基于R-BP神經網絡的溫室小氣候多步滾動預測模型*

任守綱，劉 鑫，顧興健，王浩云，袁培森，徐煥良

?

基于R-BP神經網絡的溫室小氣候多步滾動預測模型*

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．南京農業大學信息科技學院，南京 210095；2．國家信息農業工程技術中心，南京 210095）

溫室高效生產依賴于適宜的溫室小氣候環境，建立高精度的溫室小氣候多步預測模型對實現溫室環境優化調控具有重要意義。本研究提出一種基于滾動的反向傳播神經網絡（Rolling Back Propagation Neural Network, R-BP）的溫室小氣候多步滾動預測模型。模型主要包括兩個階段：（1）建立初始的BP神經網絡。采用自動編碼器無監督學習方法獲取初始網絡參數，并利用改進的粒子群算法優化網絡參數。（2）建立滾動的BP神經網絡群。將前一個網絡輸出作為后一個網絡的部分輸入進行滾動訓練和預測，實現溫室小氣候多步滾動預測。為驗證R-BP模型的有效性，在阿拉伯聯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行試驗。驗證試驗表明，與傳統BP神經網絡相比，在阿布扎比溫室試驗中，采用R-BP模型預測未來6h室內溫度，其平均誤差降低69.9%，預測相對濕度，其平均誤差降低47%；在蘇州溫室試驗中，采用R-BP模型預測未來6h室內溫度，其平均誤差降低43.3%，預測相對濕度，其平均誤差降低55.6%。說明R-BP模型能夠較準確預測未來6h內溫室小氣候環境變化，可為制定溫室小氣候優化調控方案提供依據。

溫室環境；自動編碼器；BP神經網絡；粒子群算法；滾動預測

溫室小氣候預測模型對溫室環境優化調控具有重要意義[1-2]，主要分為兩類：一是機理模型，在荷蘭、美國等國家應用較多[3]，其建模所需參數多，建模難度大[4]。二是實驗模型，建模與溫室類型無關，僅需獲取溫室內外的環境數據。在實驗模型中，反向傳播（Back Bropagation，BP）神經網絡簡單且容錯能力強，在溫室小氣候預測中應用最為廣泛[5-12]。Seginer等[5]首先提出基于BP神經網絡的溫室小氣候模型；汪小旵等[6]利用BP神經網絡構建了適于南方梅雨季節的溫室小氣候模型，在網絡輸入中加入天窗控制狀態。何芬等[7]采用BP神經網絡建立溫室內植物冠層溫度模型，模型模擬精度較機理模型更高。李倩等[8]利用BP神經網絡，模擬了冬季和春季不同通風條件下溫室溫濕度。上述研究表明人工神經網絡在溫室小氣候環境預測方面切實可行。但目前預測模型多數只能進行單步預測[9-12]，無法實現精確的多步滾動預測，不能滿足優化調控的要求。

自動編碼器（Auto-Encoder，AE）可以自動挖掘數據的特征[13]，與BP神經網絡結合，能夠顯著提高BP神經網絡的預測精度。Rumelhart等[14]首先提出AE的概念并用于處理高維復雜數據。Bengio等[15]提出采用AE無監督預訓練得到良好的初始化參數，再用BP算法反向微調，減少BP易過擬合的缺陷。目前AE已在多種分類或預測任務中獲得應用[16-19]。Romeu等[19]將疊加去噪自動編碼器和BP神經網絡用于室內溫度的時間序列預測，在測試中得到了更好的泛化效果。粒子群算法（Particle Swarm Optimization，PSO）可以優化人工神經網絡的權重和閾值參數，降低神經網絡陷入局部最優的可能性[20-21]。在溫室小氣候多步滾動預測方面，目前尚無采用AE和PSO算法優化BP神經網絡提高預測模型精度的報道。

本研究提出一種滾動的BP神經網絡群模型（Rolling-Back Propagation, R-BP），預測未來6h的溫室內溫濕度。在阿布扎比（Abu Dhabi）自控溫室數據集和蘇州非自控溫室數據集上進行試驗，試驗結果驗證了基于R-BP神經網絡的溫室小氣候多步滾動預測模型的有效性和準確性。該模型為制定溫室小氣候環境，優化調控方案奠定了基礎，有助于溫室運行節能降耗，提高溫室生產的經濟效益。

1 材料與方法

1.1 試驗材料

1.1.1 阿布扎比自控溫室數據采集

試驗一在阿布扎比市單棟塑料溫室內進行，該溫室能夠根據閾值實現對溫濕度等環境參數的自動調控。溫室位于24°18′N、54°40′E，肩高2.8m，跨度8m，長30m。試驗期間，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，忽略作物對溫室小氣候的影響。由于中東地區氣候較炎熱，溫室主要通過風機-濕簾強制通風進行降溫，用水閥控制濕簾通水，采用HortiMax過程控制計算機自動控制設備開關，基于閾值法控制溫室內溫度和相對濕度，溫度超過27℃時開啟風機和水閥，控制設備的狀態由HortiMax計算機系統自動記錄。采用EKtron（荷蘭產）系列無線傳感器采集室內溫度和相對濕度，在距地面1m，距溫室入口2m、15m和28m的地方分別布置1個溫濕度采集點，共3個傳感器，室內數據取3個傳感器平均值，室外環境參數包括溫度、相對濕度、太陽輻射和風速等，通過HortiMax小型氣象站采集。數據采集時間為 2015 年 7 月 1日-2016年6月30日，采集周期為5min，利用3個周期的平均值，將室內外數據整合成周期為15min的試驗數據。為驗證模型在自動控制系統開啟時對溫濕度多步滾動預測的有效性，選擇阿布扎比夏季溫室采集的數據進行試驗，由于7、8月溫度較高，設備一直處于開啟狀態，設備狀態無變化，對模型在控制條件下的檢驗無意義，因此，選取溫室2016年6月1-30日采集的數據進行試驗。

1.1.2 蘇州非自控溫室數據采集

試驗二在蘇州市的御亭現代農業產業園試驗溫室進行，溫室為四連棟塑料溫室，單棟跨度8.0m，長44.0m，肩高3.0m，溫室兩側卷簾開度1.8m，有風機-濕簾、上卷簾、側卷簾等手動控制設備。數據采集時間為 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，試驗期間溫室保持側卷簾打開，上卷簾關閉，可忽略控制設備對溫室小氣候的影響。為驗證模型在無控制設備影響時的小氣候多步滾動預測效果，本研究采用該階段的數據進行試驗。通過小型氣象站Watchdog2900ET每5min采集室外數據，包括溫室外溫度、濕度、太陽輻射和風速等。采用JRFW-2（北京產）系列無線傳感器采集室內數據，在距離地面1m和2m高度分別在相鄰兩棟溫室中間布置1個監測點，共計6個監測點，由基于ZigBee無線傳感器網絡的溫室智能監控系統自動采集室內空氣溫度及相對濕度數據，每5min記錄1次數據，最后將每連續3次數據取平均值，將室內外數據整合為15min間隔的數據。

1.2 試驗方法

1.2.1 R-BP多步滾動預測模型概述

傳統單步提前滾動預測模型將輸出反饋給輸入端作為網絡的部分輸入進行連續的滾動預測，累積誤差較大。本研究基于單步提前滾動預測模型，建立若干個基于BP神經網絡的單步預測網絡，將前一個網絡的輸出作為后一個網絡的部分輸入進行滾動訓練和預測，即后一個網絡部分訓練樣本來源于前一個網絡的訓練樣本模擬結果，使每個網絡的訓練集和測試集來源一致，降低了多步滾動預測的累積誤差，提高了預測精度。將R-BP模型和基于BP神經網絡的單步提前滾動預測模型同時應用于阿布扎比自控溫室和蘇州非自控溫室，對溫室內溫濕度進行預測，以驗證R-BP模型的有效性和準確性。

基于R-BP神經網絡的多步滾動預測模型結構如圖1所示，模型分為兩個階段：建立初始BP神經網絡和滾動的BP神經網絡群。

R-BP模型中第一個神經網絡的預測結果和網絡參數分別作為第二個神經網絡的部分輸入和初始網絡參數，對R-BP模型整體的預測結果具有重要影響，因此，采用AE無監督學習和PSO算法優化第一個神經網絡的權重和閾值參數。將優化后的神經網絡稱之為初始BP神經網絡，記為f1，訓練f1作為R-BP 模型的第一階段。

R-BP模型第二階段是構建滾動的BP神經網絡群，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訓練完成后，將fn?1的網絡參數作為fn的初始網絡參數，由于連續兩個模型的預測時間間隔較短（15min），網絡參數差異較小，而BP神經網絡有較強的反向微調能力，因此，f2-fn均采用BP神經網絡，以進一步縮小預測模型的誤差。

根據室內外影響因子建立溫室小氣候的函數模型，如式（1）和式（2）所示。設當前時刻為t，連續預測t+1至t+n時刻的數據。

n≥2 （2）

訓練完n個網絡后，保存每個BP神經網絡的權重和閾值參數，將fn?1的預測結果作為fn的部分輸入進行不斷滾動預測。

1.2.2 建立初始BP神經網絡

初始神經網絡包括兩步，第一步：AE無監督學習，采用AE優化BP神經網絡的初始參數；第二步：BP神經網絡有監督學習，采用PSO算法優化網絡參數，由于標準PSO算法存在易早熟、穩定性差等問題，本研究提出一種改進的PSO算法，用于優化神經網絡的權重和閾值參數。

（1）基于AE的BP神經網絡初始參數優化

首先建立三層自動編碼器網絡，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重和閾值{W(1)，b(1)}為編碼器，編碼函數采用sigmoid函數；隱藏層與輸出層之間的權重和閾值{W(2)，b(2)}為譯碼器，譯碼函數采用tanh函數，則有

AE是一種無監督學習模型，即訓練數據是無標簽的，輸出為輸入的重構，采用梯度下降法進行訓練，通過計算重構誤差得到AE的權重參數，獲得輸入數據的特征表達，作為BP神經網絡的初始參數，而非采用隨機初始化網絡參數的方式。重構誤差函數J(θ)如式（5）所示。

圖1 R-BP多步滾動預測模型結構圖（n=2，4，…，24）

（2）基于改進PSO算法的BP神經網絡參數優化

傳統BP神經網絡利用梯度下降法進行訓練，局部微調性較強，但易陷入局部最優點，故提出一種改進的PSO算法，用以優化初始BP神經網絡的權重和閾值。

在一個D維搜索空間中，粒子種群規模是N，第i（i=1，2，…，N）個粒子的位置是xi=[xi1，xi2，…，xiD]，飛行速度是vi=[vi1，vi2，…，viD]。第i個粒子尋找的最優位置為pi=[pi1，pi2，…，piD]，即局部最優解；群體搜索的最優位置為pg=[pg1，pg2，…，pgD]，即全局最優解。標準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為慣性權重，c1、c2為加速因子，r1、r2為[0，1]區間的隨機數，t為當前迭代次數。算法達到預設精度或迭代次數時終止。

由于網絡參數較多，粒子的維度較高，在一定的粒子種群數量下PSO算法的性能會隨著被優化問題維數的增加而降低[22]，為了不增加算法的復雜度并提高精度，故提出一種改進的PSO算法。

①采取局部粒子群優化方法。即通過并行算法將種群分成多個子群，粒子的速度基于個體最優和子群全局最優更新[23]，以加強全局搜索能力，同時提高算法的效率。由于神經網絡結構較復雜，粒子維度較高，因此，結合文獻[24]提出的擴展PSO算法，即將粒子速度更新公式改為基于個體極值中心點和全局極值。個體極值中心點為pavg=[pavg1，pavg2，…，pavgD]，其中

改進的粒子群速度更新公式為

式中，pLg為每個子群的全局最優位置，其它參數同式（6）。

②引入遺傳算法的交叉算子。即對粒子位置執行交叉操作，以增加種群多樣性，避免算法早熟收斂。交叉時將網絡參數分為兩個部分，第一部分即神經網絡輸入層到隱藏層的參數{W(1)，b(1)}，第二部分為神經網絡隱藏層到輸出層的參數{W(2)，b(2)}。設交叉概率為Pc，第一個子群的個體xi=[xi1，xi2，…，xiD]以Pc的概率與第一個子群的全局最優位置pLg1第二部分參數交叉，如式（10）所示；第二個子群的個體xj=[xj1，xj2，…，xjD]以Pc的概率與第二個子群的全局最優位置pLg2第一部分參數交叉，如式（11）所示。

D=IN·HN+HN·ON+HN+ON （12）

③引入變異算子。種群進化過程中如果某個粒子的適應值多次低于群體平均適應值，則表明粒子的進化方向已經遠遠偏離最優解，不再適應當前的搜索環境，因此，引入遺傳算法的變異算子對該粒子執行變異操作，使陷入局部值的粒子跳出并繼續尋找最優解，其它粒子則保持原狀態繼續進化，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 滾動的BP神經網絡群

R-BP模型第二階段是建立滾動的BP神經網絡群，滾動步長15min，連續建立n個單步預測模型，第n個BP神經網絡學習和預測過程如圖2所示，采用t+n-1（n≥2）時刻訓練集train_xn訓練fn模型，該訓練集包括t+n-1時刻的溫室內外環境影響因素Pt+n-1，以及fn-1模型的訓練集的模擬結果train_yn-1。網絡輸出為t+n時刻的實測數據，采用梯度下降法訓練網絡。訓練完成后將訓練集train_xn再次輸入fn模型中，得到訓練集的模擬結果train_yn，即t+n時刻的溫室內部溫濕度模擬結果集，將作為train_xn+1的一部分用于訓練fn+1模型。然后將t+n-1時刻測試集test_xn輸入模型得到t+n時刻室內溫濕度預測結果test_yn，并作為test_xn+1的一部分，用于預測t+n+1時刻的室內溫濕度。如此滾動訓練和預測，實現溫室小氣候的多步滾動預測。訓練多個網絡的目的是為了使訓練集和測試集來源一致，即fn（n≥2）模型的訓練樣本和測試樣本中的室內溫濕度數據均來自fn-1模型的模擬結果，并且重新訓練網絡可以提高神經網絡的泛化能力。

1.3 模型評價指標

試驗預測值和實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BP神經網絡學習和預測過程

注：train_xn、test_xn（n=2，…，24）分別表示第n個網絡訓練樣本和測試樣本；train_yn、test_yn分別表示第n個網絡訓練樣本模擬結果和測試集預測結果。

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 結果與分析

2.1 溫室小氣候多步滾動預測模型的構建

2.1.1 阿布扎比自控溫室預測模型

將2016年6月1-30日溫室內氣溫和相對濕度分別與室內外各影響因素進行相關分析，相關系數計算結果見表1。由表可見，影響阿布扎比t+1時刻溫室溫度的主要因素包括t時刻室外溫度、相對濕度和太陽輻射，以及t時刻室內溫濕度。影響t+1時刻溫室內相對濕度的主要因素包括t時刻室外相對濕度和太陽輻射，以及t時刻室內溫濕度。對溫室內溫度和相對濕度進行建模，綜合考慮溫濕度的影響因素，主要包括室外溫度、相對濕度、光照強度，以及室內的設備狀態，即風機及水閥狀態（1表示開，0表示關）。

表1 t+1時刻阿布扎比溫室內溫度和相對濕度與t時刻環境因素的相關系數

注：*、**分別表示相關系數通過0.05、0.01水平的顯著性檢驗。下同。

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

因此，BP神經網絡的輸入為t時刻室外溫度(Tout)t、相對濕度(RHout)t、太陽輻射(Sr)t、風機狀態(Fs)t、水閥狀態(Vs)t、室內溫度(Tin)t和相對濕度(RHin)t，網絡輸出為t+1時刻溫室內溫度(Tin)t+1和相對濕度(RHin)t+1。試驗發現3層網絡即可達到精度要求，因此，本試驗采用單隱層網絡，網絡的輸入層神經元數為7，輸出層神經元數為2，隱藏層神經元數通過試湊法確定，設為11時，BP神經網絡預測結果較為穩定，且精度最高。為了驗證模型的有效性，R-BP神經網絡模型和BP單步提前滾動預測模型網絡結構均設為7-11-2。

2.1.2 蘇州非自控溫室預測模型

將2016年4月4?27日溫室內溫度和相對濕度分別與室內外影響因素進行相關性分析，相關系數如表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、相對濕度、太陽輻射、風速以及前一時刻室內溫度和濕度。因此，BP神經網絡的輸入為t時刻室外溫度(Tout)t、相對濕度(RHout)t、風速(Ws)t、太陽輻射(Sr)t，以及室內溫度(Tin)t和相對濕度(RHin)t，網絡輸出為t+1時刻溫室內溫度(Tin)t+1和相對濕度(RHin)t+1。仍采用單隱層網絡，BP神經網絡和R-BP模型網絡結構均設為6-10-2。

表2 t+1時刻蘇州溫室內溫度和相對濕度與t時刻環境因素的相關性分析結果

2.2 溫室小氣候多步滾動預測模型的檢驗

2.2.1 阿布扎比自控溫室

將阿布扎比溫室6月份采集的數據集分成訓練集和測試集兩個部分：訓練集為6月1?27日數據(27d，2500條)，測試集為6月28?30日數據(3d，288條)。分別利用基于R-BP神經網絡模型和基于BP神經網絡的單步提前滾動模型，每15min預測一次未來6h溫室內的溫濕度，持續預測3d。用RMSE衡量24個時刻（6h）預測值與實測值誤差，最后計算所有測試樣本的平均均方根誤差（RMSE*）。為驗證模型在設備狀態變化時能準確預測溫室內溫濕度變化，因此，假設模型在預測階段能夠獲取設備的開關狀態。

為保證預測結果的連貫性顯示，并證明預測結果的穩定性和可靠性，從預測結果中第一天的0：00開始，每6h取對應時間點預測未來6h數據，預測值與實測值的對比如圖3所示。以2016年6月28日為例，取0：00、6：00、12：00和18：00共4個時刻的預測結果，組成連續24h的數據。由圖3可見，在同等條件下，6月28?30日逐小時數據變化過程中，基于R-BP神經網絡模型預測的溫室內氣溫、相對濕度變化曲線與實測值變化曲線基本一致，峰谷、拐點的吻合度均較高，而基于BP神經網絡的單步提前滾動模型的預測結果與實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，室內溫濕度的波動較大，是由于采用閾值法調控，設備控制狀態不穩定導致，此階段模型預測誤差較大，但預測溫度絕對誤差基本不超過2℃，相對濕度絕對誤差基本不超過5個百分點。在其它時刻，預測溫度絕對誤差基本不超過1℃，相對濕度絕對誤差基本不超過3百分點。可見，本研究提出的模型能夠較準確地預測夏季控制設備開啟狀態下溫室小氣候的變化趨勢。

為降低隨機性影響，R-BP神經網絡模型與BP單步提前滾動預測模型各運行10次，每次持續預測3d，預測溫濕度RMSE*對比結果如表3所示。由表可見，R-BP模型的各項誤差均低于BP單步提前滾動預測模型，運行10次預測溫度平均RMSE*為0.52℃，相對濕度平均RMSE*為2.14個百分點，溫度最大RMSE*為0.62℃，相對濕度最大RMSE*為2.29個百分點，驗證了算法的穩定性。相對于傳統的BP單步提前滾動預測模型，該模型預測精度有很大的提高，預測溫度平均RMSE*降低了69.9%，相對濕度平均RMSE*降低了47%，說明該模型在多步滾動預測方面有很大優勢。

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

表3 阿布扎比溫室小氣候多步滾動預測結果

2.2.2 蘇州非自控溫室

采用2016年4月4?27日數據進行試驗，訓練集為4?25日數據（22d，2100個訓練樣本），測試集為26?27日數據（2d，192個測試樣本）。連續預測未來6h的環境變化，累計預測2d。分別利用基于R-BP神經網絡模型和基于BP神經網絡的單步提前滾動模型，每15min預測一次未來6h溫室內的溫濕度，持續預測2d。用RMSE衡量24個時刻（6h）預測值與實測值的誤差，最后計算所有測試樣本的平均均方根誤差（RMSE*）。

為保證預測結果的連貫性顯示，從預測結果中第一天的0：00開始，每6小時取對應時間點預測未來6h數據，將預測值與實測值進行對比（圖4）。由圖4可見，在同等條件下，4月26?27日逐小時數據變化過程中，基于R-BP神經網絡模型預測的溫室內氣溫、相對濕度變化曲線與實測值變化曲線基本一致，預測值與實測值吻合度較高，而BP單步提前滾動模型的預測結果與實測變化曲線的偏離度均較高，4月27日16：00-18：00預測溫度與實測值相差很大，超過10℃，相對濕度絕對誤差大于10個百分點。而R-BP模型預測溫度絕對誤差基本在2℃以內，相對濕度絕對誤差基本不超過5個百分點。可見，本研究提出的模型能夠較準確地預測春季不開控制設備下溫室小氣候的變化 趨勢。

為降低隨機性影響，R-BP神經網絡模型與BP單步提前滾動預測模型各運行10次，每次持續預測2d，預測溫濕度RMSE*對比結果如表4所示。由表可見，R-BP模型的各項誤差均低于BP單步提前滾動預測模型，運行10次預測溫度平均RMSE*為1.35℃，相對濕度平均RMSE*為4.27個百分點，溫度最大RMSE*不超過2℃，相對濕度最大RMSE*不超過5個百分點。相對于傳統的BP單步提前滾動預測模型，該模型預測精度有很大的提高，預測溫度平均RMSE*降低了43.3%，相對濕度平均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模型預測的溫度(a)和相對濕度(b)與實測值的對比

表4 蘇州溫室小氣候多步滾動預測結果

3 結論與討論

3.1 結論

（1）本研究提出一種R-BP神經網絡多步滾動預測模型，并將該模型用于溫室小氣候預測。R-BP模型組合連續多個單步BP預測神經網絡，形成一個多步預測網絡群，可滾動預測未來6h溫室內溫度和濕度，模型第一階段首次采用AE和PSO算法優化初始神經網絡參數，提高了模型的整體預測精度；第二階段中每個網絡都根據前一個網絡的模擬結果進行重新擬合，降低了滾動預測的累積誤差。

（2）在阿布扎比和蘇州溫室數據集上進行試驗，驗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預測試驗中，預測未來6h室內溫度平均均方根誤差為0.52℃，相對濕度平均均方根誤差為2.14%，相對于傳統的BP單步提前滾動預測模型，該模型溫度平均預測誤差降低69.9%，相對濕度平均預測誤差降低47%。在蘇州溫室小氣候多步滾動預測試驗中，與BP單步提前滾動預測模型相比，該模型溫度平均預測誤差降低43.3%，相對濕度平均預測誤差降低55.6%。表明R-BP模型在有、無環境調控的溫室小氣候多步滾動預測中均取得了良好的效果。

3.2 討論

目前眾多學者采用BP神經網絡對溫室小氣候的預測作了相關研究[6-11]，但大部分研究僅采用室外影響因素對溫室小氣候進行建模，未考慮控制狀態的影響，建立的模型不能用于自控溫室小氣候的預測；文獻[6，10]在神經網絡模型的輸入中加入設備控制狀態，但未考慮數據的時序特性，以及設備狀態變化對下一時刻室內環境的影響，預測時間較短。

本研究提出的R-BP多步滾動預測模型加入了前一時刻設備控制狀態以及室內溫濕度等影響因素，能夠滾動預測未來6h的溫室內環境變化，較傳統BP單步提前滾動預測模型，其預測時長和精度都有顯著提高，為制定優化的溫室小氣候調控方案提供了理論依據。

R-BP模型在溫室氣候環境預報過程中仍存在一定誤差，如何利用誤差實現在線實時改進模型，進一步提高溫室小環境預測的精度，以及考慮溫室外界環境的影響，將模型應用到實際生產中，均是下一步研究重點。

[1] 丁為民,汪小旵,李毅念,等.溫室環境控制與溫室模擬模型研究現狀分析[J].農業機械學報,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,蘇遠平,梁毓明.面向控制的溫室系統小氣候環境模型要求與現狀[J].農業工程學報,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熱環境模擬[J].中國農業氣象,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:沈陽農業大學,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,羅衛紅,等.利用 BP 神經網絡對江淮地區梅雨季節現代化溫室小氣候的模擬與分析[J].農業工程學報,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.華北地區冬季溫室植物冠層溫度建模[J].農業機械學報,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網絡模擬[J].中國農業氣象,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神經網絡的楊梅大棚內氣溫預測模型研究[J].中國農業氣象,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.基于全局變量預測模型的溫室環境控制方法[J].農業工程學報,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.天津市二代節能型日光溫室內部溫濕度預測模型:以西青為例[J].中國農業氣象,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,等.基于主成分回歸的日光溫室內低溫預測模型[J].中國農業氣象,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.深度自動編碼器的研究與展望[J].計算機與現代化,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.基于粒子群參數優化和BP神經網絡的顆粒飼料質量預測模型[J].農業工程學報,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.光伏充氣膜溫室自跟蹤發電系統發電量預測[J].農業機械學報,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.一種改進的粒子群優化算法[J].計算機工程與應用,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.基于粒子進化的多粒子群優化算法[J].計算機工程與應用,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.改進的基本粒子群優化算法[J].計算機工程,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神經網絡的溫室小氣候多步滾動預測模型[J].中國農業氣象,2018,39(5):314-324

2017?10?18

國家自然科學基金（61502236）；中央高校基本科研業務費專項（KYZ201753）；鎮江市重點研發計劃（NY2016024）

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