基于LSTM 的連棟溫室能耗預(yù)測模型

張云鶴，林森，沈劍波,陳誠,李作麟,解同磊

（1. 北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心，北京 100097；2. 農(nóng)芯科技（北京）有限責任公司，北京 100097）

連棟溫室作為一種現(xiàn)代農(nóng)業(yè)生產(chǎn)方式，其高能源消耗、高成本投入和高效率產(chǎn)出的生產(chǎn)模式已經(jīng)成為世界各國農(nóng)業(yè)發(fā)展的重點之一。在環(huán)境可控的條件下，通過智能裝備、信息技術(shù)等手段進行動植物高效生產(chǎn)，可顯著提升生產(chǎn)效益，其在實現(xiàn)作物的反季節(jié)生產(chǎn)和均衡上市等問題上有著非常重要的意義[1-2]。然而，連棟溫室也是一種高能耗的生產(chǎn)設(shè)施，降溫和加溫都需要消耗大量的能源[3-4]，一般溫室的能耗占溫室生產(chǎn)成本的30%～40%[5]，在某些極端情況下，溫室能耗能占到溫室生產(chǎn)成本的50%。高能耗已成為阻礙溫室發(fā)展的主要因素之一。因此，為了提高溫室的能源利用效率，減少溫室運行的能源消耗，有必要建立溫室能耗預(yù)測模型，為溫室環(huán)境節(jié)能設(shè)計、能源管理和控制提供理論參考[4]。隨著人工智能算法在近代飛速發(fā)展并在農(nóng)業(yè)設(shè)施領(lǐng)域中得到了廣泛應(yīng)用，溫室能耗預(yù)測模型的建立從機理模型逐漸向黑箱模型發(fā)展[6-8]。國內(nèi)外在溫室能耗預(yù)測黑箱模型方面進行了大量的研究。Ferreira 等[9]使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了溫室溫度預(yù)測模型，該模型將室外空氣溫度、太陽輻射，以及室內(nèi)相對濕度作為模型的輸入，對水培溫室空氣溫度進行了預(yù)測，獲得了較好的擬合結(jié)果。但試驗?zāi)Ｐ蜎]有與其他傳統(tǒng)的模型進行對比分析，試驗方法的優(yōu)越性缺乏說服力。汪小旵等[10]通過BP 神經(jīng)網(wǎng)絡(luò)方法對溫室小氣候構(gòu)建了模型，模型將室外溫濕度、風速、太陽輻射和天窗開度作為輸入，輸出為室內(nèi)溫濕度以及風速的預(yù)測值，并基于江淮地區(qū)梅雨季節(jié)溫室歷史數(shù)據(jù)進行驗證。試驗表明，該模型預(yù)測精度較高，但訓(xùn)練樣本只限于梅雨季節(jié)，模型在該地區(qū)整個時間段的泛化效果還需要進一步研究。何芬等[11]基于遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建日光溫室濕度預(yù)測模型，將溫室內(nèi)溫度、溫室外溫濕度、光照強度和保濕覆蓋層狀態(tài)做為模型輸入預(yù)測溫室濕度。試驗表明，該模型適用于華北地區(qū)的冬季日光溫室，精度高且收斂速度快，可以作為空氣濕度預(yù)測模型。鄒秋瀅[12]為對溫室室內(nèi)外溫濕度等環(huán)境因子進行模擬和預(yù)測，使用ANFIS 神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了溫室小氣候模型。經(jīng)過溫室歷史數(shù)據(jù)驗證表明，該模型對溫室環(huán)境因子的預(yù)測精度較高。程曼等[13]使用BP 神經(jīng)網(wǎng)絡(luò)對溫室室內(nèi)外環(huán)境數(shù)據(jù)進行了擬合，將室外環(huán)境數(shù)據(jù)和天氣狀況作為模型輸入，室內(nèi)溫度和室內(nèi)濕度作為輸出構(gòu)建了溫室環(huán)境模型，并使用預(yù)測結(jié)果優(yōu)化了溫室的環(huán)境控制。Taki 等[14]分別對使用動態(tài)模型、線性回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)建半日光溫室室內(nèi)溫度和能量損失預(yù)測模型的過程進行了研究，經(jīng)過試驗和對比分析，發(fā)現(xiàn)動態(tài)模型和線性回歸模型構(gòu)建方法復(fù)雜，且無法準確預(yù)測輸出參數(shù)，而人工神經(jīng)網(wǎng)絡(luò)模型簡單且預(yù)測結(jié)果準確，更適用于溫室環(huán)境和能耗的預(yù)測。彭輝等[15]利用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)（ANFIS）構(gòu)建溫室環(huán)境模型，該模型將溫度和濕度差作為輸入，把獲得的控制輸出用于后續(xù)的溫室環(huán)境控制。根據(jù)后續(xù)控制試驗的結(jié)果證明，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測方法具有很高的精確性和魯棒性。任守綱等[16]和劉鑫[17]基于滾動的反向傳播神經(jīng)網(wǎng)絡(luò)（R-BP）構(gòu)建溫室小氣候預(yù)測模型，解決了BP神經(jīng)網(wǎng)絡(luò)中長期預(yù)測累積誤差大的問題。通過歷史數(shù)據(jù)驗證，該模型在預(yù)測6 h 內(nèi)室內(nèi)溫度和室內(nèi)濕度時能明顯降低平均誤差，可以較準確的預(yù)測未來6 h 內(nèi)溫室小氣候環(huán)境變化。王茂發(fā)等[18]提出了一種新的短距空間并行雙向RNN 算法用于高光譜農(nóng)業(yè)圖像分類，通過組合多個卷積層實現(xiàn)了頻譜和空間特征的同時利用，提升了圖像的分類效果。

綜上所述，能耗預(yù)測模型的構(gòu)建多采用人工神經(jīng)網(wǎng)絡(luò)（ANN）方法，但目前構(gòu)建模型使用的神經(jīng)網(wǎng)絡(luò)還停留在簡單的淺層神經(jīng)網(wǎng)絡(luò)，這些方法構(gòu)建模型復(fù)雜且非線性擬合能力有限。隨著深度學(xué)習的進步和發(fā)展，長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）等具有更強大擬合能力的深層神經(jīng)網(wǎng)絡(luò)算法早已成熟且應(yīng)用于包括農(nóng)業(yè)在內(nèi)的眾多領(lǐng)域。本文基于LSTM 神經(jīng)網(wǎng)絡(luò)構(gòu)建溫室能耗預(yù)測模型，通過與循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）以及BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建的能耗預(yù)測模型進行對比，發(fā)現(xiàn)LSTM 神經(jīng)網(wǎng)絡(luò)模型對能耗的預(yù)測準確性更高，對溫室的節(jié)能設(shè)計和能耗控制有一定的指導(dǎo)意義。

1 材料與方法

1.1 數(shù)據(jù)來源

試驗于2020 年11 月至2021 年6 月在山東省壽光現(xiàn)代農(nóng)業(yè)高新技術(shù)試驗示范基地智慧農(nóng)業(yè)科技園進行。試驗使用傳感器采集溫室室內(nèi)外空氣溫度和濕度（圖1），通過網(wǎng)關(guān)實時傳輸并存儲在云服務(wù)器部署的數(shù)據(jù)庫。室內(nèi)外環(huán)境數(shù)據(jù)采集時間為每天24 h 不間斷，每5 min 上傳1 條數(shù)據(jù)至數(shù)據(jù)庫，設(shè)備型號個數(shù)溫室的耗電量數(shù)據(jù)每天有17 個時間段記錄并上傳數(shù)據(jù)庫。

圖1 溫室傳感器

1.2 數(shù)據(jù)處理

本試驗使用Python 的Keras 深度學(xué)習框架構(gòu)建LSTM 深度神經(jīng)網(wǎng)絡(luò)模型，將采集的數(shù)據(jù)輸入到模型之前需要進行預(yù)處理。

本試驗使用Python 的pandas 庫和sklearn 庫進行數(shù)據(jù)的讀取和預(yù)處理。pandas 庫和sklearn 庫是Python 常用的擴展庫，其中pandas 庫是強大的數(shù)據(jù)分析庫，其主要有Series 和DataFrame 2 種數(shù)據(jù)類型，簡化對數(shù)據(jù)集操作；sklearn 是scikit-learn 的縮寫，是強大的機器學(xué)習庫，包含很多機器學(xué)習計算方法，通過其對pandas 處理后的數(shù)據(jù)進行進一步的復(fù)雜計算處理。

試驗首先通過pandas 庫讀取excel 數(shù)據(jù)，將數(shù)據(jù)存儲到二維數(shù)據(jù)類型DataFrame 中，然后進行數(shù)據(jù)清洗，因為采集設(shè)備和人為因素等各方面問題，有些日期的能耗數(shù)據(jù)缺失，為保證試驗的準確性，對該日期的環(huán)境數(shù)據(jù)進行刪除處理。針對環(huán)境因子每5 min 采集1 條數(shù)據(jù)，每天的能耗數(shù)據(jù)只有17 個的數(shù)據(jù)格式不匹配的問題，對每天對應(yīng)能耗數(shù)據(jù)時間段的溫室內(nèi)外環(huán)境數(shù)據(jù)進行取平均值的處理，這樣每條環(huán)境數(shù)據(jù)對應(yīng)1 個能耗數(shù)據(jù)，符合模型的數(shù)據(jù)格式要求。

經(jīng)過數(shù)據(jù)清洗和格式化，最后獲得2020 年11月至2021 年6 月溫室室內(nèi)外溫度、室內(nèi)濕度和耗電量數(shù)據(jù)共4 023 條，使用sklearn 庫的preprocesssing模塊對數(shù)據(jù)進行歸一化處理，即將數(shù)據(jù)映射至（0,1）范圍，得到最終的模型輸入數(shù)據(jù)集合。

1.3 研究方法

1.3.1 長短期記憶神經(jīng)網(wǎng)絡(luò) 長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）由Hochreiter 和Schmidhuber 于1997 年提出，是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，其在原始RNN 隱藏層的基礎(chǔ)上增加了處理長距離依賴的單元狀態(tài)，解決了循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）存在的梯度消失問題，能夠?qū)σ蕾囆畔⑦M行長期學(xué)習[19]。

為了控制新增加的單元狀態(tài)，LSTM 使用了3個控制開關(guān)，即輸入門、輸出門、遺忘門。輸入門用來控制信息輸入，遺忘門用來控制細胞歷史狀態(tài)信息的保留，輸出門用來控制信息輸出。

假設(shè)模型輸入為（x1,x2，…，xt），隱藏層輸出為（h1,h2，…，ht），則在t 時刻，LSTM 的輸入有3 個：當前網(wǎng)絡(luò)的輸入xt、前一時刻的隱藏層單元輸出ht-1，以及前一時刻的單元狀態(tài)ct-1，根據(jù)前向計算得出下列公式。

1.3.2 基于LSTM 的能耗預(yù)測模型 本試驗進行溫室能耗預(yù)測的完整流程如圖2 所示，其步驟主要包括數(shù)據(jù)獲取和預(yù)處理、模型構(gòu)建、模型訓(xùn)練和模型預(yù)測。

圖2 溫室能耗預(yù)測流程圖

（1）數(shù)據(jù)的獲取和預(yù)處理。首先，通過傳感器等設(shè)備采集溫室室內(nèi)外環(huán)境數(shù)據(jù)和能耗數(shù)據(jù)，將數(shù)據(jù)同步至云端服務(wù)器，手動將云端數(shù)據(jù)導(dǎo)入到本地excel 文件中。然后，對采集的數(shù)據(jù)進行預(yù)處理，包括清洗、格式化和歸一化，得到最終符合模型輸入的數(shù)據(jù)，并根據(jù)留出法按照8:2 的比例劃分訓(xùn)練集和測試集。

（2）LSTM 網(wǎng)絡(luò)能耗預(yù)測模型的構(gòu)建。使用Python 的Keras 深度學(xué)習框架構(gòu)建能耗預(yù)測模型。本試驗使用Sequential 模型獲取model 對象搭建LSTM 網(wǎng)絡(luò)模型，通過該對象調(diào)用add( )方法搭建LSTM 網(wǎng)絡(luò)模型。該方法逐層按需添加LSTM 網(wǎng)絡(luò)層、Dropout()遺忘層或Dense()全連接層。然后，調(diào)用compile()方法設(shè)置損失函數(shù)loss、評估方法metrics和優(yōu)化器optimizer。最后，調(diào)用fit()方法設(shè)置訓(xùn)練輪數(shù)epochs、驗證集比例validation_split 和每次梯度更新的樣本數(shù)batch_size，并輸入訓(xùn)練數(shù)據(jù)開始訓(xùn)練。模型根據(jù)預(yù)設(shè)的損失函數(shù)，優(yōu)化器等進行訓(xùn)練和驗證，每一輪訓(xùn)練的結(jié)果都保存在history 對象中。

（3）通過Python 的matplotlib 庫進行訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的可視化，通過sklearn 庫的metrics 模塊計算評價指標，通過圖像和評價指標判斷模型的訓(xùn)練情況，修改參數(shù)后重新訓(xùn)練和測試，直至獲得最接近的訓(xùn)練和驗證結(jié)果，將此時的參數(shù)代入模型，將訓(xùn)練集和測試集一起輸入模型訓(xùn)練得到最終的模型。

1.3.3 基于BP 神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測模型 BP 神經(jīng)網(wǎng)絡(luò)分析法是機器學(xué)習的一種分析方法，是按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。BP 神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，通常由輸入層、隱含層、輸出層組成。BP 神經(jīng)網(wǎng)絡(luò)實現(xiàn)從輸入到輸出的映射功能，能以任何精度逼近任意非線性連續(xù)函數(shù)[20]。

隱含層的傳遞函數(shù)為S 型曲線，設(shè)置為tansig函數(shù)。輸出層的傳遞函數(shù)為線性函數(shù)，即purelin函數(shù)。

1.4 模型評價指標

本試驗采用均方誤差MSE 和平均絕對誤差MAE 作為預(yù)測模型性能的評價指標。MSE 為均方誤差函數(shù)，MAE 為平均絕對值誤差函數(shù)。

式中，yi為試驗采集的溫室數(shù)據(jù)；為模型的預(yù)測數(shù)據(jù)值。

2 結(jié)果與分析

2.1 Python 數(shù)據(jù)分析結(jié)果

在模型中使用MSE 函數(shù)作為損失函數(shù)計算誤差，使用MAE 函數(shù)作為評估函數(shù)，評估函數(shù)的作用類似于損失函數(shù)，但是，評估函數(shù)計算的值不會用于訓(xùn)練。使用Adam 算法進行優(yōu)化，因為調(diào)用fit()方法訓(xùn)練模型，所以每一輪訓(xùn)練的結(jié)果會保存在history對象中，該對象是Python 中的字典數(shù)據(jù)類型，通過matplotlib 庫將history 存儲的值可視化如圖3 所示。

圖3 訓(xùn)練集和驗證集損失和評價對比圖

由圖3 可以看出，隨著訓(xùn)練輪數(shù)的增加，訓(xùn)練損失和測試損失不斷減少，最后趨于平穩(wěn)，訓(xùn)練的評價值和預(yù)測的評價值也在不斷減少，最終趨于平穩(wěn)。訓(xùn)練損失是在訓(xùn)練集上通過MSE 函數(shù)計算的損失值。訓(xùn)練評價值是在訓(xùn)練集上通過MAE 函數(shù)計算的評價值。因為模型在學(xué)習數(shù)據(jù)集的特征，學(xué)習的過程會使損失值和評價值降低。測試損失是在測試集上通過MSE 函數(shù)計算的損失值，即模型預(yù)測得到的能耗值與測試集真實能耗值的均方誤差，測試評價值是在測試集上通過MAE 函數(shù)計算的評價值，即模型預(yù)測的能耗值和測試集真實能耗值的平均絕對誤差。

2.2 能耗預(yù)測模型對比分析

為了驗證LSTM 網(wǎng)絡(luò)模型的性能，同時構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型和RNN 模型對溫室能耗數(shù)據(jù)集進行訓(xùn)練和預(yù)測并對比分析。在相同的訓(xùn)練超參數(shù)條件和數(shù)據(jù)集劃分情況下，分別調(diào)整模型參數(shù)，查看模型訓(xùn)練結(jié)果和在測試集的泛化結(jié)果，經(jīng)過多次對比試驗，保留最好的測試集預(yù)測結(jié)果下的模型參數(shù)。此時模型在訓(xùn)練集的學(xué)習結(jié)果如圖4 所示。BP 神經(jīng)網(wǎng)絡(luò)、RNN 神經(jīng)網(wǎng)絡(luò)和LSTM 神經(jīng)網(wǎng)絡(luò)都能對訓(xùn)練數(shù)據(jù)集數(shù)據(jù)的數(shù)據(jù)范圍和趨勢進行準確的學(xué)習和預(yù)測，模型在測試集的泛化結(jié)果如圖5 所示。模型能在充分學(xué)習訓(xùn)練數(shù)據(jù)集的特征之后，對測試集數(shù)據(jù)的范圍和趨勢進行較好的擬合，表明模型同時具有較好的泛化性，但相比較之下，RNN 和LSTM 網(wǎng)絡(luò)模型的在同等條件下的預(yù)測值更接近真實值，而BP網(wǎng)絡(luò)模型預(yù)測值偏差較大。

圖4 BP 網(wǎng)絡(luò)（A）、RNN 網(wǎng)絡(luò)（B）和LSTM 網(wǎng)絡(luò)（C）在訓(xùn)練集訓(xùn)練結(jié)果

圖5 能耗數(shù)據(jù)與BP 網(wǎng)絡(luò)、RNN 網(wǎng)絡(luò)和LSTM 網(wǎng)絡(luò)預(yù)測值對比

表1 給出了將BP、RNN 和LSTM 網(wǎng)絡(luò)模型參數(shù)調(diào)整到最優(yōu)時，模型的評價指標和運行時間。由表1 可知，BP、RNN 和LSTM 網(wǎng)絡(luò)模型預(yù)測值和真實值的均方差分別為0.054、0.040、0.037，平均絕對誤差分別為0.142、0.121、0.114。3 個模型的MAE 值都明顯高于MSE 值。因為模型按照MSE 損失函數(shù)進行優(yōu)化和訓(xùn)練，所以MSE 值要小于MAE 值。LSTM 網(wǎng)絡(luò)模型相較于BP 模型均方差損失降低了0.017，平均絕對誤差損失降低了0.028，相較于RNN 模型均方差損失降低了0.003，平均絕對誤差損失降低了0.007。然而，LSTM 模型的運行時間是3 個模型中最長的。

表1 BP 網(wǎng)絡(luò)、RNN 網(wǎng)絡(luò)和LSTM 網(wǎng)絡(luò)評價指標和運行時間

由試驗結(jié)果可得，該文所提的模型略優(yōu)于BP網(wǎng)絡(luò)模型和RNN 神經(jīng)網(wǎng)絡(luò)模型，基于LSTM 的溫室能耗模型能更好的提取溫室環(huán)境數(shù)據(jù)的高維特征，能更精確的擬合溫室環(huán)境下的能量消耗，在一定程度上提高了傳統(tǒng)網(wǎng)絡(luò)模型算法的精度。

3 討論與結(jié)論

3.1 討論

本研究中的數(shù)據(jù)集規(guī)模在Python 數(shù)據(jù)分析案例中屬于小數(shù)據(jù)集范疇，雖然在該數(shù)據(jù)集的訓(xùn)練和測試試驗下，LSTM 模型的預(yù)測結(jié)果略優(yōu)于其他算法，但3 個模型的預(yù)測效果均良好。一般來說，訓(xùn)練時間長精度會有所提高。對于LSTM 神經(jīng)網(wǎng)絡(luò)時間運行時間較長的問題，可通過設(shè)置不同的參數(shù)對神經(jīng)網(wǎng)絡(luò)進行多次訓(xùn)練，選擇運行效率較高的網(wǎng)絡(luò)結(jié)構(gòu)。

本研究中，LSTM 網(wǎng)絡(luò)模型運行時間是BP 模型RNN 模型的2.96 倍、1.68 倍，LSTM 模型的訓(xùn)練時間較長。其優(yōu)越性無法更好的體現(xiàn)，若要進一步研究LSTM 網(wǎng)絡(luò)的優(yōu)越性和實用性，需要后續(xù)采集更多的數(shù)據(jù)，進一步進行對比試驗。雖然3 種神經(jīng)網(wǎng)絡(luò)的運行時間有所不同，但在程序?qū)嶋H運行過程中，在這個場景下，運行時間滿足生產(chǎn)使用要求，為了獲取更高的預(yù)測效果，時間成本可以忽略。

3.2 結(jié)論

本研究針對大型連棟溫室能耗較高的問題，使用了LSTM 長短時記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建玻璃溫室能耗預(yù)測模型，并將該模型的預(yù)測效果分別與BP 和RNN 神經(jīng)網(wǎng)絡(luò)模型進行對比。根據(jù)研究結(jié)果可得出如下結(jié)論。

（1）從精度方面，LSTM 模型的預(yù)測精度指標均優(yōu)于BP 和RNN 網(wǎng)絡(luò)模型。具體排序為：LSTM 神經(jīng)網(wǎng)絡(luò)模型優(yōu)于RNN 神經(jīng)網(wǎng)絡(luò)模型，RNN 神經(jīng)網(wǎng)絡(luò)模型優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)模型。

（2）從運行時間上來說，BP 神經(jīng)網(wǎng)絡(luò)模型優(yōu)于RNN 神經(jīng)網(wǎng)絡(luò)模型與LSTM 神經(jīng)網(wǎng)絡(luò)模型。具體排序為：BP 神經(jīng)網(wǎng)絡(luò)模型優(yōu)于RNN 神經(jīng)網(wǎng)絡(luò)模型，RNN 神經(jīng)網(wǎng)絡(luò)模型優(yōu)于LSTM 神經(jīng)網(wǎng)絡(luò)模型。

本研究針對北方地區(qū)玻璃溫室作生產(chǎn)中能耗過大，能源浪費嚴重的問題，利用BP 神經(jīng)網(wǎng)絡(luò)模型、RNN 神經(jīng)網(wǎng)絡(luò)模型與LSTM 神經(jīng)網(wǎng)絡(luò)模型3 類模型進行比較與分析，在溫室能耗的預(yù)測、管理和控制等方面提供了精確的耗能預(yù)測方法，具有重要的現(xiàn)實意義與價值。