基于R-BP神经网络的温室小气候多步滚动预测模型*

任守纲，刘 鑫，顾兴健，王浩云，袁培森，徐焕良



基于R-BP神经网络的温室小气候多步滚动预测模型*

任守纲1,2，刘 鑫1，顾兴健1，王浩云1，袁培森1，徐焕良1,2

（1．南京农业大学信息科技学院，南京 210095；2．国家信息农业工程技术中心，南京 210095）

温室高效生产依赖于适宜的温室小气候环境，建立高精度的温室小气候多步预测模型对实现温室环境优化调控具有重要意义。本研究提出一种基于滚动的反向传播神经网络（Rolling Back Propagation Neural Network, R-BP）的温室小气候多步滚动预测模型。模型主要包括两个阶段：（1）建立初始的BP神经网络。采用自动编码器无监督学习方法获取初始网络参数，并利用改进的粒子群算法优化网络参数。（2）建立滚动的BP神经网络群。将前一个网络输出作为后一个网络的部分输入进行滚动训练和预测，实现温室小气候多步滚动预测。为验证R-BP模型的有效性，在阿拉伯联合酋长国阿布扎比市的自控温室和中国苏州市的非自控温室分别进行试验。验证试验表明，与传统BP神经网络相比，在阿布扎比温室试验中，采用R-BP模型预测未来6h室内温度，其平均误差降低69.9%，预测相对湿度，其平均误差降低47%；在苏州温室试验中，采用R-BP模型预测未来6h室内温度，其平均误差降低43.3%，预测相对湿度，其平均误差降低55.6%。说明R-BP模型能够较准确预测未来6h内温室小气候环境变化，可为制定温室小气候优化调控方案提供依据。

温室环境；自动编码器；BP神经网络；粒子群算法；滚动预测

温室小气候预测模型对温室环境优化调控具有重要意义[1-2]，主要分为两类：一是机理模型，在荷兰、美国等国家应用较多[3]，其建模所需参数多，建模难度大[4]。二是实验模型，建模与温室类型无关，仅需获取温室内外的环境数据。在实验模型中，反向传播（Back Bropagation，BP）神经网络简单且容错能力强，在温室小气候预测中应用最为广泛[5-12]。Seginer等[5]首先提出基于BP神经网络的温室小气候模型；汪小旵等[6]利用BP神经网络构建了适于南方梅雨季节的温室小气候模型，在网络输入中加入天窗控制状态。何芬等[7]采用BP神经网络建立温室内植物冠层温度模型，模型模拟精度较机理模型更高。李倩等[8]利用BP神经网络，模拟了冬季和春季不同通风条件下温室温湿度。上述研究表明人工神经网络在温室小气候环境预测方面切实可行。但目前预测模型多数只能进行单步预测[9-12]，无法实现精确的多步滚动预测，不能满足优化调控的要求。

自动编码器（Auto-Encoder，AE）可以自动挖掘数据的特征[13]，与BP神经网络结合，能够显著提高BP神经网络的预测精度。Rumelhart等[14]首先提出AE的概念并用于处理高维复杂数据。Bengio等[15]提出采用AE无监督预训练得到良好的初始化参数，再用BP算法反向微调，减少BP易过拟合的缺陷。目前AE已在多种分类或预测任务中获得应用[16-19]。Romeu等[19]将叠加去噪自动编码器和BP神经网络用于室内温度的时间序列预测，在测试中得到了更好的泛化效果。粒子群算法（Particle Swarm Optimization，PSO）可以优化人工神经网络的权重和阈值参数，降低神经网络陷入局部最优的可能性[20-21]。在温室小气候多步滚动预测方面，目前尚无采用AE和PSO算法优化BP神经网络提高预测模型精度的报道。

本研究提出一种滚动的BP神经网络群模型（Rolling-Back Propagation, R-BP），预测未来6h的温室内温湿度。在阿布扎比（Abu Dhabi）自控温室数据集和苏州非自控温室数据集上进行试验，试验结果验证了基于R-BP神经网络的温室小气候多步滚动预测模型的有效性和准确性。该模型为制定温室小气候环境，优化调控方案奠定了基础，有助于温室运行节能降耗，提高温室生产的经济效益。

1 材料与方法

1.1 试验材料

1.1.1 阿布扎比自控温室数据采集

试验一在阿布扎比市单栋塑料温室内进行，该温室能够根据阈值实现对温湿度等环境参数的自动调控。温室位于24°18′N、54°40′E，肩高2.8m，跨度8m，长30m。试验期间，温室采用有土栽培方式，种植作物为番茄，该作物处于幼苗期，忽略作物对温室小气候的影响。由于中东地区气候较炎热，温室主要通过风机-湿帘强制通风进行降温，用水阀控制湿帘通水，采用HortiMax过程控制计算机自动控制设备开关，基于阈值法控制温室内温度和相对湿度，温度超过27℃时开启风机和水阀，控制设备的状态由HortiMax计算机系统自动记录。采用EKtron（荷兰产）系列无线传感器采集室内温度和相对湿度，在距地面1m，距温室入口2m、15m和28m的地方分别布置1个温湿度采集点，共3个传感器，室内数据取3个传感器平均值，室外环境参数包括温度、相对湿度、太阳辐射和风速等，通过HortiMax小型气象站采集。数据采集时间为 2015 年 7 月 1日-2016年6月30日，采集周期为5min，利用3个周期的平均值，将室内外数据整合成周期为15min的试验数据。为验证模型在自动控制系统开启时对温湿度多步滚动预测的有效性，选择阿布扎比夏季温室采集的数据进行试验，由于7、8月温度较高，设备一直处于开启状态，设备状态无变化，对模型在控制条件下的检验无意义，因此，选取温室2016年6月1-30日采集的数据进行试验。

1.1.2 苏州非自控温室数据采集

试验二在苏州市的御亭现代农业产业园试验温室进行，温室为四连栋塑料温室，单栋跨度8.0m，长44.0m，肩高3.0m，温室两侧卷帘开度1.8m，有风机-湿帘、上卷帘、侧卷帘等手动控制设备。数据采集时间为 2016年4-10月。2016年4月4-27日，天气以多云和阴天为主，室外温度较低，试验期间温室保持侧卷帘打开，上卷帘关闭，可忽略控制设备对温室小气候的影响。为验证模型在无控制设备影响时的小气候多步滚动预测效果，本研究采用该阶段的数据进行试验。通过小型气象站Watchdog2900ET每5min采集室外数据，包括温室外温度、湿度、太阳辐射和风速等。采用JRFW-2（北京产）系列无线传感器采集室内数据，在距离地面1m和2m高度分别在相邻两栋温室中间布置1个监测点，共计6个监测点，由基于ZigBee无线传感器网络的温室智能监控系统自动采集室内空气温度及相对湿度数据，每5min记录1次数据，最后将每连续3次数据取平均值，将室内外数据整合为15min间隔的数据。

1.2 试验方法

1.2.1 R-BP多步滚动预测模型概述

传统单步提前滚动预测模型将输出反馈给输入端作为网络的部分输入进行连续的滚动预测，累积误差较大。本研究基于单步提前滚动预测模型，建立若干个基于BP神经网络的单步预测网络，将前一个网络的输出作为后一个网络的部分输入进行滚动训练和预测，即后一个网络部分训练样本来源于前一个网络的训练样本模拟结果，使每个网络的训练集和测试集来源一致，降低了多步滚动预测的累积误差，提高了预测精度。将R-BP模型和基于BP神经网络的单步提前滚动预测模型同时应用于阿布扎比自控温室和苏州非自控温室，对温室内温湿度进行预测，以验证R-BP模型的有效性和准确性。

基于R-BP神经网络的多步滚动预测模型结构如图1所示，模型分为两个阶段：建立初始BP神经网络和滚动的BP神经网络群。

R-BP模型中第一个神经网络的预测结果和网络参数分别作为第二个神经网络的部分输入和初始网络参数，对R-BP模型整体的预测结果具有重要影响，因此，采用AE无监督学习和PSO算法优化第一个神经网络的权重和阈值参数。将优化后的神经网络称之为初始BP神经网络，记为f1，训练f1作为R-BP 模型的第一阶段。

R-BP模型第二阶段是构建滚动的BP神经网络群，记为f2−fn。fn−1（n≥2）模型的模拟输出将作为fn模型的部分输入，fn−1训练完成后，将fn−1的网络参数作为fn的初始网络参数，由于连续两个模型的预测时间间隔较短（15min），网络参数差异较小，而BP神经网络有较强的反向微调能力，因此，f2-fn均采用BP神经网络，以进一步缩小预测模型的误差。

根据室内外影响因子建立温室小气候的函数模型，如式（1）和式（2）所示。设当前时刻为t，连续预测t+1至t+n时刻的数据。

n≥2 （2）

训练完n个网络后，保存每个BP神经网络的权重和阈值参数，将fn−1的预测结果作为fn的部分输入进行不断滚动预测。

1.2.2 建立初始BP神经网络

初始神经网络包括两步，第一步：AE无监督学习，采用AE优化BP神经网络的初始参数；第二步：BP神经网络有监督学习，采用PSO算法优化网络参数，由于标准PSO算法存在易早熟、稳定性差等问题，本研究提出一种改进的PSO算法，用于优化神经网络的权重和阈值参数。

（1）基于AE的BP神经网络初始参数优化

首先建立三层自动编码器网络，输入向量与输出向量各元素相等。输入层与隐藏层之间的权重和阈值{W(1)，b(1)}为编码器，编码函数采用sigmoid函数；隐藏层与输出层之间的权重和阈值{W(2)，b(2)}为译码器，译码函数采用tanh函数，则有

AE是一种无监督学习模型，即训练数据是无标签的，输出为输入的重构，采用梯度下降法进行训练，通过计算重构误差得到AE的权重参数，获得输入数据的特征表达，作为BP神经网络的初始参数，而非采用随机初始化网络参数的方式。重构误差函数J(θ)如式（5）所示。

图1 R-BP多步滚动预测模型结构图（n=2，4，…，24）

（2）基于改进PSO算法的BP神经网络参数优化

传统BP神经网络利用梯度下降法进行训练，局部微调性较强，但易陷入局部最优点，故提出一种改进的PSO算法，用以优化初始BP神经网络的权重和阈值。

在一个D维搜索空间中，粒子种群规模是N，第i（i=1，2，…，N）个粒子的位置是xi=[xi1，xi2，…，xiD]，飞行速度是vi=[vi1，vi2，…，viD]。第i个粒子寻找的最优位置为pi=[pi1，pi2，…，piD]，即局部最优解；群体搜索的最优位置为pg=[pg1，pg2，…，pgD]，即全局最优解。标准PSO算法粒子的速度和位置更新公式为

式中，i=1，2，…，N，d=1，2，…，D，ω为惯性权重，c1、c2为加速因子，r1、r2为[0，1]区间的随机数，t为当前迭代次数。算法达到预设精度或迭代次数时终止。

由于网络参数较多，粒子的维度较高，在一定的粒子种群数量下PSO算法的性能会随着被优化问题维数的增加而降低[22]，为了不增加算法的复杂度并提高精度，故提出一种改进的PSO算法。

①采取局部粒子群优化方法。即通过并行算法将种群分成多个子群，粒子的速度基于个体最优和子群全局最优更新[23]，以加强全局搜索能力，同时提高算法的效率。由于神经网络结构较复杂，粒子维度较高，因此，结合文献[24]提出的扩展PSO算法，即将粒子速度更新公式改为基于个体极值中心点和全局极值。个体极值中心点为pavg=[pavg1，pavg2，…，pavgD]，其中

改进的粒子群速度更新公式为

式中，pLg为每个子群的全局最优位置，其它参数同式（6）。

②引入遗传算法的交叉算子。即对粒子位置执行交叉操作，以增加种群多样性，避免算法早熟收敛。交叉时将网络参数分为两个部分，第一部分即神经网络输入层到隐藏层的参数{W(1)，b(1)}，第二部分为神经网络隐藏层到输出层的参数{W(2)，b(2)}。设交叉概率为Pc，第一个子群的个体xi=[xi1，xi2，…，xiD]以Pc的概率与第一个子群的全局最优位置pLg1第二部分参数交叉，如式（10）所示；第二个子群的个体xj=[xj1，xj2，…，xjD]以Pc的概率与第二个子群的全局最优位置pLg2第一部分参数交叉，如式（11）所示。

D=IN·HN+HN·ON+HN+ON （12）

③引入变异算子。种群进化过程中如果某个粒子的适应值多次低于群体平均适应值，则表明粒子的进化方向已经远远偏离最优解，不再适应当前的搜索环境，因此，引入遗传算法的变异算子对该粒子执行变异操作，使陷入局部值的粒子跳出并继续寻找最优解，其它粒子则保持原状态继续进化，直至收敛。变异方式即按初始化方式改变粒子的位置和速度。

1.2.3 滚动的BP神经网络群

R-BP模型第二阶段是建立滚动的BP神经网络群，滚动步长15min，连续建立n个单步预测模型，第n个BP神经网络学习和预测过程如图2所示，采用t+n-1（n≥2）时刻训练集train_xn训练fn模型，该训练集包括t+n-1时刻的温室内外环境影响因素Pt+n-1，以及fn-1模型的训练集的模拟结果train_yn-1。网络输出为t+n时刻的实测数据，采用梯度下降法训练网络。训练完成后将训练集train_xn再次输入fn模型中，得到训练集的模拟结果train_yn，即t+n时刻的温室内部温湿度模拟结果集，将作为train_xn+1的一部分用于训练fn+1模型。然后将t+n-1时刻测试集test_xn输入模型得到t+n时刻室内温湿度预测结果test_yn，并作为test_xn+1的一部分，用于预测t+n+1时刻的室内温湿度。如此滚动训练和预测，实现温室小气候的多步滚动预测。训练多个网络的目的是为了使训练集和测试集来源一致，即fn（n≥2）模型的训练样本和测试样本中的室内温湿度数据均来自fn-1模型的模拟结果，并且重新训练网络可以提高神经网络的泛化能力。

1.3 模型评价指标

试验预测值和实测值之间的符合度采用均方根误差(Root Mean Square Error，RMSE)来量化表示。

图2 第n个BP神经网络学习和预测过程

注：train_xn、test_xn（n=2，…，24）分别表示第n个网络训练样本和测试样本；train_yn、test_yn分别表示第n个网络训练样本模拟结果和测试集预测结果。

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 结果与分析

2.1 温室小气候多步滚动预测模型的构建

2.1.1 阿布扎比自控温室预测模型

将2016年6月1-30日温室内气温和相对湿度分别与室内外各影响因素进行相关分析，相关系数计算结果见表1。由表可见，影响阿布扎比t+1时刻温室温度的主要因素包括t时刻室外温度、相对湿度和太阳辐射，以及t时刻室内温湿度。影响t+1时刻温室内相对湿度的主要因素包括t时刻室外相对湿度和太阳辐射，以及t时刻室内温湿度。对温室内温度和相对湿度进行建模，综合考虑温湿度的影响因素，主要包括室外温度、相对湿度、光照强度，以及室内的设备状态，即风机及水阀状态（1表示开，0表示关）。

表1 t+1时刻阿布扎比温室内温度和相对湿度与t时刻环境因素的相关系数

注：*、**分别表示相关系数通过0.05、0.01水平的显著性检验。下同。

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

因此，BP神经网络的输入为t时刻室外温度(Tout)t、相对湿度(RHout)t、太阳辐射(Sr)t、风机状态(Fs)t、水阀状态(Vs)t、室内温度(Tin)t和相对湿度(RHin)t，网络输出为t+1时刻温室内温度(Tin)t+1和相对湿度(RHin)t+1。试验发现3层网络即可达到精度要求，因此，本试验采用单隐层网络，网络的输入层神经元数为7，输出层神经元数为2，隐藏层神经元数通过试凑法确定，设为11时，BP神经网络预测结果较为稳定，且精度最高。为了验证模型的有效性，R-BP神经网络模型和BP单步提前滚动预测模型网络结构均设为7-11-2。

2.1.2 苏州非自控温室预测模型

将2016年4月4−27日温室内温度和相对湿度分别与室内外影响因素进行相关性分析，相关系数如表2所示。由表可见，影响苏州温室小气候的主要因素包括室外温度、相对湿度、太阳辐射、风速以及前一时刻室内温度和湿度。因此，BP神经网络的输入为t时刻室外温度(Tout)t、相对湿度(RHout)t、风速(Ws)t、太阳辐射(Sr)t，以及室内温度(Tin)t和相对湿度(RHin)t，网络输出为t+1时刻温室内温度(Tin)t+1和相对湿度(RHin)t+1。仍采用单隐层网络，BP神经网络和R-BP模型网络结构均设为6-10-2。

表2 t+1时刻苏州温室内温度和相对湿度与t时刻环境因素的相关性分析结果

2.2 温室小气候多步滚动预测模型的检验

2.2.1 阿布扎比自控温室

将阿布扎比温室6月份采集的数据集分成训练集和测试集两个部分：训练集为6月1−27日数据(27d，2500条)，测试集为6月28−30日数据(3d，288条)。分别利用基于R-BP神经网络模型和基于BP神经网络的单步提前滚动模型，每15min预测一次未来6h温室内的温湿度，持续预测3d。用RMSE衡量24个时刻（6h）预测值与实测值误差，最后计算所有测试样本的平均均方根误差（RMSE*）。为验证模型在设备状态变化时能准确预测温室内温湿度变化，因此，假设模型在预测阶段能够获取设备的开关状态。

为保证预测结果的连贯性显示，并证明预测结果的稳定性和可靠性，从预测结果中第一天的0：00开始，每6h取对应时间点预测未来6h数据，预测值与实测值的对比如图3所示。以2016年6月28日为例，取0：00、6：00、12：00和18：00共4个时刻的预测结果，组成连续24h的数据。由图3可见，在同等条件下，6月28−30日逐小时数据变化过程中，基于R-BP神经网络模型预测的温室内气温、相对湿度变化曲线与实测值变化曲线基本一致，峰谷、拐点的吻合度均较高，而基于BP神经网络的单步提前滚动模型的预测结果与实测值变化曲线的偏离度较高，6月28日中午温度峰值相差很大，接近4℃。在每日0：00左右，室内温湿度的波动较大，是由于采用阈值法调控，设备控制状态不稳定导致，此阶段模型预测误差较大，但预测温度绝对误差基本不超过2℃，相对湿度绝对误差基本不超过5个百分点。在其它时刻，预测温度绝对误差基本不超过1℃，相对湿度绝对误差基本不超过3百分点。可见，本研究提出的模型能够较准确地预测夏季控制设备开启状态下温室小气候的变化趋势。

为降低随机性影响，R-BP神经网络模型与BP单步提前滚动预测模型各运行10次，每次持续预测3d，预测温湿度RMSE*对比结果如表3所示。由表可见，R-BP模型的各项误差均低于BP单步提前滚动预测模型，运行10次预测温度平均RMSE*为0.52℃，相对湿度平均RMSE*为2.14个百分点，温度最大RMSE*为0.62℃，相对湿度最大RMSE*为2.29个百分点，验证了算法的稳定性。相对于传统的BP单步提前滚动预测模型，该模型预测精度有很大的提高，预测温度平均RMSE*降低了69.9%，相对湿度平均RMSE*降低了47%，说明该模型在多步滚动预测方面有很大优势。

图3 2016年6月28−30日阿布扎比自控温室基于R-BP和BP模型预测的温度(a)和相对湿度(b)与实测值的对比

表3 阿布扎比温室小气候多步滚动预测结果

2.2.2 苏州非自控温室

采用2016年4月4−27日数据进行试验，训练集为4−25日数据（22d，2100个训练样本），测试集为26−27日数据（2d，192个测试样本）。连续预测未来6h的环境变化，累计预测2d。分别利用基于R-BP神经网络模型和基于BP神经网络的单步提前滚动模型，每15min预测一次未来6h温室内的温湿度，持续预测2d。用RMSE衡量24个时刻（6h）预测值与实测值的误差，最后计算所有测试样本的平均均方根误差（RMSE*）。

为保证预测结果的连贯性显示，从预测结果中第一天的0：00开始，每6小时取对应时间点预测未来6h数据，将预测值与实测值进行对比（图4）。由图4可见，在同等条件下，4月26−27日逐小时数据变化过程中，基于R-BP神经网络模型预测的温室内气温、相对湿度变化曲线与实测值变化曲线基本一致，预测值与实测值吻合度较高，而BP单步提前滚动模型的预测结果与实测变化曲线的偏离度均较高，4月27日16：00-18：00预测温度与实测值相差很大，超过10℃，相对湿度绝对误差大于10个百分点。而R-BP模型预测温度绝对误差基本在2℃以内，相对湿度绝对误差基本不超过5个百分点。可见，本研究提出的模型能够较准确地预测春季不开控制设备下温室小气候的变化 趋势。

为降低随机性影响，R-BP神经网络模型与BP单步提前滚动预测模型各运行10次，每次持续预测2d，预测温湿度RMSE*对比结果如表4所示。由表可见，R-BP模型的各项误差均低于BP单步提前滚动预测模型，运行10次预测温度平均RMSE*为1.35℃，相对湿度平均RMSE*为4.27个百分点，温度最大RMSE*不超过2℃，相对湿度最大RMSE*不超过5个百分点。相对于传统的BP单步提前滚动预测模型，该模型预测精度有很大的提高，预测温度平均RMSE*降低了43.3%，相对湿度平均RMSE*降低了55.6%。

图4 2016年4月26−27日苏州非自控温室基于R-BP和BP模型预测的温度(a)和相对湿度(b)与实测值的对比

表4 苏州温室小气候多步滚动预测结果

3 结论与讨论

3.1 结论

（1）本研究提出一种R-BP神经网络多步滚动预测模型，并将该模型用于温室小气候预测。R-BP模型组合连续多个单步BP预测神经网络，形成一个多步预测网络群，可滚动预测未来6h温室内温度和湿度，模型第一阶段首次采用AE和PSO算法优化初始神经网络参数，提高了模型的整体预测精度；第二阶段中每个网络都根据前一个网络的模拟结果进行重新拟合，降低了滚动预测的累积误差。

（2）在阿布扎比和苏州温室数据集上进行试验，验证了模型的可靠性和有效性。阿布扎比温室小气候多步滚动预测试验中，预测未来6h室内温度平均均方根误差为0.52℃，相对湿度平均均方根误差为2.14%，相对于传统的BP单步提前滚动预测模型，该模型温度平均预测误差降低69.9%，相对湿度平均预测误差降低47%。在苏州温室小气候多步滚动预测试验中，与BP单步提前滚动预测模型相比，该模型温度平均预测误差降低43.3%，相对湿度平均预测误差降低55.6%。表明R-BP模型在有、无环境调控的温室小气候多步滚动预测中均取得了良好的效果。

3.2 讨论

目前众多学者采用BP神经网络对温室小气候的预测作了相关研究[6-11]，但大部分研究仅采用室外影响因素对温室小气候进行建模，未考虑控制状态的影响，建立的模型不能用于自控温室小气候的预测；文献[6，10]在神经网络模型的输入中加入设备控制状态，但未考虑数据的时序特性，以及设备状态变化对下一时刻室内环境的影响，预测时间较短。

本研究提出的R-BP多步滚动预测模型加入了前一时刻设备控制状态以及室内温湿度等影响因素，能够滚动预测未来6h的温室内环境变化，较传统BP单步提前滚动预测模型，其预测时长和精度都有显著提高，为制定优化的温室小气候调控方案提供了理论依据。

R-BP模型在温室气候环境预报过程中仍存在一定误差，如何利用误差实现在线实时改进模型，进一步提高温室小环境预测的精度，以及考虑温室外界环境的影响，将模型应用到实际生产中，均是下一步研究重点。

[1] 丁为民,汪小旵,李毅念,等.温室环境控制与温室模拟模型研究现状分析[J].农业机械学报,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] 徐立鸿,苏远平,梁毓明.面向控制的温室系统小气候环境模型要求与现状[J].农业工程学报,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] 张芳,方慧,杨其长,等.基于CFD模型的大跨度温室自然通风热环境模拟[J].中国农业气象,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] 邹秋滢.温室小气候模型的建立及其控制策略研究[D].沈阳:沈阳农业大学,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,丁为民,罗卫红,等.利用 BP 神经网络对江淮地区梅雨季节现代化温室小气候的模拟与分析[J].农业工程学报,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,马承伟.华北地区冬季温室植物冠层温度建模[J].农业机械学报,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,申双和,曹雯,等.南方塑料大棚冬春季温湿度的神经网络模拟[J].中国农业气象,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] 金志凤,符国槐,黄海静,等.基于BP神经网络的杨梅大棚内气温预测模型研究[J].中国农业气象,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.基于全局变量预测模型的温室环境控制方法[J].农业工程学报,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,王铁,刘淑梅.天津市二代节能型日光温室内部温湿度预测模型:以西青为例[J].中国农业气象,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] 李宁,申双和,黎贞发,等.基于主成分回归的日光温室内低温预测模型[J].中国农业气象,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] 曲建岭,杜辰飞,邸亚洲,等.深度自动编码器的研究与展望[J].计算机与现代化,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] Längkvist 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] 陈啸,王红英,孔丹丹,等.基于粒子群参数优化和BP神经网络的颗粒饲料质量预测模型[J].农业工程学报,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,刘秋爽,见浪護.光伏充气膜温室自跟踪发电系统发电量预测[J].农业机械学报,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.一种改进的粒子群优化算法[J].计算机工程与应用,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] 张文爱,刘丽芳,李孝荣.基于粒子进化的多粒子群优化算法[J].计算机工程与应用,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,段晓东,刘向东,等.改进的基本粒子群优化算法[J].计算机工程,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

任守纲,刘鑫,顾兴健,等.基于R-BP神经网络的温室小气候多步滚动预测模型[J].中国农业气象,2018,39(5):314-324

2017−10−18

国家自然科学基金（61502236）；中央高校基本科研业务费专项（KYZ201753）；镇江市重点研发计划（NY2016024）

任守纲（1977−），副教授，主要从事人工智能、农业信息化研究。E-mail:rensg@njau.edu.cn