)網(wǎng)絡(luò)，模擬了冬季和春季不同通風(fēng)條件下溫室溫濕度。上述研究表明人工神經(jīng)網(wǎng)絡(luò)在溫室小氣候環(huán)境預(yù)測方面切實(shí)可行。但目前預(yù)測模型多數(shù)只能進(jìn)行單步預(yù)測[9-12]，無法實(shí)現(xiàn)精確的多步滾動(dòng)預(yù)測，不能滿足優(yōu)化調(diào)控的要求。

自動(dòng)編碼器（Auto-Encoder，AE）可以自動(dòng)挖掘數(shù)據(jù)的特征[13]，與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，能夠顯著提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。Rumelhart等[14]首先提出AE的概念并用于處理高維復(fù)雜數(shù)據(jù)。Bengio等[15]提出采用AE無監(jiān)督預(yù)訓(xùn)練得到良好的初始化參數(shù)，再用BP算法反向微調(diào)，減少BP易過擬合的缺陷。目前AE已在多種分類或預(yù)測任務(wù)中獲得應(yīng)用[16-19]。Romeu等[19]將疊加去噪自動(dòng)編碼器和BP神經(jīng)網(wǎng)絡(luò)用于室內(nèi)溫度的時(shí)間序列預(yù)測，在測試中得到了更好的泛化效果。粒子群算法（Particle Swarm Optimization，PSO）可以優(yōu)化人工神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值參數(shù)，降低神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)的可能性[20-21]。在溫室小氣候多步滾動(dòng)預(yù)測方面，目前尚無采用AE和PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)提高預(yù)測模型精度的報(bào)道。

本研究提出一種滾動(dòng)的BP神經(jīng)網(wǎng)絡(luò)群模型（Rolling-Back Propagation, R-BP），預(yù)測未來6h的溫室內(nèi)溫濕度。在阿布扎比（Abu Dhabi）自控溫室數(shù)據(jù)集和蘇州非自控溫室數(shù)據(jù)集上進(jìn)行試驗(yàn)，試驗(yàn)結(jié)果驗(yàn)證了基于R-BP神經(jīng)網(wǎng)絡(luò)的溫室小氣候多步滾動(dòng)預(yù)測模型的有效性和準(zhǔn)確性。該模型為制定溫室小氣候環(huán)境，優(yōu)化調(diào)控方案奠定了基礎(chǔ)，有助于溫室運(yùn)行節(jié)能降耗，提高溫室生產(chǎn)的經(jīng)濟(jì)效益。

1 材料與方法

1.1 試驗(yàn)材料

1.1.1 阿布扎比自控溫室數(shù)據(jù)采集

試驗(yàn)一在阿布扎比市單棟塑料溫室內(nèi)進(jìn)行，該溫室能夠根據(jù)閾值實(shí)現(xiàn)對(duì)溫濕度等環(huán)境參數(shù)的自動(dòng)調(diào)控。溫室位于24°18′N、54°40′E，肩高2.8m，跨度8m，長30m。試驗(yàn)期間，溫室采用有土栽培方式，種植作物為番茄，該作物處于幼苗期，忽略作物對(duì)溫室小氣候的影響。由于中東地區(qū)氣候較炎熱，溫室主要通過風(fēng)機(jī)-濕簾強(qiáng)制通風(fēng)進(jìn)行降溫，用水閥控制濕簾通水，采用HortiMax過程控制計(jì)算機(jī)自動(dòng)控制設(shè)備開關(guān)，基于閾值法控制溫室內(nèi)溫度和相對(duì)濕度，溫度超過27℃時(shí)開啟風(fēng)機(jī)和水閥，控制設(shè)備的狀態(tài)由HortiMax計(jì)算機(jī)系統(tǒng)自動(dòng)記錄。采用EKtron（荷蘭產(chǎn)）系列無線傳感器采集室內(nèi)溫度和相對(duì)濕度，在距地面1m，距溫室入口2m、15m和28m的地方分別布置1個(gè)溫濕度采集點(diǎn)，共3個(gè)傳感器，室內(nèi)數(shù)據(jù)取3個(gè)傳感器平均值，室外環(huán)境參數(shù)包括溫度、相對(duì)濕度、太陽輻射和風(fēng)速等，通過HortiMax小型氣象站采集。數(shù)據(jù)采集時(shí)間為 2015 年 7 月 1日-2016年6月30日，采集周期為5min，利用3個(gè)周期的平均值，將室內(nèi)外數(shù)據(jù)整合成周期為15min的試驗(yàn)數(shù)據(jù)。為驗(yàn)證模型在自動(dòng)控制系統(tǒng)開啟時(shí)對(duì)溫濕度多步滾動(dòng)預(yù)測的有效性，選擇阿布扎比夏季溫室采集的數(shù)據(jù)進(jìn)行試驗(yàn)，由于7、8月溫度較高，設(shè)備一直處于開啟狀態(tài)，設(shè)備狀態(tài)無變化，對(duì)模型在控制條件下的檢驗(yàn)無意義，因此，選取溫室2016年6月1-30日采集的數(shù)據(jù)進(jìn)行試驗(yàn)。

1.1.2 蘇州非自控溫室數(shù)據(jù)采集

試驗(yàn)二在蘇州市的御亭現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)園試驗(yàn)溫室進(jìn)行，溫室為四連棟塑料溫室，單棟跨度8.0m，長44.0m，肩高3.0m，溫室兩側(cè)卷簾開度1.8m，有風(fēng)機(jī)-濕簾、上卷簾、側(cè)卷簾等手動(dòng)控制設(shè)備。數(shù)據(jù)采集時(shí)間為 2016年4-10月。2016年4月4-27日，天氣以多云和陰天為主，室外溫度較低，試驗(yàn)期間溫室保持側(cè)卷簾打開，上卷簾關(guān)閉，可忽略控制設(shè)備對(duì)溫室小氣候的影響。為驗(yàn)證模型在無控制設(shè)備影響時(shí)的小氣候多步滾動(dòng)預(yù)測效果，本研究采用該階段的數(shù)據(jù)進(jìn)行試驗(yàn)。通過小型氣象站W(wǎng)atchdog2900ET每5min采集室外數(shù)據(jù)，包括溫室外溫度、濕度、太陽輻射和風(fēng)速等。采用JRFW-2（北京產(chǎn)）系列無線傳感器采集室內(nèi)數(shù)據(jù)，在距離地面1m和2m高度分別在相鄰兩棟溫室中間布置1個(gè)監(jiān)測點(diǎn)，共計(jì)6個(gè)監(jiān)測點(diǎn)，由基于ZigBee無線傳感器網(wǎng)絡(luò)的溫室智能監(jiān)控系統(tǒng)自動(dòng)采集室內(nèi)空氣溫度及相對(duì)濕度數(shù)據(jù)，每5min記錄1次數(shù)據(jù)，最后將每連續(xù)3次數(shù)據(jù)取平均值，將室內(nèi)外數(shù)據(jù)整合為15min間隔的數(shù)據(jù)。

1.2 試驗(yàn)方法

1.2.1 R-BP多步滾動(dòng)預(yù)測模型概述

傳統(tǒng)單步提前滾動(dòng)預(yù)測模型將輸出反饋給輸入端作為網(wǎng)絡(luò)的部分輸入進(jìn)行連續(xù)的滾動(dòng)預(yù)測，累積誤差較大。本研究基于單步提前滾動(dòng)預(yù)測模型，建立若干個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的單步預(yù)測網(wǎng)絡(luò)，將前一個(gè)網(wǎng)絡(luò)的輸出作為后一個(gè)網(wǎng)絡(luò)的部分輸入進(jìn)行滾動(dòng)訓(xùn)練和預(yù)測，即后一個(gè)網(wǎng)絡(luò)部分訓(xùn)練樣本來源于前一個(gè)網(wǎng)絡(luò)的訓(xùn)練樣本模擬結(jié)果，使每個(gè)網(wǎng)絡(luò)的訓(xùn)練集和測試集來源一致，降低了多步滾動(dòng)預(yù)測的累積誤差，提高了預(yù)測精度。將R-BP模型和基于BP神經(jīng)網(wǎng)絡(luò)的單步提前滾動(dòng)預(yù)測模型同時(shí)應(yīng)用于阿布扎比自控溫室和蘇州非自控溫室，對(duì)溫室內(nèi)溫濕度進(jìn)行預(yù)測，以驗(yàn)證R-BP模型的有效性和準(zhǔn)確性。

基于R-BP神經(jīng)網(wǎng)絡(luò)的多步滾動(dòng)預(yù)測模型結(jié)構(gòu)如圖1所示，模型分為兩個(gè)階段：建立初始BP神經(jīng)網(wǎng)絡(luò)和滾動(dòng)的BP神經(jīng)網(wǎng)絡(luò)群。

R-BP模型中第一個(gè)神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果和網(wǎng)絡(luò)參數(shù)分別作為第二個(gè)神經(jīng)網(wǎng)絡(luò)的部分輸入和初始網(wǎng)絡(luò)參數(shù)，對(duì)R-BP模型整體的預(yù)測結(jié)果具有重要影響，因此，采用AE無監(jiān)督學(xué)習(xí)和PSO算法優(yōu)化第一個(gè)神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值參數(shù)。將優(yōu)化后的神經(jīng)網(wǎng)絡(luò)稱之為初始BP神經(jīng)網(wǎng)絡(luò)，記為f1，訓(xùn)練f1作為R-BP 模型的第一階段。

R-BP模型第二階段是構(gòu)建滾動(dòng)的BP神經(jīng)網(wǎng)絡(luò)群，記為f2?fn。fn?1（n≥2）模型的模擬輸出將作為fn模型的部分輸入，fn?1訓(xùn)練完成后，將fn?1的網(wǎng)絡(luò)參數(shù)作為fn的初始網(wǎng)絡(luò)參數(shù)，由于連續(xù)兩個(gè)模型的預(yù)測時(shí)間間隔較短（15min），網(wǎng)絡(luò)參數(shù)差異較小，而BP神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的反向微調(diào)能力，因此，f2-fn均采用BP神經(jīng)網(wǎng)絡(luò)，以進(jìn)一步縮小預(yù)測模型的誤差。

根據(jù)室內(nèi)外影響因子建立溫室小氣候的函數(shù)模型，如式（1）和式（2）所示。設(shè)當(dāng)前時(shí)刻為t，連續(xù)預(yù)測t+1至t+n時(shí)刻的數(shù)據(jù)。

n≥2 （2）

訓(xùn)練完n個(gè)網(wǎng)絡(luò)后，保存每個(gè)BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值參數(shù)，將fn?1的預(yù)測結(jié)果作為fn的部分輸入進(jìn)行不斷滾動(dòng)預(yù)測。

1.2.2 建立初始BP神經(jīng)網(wǎng)絡(luò)

初始神經(jīng)網(wǎng)絡(luò)包括兩步，第一步：AE無監(jiān)督學(xué)習(xí)，采用AE優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始參數(shù)；第二步：BP神經(jīng)網(wǎng)絡(luò)有監(jiān)督學(xué)習(xí)，采用PSO算法優(yōu)化網(wǎng)絡(luò)參數(shù)，由于標(biāo)準(zhǔn)PSO算法存在易早熟、穩(wěn)定性差等問題，本研究提出一種改進(jìn)的PSO算法，用于優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值參數(shù)。

（1）基于AE的BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)優(yōu)化

首先建立三層自動(dòng)編碼器網(wǎng)絡(luò)，輸入向量與輸出向量各元素相等。輸入層與隱藏層之間的權(quán)重和閾值{W(1)，b(1)}為編碼器，編碼函數(shù)采用sigmoid函數(shù)；隱藏層與輸出層之間的權(quán)重和閾值{W(2)，b(2)}為譯碼器，譯碼函數(shù)采用tanh函數(shù)，則有

AE是一種無監(jiān)督學(xué)習(xí)模型，即訓(xùn)練數(shù)據(jù)是無標(biāo)簽的，輸出為輸入的重構(gòu)，采用梯度下降法進(jìn)行訓(xùn)練，通過計(jì)算重構(gòu)誤差得到AE的權(quán)重參數(shù)，獲得輸入數(shù)據(jù)的特征表達(dá)，作為BP神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，而非采用隨機(jī)初始化網(wǎng)絡(luò)參數(shù)的方式。重構(gòu)誤差函數(shù)J(θ)如式（5）所示。

圖1 R-BP多步滾動(dòng)預(yù)測模型結(jié)構(gòu)圖（n=2，4，…，24）

（2）基于改進(jìn)PSO算法的BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)利用梯度下降法進(jìn)行訓(xùn)練，局部微調(diào)性較強(qiáng)，但易陷入局部最優(yōu)點(diǎn)，故提出一種改進(jìn)的PSO算法，用以優(yōu)化初始BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值。

在一個(gè)D維搜索空間中，粒子種群規(guī)模是N，第i（i=1，2，…，N）個(gè)粒子的位置是xi=[xi1，xi2，…，xiD]，飛行速度是vi=[vi1，vi2，…，viD]。第i個(gè)粒子尋找的最優(yōu)位置為pi=[pi1，pi2，…，piD]，即局部最優(yōu)解；群體搜索的最優(yōu)位置為pg=[pg1，pg2，…，pgD]，即全局最優(yōu)解。標(biāo)準(zhǔn)PSO算法粒子的速度和位置更新公式為

式中，i=1，2，…，N，d=1，2，…，D，ω為慣性權(quán)重，c1、c2為加速因子，r1、r2為[0，1]區(qū)間的隨機(jī)數(shù)，t為當(dāng)前迭代次數(shù)。算法達(dá)到預(yù)設(shè)精度或迭代次數(shù)時(shí)終止。

由于網(wǎng)絡(luò)參數(shù)較多，粒子的維度較高，在一定的粒子種群數(shù)量下PSO算法的性能會(huì)隨著被優(yōu)化問題維數(shù)的增加而降低[22]，為了不增加算法的復(fù)雜度并提高精度，故提出一種改進(jìn)的PSO算法。

①采取局部粒子群優(yōu)化方法。即通過并行算法將種群分成多個(gè)子群，粒子的速度基于個(gè)體最優(yōu)和子群全局最優(yōu)更新[23]，以加強(qiáng)全局搜索能力，同時(shí)提高算法的效率。由于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)較復(fù)雜，粒子維度較高，因此，結(jié)合文獻(xiàn)[24]提出的擴(kuò)展PSO算法，即將粒子速度更新公式改為基于個(gè)體極值中心點(diǎn)和全局極值。個(gè)體極值中心點(diǎn)為pavg=[pavg1，pavg2，…，pavgD]，其中

改進(jìn)的粒子群速度更新公式為

式中，pLg為每個(gè)子群的全局最優(yōu)位置，其它參數(shù)同式（6）。

②引入遺傳算法的交叉算子。即對(duì)粒子位置執(zhí)行交叉操作，以增加種群多樣性，避免算法早熟收斂。交叉時(shí)將網(wǎng)絡(luò)參數(shù)分為兩個(gè)部分，第一部分即神經(jīng)網(wǎng)絡(luò)輸入層到隱藏層的參數(shù){W(1)，b(1)}，第二部分為神經(jīng)網(wǎng)絡(luò)隱藏層到輸出層的參數(shù){W(2)，b(2)}。設(shè)交叉概率為Pc，第一個(gè)子群的個(gè)體xi=[xi1，xi2，…，xiD]以Pc的概率與第一個(gè)子群的全局最優(yōu)位置pLg1第二部分參數(shù)交叉，如式（10）所示；第二個(gè)子群的個(gè)體xj=[xj1，xj2，…，xjD]以Pc的概率與第二個(gè)子群的全局最優(yōu)位置pLg2第一部分參數(shù)交叉，如式（11）所示。

D=IN·HN+HN·ON+HN+ON （12）

③引入變異算子。種群進(jìn)化過程中如果某個(gè)粒子的適應(yīng)值多次低于群體平均適應(yīng)值，則表明粒子的進(jìn)化方向已經(jīng)遠(yuǎn)遠(yuǎn)偏離最優(yōu)解，不再適應(yīng)當(dāng)前的搜索環(huán)境，因此，引入遺傳算法的變異算子對(duì)該粒子執(zhí)行變異操作，使陷入局部值的粒子跳出并繼續(xù)尋找最優(yōu)解，其它粒子則保持原狀態(tài)繼續(xù)進(jìn)化，直至收斂。變異方式即按初始化方式改變粒子的位置和速度。

1.2.3 滾動(dòng)的BP神經(jīng)網(wǎng)絡(luò)群

R-BP模型第二階段是建立滾動(dòng)的BP神經(jīng)網(wǎng)絡(luò)群，滾動(dòng)步長15min，連續(xù)建立n個(gè)單步預(yù)測模型，第n個(gè)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和預(yù)測過程如圖2所示，采用t+n-1（n≥2）時(shí)刻訓(xùn)練集train_xn訓(xùn)練fn模型，該訓(xùn)練集包括t+n-1時(shí)刻的溫室內(nèi)外環(huán)境影響因素Pt+n-1，以及fn-1模型的訓(xùn)練集的模擬結(jié)果train_yn-1。網(wǎng)絡(luò)輸出為t+n時(shí)刻的實(shí)測數(shù)據(jù)，采用梯度下降法訓(xùn)練網(wǎng)絡(luò)。訓(xùn)練完成后將訓(xùn)練集train_xn再次輸入fn模型中，得到訓(xùn)練集的模擬結(jié)果train_yn，即t+n時(shí)刻的溫室內(nèi)部溫濕度模擬結(jié)果集，將作為train_xn+1的一部分用于訓(xùn)練fn+1模型。然后將t+n-1時(shí)刻測試集test_xn輸入模型得到t+n時(shí)刻室內(nèi)溫濕度預(yù)測結(jié)果test_yn，并作為test_xn+1的一部分，用于預(yù)測t+n+1時(shí)刻的室內(nèi)溫濕度。如此滾動(dòng)訓(xùn)練和預(yù)測，實(shí)現(xiàn)溫室小氣候的多步滾動(dòng)預(yù)測。訓(xùn)練多個(gè)網(wǎng)絡(luò)的目的是為了使訓(xùn)練集和測試集來源一致，即fn（n≥2）模型的訓(xùn)練樣本和測試樣本中的室內(nèi)溫濕度數(shù)據(jù)均來自fn-1模型的模擬結(jié)果，并且重新訓(xùn)練網(wǎng)絡(luò)可以提高神經(jīng)網(wǎng)絡(luò)的泛化能力。

1.3 模型評(píng)價(jià)指標(biāo)

試驗(yàn)預(yù)測值和實(shí)測值之間的符合度采用均方根誤差(Root Mean Square Error，RMSE)來量化表示。

圖2 第n個(gè)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和預(yù)測過程

注：train_xn、test_xn（n=2，…，24）分別表示第n個(gè)網(wǎng)絡(luò)訓(xùn)練樣本和測試樣本；train_yn、test_yn分別表示第n個(gè)網(wǎng)絡(luò)訓(xùn)練樣本模擬結(jié)果和測試集預(yù)測結(jié)果。

Note: train_xnand test_xn(n=2, ..., 24) are training sample and test sample of the nthnetwork respectively. Train_ynand test_ynare training sample simulation results and test set forecasting results of the nthnetwork respectively.

2 結(jié)果與分析

2.1 溫室小氣候多步滾動(dòng)預(yù)測模型的構(gòu)建

2.1.1 阿布扎比自控溫室預(yù)測模型

將2016年6月1-30日溫室內(nèi)氣溫和相對(duì)濕度分別與室內(nèi)外各影響因素進(jìn)行相關(guān)分析，相關(guān)系數(shù)計(jì)算結(jié)果見表1。由表可見，影響阿布扎比t+1時(shí)刻溫室溫度的主要因素包括t時(shí)刻室外溫度、相對(duì)濕度和太陽輻射，以及t時(shí)刻室內(nèi)溫濕度。影響t+1時(shí)刻溫室內(nèi)相對(duì)濕度的主要因素包括t時(shí)刻室外相對(duì)濕度和太陽輻射，以及t時(shí)刻室內(nèi)溫濕度。對(duì)溫室內(nèi)溫度和相對(duì)濕度進(jìn)行建模，綜合考慮溫濕度的影響因素，主要包括室外溫度、相對(duì)濕度、光照強(qiáng)度，以及室內(nèi)的設(shè)備狀態(tài)，即風(fēng)機(jī)及水閥狀態(tài)（1表示開，0表示關(guān)）。

表1 t+1時(shí)刻阿布扎比溫室內(nèi)溫度和相對(duì)濕度與t時(shí)刻環(huán)境因素的相關(guān)系數(shù)

注：*、**分別表示相關(guān)系數(shù)通過0.05、0.01水平的顯著性檢驗(yàn)。下同。

Note:*is P<0.05，**is P<0.01. The same as below.

因此，BP神經(jīng)網(wǎng)絡(luò)的輸入為t時(shí)刻室外溫度(Tout)t、相對(duì)濕度(RHout)t、太陽輻射(Sr)t、風(fēng)機(jī)狀態(tài)(Fs)t、水閥狀態(tài)(Vs)t、室內(nèi)溫度(Tin)t和相對(duì)濕度(RHin)t，網(wǎng)絡(luò)輸出為t+1時(shí)刻溫室內(nèi)溫度(Tin)t+1和相對(duì)濕度(RHin)t+1。試驗(yàn)發(fā)現(xiàn)3層網(wǎng)絡(luò)即可達(dá)到精度要求，因此，本試驗(yàn)采用單隱層網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)為7，輸出層神經(jīng)元數(shù)為2，隱藏層神經(jīng)元數(shù)通過試湊法確定，設(shè)為11時(shí)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果較為穩(wěn)定，且精度最高。為了驗(yàn)證模型的有效性，R-BP神經(jīng)網(wǎng)絡(luò)模型和BP單步提前滾動(dòng)預(yù)測模型網(wǎng)絡(luò)結(jié)構(gòu)均設(shè)為7-11-2。

2.1.2 蘇州非自控溫室預(yù)測模型

將2016年4月4?27日溫室內(nèi)溫度和相對(duì)濕度分別與室內(nèi)外影響因素進(jìn)行相關(guān)性分析，相關(guān)系數(shù)如表2所示。由表可見，影響蘇州溫室小氣候的主要因素包括室外溫度、相對(duì)濕度、太陽輻射、風(fēng)速以及前一時(shí)刻室內(nèi)溫度和濕度。因此，BP神經(jīng)網(wǎng)絡(luò)的輸入為t時(shí)刻室外溫度(Tout)t、相對(duì)濕度(RHout)t、風(fēng)速(Ws)t、太陽輻射(Sr)t，以及室內(nèi)溫度(Tin)t和相對(duì)濕度(RHin)t，網(wǎng)絡(luò)輸出為t+1時(shí)刻溫室內(nèi)溫度(Tin)t+1和相對(duì)濕度(RHin)t+1。仍采用單隱層網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)和R-BP模型網(wǎng)絡(luò)結(jié)構(gòu)均設(shè)為6-10-2。

表2 t+1時(shí)刻蘇州溫室內(nèi)溫度和相對(duì)濕度與t時(shí)刻環(huán)境因素的相關(guān)性分析結(jié)果

2.2 溫室小氣候多步滾動(dòng)預(yù)測模型的檢驗(yàn)

2.2.1 阿布扎比自控溫室

將阿布扎比溫室6月份采集的數(shù)據(jù)集分成訓(xùn)練集和測試集兩個(gè)部分：訓(xùn)練集為6月1?27日數(shù)據(jù)(27d，2500條)，測試集為6月28?30日數(shù)據(jù)(3d，288條)。分別利用基于R-BP神經(jīng)網(wǎng)絡(luò)模型和基于BP神經(jīng)網(wǎng)絡(luò)的單步提前滾動(dòng)模型，每15min預(yù)測一次未來6h溫室內(nèi)的溫濕度，持續(xù)預(yù)測3d。用RMSE衡量24個(gè)時(shí)刻（6h）預(yù)測值與實(shí)測值誤差，最后計(jì)算所有測試樣本的平均均方根誤差（RMSE*）。為驗(yàn)證模型在設(shè)備狀態(tài)變化時(shí)能準(zhǔn)確預(yù)測溫室內(nèi)溫濕度變化，因此，假設(shè)模型在預(yù)測階段能夠獲取設(shè)備的開關(guān)狀態(tài)。

為保證預(yù)測結(jié)果的連貫性顯示，并證明預(yù)測結(jié)果的穩(wěn)定性和可靠性，從預(yù)測結(jié)果中第一天的0：00開始，每6h取對(duì)應(yīng)時(shí)間點(diǎn)預(yù)測未來6h數(shù)據(jù)，預(yù)測值與實(shí)測值的對(duì)比如圖3所示。以2016年6月28日為例，取0：00、6：00、12：00和18：00共4個(gè)時(shí)刻的預(yù)測結(jié)果，組成連續(xù)24h的數(shù)據(jù)。由圖3可見，在同等條件下，6月28?30日逐小時(shí)數(shù)據(jù)變化過程中，基于R-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的溫室內(nèi)氣溫、相對(duì)濕度變化曲線與實(shí)測值變化曲線基本一致，峰谷、拐點(diǎn)的吻合度均較高，而基于BP神經(jīng)網(wǎng)絡(luò)的單步提前滾動(dòng)模型的預(yù)測結(jié)果與實(shí)測值變化曲線的偏離度較高，6月28日中午溫度峰值相差很大，接近4℃。在每日0：00左右，室內(nèi)溫濕度的波動(dòng)較大，是由于采用閾值法調(diào)控，設(shè)備控制狀態(tài)不穩(wěn)定導(dǎo)致，此階段模型預(yù)測誤差較大，但預(yù)測溫度絕對(duì)誤差基本不超過2℃，相對(duì)濕度絕對(duì)誤差基本不超過5個(gè)百分點(diǎn)。在其它時(shí)刻，預(yù)測溫度絕對(duì)誤差基本不超過1℃，相對(duì)濕度絕對(duì)誤差基本不超過3百分點(diǎn)?？梢?，本研究提出的模型能夠較準(zhǔn)確地預(yù)測夏季控制設(shè)備開啟狀態(tài)下溫室小氣候的變化趨勢。

為降低隨機(jī)性影響，R-BP神經(jīng)網(wǎng)絡(luò)模型與BP單步提前滾動(dòng)預(yù)測模型各運(yùn)行10次，每次持續(xù)預(yù)測3d，預(yù)測溫濕度RMSE*對(duì)比結(jié)果如表3所示。由表可見，R-BP模型的各項(xiàng)誤差均低于BP單步提前滾動(dòng)預(yù)測模型，運(yùn)行10次預(yù)測溫度平均RMSE*為0.52℃，相對(duì)濕度平均RMSE*為2.14個(gè)百分點(diǎn)，溫度最大RMSE*為0.62℃，相對(duì)濕度最大RMSE*為2.29個(gè)百分點(diǎn)，驗(yàn)證了算法的穩(wěn)定性。相對(duì)于傳統(tǒng)的BP單步提前滾動(dòng)預(yù)測模型，該模型預(yù)測精度有很大的提高，預(yù)測溫度平均RMSE*降低了69.9%，相對(duì)濕度平均RMSE*降低了47%，說明該模型在多步滾動(dòng)預(yù)測方面有很大優(yōu)勢。

圖3 2016年6月28?30日阿布扎比自控溫室基于R-BP和BP模型預(yù)測的溫度(a)和相對(duì)濕度(b)與實(shí)測值的對(duì)比

表3 阿布扎比溫室小氣候多步滾動(dòng)預(yù)測結(jié)果

2.2.2 蘇州非自控溫室

采用2016年4月4?27日數(shù)據(jù)進(jìn)行試驗(yàn)，訓(xùn)練集為4?25日數(shù)據(jù)（22d，2100個(gè)訓(xùn)練樣本），測試集為26?27日數(shù)據(jù)（2d，192個(gè)測試樣本）。連續(xù)預(yù)測未來6h的環(huán)境變化，累計(jì)預(yù)測2d。分別利用基于R-BP神經(jīng)網(wǎng)絡(luò)模型和基于BP神經(jīng)網(wǎng)絡(luò)的單步提前滾動(dòng)模型，每15min預(yù)測一次未來6h溫室內(nèi)的溫濕度，持續(xù)預(yù)測2d。用RMSE衡量24個(gè)時(shí)刻（6h）預(yù)測值與實(shí)測值的誤差，最后計(jì)算所有測試樣本的平均均方根誤差（RMSE*）。

為保證預(yù)測結(jié)果的連貫性顯示，從預(yù)測結(jié)果中第一天的0：00開始，每6小時(shí)取對(duì)應(yīng)時(shí)間點(diǎn)預(yù)測未來6h數(shù)據(jù)，將預(yù)測值與實(shí)測值進(jìn)行對(duì)比（圖4）。由圖4可見，在同等條件下，4月26?27日逐小時(shí)數(shù)據(jù)變化過程中，基于R-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的溫室內(nèi)氣溫、相對(duì)濕度變化曲線與實(shí)測值變化曲線基本一致，預(yù)測值與實(shí)測值吻合度較高，而BP單步提前滾動(dòng)模型的預(yù)測結(jié)果與實(shí)測變化曲線的偏離度均較高，4月27日16：00-18：00預(yù)測溫度與實(shí)測值相差很大，超過10℃，相對(duì)濕度絕對(duì)誤差大于10個(gè)百分點(diǎn)。而R-BP模型預(yù)測溫度絕對(duì)誤差基本在2℃以內(nèi)，相對(duì)濕度絕對(duì)誤差基本不超過5個(gè)百分點(diǎn)?？梢姡狙芯刻岢龅哪Ｐ湍軌蜉^準(zhǔn)確地預(yù)測春季不開控制設(shè)備下溫室小氣候的變化 趨勢。

為降低隨機(jī)性影響，R-BP神經(jīng)網(wǎng)絡(luò)模型與BP單步提前滾動(dòng)預(yù)測模型各運(yùn)行10次，每次持續(xù)預(yù)測2d，預(yù)測溫濕度RMSE*對(duì)比結(jié)果如表4所示。由表可見，R-BP模型的各項(xiàng)誤差均低于BP單步提前滾動(dòng)預(yù)測模型，運(yùn)行10次預(yù)測溫度平均RMSE*為1.35℃，相對(duì)濕度平均RMSE*為4.27個(gè)百分點(diǎn)，溫度最大RMSE*不超過2℃，相對(duì)濕度最大RMSE*不超過5個(gè)百分點(diǎn)。相對(duì)于傳統(tǒng)的BP單步提前滾動(dòng)預(yù)測模型，該模型預(yù)測精度有很大的提高，預(yù)測溫度平均RMSE*降低了43.3%，相對(duì)濕度平均RMSE*降低了55.6%。

圖4 2016年4月26?27日蘇州非自控溫室基于R-BP和BP模型預(yù)測的溫度(a)和相對(duì)濕度(b)與實(shí)測值的對(duì)比

表4 蘇州溫室小氣候多步滾動(dòng)預(yù)測結(jié)果

3 結(jié)論與討論

3.1 結(jié)論

（1）本研究提出一種R-BP神經(jīng)網(wǎng)絡(luò)多步滾動(dòng)預(yù)測模型，并將該模型用于溫室小氣候預(yù)測。R-BP模型組合連續(xù)多個(gè)單步BP預(yù)測神經(jīng)網(wǎng)絡(luò)，形成一個(gè)多步預(yù)測網(wǎng)絡(luò)群，可滾動(dòng)預(yù)測未來6h溫室內(nèi)溫度和濕度，模型第一階段首次采用AE和PSO算法優(yōu)化初始神經(jīng)網(wǎng)絡(luò)參數(shù)，提高了模型的整體預(yù)測精度；第二階段中每個(gè)網(wǎng)絡(luò)都根據(jù)前一個(gè)網(wǎng)絡(luò)的模擬結(jié)果進(jìn)行重新擬合，降低了滾動(dòng)預(yù)測的累積誤差。

（2）在阿布扎比和蘇州溫室數(shù)據(jù)集上進(jìn)行試驗(yàn)，驗(yàn)證了模型的可靠性和有效性。阿布扎比溫室小氣候多步滾動(dòng)預(yù)測試驗(yàn)中，預(yù)測未來6h室內(nèi)溫度平均均方根誤差為0.52℃，相對(duì)濕度平均均方根誤差為2.14%，相對(duì)于傳統(tǒng)的BP單步提前滾動(dòng)預(yù)測模型，該模型溫度平均預(yù)測誤差降低69.9%，相對(duì)濕度平均預(yù)測誤差降低47%。在蘇州溫室小氣候多步滾動(dòng)預(yù)測試驗(yàn)中，與BP單步提前滾動(dòng)預(yù)測模型相比，該模型溫度平均預(yù)測誤差降低43.3%，相對(duì)濕度平均預(yù)測誤差降低55.6%。表明R-BP模型在有、無環(huán)境調(diào)控的溫室小氣候多步滾動(dòng)預(yù)測中均取得了良好的效果。

3.2 討論

目前眾多學(xué)者采用BP神經(jīng)網(wǎng)絡(luò)對(duì)溫室小氣候的預(yù)測作了相關(guān)研究[6-11]，但大部分研究僅采用室外影響因素對(duì)溫室小氣候進(jìn)行建模，未考慮控制狀態(tài)的影響，建立的模型不能用于自控溫室小氣候的預(yù)測；文獻(xiàn)[6，10]在神經(jīng)網(wǎng)絡(luò)模型的輸入中加入設(shè)備控制狀態(tài)，但未考慮數(shù)據(jù)的時(shí)序特性，以及設(shè)備狀態(tài)變化對(duì)下一時(shí)刻室內(nèi)環(huán)境的影響，預(yù)測時(shí)間較短。

本研究提出的R-BP多步滾動(dòng)預(yù)測模型加入了前一時(shí)刻設(shè)備控制狀態(tài)以及室內(nèi)溫濕度等影響因素，能夠滾動(dòng)預(yù)測未來6h的溫室內(nèi)環(huán)境變化，較傳統(tǒng)BP單步提前滾動(dòng)預(yù)測模型，其預(yù)測時(shí)長和精度都有顯著提高，為制定優(yōu)化的溫室小氣候調(diào)控方案提供了理論依據(jù)。

R-BP模型在溫室氣候環(huán)境預(yù)報(bào)過程中仍存在一定誤差，如何利用誤差實(shí)現(xiàn)在線實(shí)時(shí)改進(jìn)模型，進(jìn)一步提高溫室小環(huán)境預(yù)測的精度，以及考慮溫室外界環(huán)境的影響，將模型應(yīng)用到實(shí)際生產(chǎn)中，均是下一步研究重點(diǎn)。

[1] 丁為民,汪小旵,李毅念,等.溫室環(huán)境控制與溫室模擬模型研究現(xiàn)狀分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(5):162-168.

Ding W M,Wang X C,Li Y N,et al.Review on environmental control and simulation models for greenhouses[J].Transactions of the Chinese Society for Agricultural Machinery,2009,40(5): 162-168.(in Chinese)

[2] 徐立鴻,蘇遠(yuǎn)平,梁毓明.面向控制的溫室系統(tǒng)小氣候環(huán)境模型要求與現(xiàn)狀[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(19):1-15.

Xu L H,Su Y P, Liang Y M.Requirement and current situation of control-oriented microclimate environmental model in greenhouse system[J]. Transactions of the CSAE,2013, 29(19):1-15 (in Chinese)

[3] 張芳,方慧,楊其長,等.基于CFD模型的大跨度溫室自然通風(fēng)熱環(huán)境模擬[J].中國農(nóng)業(yè)氣象,2017,38(4):221-229.

Zhang F,Fang H,Yang Q C,et al.Ventilation simulation in a large-scale greenhouse based on CFD[J].Chinese Journal of Agrometeorology,2017,38(4):221-229.(in Chinese )

[4] 鄒秋瀅.溫室小氣候模型的建立及其控制策略研究[D].沈陽:沈陽農(nóng)業(yè)大學(xué),2010.

Zou Q Y.Study on dynamic modelling and control strategy in greenhouse climate system[D].Shenyang:Shenyang Agricultural University,2010.

[5] Seginer I,Boulard T,Bailey B J.Neural network models of the greenhouse climate[J].J.Agric.Engng.Res.,1994,59(3):203-216.

[6] 汪小旵,丁為民,羅衛(wèi)紅,等.利用 BP 神經(jīng)網(wǎng)絡(luò)對(duì)江淮地區(qū)梅雨季節(jié)現(xiàn)代化溫室小氣候的模擬與分析[J].農(nóng)業(yè)工程學(xué)報(bào),2004,20(2):235-238.

Wang X C,Ding W M,Luo W H,et al.Simulation and analysis of micro-climate of gutter connectedVenlo greenhouse during rainy season in Jianghuairegion of China using BP neural network[J].Transactions of the CSAE,2004,20(2):235-238.(in Chinese )

[7] 何芬,馬承偉.華北地區(qū)冬季溫室植物冠層溫度建模[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(5):169-172.

He F,Ma C W.Modeling greenhouse plant canopy temperature in North China during winter[J].Journal of Agricultural Machinery,2009,40(5):169-172.(in Chinese)

[8] 李倩,申雙和,曹雯,等.南方塑料大棚冬春季溫濕度的神經(jīng)網(wǎng)絡(luò)模擬[J].中國農(nóng)業(yè)氣象,2012,33(2):190-196.

Li Q,Shen S H,Cao W,et al.Neural network simulation on air temperature and relative humidity inside plastic greenhouse during winter and spring in southern China[J].Chinese Journal of Agrometeorology,2012,33(2):190-196.(in Chinese)

[9] 金志鳳,符國槐,黃海靜,等.基于BP神經(jīng)網(wǎng)絡(luò)的楊梅大棚內(nèi)氣溫預(yù)測模型研究[J].中國農(nóng)業(yè)氣象,2011,32(3): 362-367.

Jin Z F,Fu G H,Hang H J,et al.Simulation and forecast of air temperature inside the greenhouse planted myica rubra based on BP neural network[J].Chinese Journal of Agrometeoro- logy,2011,32(3):362-367.(in Chinese )

[10] 程曼,袁洪波,蔡振江,等.基于全局變量預(yù)測模型的溫室環(huán)境控制方法[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(S1):177-183.

Cheng M,Yuan H B,Cai Z J,et al.Environment control method in greenhouse based on global variable prediction model[J].Transactions of the CSAE,2013,29(Supp.1):177-183. (in Chinese)

[11] 柳芳,王鐵,劉淑梅.天津市二代節(jié)能型日光溫室內(nèi)部溫濕度預(yù)測模型:以西青為例[J].中國農(nóng)業(yè)氣象,2009,30(S1): 86-89.

Liu F,Wang T,Liu S M. Research on temperature and humidity forecasting model for second energy saving solar greenhouse in Tianjin :taking Xiqing as a example[J]. Chinese Journal of Agrometeorology,2009,30(Supp.1): 86-89.(in Chinese )

[12] 李寧,申雙和,黎貞發(fā),等.基于主成分回歸的日光溫室內(nèi)低溫預(yù)測模型[J].中國農(nóng)業(yè)氣象,2013,34(3):306-311.

Li N,Shen S H,Li Z F,et al.Forecast model of minimum temperature inside greenhouse based on principal component regression[J].Chinese Journal of Agrometeorology,2013, 34(3):306-311.(in Chinese )

[13] Bengio Y,Courville A,Vincent P.Representation learning:a review and new perspectives[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,35(8): 1798-1828.

[14] Rumelhart D E,Hinton G E,Williams R J.Learning representations by back-propagating errors[J].Nature,1986, 323(6088): 533-536.

[15] Bengio Y,Lamblin P,Popovici D,et al.Greedy layer-wise training of deep networks[C].Proc.of the 20th Annual Conference on Neural Information Processing System,2006, 19:153-160.

[16] 曲建嶺,杜辰飛,邸亞洲,等.深度自動(dòng)編碼器的研究與展望[J].計(jì)算機(jī)與現(xiàn)代化,2014,(8):128-134.

Qu J L,Du C F,Di Y Z,et al.Research and prospect of deep auto-encoders[J].Computer and Modernization,2014,(8): 128-134.(in Chinese)

[17] Yin H,Jiao X,Chai Y,et al.Scene classification based on single-layer SAE and SVM[J].Expert Systems with Applications,2014,42(7):3368-3380.

[18] L?ngkvist M,Karlsson L,Loutfi A.A review of unsupervised feature learning and deep learning for time-series modeling [J].Pattern Recognition Letters,2014,42(1):11-24.

[19] Romeu P,Zamora-Martínez F,Botella-Rocamora P,et al. Time-Series forecasting of indoor temperature using pre-trained deep neural networks[A].Artificial Neural Networks and Machine Learning: ICANN 2013[C].Springer Berlin Heidelberg,2013:451-458.

[20] 陳嘯,王紅英,孔丹丹,等.基于粒子群參數(shù)優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)的顆粒飼料質(zhì)量預(yù)測模型[J].農(nóng)業(yè)工程學(xué)報(bào),2016,32 (14):306-314.

Chen X,Wang H Y,Kong D D,et al.Quality prediction model of pellet feed basing on BP network using PSO parameters optimization method[J].Transactions of the CSAE,2016, 32(14):306-314.(in Chinese)

[21] 徐小力,劉秋爽,見浪護(hù).光伏充氣膜溫室自跟蹤發(fā)電系統(tǒng)發(fā)電量預(yù)測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(S1):305-310.

Xu X L,Liu Q S,Jian L H.Generating capacity prediction of automatic tracking power generation system on inflatable membrane greenhouse attached photovoltaic[J].Journal of Agricultural Machinery,2012,43(Supp.1):305-310.(in Chinese)

[22] 武妍,徐敏.一種改進(jìn)的粒子群優(yōu)化算法[J].計(jì)算機(jī)工程與應(yīng)用,2006,42(33):40-42.

Wu Y,Xu M.Modified particle swarm optimization algorithm[J].Computer Engineering and Applications,2006, 42(33):40-42.(in Chinese)

[23] 張文愛,劉麗芳,李孝榮.基于粒子進(jìn)化的多粒子群優(yōu)化算法[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(7):51-53.

Zhang W A,Liu L F,Li X R.Particle swarm optimization based on particle evolution[J].Computer Engineering and Applications,2008,44(7):51- 53.(in Chinese)

[24] 王存睿,段曉東,劉向東,等.改進(jìn)的基本粒子群優(yōu)化算法[J].計(jì)算機(jī)工程,2004,30(21):35-37.

Wang C R,Duan X D,Liu X D,et al.A modified basic particle swarm optimization algorithm[J].Computer Engineering, 2004,30(21):35-37.(in Chinese)

Multi-Step Rolling Prediction Model of Greenhouse Microclimate Based on R-BP Neural Network

REN Shou-gang1,2, LIU Xin1, GU Xing-jian1,WANG Hao-yun1, YUAN Pei-sen1,XU Huan-liang1,2

(1.College of Information Science and Technology, Nanjing Agriculture University, Nanjing 210095, China; 2. National Engineering and Technology Center for Information Agriculture, Nanjing 210095)

High greenhouse efficiency depends on the proper greenhouse environment. So it is of great significance to establish an accurate multi-step greenhouse microclimate prediction model to optimize the greenhouse environment control. A rolling back propagation (R-BP) neural network group model was proposed in this paper. The R-BP model mainly includes two stages: (1) Establish an initial BP neural network model, which adopts an auto-encoder (AE) to learn initial network factors and optimize the network factors by improved particle swarm algorithm; (2) Establish a rolling prediction model to realize multi step prediction of greenhouse microclimate. It used the output of the previous network as partial input of the next network. To prove the effectiveness of the R-BP model, several experiments were implemented in the Abu Dhabi auto-controlled green house and non-controlled Suzhou greenhouse. The experiments in Abu Dhabi greenhouse proved that the R-BP model achieved an average of 69.9% error decrease in 6h temperature prediction in the greenhouse and an average of 47% error decrease in relative humidity prediction, compared with the traditional BP neural network. In Suzhou greenhouse, the average prediction error of temperature was reduced by 43.3% and the average prediction error of humidity was reduced by 55.6%. The experimental results prove that the R-BP model can accurately predict the change of the greenhouse microclimate for future 6 hours, to provide the basis for greenhouse microclimate control optimization.

Greenhouse microclimate; Prediction model; Automatic encoder; BP neural network; Particle swarm optimization; Rolling prediction

10.3969/j.issn.1000-6362.2018.05.003

任守綱,劉鑫,顧興健,等.基于R-BP神經(jīng)網(wǎng)絡(luò)的溫室小氣候多步滾動(dòng)預(yù)測模型[J].中國農(nóng)業(yè)氣象,2018,39(5):314-324

2017?10?18

國家自然科學(xué)基金（61502236）；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)（KYZ201753）；鎮(zhèn)江市重點(diǎn)研發(fā)計(jì)劃（NY2016024）

任守綱（1977?），副教授，主要從事人工智能、農(nóng)業(yè)信息化研究。E-mail:rensg@njau.edu.cn