基于深度學(xué)習(xí)的密閉式豬舍內(nèi)溫濕度預(yù)測模型

謝秋菊 鄭 萍 包 軍 蘇中濱

(1.東北農(nóng)業(yè)大學(xué)電氣與信息學(xué)院， 哈爾濱 150030；2.東北農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部生豬養(yǎng)殖設(shè)施工程重點(diǎn)實(shí)驗(yàn)室， 哈爾濱 150030；3.東北農(nóng)業(yè)大學(xué)動(dòng)物科學(xué)技術(shù)學(xué)院， 哈爾濱 150030)

0 引言

隨著商業(yè)利益和消費(fèi)需求的不斷增長，環(huán)境可控式的密閉豬舍養(yǎng)殖方式發(fā)展迅速。在密閉式豬舍的有限空間中環(huán)境品質(zhì)尤為重要，它是除遺傳基因之外制約養(yǎng)豬生產(chǎn)發(fā)展的關(guān)鍵因素[1]。在眾多因素中，溫度是維持豬體溫恒定、影響豬的健康水平和繁殖能力的重要外部環(huán)境因素之一，直接影響豬體的熱平衡[2]。豬體通過產(chǎn)熱和散熱平衡來維持恒定的體溫，進(jìn)行正常的生命活動(dòng)[3]。豬舍空氣濕度影響豬的體熱調(diào)節(jié)，高溫高濕環(huán)境嚴(yán)重影響豬的日增質(zhì)量，同時(shí)造成細(xì)菌滋生，誘發(fā)疾病[4]。因此，營造適宜的舍內(nèi)熱濕環(huán)境可以有效地提高豬群的健康水平、繁殖能力，降低飼料消耗，提高生長效率。研究低延遲、精準(zhǔn)化的豬舍環(huán)境調(diào)控方法是實(shí)現(xiàn)豬舍內(nèi)環(huán)境精準(zhǔn)控制的關(guān)鍵。

豬舍內(nèi)熱濕環(huán)境受豬舍建筑樣式、舍內(nèi)飼養(yǎng)豬的數(shù)量和質(zhì)量、通風(fēng)模式[5]、豬的活動(dòng)量、生產(chǎn)方式、舍外天氣情況等多種因素相互耦合的影響。國內(nèi)外許多學(xué)者針對畜禽舍內(nèi)溫濕度控制進(jìn)行了大量研究[6-17]。

這些研究大多基于傳感器網(wǎng)絡(luò)技術(shù)實(shí)時(shí)監(jiān)測豬舍中的環(huán)境狀況，并做出判斷，實(shí)現(xiàn)舍內(nèi)環(huán)境調(diào)控。傳感器只能對當(dāng)前舍內(nèi)環(huán)境狀況進(jìn)行監(jiān)測，無法提前對舍內(nèi)的環(huán)境因子變化趨勢作出預(yù)判，因而只依靠傳感器監(jiān)測數(shù)據(jù)來決定控制系統(tǒng)的運(yùn)行狀態(tài)。然而，由于豬舍內(nèi)的熱濕環(huán)境隨著舍內(nèi)的氣流而逐漸變化，因此導(dǎo)致環(huán)境調(diào)控設(shè)備運(yùn)行后對環(huán)境調(diào)控達(dá)到預(yù)期效果會(huì)存在一定的滯后性，這種滯后性因受豬舍空間結(jié)構(gòu)、建筑樣式、舍內(nèi)通風(fēng)、加熱等控制設(shè)備運(yùn)行效率的影響而不同。試驗(yàn)測試表明，在開啟通風(fēng)或加熱等設(shè)備20 min后舍內(nèi)熱濕環(huán)境可以得到明顯改善。因此，需要對豬舍內(nèi)環(huán)境因子變化提前作出預(yù)測，從而提前決定環(huán)境控制設(shè)備的運(yùn)行狀態(tài)，實(shí)現(xiàn)舍內(nèi)環(huán)境優(yōu)化控制、降低控制效果的滯后。目前，隨著傳感器及大數(shù)據(jù)技術(shù)的發(fā)展，豬舍環(huán)境監(jiān)測的數(shù)據(jù)量不斷增加，傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)預(yù)測方法，如線性[18]和非線性的方法[19-20]、CFD方法[8-9]、神經(jīng)網(wǎng)絡(luò)方法[21-23]等，已經(jīng)無法實(shí)現(xiàn)大數(shù)據(jù)量的輸入時(shí)序序列數(shù)據(jù)的精確預(yù)測。

豬舍內(nèi)溫濕度監(jiān)測數(shù)據(jù)是由豬舍環(huán)境監(jiān)測傳感器在一定時(shí)間間隔內(nèi)獲取的大量時(shí)序數(shù)據(jù)。長短時(shí)記憶(Long short-term memory，LSTM)網(wǎng)絡(luò)是由GERS等[24]提出的深度學(xué)習(xí)的典型代表方法之一。LSTM 通過對時(shí)序數(shù)據(jù)歷史特征的提取實(shí)現(xiàn)數(shù)據(jù)未來變化的預(yù)測，它適合于多個(gè)領(lǐng)域時(shí)序數(shù)據(jù)處理及預(yù)測應(yīng)用[25-28]。然而，根據(jù)傳感器監(jiān)測獲取的大量豬舍內(nèi)溫濕度時(shí)序數(shù)據(jù)，應(yīng)用LSTM預(yù)測模型的研究尚未見報(bào)道。

本文基于深度學(xué)習(xí)方法，結(jié)合傳感器監(jiān)測的大量時(shí)序序列歷史數(shù)據(jù)，綜合考慮各環(huán)境因素對豬舍內(nèi)溫濕度變化的影響，建立具有多層結(jié)構(gòu)的長短時(shí)記憶LSTM網(wǎng)絡(luò)的溫濕度變化預(yù)測模型，以實(shí)現(xiàn)當(dāng)前時(shí)間豬舍內(nèi)溫濕度的變化預(yù)測。

1 影響因素相關(guān)性分析

密閉豬舍是一個(gè)由磚、保溫板等為圍護(hù)結(jié)構(gòu)的封閉空間。豬舍內(nèi)環(huán)境溫濕度變化受豬舍建筑樣式、圍護(hù)結(jié)構(gòu)，舍內(nèi)飼養(yǎng)豬的數(shù)量和質(zhì)量，舍內(nèi)加熱及通風(fēng)系統(tǒng)，舍外天氣狀況等的影響。建立豬舍內(nèi)溫濕度變化預(yù)測需要對影響因素進(jìn)行分析，確定影響因素，為建立優(yōu)化的預(yù)測模型奠定基礎(chǔ)。本文在實(shí)際監(jiān)測的數(shù)據(jù)基礎(chǔ)上，考慮除建筑樣式和圍護(hù)結(jié)構(gòu)相關(guān)的影響因素，利用皮爾遜(Pearson) 相關(guān)分析方法 (P<0.05)，確定豬舍內(nèi)溫濕度變化的相關(guān)影響因素，如表1所示。

表1 影響因素相關(guān)性系數(shù)Tab.1 Correlations coefficients between factors

從表1可以看出，豬舍內(nèi)溫度(Pig living space temperature, PLS T)與豬舍外溫度(Outdoor temperature, Out T)、糞坑溫度(Pit temperature, Pit T)和豬的活動(dòng)量(Activity, Act)呈現(xiàn)較大的正相關(guān)性，相關(guān)系數(shù)分別為0.489、0.518和0.395；同時(shí)，豬舍內(nèi)溫度與豬舍外相對濕度(Pig living space relative humidity, PLS RH)和豬的總質(zhì)量(Weight, Wt)呈現(xiàn)負(fù)相關(guān)性，相關(guān)系數(shù)分別為-0.315和-0.436。因此表明，豬舍內(nèi)溫度受豬舍外溫度、舍內(nèi)豬的總質(zhì)量、糞坑溫度、舍外相對濕度影響較大；此外，豬舍內(nèi)溫度與豬舍內(nèi)相對濕度和通風(fēng)量(Ventilation, Vent)也具有一定的相關(guān)性，相關(guān)系數(shù)分別為0.284和0.147。

豬舍內(nèi)相對濕度與豬的活動(dòng)量呈現(xiàn)正相關(guān)性，相關(guān)系數(shù)為0.378，表明當(dāng)豬由于進(jìn)食或排泄等的活動(dòng)量增大時(shí)可導(dǎo)致舍內(nèi)相對濕度增大；同時(shí)，豬舍內(nèi)相對濕度與豬舍內(nèi)溫度和糞坑溫度呈現(xiàn)正相關(guān)性，相關(guān)系數(shù)分別為0.284和0.293；與豬的總質(zhì)量和豬舍外相對濕度(Outdoor relative humidity, Out RH)呈現(xiàn)負(fù)相關(guān)性，相關(guān)系數(shù)分別為-0.253和-0.178。

因此，本文選取豬舍內(nèi)相對濕度、豬舍外相對濕度、豬舍外溫度、豬的活動(dòng)量、豬的總質(zhì)量、通風(fēng)率、糞坑溫度作為豬舍內(nèi)溫度預(yù)測的外部影響因素；選取豬舍內(nèi)溫度、豬舍外溫度、豬舍外相對濕度、豬的活動(dòng)量、豬的總質(zhì)量、通風(fēng)率、糞坑溫度作為豬舍內(nèi)相對濕度預(yù)測的外部影響因素。

2 基于LSTM的豬舍內(nèi)溫濕度預(yù)測模型

2.1 模型結(jié)構(gòu)

預(yù)測模型由時(shí)序數(shù)據(jù)輸入層、隱含層和輸出層組成。模型結(jié)構(gòu)如圖1所示。

圖1 LSTM預(yù)測模型結(jié)構(gòu)圖Fig.1 Structure diagram of LSTM prediction model

輸入層負(fù)責(zé)接收采集到的豬舍內(nèi)溫度、相對濕度歷史數(shù)據(jù)，舍外溫度、相對濕度，糞坑溫度，通風(fēng)率，豬的活動(dòng)量及總質(zhì)量數(shù)據(jù)，并且將其進(jìn)行標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化處理公式為

(1)

式中z′i——標(biāo)準(zhǔn)化后的數(shù)據(jù)

zi——輸入的時(shí)序數(shù)據(jù)

n——時(shí)序序列數(shù)據(jù)的長度

標(biāo)準(zhǔn)化后的豬舍內(nèi)溫度和相對濕度歷史數(shù)據(jù)轉(zhuǎn)換成時(shí)序序列x1和x2。豬舍內(nèi)溫度和相對濕度的外部影響因素被標(biāo)準(zhǔn)化處理后參與完全連接層的運(yùn)算。輸入層節(jié)點(diǎn)數(shù)量為2t,t為豬舍內(nèi)溫度和相對濕度歷史時(shí)序序列長度。

隱含層包含LSTM、完全連接和回歸3個(gè)子層。LSTM子層負(fù)責(zé)學(xué)習(xí)時(shí)間序列數(shù)據(jù)每步之間的長期依賴關(guān)系，以執(zhí)行有助于改善長序列梯度流的交互。LSTM子層由元胞狀態(tài)c、隱含狀態(tài)h、輸入門i、遺忘門f、候選門g和輸出門o組成，如圖2所示[29-30]。

圖2 LSTM子層組成結(jié)構(gòu)圖Fig.2 Consist structure diagram of LSTM sublayer

元胞狀態(tài)c包含從前一步學(xué)習(xí)來的信息，并且在每一步的學(xué)習(xí)中，LSTM子層將從元胞狀態(tài)c中加入或刪除信息。每一步的隱含狀態(tài)h都包含上步LSTM層的輸出信息。為了使信息能夠更好地更新，LSTM層增加了輸入門i、遺忘門f、元胞候選門g和輸出門o。輸入門i決定元胞的更新程度，遺忘門f決定元胞狀態(tài)的重置水平，候選門g負(fù)責(zé)向元胞中加入一些新的信息，輸出門o決定將有多少元胞信息加入隱含狀態(tài)。

每一步元胞狀態(tài)和隱含狀態(tài)計(jì)算式為

ct=ft°ct-1+it°gt

(2)

ht=ot°σ(ct)

(3)

式中 °——向量元素相乘符號(hào)

it、ft、gt、ot——輸入門、遺忘門、候選門、輸出門

σ——狀態(tài)激活函數(shù)

在每一個(gè)時(shí)間步t中， 輸入門it、遺忘門ft、輸出門ot和候選門gt可描述為

it=σg(wixt+Riht-1+bi)

(4)

ft=σg(wfxt+Rfht-1+bf)

(5)

gt=σc(wgxt+Rght-1+bg)

(6)

ot=σg(woxt+Roht-1+bo)

(7)

式中σc——狀態(tài)激活函數(shù)，采用雙曲正切函數(shù)tanh來計(jì)算狀態(tài)激活函數(shù)

σg——門狀態(tài)函數(shù)

激活函數(shù)由公式σ(x)=(1+e-x)-1計(jì)算得到；LSTM層中的權(quán)重是由具有可學(xué)習(xí)性的輸入矩陣W、回歸權(quán)重矩陣R以及每個(gè)分量偏差矩陣b組成。這些矩陣表示為

完全連接子層中的所有節(jié)點(diǎn)都與LSTM子層中的節(jié)點(diǎn)以及外部影響數(shù)據(jù)相連接，以獲得上一層和外部影響因素對輸入變量x1和x2學(xué)習(xí)所得的所有特征。完全連接層的每一步都是獨(dú)立執(zhí)行的，輸入變量與權(quán)重矩陣W相乘后，再加上偏置矩陣向量b。此層輸出變量數(shù)目等于輸入變量的數(shù)目2，即溫度和相對濕度2個(gè)輸入變量。

回歸子層與完全連接子層相連，用于計(jì)算序列到序列網(wǎng)絡(luò)的均方根誤差損失(Half-mean-squared-error loss)。每步的未歸一化的損失預(yù)測響應(yīng)計(jì)算式為

(8)

式中L——計(jì)算序列到序列網(wǎng)絡(luò)的均方根誤差損失

S——序列的長度

tkj、ykj——第k步的序列值、網(wǎng)絡(luò)預(yù)測值

當(dāng)網(wǎng)絡(luò)訓(xùn)練時(shí)，觀察值的平均損失由小批量網(wǎng)絡(luò)訓(xùn)練時(shí)計(jì)算而得。

輸出層將隱含層輸出量O1和O2反歸一化處理成預(yù)測值豬舍內(nèi)溫度y1和豬舍內(nèi)相對濕度y2，反標(biāo)準(zhǔn)化公式采用式(1)對觀察值進(jìn)行標(biāo)準(zhǔn)化處理時(shí)的變換所得。

2.2 模型評價(jià)

本文通過統(tǒng)計(jì)分析方法中的決定系數(shù)R2、均方根誤差eRMSE和平均絕對誤差百分比eMAPE來評價(jià)LSTM預(yù)測模型的性能。

2.3 模型參數(shù)設(shè)置

在LSTM子層中，初始網(wǎng)絡(luò)參數(shù)設(shè)置為：隱含層神經(jīng)元數(shù)為200，狀態(tài)激活函數(shù)為雙曲正切函數(shù)tanh，門激活函數(shù)為sigmod，采用自適應(yīng)矩估計(jì)Adam優(yōu)化器進(jìn)行訓(xùn)練，最大步數(shù)設(shè)置為250，初始學(xué)習(xí)速率為0.005，時(shí)間間隔(Time lag)為1。

為了獲得最優(yōu)的LSTM預(yù)測模型，需要對預(yù)測模型中的LSTM子層和完全連接層中的神經(jīng)元數(shù)、網(wǎng)絡(luò)的學(xué)習(xí)速率2個(gè)主要參數(shù)進(jìn)行對比及組合優(yōu)化。設(shè)LSTM子層和完全連接層中的神經(jīng)元個(gè)數(shù)取值集合為{200,400,800,1 200,1 600,2 000}，網(wǎng)絡(luò)的學(xué)習(xí)速率取值集合為{0.001, 0.003, 0.005, 0.008, 0.010}。

2.4 模型數(shù)據(jù)集選取

時(shí)序序列數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集訓(xùn)練LSTM模型自學(xué)習(xí)及調(diào)整連接參數(shù)等，驗(yàn)證數(shù)據(jù)集對模型相關(guān)性能參數(shù)進(jìn)行驗(yàn)證。本文中所用數(shù)據(jù)集包含從2015年8月28日至9月30日(代表夏季數(shù)據(jù)集)和2015年12月24日至2016年1月13日(代表冬季數(shù)據(jù)集)共計(jì)1 320組監(jiān)測數(shù)據(jù)。將這些數(shù)據(jù)分成4個(gè)數(shù)據(jù)集，在夏季數(shù)據(jù)集中前94%的監(jiān)測數(shù)據(jù)(從2015年8月28日至9月28日)用作模型訓(xùn)練，剩余6%的監(jiān)測數(shù)據(jù)(從2015年9月29日至30日)用于模型驗(yàn)證；在冬季數(shù)據(jù)集中前90.4%的監(jiān)測數(shù)據(jù)(從2015年12月24日至2016年1月11日)用于模型訓(xùn)練，剩余9.6%的監(jiān)測數(shù)據(jù)(從2016年1月12日至13日)用于模型驗(yàn)證。

本文使用Matlab對LSTM模型進(jìn)行訓(xùn)練及驗(yàn)證。在LSTM模型中共用到8個(gè)變量，分別作為輸入變量和外部影響變量進(jìn)行模型特征提取，實(shí)現(xiàn)下一時(shí)刻豬舍內(nèi)溫度和相對濕度的預(yù)測。其中，豬舍內(nèi)溫度、相對濕度歷史數(shù)據(jù)作為模型的輸入變量；豬舍內(nèi)相對濕度、豬舍外溫度、豬舍外相對濕度、豬舍糞坑溫度、舍內(nèi)通風(fēng)率、豬的活動(dòng)量、豬的總質(zhì)量作為豬舍內(nèi)溫度預(yù)測的外部影響變量；豬舍內(nèi)溫度、豬舍外相對溫度、豬舍外濕度、豬舍糞坑溫度、舍內(nèi)通風(fēng)率、豬的活動(dòng)量、豬的總質(zhì)量作為豬舍內(nèi)相對濕度預(yù)測的外部影響變量。

3 預(yù)測結(jié)果實(shí)例驗(yàn)證

3.1 數(shù)據(jù)來源及數(shù)據(jù)監(jiān)測

本文LSTM預(yù)測模型中用到的訓(xùn)練及驗(yàn)證數(shù)據(jù)來源于普渡大學(xué)動(dòng)物研究教育中心豬舍[31]開展的研究項(xiàng)目(the USDA National Institute of Food and Agriculture Hatch project)。該豬舍位于美國印第安那州西拉法葉市，地處大陸性濕潤氣候，冬季寒冷，1月氣溫最低，平均溫度為-7.2℃，相對濕度為69%；夏季炎熱，7月溫度最高，平均溫度為29.4℃，平均相對濕度為71%。

該豬舍為密閉式機(jī)械通風(fēng)、鋼木混結(jié)構(gòu)。豬舍共有12個(gè)南北朝向的小間，舍外新鮮空氣通過豬舍東西兩側(cè)進(jìn)風(fēng)口送入舍內(nèi)，然后通過棚頂和過道入口送入各個(gè)小間。單個(gè)小間尺寸為11 m×6.1 m×2.7 m(長×寬×高)，內(nèi)部建有雙列鋼質(zhì)圍欄，中間為過道，每列有6個(gè)豬欄，可以容納60頭育肥豬。小間內(nèi)是水泥漏縫地板，地板下方有1.8 m深的儲(chǔ)糞池。豬舍外部實(shí)景及結(jié)構(gòu)如圖3所示[32]。

圖3 豬舍外部實(shí)景和結(jié)構(gòu)圖Fig.3 Photo and structure diagram of pig building

每個(gè)小間分別安裝有天然氣加熱器(Guardian 60型，L.B. White Co.，美國)和2個(gè)直徑分別為356 mm(V4E35型，Multifan，美國)和508 mm(V4E50型, Multifan，美國)的墻上恒速風(fēng)機(jī)，用于舍內(nèi)加熱和通風(fēng)。舍內(nèi)溫度和糞坑溫度數(shù)據(jù)分別通過安裝在距離豬舍地面1.5 m和儲(chǔ)糞池的排風(fēng)口處的T型熱電耦監(jiān)測得到。豬舍內(nèi)相對濕度通過安裝在豬欄中間距離地面1.5 m處的相對濕度傳感器(HX92BC型，Omega，美國)測量得到。小間內(nèi)墻上風(fēng)機(jī)所受壓力通過氣壓測量儀(260型，Setra Systems，Inc.，美國)測得。

豬舍的通風(fēng)率包括舍內(nèi)墻上風(fēng)機(jī)的通風(fēng)率和糞坑風(fēng)機(jī)通風(fēng)率。在豬舍下方的儲(chǔ)糞池外墻上部安裝有2個(gè)直徑為250 mm的變速風(fēng)機(jī)(P4E30型，Multifan，美國)，為每間豬舍提供最小量通風(fēng)，糞池風(fēng)機(jī)的通風(fēng)率由風(fēng)速儀直接測量得到[32]；墻上風(fēng)機(jī)的通風(fēng)率通過持續(xù)測量墻上風(fēng)機(jī)的運(yùn)行時(shí)間、小間內(nèi)靜壓力以及后期風(fēng)機(jī)測量模型[33]間接計(jì)算得到。

在每個(gè)小間墻上安裝有紅外活動(dòng)量傳感器(Visonic SRN 2000 Detector型，Visonic Inc.，美國)將探測到的紅外光線信號(hào)轉(zhuǎn)換成電壓信號(hào)，用于豬的活動(dòng)量(以電壓度量)監(jiān)測[34]。

每個(gè)小間中豬的數(shù)量是由人工每個(gè)星期進(jìn)行計(jì)數(shù)得到。豬的質(zhì)量由豬的初始質(zhì)量和生長模型計(jì)算而得到，豬的生長模型曲線表示為

W0～29=0.008 592 3D2+0.107 91D+5.35

(9)

W30～150=0.002 339 7D2+0.562 14D-3.31

(10)

式中W0～29、W30～150——入欄0～29 d和30～150 d的豬質(zhì)量

D——入欄的時(shí)間，d

由生長曲線計(jì)算得到的豬的質(zhì)量與實(shí)際質(zhì)量的擬合度為0.999 8，說明由生長模型計(jì)算得到的豬的質(zhì)量完全可以反映豬的質(zhì)量變化情況。這些數(shù)據(jù)根據(jù)需要，插值處理成時(shí)間間隔為1 h的數(shù)據(jù)。

豬舍外部溫度與相對濕度等天氣數(shù)據(jù)來源于距離豬舍5 km的普渡大學(xué)園藝研究與教育中心，以及安裝在距離豬舍南側(cè)70 m的Davis 6152 Wireless Vantage Pro2型氣象站(Davis Instruments,美國)監(jiān)測得到。

根據(jù)豬舍所處地理位置、氣候特點(diǎn)以及監(jiān)測數(shù)據(jù)的完整性等，本文分別選取2個(gè)朝南向的小間2和小間4，從2015年8月28日至9月30日和2015年12月24日至2016年1月13日2個(gè)階段的采集間隔為1 min的舍內(nèi)、外環(huán)境數(shù)據(jù)，將這些數(shù)據(jù)處理為時(shí)間間隔為1 h的數(shù)據(jù)進(jìn)行模型訓(xùn)練與驗(yàn)證，實(shí)際監(jiān)測數(shù)據(jù)變化，如表2和圖4所示。

表2 實(shí)際監(jiān)測數(shù)據(jù)變化范圍Tab.2 Variations of collected data

圖4 豬舍內(nèi)外環(huán)境監(jiān)測數(shù)據(jù)Fig.4 Indoor and outdoor environmental data of pig building

3.2 模型參數(shù)性能對比及選取

3.2.1不同學(xué)習(xí)速率

從不同網(wǎng)絡(luò)的學(xué)習(xí)速率取值集合{0.001,0.003,0.005,0.008,0.010}中對模型進(jìn)行測試，以得到高時(shí)效、訓(xùn)練損失較小的優(yōu)化模型。不同學(xué)習(xí)速率下網(wǎng)絡(luò)損失如表3所示，當(dāng)學(xué)習(xí)速率取值增大時(shí)，網(wǎng)絡(luò)訓(xùn)練損失迅速下降。雖然在學(xué)習(xí)速率0.010時(shí)網(wǎng)絡(luò)訓(xùn)練損失值最小，但是，網(wǎng)絡(luò)損失變化率最小，在夏季和冬季分別為0.500 0和0.517 2；然而在學(xué)習(xí)速率為0.008時(shí)的預(yù)測模型在夏季和冬季的網(wǎng)絡(luò)訓(xùn)練損失變化率分別為0.843 3和0.701 0，基本達(dá)到最大值，表明在學(xué)習(xí)速率大于0.008后，預(yù)測模型的網(wǎng)絡(luò)訓(xùn)練損失下降不再明顯。因此綜合考慮網(wǎng)絡(luò)訓(xùn)練損失和訓(xùn)練時(shí)間效率，本文選取0.008作為LSTM預(yù)測模型的網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)速率。

表3 不同學(xué)習(xí)速率下的網(wǎng)絡(luò)訓(xùn)練損失Tab.3 Training losses at different learning rates

3.2.2不同節(jié)點(diǎn)數(shù)

網(wǎng)絡(luò)訓(xùn)練的學(xué)習(xí)速率為0.008時(shí)，對LSTM子層和完全連接子層的節(jié)點(diǎn)數(shù)進(jìn)行測試，以獲得較優(yōu)的預(yù)測性能。如圖5a、5b所示，舍內(nèi)溫度和相對濕度夏季預(yù)測模型的eRMSE和eMAPE雖然在節(jié)點(diǎn)數(shù)為2 000和1 600時(shí)達(dá)到最小值，然而當(dāng)節(jié)點(diǎn)數(shù)大于400時(shí)，eRMSE和eMAPE下降較緩慢，并且相對濕度預(yù)測的eRMSE變化曲線有逐漸上升的趨勢；冬季溫度和相對濕度預(yù)測模型都在節(jié)點(diǎn)數(shù)為400時(shí)，eRMSE和eMAPE達(dá)最小值。如圖5c所示，夏季舍內(nèi)溫度和相對濕度預(yù)測模型的決定系數(shù)R2分別在節(jié)點(diǎn)數(shù)為2 000和1 600時(shí)達(dá)到最大值，然而當(dāng)節(jié)點(diǎn)大于400時(shí)，溫度預(yù)測模型的R2增加較為緩慢；冬季溫度和相對濕度預(yù)測模型都在節(jié)點(diǎn)數(shù)為400時(shí)，R2達(dá)最大值。因此，根據(jù)以上溫度和相對濕度預(yù)測模型的eRMSE、eMAPE和R2的性能變化分析，同時(shí)結(jié)合模型節(jié)點(diǎn)數(shù)與運(yùn)行效率考慮，本文選取節(jié)點(diǎn)數(shù)400作為預(yù)測模型LSTM子層和完全連接層神經(jīng)元的數(shù)目，優(yōu)化模型的預(yù)測性能。

圖5 不同節(jié)點(diǎn)數(shù)時(shí)LSTM預(yù)測模型的性能變化Fig.5 Performances of LSTM mode with different neurons

3.3 預(yù)測結(jié)果驗(yàn)證

選取2015年9月29—30日和2016年1月12—13日4 d監(jiān)測的豬舍內(nèi)環(huán)境數(shù)據(jù)以及舍外的天氣數(shù)據(jù)作為豬舍內(nèi)夏季、冬季溫度和相對濕度驗(yàn)證數(shù)據(jù)對預(yù)測模型進(jìn)行驗(yàn)證。

3.3.1溫度預(yù)測驗(yàn)證

如圖6所示，豬舍內(nèi)溫度預(yù)測值和實(shí)際測量值變化趨勢非常一致，能夠很好地反映舍內(nèi)溫度變化情況。

圖6 舍內(nèi)溫度預(yù)測值與實(shí)測值對比Fig.6 Comparisons of indoor temperature predictions and observations

如圖6a所示，夏季豬舍內(nèi)溫度高峰出現(xiàn)在14：00—15：00，溫度低谷出現(xiàn)在01：00—02：00；豬內(nèi)實(shí)測溫度變化范圍為21.5～26.6℃，預(yù)測溫度變化范圍為21.6～25.3℃；預(yù)測值與實(shí)測值的最大誤差為1.9℃，最小誤差為0℃，平均誤差0.6℃；預(yù)測值與實(shí)測值的平均絕對百分比誤差eMAPE為2.504%，決定系數(shù)R2為0.703。

如圖6b所示，冬季豬舍內(nèi)溫度高峰出現(xiàn)在22：00—01：00，溫度低峰出現(xiàn)在04：00—05:00；溫度實(shí)際測量值變化范圍為17.6～22.1℃，預(yù)測溫度變化范圍為17.6～22.1℃；預(yù)測值與實(shí)際測量值的最大誤差為1.3℃，最小誤差為0，平均誤差為0.3℃；預(yù)測值與實(shí)測值的平均絕對百分比誤差eMAPE為1.392%，決定系數(shù)R2為0.938。

因此，無論在冬季還是在夏季，溫度預(yù)測值與實(shí)測值的誤差都較小，能夠較準(zhǔn)確地反映豬舍內(nèi)溫度變化情況，本文所建立的溫度預(yù)測模型，可以作為豬舍內(nèi)溫度優(yōu)化調(diào)控策略的參考，實(shí)現(xiàn)舍內(nèi)風(fēng)機(jī)或加熱器等溫度控制設(shè)備的預(yù)先啟停控制，在一定程度上彌補(bǔ)環(huán)境控制效果滯后問題。

3.3.2相對濕度模擬驗(yàn)證

豬舍內(nèi)相對濕度預(yù)測值與實(shí)際測量值對比如圖7所示，豬舍內(nèi)相對濕度預(yù)測值與實(shí)測值的整體變化趨勢一致。

圖7 舍內(nèi)相對濕度預(yù)測值與實(shí)測值對比Fig.7 Comparisons of indoor relative humidity predictions and observations

如圖7a所示，由于在9月29日06:00起完全開啟直徑為508 mm的風(fēng)機(jī)進(jìn)行通風(fēng)，通風(fēng)量達(dá)到9 800 m3/min以上，此時(shí)刻的舍外溫度為20.6℃，舍內(nèi)相對濕度在10：00出現(xiàn)低峰值28.2%，相對濕度變化較大；夏季舍內(nèi)相對濕度實(shí)際測量值變化范圍為28.2%～50.1%，平均值為46.8%；相對濕度預(yù)測值變化范圍為34%～50.7%，平均值47.1%；相對濕度預(yù)測值與實(shí)測值的最大誤差為7%，最小誤差為0，平均誤差為1.6%；相對濕度的預(yù)測值與實(shí)測值eMAPE、eRMSE、R2分別為3.769%、2.346%、0.747。

如圖7b所示，冬季豬舍內(nèi)相對濕度變化呈現(xiàn)正弦周期曲線變化趨勢，高峰值出現(xiàn)在13:00—15:00，低峰值出現(xiàn)在02:00—06:00；相對濕度實(shí)測值變化范圍為27.7%～55.2%，相對濕度預(yù)測值變化范圍為35.4%～51.7%；相對濕度預(yù)測值與實(shí)測值的最大誤差為13.5%，最小誤差為0，平均誤差為3.1%；相對濕度的預(yù)測值與實(shí)測值的eMAPE、eRMSE、R2分別為7.281%、4.245%、0.542。

根據(jù)豬舍環(huán)境控制要求及豬舍環(huán)境管理經(jīng)驗(yàn)，在豬舍各環(huán)境因素中舍內(nèi)相對濕度重要性稍次于舍內(nèi)溫度，允許在一定范圍內(nèi)舍內(nèi)相對濕度稍微大一些的變化。雖然，冬季相對濕度預(yù)測值與實(shí)測值最大誤差為13.5%，但是仍然滿足舍內(nèi)相對濕度控制要求。因此，本研究建立的舍內(nèi)相對濕度預(yù)測模型能夠反映舍內(nèi)實(shí)際相對濕度環(huán)境變化情況。

3.3.3結(jié)果分析

本文建立的LSTM溫濕度預(yù)測模型是結(jié)合傳感器監(jiān)測所得豬舍內(nèi)外環(huán)境歷史時(shí)序數(shù)據(jù)和相關(guān)影響因素時(shí)序數(shù)據(jù)，對建立的預(yù)測模型進(jìn)行訓(xùn)練，獲取最優(yōu)化的網(wǎng)絡(luò)參數(shù)；而文獻(xiàn)[20]是通過能量和質(zhì)量平衡方程，建立豬舍內(nèi)動(dòng)態(tài)變化的熱濕小氣候模型，結(jié)合傳感器監(jiān)測數(shù)據(jù)，利用多元非線性回歸的方法和一些經(jīng)驗(yàn)值來確定模型中的相關(guān)參數(shù)，會(huì)有一定的局限性。

文獻(xiàn)[20]中，溫度模擬值與實(shí)測值的最大誤差為2.4℃，平均誤差為0.6℃，平均決定系數(shù)R2為0.812；相對濕度模擬值與實(shí)測值的最大誤差為13.3%，最小平均誤差為3.35%，平均決定系數(shù)R2為0.905。

本文建立的預(yù)測模型中，溫度預(yù)測值與實(shí)測值最大誤差為1.9℃，平均誤差為0.5℃，平均決定系數(shù)R2、平均eRMSE和平均eMAPE分別為0.821、0.605℃和1.984%；相對濕度預(yù)測值與實(shí)測值的最大誤差為13.5%，平均誤差為2.3%，平均決定系數(shù)R2、平均eRMSE和平均eMAPE分別為0.645、3.297%和5.525%。

因此，綜合考慮各項(xiàng)參數(shù)，本文建立的溫濕度預(yù)測模型性能較優(yōu)。

4 結(jié)論

(1)通過實(shí)測數(shù)據(jù)對LSTM溫濕度預(yù)測模型參數(shù)進(jìn)行訓(xùn)練優(yōu)化，確定網(wǎng)絡(luò)學(xué)習(xí)速率為0.008，完全連接子層神經(jīng)元數(shù)目為400時(shí)，模型可以達(dá)到較優(yōu)的性能。舍內(nèi)溫度預(yù)測的平均eRMSE和eMAPE分別為0.605℃和1.984%，舍內(nèi)相對濕度預(yù)測的平均eRMSE和eMAPE分別為3.297%和5.525%。

(2)無論在夏季還是在冬季，采用建立的預(yù)測模型舍內(nèi)溫度與相對濕度預(yù)測值與實(shí)測值變化趨勢一致。預(yù)測溫度與實(shí)測溫度的平均決定系數(shù)R2為0.821，舍內(nèi)溫度預(yù)測值與實(shí)測值最大誤差為1.9℃，平均誤差為0.5℃；預(yù)測相對濕度與實(shí)測相對濕度的平均決定系數(shù)R2為0.645，舍內(nèi)相對濕度預(yù)測值與實(shí)測值的最大誤差為13.5%，平均誤差為2.3%。

(3)提出的基于深度學(xué)習(xí)的溫濕度預(yù)測模型較精確地反映了豬舍內(nèi)溫度與相對濕度的變化情況，將預(yù)測模型的預(yù)測輸出加入到控制策略中，可以預(yù)測下一小時(shí)的豬舍環(huán)境狀況、提前對環(huán)境控制設(shè)備發(fā)出控制指令，控制設(shè)備提前運(yùn)行可緩解控制效果滯后的問題，為豬舍內(nèi)環(huán)境優(yōu)化控制策略提供可靠的參考。