郁瑩珺 徐達(dá)宇 壽國忠

摘要：溫室溫濕度的準(zhǔn)確預(yù)測(cè)有助于及時(shí)調(diào)節(jié)溫室小環(huán)境，溫濕度預(yù)測(cè)模型是溫室控制的重要基礎(chǔ)，提高預(yù)測(cè)精度有助于提高生產(chǎn)水平。針對(duì)溫室系統(tǒng)具有非線性、非平穩(wěn)性等特點(diǎn)，提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，簡(jiǎn)稱EMD）和小波神經(jīng)網(wǎng)絡(luò)（wavelet neural network，簡(jiǎn)稱WNN）的溫室溫濕度組合預(yù)測(cè)方法。首先，利用經(jīng)驗(yàn)?zāi)B(tài)分解方法將原始時(shí)間序列分解成一系列分量;然后對(duì)各分量分別構(gòu)建小波神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè);最后疊加各子序列得到預(yù)測(cè)值。結(jié)果表明，運(yùn)用EMD-WNN組合的溫度模型有效性為0.993 4，濕度模型有效性為0.978 1，且優(yōu)于單獨(dú)WNN模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果，可有效提高短期溫室溫濕度預(yù)測(cè)的精度。

關(guān)鍵詞：經(jīng)驗(yàn)?zāi)B(tài)分解;小波神經(jīng)網(wǎng)絡(luò);模型構(gòu)建;溫室;溫度;濕度;預(yù)測(cè)

中圖分類號(hào)： S625.5+1 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2019）01-0211-05

溫室作物生產(chǎn)是農(nóng)業(yè)生產(chǎn)發(fā)展的一個(gè)新階段，相較于大田作物生產(chǎn)，其生產(chǎn)過程受外界氣候變化的影響較小，能夠滿足人們?cè)诓煌竟?jié)對(duì)各種農(nóng)產(chǎn)品的需求?，F(xiàn)代化溫室可以有效地調(diào)控溫度、濕度、光照、二氧化碳濃度以及土壤溫濕度等環(huán)境因子，營造一個(gè)與室外大氣候環(huán)境相對(duì)隔離的小氣候環(huán)境，減小作物生長(zhǎng)對(duì)自然環(huán)境的依賴性。我國溫室發(fā)展迅速，但單位面積產(chǎn)量與西方發(fā)達(dá)國家相比，仍較為落后。溫室小氣候環(huán)境是影響作物生長(zhǎng)和產(chǎn)量的主要條件之一，為滿足作物對(duì)其生長(zhǎng)環(huán)境的不同要求，須要分析溫室小氣候的變化。如何模擬溫室小氣候環(huán)境，提高環(huán)境因子的預(yù)測(cè)精度，進(jìn)而快速地對(duì)溫室環(huán)境進(jìn)行調(diào)節(jié)和控制，提高溫室的生產(chǎn)力，是我國溫室發(fā)展亟待解決的問題。

由于溫室是一個(gè)典型的非線性、時(shí)變的復(fù)雜系統(tǒng)，外界氣候變化、溫室內(nèi)部作物的生理作用和各種調(diào)控措施都會(huì)對(duì)溫室小氣候環(huán)境產(chǎn)生影響，因此其模型很難通過機(jī)理法用簡(jiǎn)單的數(shù)學(xué)公式或傳遞函數(shù)來描述[1]。隨著智能計(jì)算的發(fā)展，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)解決溫室建模的相關(guān)問題逐漸成為研究熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力以及較好的自組織、自適應(yīng)能力，能夠通過數(shù)據(jù)的內(nèi)在聯(lián)系建立模型，它可以自動(dòng)從歷史數(shù)據(jù)中提取相關(guān)信息，從而有效地解決傳統(tǒng)預(yù)測(cè)方法面臨的許多局限和困難，因此鑒于其在建模中的優(yōu)勢(shì)，人工神經(jīng)網(wǎng)絡(luò)成為短期環(huán)境因子預(yù)測(cè)的一種性能較好的方法。王定成利用支持向量機(jī)回歸建模方法，根據(jù)歷史數(shù)據(jù)建立了溫室氣候模型[2]。李倩等針對(duì)不同通風(fēng)條件下南方塑料大棚內(nèi)溫濕度狀況，建立相應(yīng)的反向傳播（back propagation，簡(jiǎn)稱BP）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，結(jié)果表明，該模型對(duì)于不同季節(jié)、不同通風(fēng)條件、不同作物的大棚溫濕度模擬都有較高的精度[3]。金志鳳等利用氣象數(shù)據(jù)，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的楊梅大棚內(nèi)氣溫預(yù)測(cè)模型，該模型試驗(yàn)精度明顯高于同時(shí)利用逐步回歸法建立的模型[4]。Fourati采用Elman神經(jīng)網(wǎng)絡(luò)（elman neural network）建立溫室溫濕度預(yù)測(cè)模型，該模型包括6個(gè)輸入節(jié)點(diǎn)、3個(gè)隱節(jié)點(diǎn)、2個(gè)輸出節(jié)點(diǎn)，試驗(yàn)得到，溫度誤差為0.3 ℃，濕度誤差為4%[5]。鄒偉東等基于正交基函數(shù)的改進(jìn)型極限學(xué)習(xí)機(jī)對(duì)日光溫室環(huán)境因子進(jìn)行辨識(shí)，建立日光溫室溫濕度環(huán)境因子預(yù)測(cè)模型，預(yù)測(cè)結(jié)果表明，溫度模型有效性為0.943 4，濕度模型有效性為0.920 8[6]。

溫室的結(jié)構(gòu)從根本上決定了溫室內(nèi)的作物生長(zhǎng)對(duì)室外環(huán)境氣象條件的依賴性已大幅減小。目前關(guān)于室外環(huán)境氣象條件對(duì)溫室內(nèi)環(huán)境因子影響的研究較多，但針對(duì)溫室內(nèi)部環(huán)境因子開展的模擬預(yù)測(cè)較少。因此，本研究擬利用溫室內(nèi)小氣候數(shù)據(jù)，建立預(yù)測(cè)模型，對(duì)溫室的溫濕度環(huán)境進(jìn)行模擬和分析，以期為溫室環(huán)境調(diào)控提供科學(xué)依據(jù)。針對(duì)溫濕度時(shí)間序列具有非線性和非平穩(wěn)性的特點(diǎn)，本研究提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，簡(jiǎn)稱EMD）和小波神經(jīng)網(wǎng)絡(luò)（wavelet neural network，簡(jiǎn)稱WNN）的溫濕度短期組合預(yù)測(cè)模型，結(jié)合各方法的特點(diǎn)，通過優(yōu)勢(shì)互補(bǔ)提高預(yù)測(cè)精度。該方法首先利用經(jīng)驗(yàn)?zāi)B(tài)分解將時(shí)間序列分解為一系列具有不同特征尺度的數(shù)據(jù)序列分量;然后針對(duì)每組序列的自身特點(diǎn)構(gòu)建其小波神經(jīng)網(wǎng)絡(luò)模型，并對(duì)各分量進(jìn)行預(yù)測(cè);最后將各分量預(yù)測(cè)結(jié)果疊加得到最終預(yù)測(cè)值，并通過誤差分析，驗(yàn)證模型的預(yù)測(cè)效果。

1 經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解是一種能夠?qū)⒎瞧椒€(wěn)信號(hào)平穩(wěn)化處理的信號(hào)分析方法[7]，具有直觀性和適應(yīng)性，在很多領(lǐng)域中得到了廣泛應(yīng)用[8-11]。其假設(shè)任何復(fù)雜信號(hào)均由若干個(gè)頻率特征不同的本征模態(tài)函數(shù)（intrinsic mode function，簡(jiǎn)稱IMF）組成，且每一個(gè)IMF都是相互獨(dú)立的。分解出來的各IMF分量包含了原信號(hào)在不同時(shí)間尺度上的局部特征信號(hào)。經(jīng)驗(yàn)?zāi)B(tài)分解的目的是把復(fù)雜的信號(hào)分解成有限個(gè)本征模態(tài)函數(shù)之和。通過將時(shí)間序列與具有不同頻率的本征模態(tài)分量進(jìn)行匹配，將時(shí)間序列中不同尺度的分量逐級(jí)分解出來，產(chǎn)生一系列具有相同特征尺度的數(shù)據(jù)序列。分解后的數(shù)據(jù)序列與原始時(shí)間序列相比具有更強(qiáng)的規(guī)律性，因此經(jīng)驗(yàn)?zāi)B(tài)分解更適用于處理非線性、非平穩(wěn)性的時(shí)間序列。EMD分解步驟如下。

（1）求出原始時(shí)間序列x（t）中所有的極大值、極小值點(diǎn)，并用三次樣條插值函數(shù)擬合形成其上、下包絡(luò)線eup（t）、elow（t）。

3 基于EMD-WNN的組合預(yù)測(cè)方法

溫室內(nèi)溫濕度時(shí)間序列具有較強(qiáng)的非線性、非平穩(wěn)性，因此在使用常規(guī)學(xué)習(xí)預(yù)測(cè)方法時(shí)難以取得較好的效果。鑒于經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)在非平穩(wěn)數(shù)據(jù)處理中的突出優(yōu)勢(shì)，本研究提出一種基于EMD-WNN組合的預(yù)測(cè)方法。首先對(duì)原始時(shí)間序列進(jìn)行EMD，使其產(chǎn)生一系列不同尺度的IMF分量，實(shí)現(xiàn)序列平穩(wěn)化;然后針對(duì)各分量建立適合的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型;最后將各分量的預(yù)測(cè)值疊加得到最終預(yù)測(cè)值。

EMD-WNN預(yù)測(cè)模型的具體結(jié)構(gòu)流程（圖2）為（1）利用經(jīng)驗(yàn)?zāi)B(tài)分解方法對(duì)原始時(shí)間序列進(jìn)行分解，得到IMF各分量ci（t）和余量rN（t）。（2）分別對(duì)各IMF分量ci（t）和 rN（t） 建立小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，得到各分解序列的預(yù)測(cè)值。（3）將各分量預(yù)測(cè)值疊加得到最終預(yù)測(cè)結(jié)果。（4）與實(shí)際測(cè)量值對(duì)比，計(jì)算誤差指標(biāo)并進(jìn)行誤差分析。

4 試驗(yàn)過程

4.1 試驗(yàn)數(shù)據(jù)來源

試驗(yàn)數(shù)據(jù)來源于浙江省建德市某溫室，該溫室長(zhǎng)64 m，寬32 m，邊高為3 m，南北向?yàn)楣靶?，拱?.8 m。試驗(yàn)期間溫室內(nèi)種植作物為草莓。溫室環(huán)境因子數(shù)據(jù)由基于無線傳感網(wǎng)絡(luò)的智能溫室監(jiān)控系統(tǒng)自動(dòng)采集獲得。試驗(yàn)時(shí)間為2017年2月13日0：00至4月14日23：00，采集的數(shù)據(jù)為距地面1.5 m高度處的溫室內(nèi)溫度和濕度，采樣周期為1 h，去除異常數(shù)據(jù)后共獲得1 220個(gè)樣本數(shù)據(jù)，其原始時(shí)間序列如圖3所示。

4.2 預(yù)測(cè)過程

首先對(duì)原始時(shí)間序列進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，分解結(jié)果如圖4、圖5所示。根據(jù)頻率不同，可以將分解結(jié)果劃分高頻部分、低頻部分、殘差項(xiàng)等3部分。以溫度時(shí)間序列為例，IMF1～I(xiàn)MF3為高頻部分，表示溫度具有不平穩(wěn)性;IMF4～I(xiàn)MF7為低頻部分，表示溫度具有較平穩(wěn)的周期波動(dòng)性;殘差項(xiàng)r（t）則表示在試驗(yàn)期間，溫度呈穩(wěn)定上升趨勢(shì)。而對(duì)于濕度時(shí)間序列來說，IMF1～I(xiàn)MF4為高頻部分，表示濕度變化具有不平穩(wěn)性;IMF5～I(xiàn)MF8為低頻部分，表示濕度具有周期變化性;殘差項(xiàng)則表明在試驗(yàn)期間，濕度總體呈現(xiàn)波動(dòng)變化。

然后，使用EMD-WNN預(yù)測(cè)模型對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行訓(xùn)練。選取2月13日至4月13日的1 196個(gè)數(shù)據(jù)作為訓(xùn)練集，選取4月14日的24個(gè)數(shù)據(jù)作為測(cè)試集。采用具有單隱含層的3層小波神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，網(wǎng)絡(luò)結(jié)構(gòu)為4-6-1（輸入層節(jié)點(diǎn)數(shù)為4個(gè)，隱含層節(jié)點(diǎn)數(shù)為6個(gè)，輸出層節(jié)點(diǎn)數(shù)為1個(gè)）。其中，輸入層輸入當(dāng)前時(shí)間點(diǎn)前4個(gè)時(shí)間點(diǎn)的數(shù)據(jù);隱含層節(jié)點(diǎn)由小波基函數(shù)構(gòu)成，節(jié)點(diǎn)數(shù)為6個(gè);輸出層輸出當(dāng)前時(shí)間點(diǎn)的預(yù)測(cè)數(shù)據(jù)。

隱含層節(jié)點(diǎn)數(shù)是一個(gè)非常重要的參數(shù)，其直接影響神經(jīng)網(wǎng)絡(luò)模型的計(jì)算能力和對(duì)目標(biāo)函數(shù)的逼近能力。如果數(shù)量太少，網(wǎng)絡(luò)從樣本中獲取的信息較少，不足以概括和體現(xiàn)訓(xùn)練樣本的規(guī)律;如果數(shù)量過多，又可能出現(xiàn)過擬合現(xiàn)象。關(guān)于隱含層節(jié)點(diǎn)數(shù)的確定，目前還沒有成熟的理論進(jìn)行指導(dǎo)，通常根據(jù)建模經(jīng)驗(yàn)和試湊法來確定隱含層的節(jié)點(diǎn)數(shù)。根據(jù)網(wǎng)絡(luò)訓(xùn)練過程中誤差目標(biāo)函數(shù)的收斂情況以及預(yù)測(cè)值與真實(shí)值的擬合情況不斷對(duì)其進(jìn)行調(diào)整，最終確定隱含層節(jié)點(diǎn)數(shù)為6。

為提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效率和網(wǎng)絡(luò)的泛化性能，在訓(xùn)練前對(duì)所有樣本數(shù)據(jù)進(jìn)行歸一化處理。所有試驗(yàn)均在具有 3.3 GHz 中央處理器（central processing unit，簡(jiǎn)稱CPU）與8 G內(nèi)存的計(jì)算機(jī)上完成，仿真軟件為Matlab 2016a。

5 結(jié)果與分析

本研究同時(shí)采用WNN預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)原始時(shí)間序列進(jìn)行預(yù)測(cè)試驗(yàn)。圖6為基于EMD-WNN模型的預(yù)測(cè)結(jié)果，圖7為3種模型的預(yù)測(cè)結(jié)果。

從圖6、圖7、表1可以看出：（1）3種預(yù)測(cè)模型均可以對(duì)溫濕度時(shí)間序列的變化進(jìn)行有效跟蹤，表明利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬預(yù)測(cè)是行之有效的。（2）EMD-WNN模型和WNN模型的預(yù)測(cè)精度均比BP神經(jīng)網(wǎng)絡(luò)模型有所提高，說明與BP神經(jīng)網(wǎng)絡(luò)相比，小波神經(jīng)網(wǎng)絡(luò)對(duì)溫濕度的預(yù)測(cè)效果更為理想，體現(xiàn)了小波神經(jīng)網(wǎng)絡(luò)的優(yōu)越性。（3）與單獨(dú)的WNN模型相比，運(yùn)用EMD-WNN組合模型對(duì)溫室小氣候環(huán)境進(jìn)行模擬預(yù)測(cè)精度有了一定的提高，尤其在波動(dòng)較大的轉(zhuǎn)折點(diǎn)較為明顯;同時(shí)，運(yùn)用EMD-WNN組合模型的溫度均方根誤差減小0.504 ℃，濕度均方根誤差減小3.663 9百分點(diǎn)，溫度模型有效性相對(duì)提高0.018 7 ℃，濕度模型有效性相對(duì)提高了0.101 7百分點(diǎn)。結(jié)果表明，對(duì)溫濕度時(shí)間序列采用科學(xué)有效的算法降低其不穩(wěn)定性是有必要的。

6 結(jié)論

本研究提出一種基于EMD-WNN的溫室溫濕度短期組合預(yù)測(cè)模型，從研究對(duì)象的特性出發(fā)，采用多算法融合的組合預(yù)測(cè)思路來提高預(yù)測(cè)精度。首先利用經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)時(shí)間序列進(jìn)行平穩(wěn)化處理，然后對(duì)其進(jìn)行訓(xùn)練、檢驗(yàn)，進(jìn)而預(yù)測(cè)未來1 d的溫濕度變化。試驗(yàn)結(jié)果表明，該模型網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，收斂速度快，既發(fā)揮了經(jīng)驗(yàn)?zāi)B(tài)分解的優(yōu)勢(shì)，又繼承了小波變換良好的時(shí)頻局部化特性，能充分地分析環(huán)境因子的變化規(guī)律，并獲取其變化過程中的大體趨勢(shì)與細(xì)節(jié)信息，具有實(shí)際應(yīng)用價(jià)值。但環(huán)境因子的影響因素眾多，具有很大的隨機(jī)性，導(dǎo)致個(gè)別時(shí)間點(diǎn)的預(yù)測(cè)值存在較大的相對(duì)誤差，因此該模型有待于進(jìn)一步完善。

參考文獻(xiàn)：

[1]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.

[2]王定成. 溫室環(huán)境的支持向量機(jī)回歸建模[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35（5）：106-109.

[3]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.

[4]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(cè)模型研究[J]. 中國農(nóng)業(yè)氣象，2011，32（3）：362-367.

[5]Fourati F. Multiple neural control of a greenhouse[J]. Neurocomputing，2014，139（SI）：138-144.

[6]鄒偉東，張百海，姚分喜，等. 基于改進(jìn)型極限學(xué)習(xí)機(jī)的日光溫室溫濕度預(yù)測(cè)與驗(yàn)證[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015（24）：194-200.

[7]Huang N，Shen Z，Long S R，et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society A-Mathematical Physical and Engineering Sciences，1998，454（1971）：903-995.

[8]葉 林，劉 鵬. 基于經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的短期風(fēng)電功率組合預(yù)測(cè)模型[J]. 中國電機(jī)工程學(xué)報(bào)，2011，31（31）：102-108.

[9]姚冠新，顧 晴. 基于經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的農(nóng)產(chǎn)品價(jià)格短期預(yù)測(cè)[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（9）：402-405.

[10]賈 嶸，李濤濤，夏 洲，等. 基于隨機(jī)共振和經(jīng)驗(yàn)?zāi)B(tài)分解的水力發(fā)電機(jī)組振動(dòng)故障診斷[J]. 水利學(xué)報(bào)，2017，48（3）：334-340，350.

[11]王 賀，胡志堅(jiān)，陳 珍，等. 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率組合預(yù)測(cè)[J]. 電工技術(shù)學(xué)報(bào)，2013，28（9）：137-144.

[12]Zhang Q，Benveniste A. Wavelet networks[J]. IEEE Transactions on Neural Networks，1992，3（6）：889-898.

[13]侯澤宇，盧文喜，陳社明. 基于小波神經(jīng)網(wǎng)絡(luò)方法的降水量預(yù)測(cè)研究[J]. 節(jié)水灌溉，2013（3）：31-34.

[14]成謝鋒，傅女婷，陳 胤，等. 一種心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)[J]. 振動(dòng)與沖擊，2017，36（3）：1-6.

[15]靳 然，李生才. 基于小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的麥蚜發(fā)生期預(yù)測(cè)對(duì)比（英文）[J]. 植物保護(hù)學(xué)報(bào)，2016，43（3）：353-361.

[16]程聲烽，程小華，楊 露. 基于改進(jìn)粒子群算法的小波神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制，2014（19）：37-42.陳俐均，杜尚豐，梁美惠，等. 溫室溫濕度解耦控制策略[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（1）：216-220.