CN103984980A - 一种温室内温度极值的预测方法 - Google Patents

Abstract

本发明公开一种温室内温度极值的预测方法，包括：S1.采集预定时间段内的温室的环境数据；S2.对获得的环境数据进行归一化处理，得到样本集；S3.利用均匀分布的算法随机产生最小二乘支持向量机回归模型LS_SVM的径向基核函数的N个宽度系数σ²及N个惩罚系数λ；S4.从样本集中选择训练样本集并训练LS_SVM；S5.将粒子群算法PSO的粒子群初始化为由σ²和λ构成的二维坐标点；S6.利用PSO对σ²及λ进行优化；S7.从样本集中选择测试样本集，对优化参数的LS_SVM进行测试，得到最优化的LS_SVM；S8.在线实时采集温室的环境数据，将数据输入最优化的LS_SVM，得到温室内温度极值的预测值。

Description

一种温室内温度极值的预测方法

技术领域

本发明涉及农业技术领域，具体涉及一种温室内温度极值的预测方法。

背景技术

温度是温室所要调控的主要因素之一，也是温室中的作物能否正常生长的主要因素之一。温室内温度过低或过高都会给植物带来严重的危害，因此快速、准确预测温室内温度的极值，在温室内温度达到极值之前采取防范措施以减少低温或高温对作物造成的危害，对提高温室作物的产量起到十分重要的作用。

目前温室内温度极值的预测方法为采用时序分析法、数理统计法、神经网络法或者温室环境模拟模型法。但是温室内温度容易受温室内环境和室外气象等多个参数的影响，现有技术的方法没有充分考虑温室内温度与其他参数的影响，监测的参数少，且预测方法存在非在线性，时延性，不准确性等缺陷。

目前温室内温度极值的预测方法存在的问题是：温度极值的预测精度不够。

发明内容

本发明所要解决的技术问题是现有的温室内温度极值的预测方法精度不够的问题。

为此目的，本发明提出一种温室内温度极值的预测方法，该方法包括：

S1.采集预定时间段内的温室的环境数据；

S2.对获得的环境数据进行归一化处理，得到样本集；

S3.利用均匀分布的算法随机产生最小二乘支持向量机回归模型LS_SVM的径向基核函数的N个宽度系数σ²及N个惩罚系数λ，N为正整数，所述σ²和λ为所述LS_SVM的初始参数；

S4.从样本集中选择训练样本集，并用训练样本对所述LS_SVM进行训练，得到训练后的LS_SVM；

S5.将粒子群算法PSO的粒子群初始化为由所述σ²和λ构成的二维坐标点；

S6.利用所述PSO对所述σ²及λ进行优化，得到优化参数σ²及λ；

S7.从样本集中选择测试样本集，对所述优化参数的LS_SVM进行测试，得到最优化的LS_SVM；

S8.在线实时采集温室内和温室外的环境数据，将所述数据输入最优化的LS_SVM，得到温室内温度极值的预测值。

其中，在步骤S1中，所述温室的环境数据包括温室内的环境数据和温室外的环境数据，其中所述温室内的环境数据包括空气温度、空气湿度、土壤温度、土壤湿度，所述温室外的环境数据包括光照强度、风速。

其中，在步骤S2中，所述归一化处理的公式为：

$g\left(v_i\right)=\frac{(v_i-v_{\min })}{(v_{\max }-v_{\min })},(i=\mathrm{1,2},...n)$

其中，v_i为采集的第i种环境数据，v_min为所述v_i中的最小值，v_max为所述v_i中的最大值，n为所述环境数据的种类数，g(v_i)为v_i归一化处理后得到的数据。

其中，在步骤S4中，所述从样本集中选择训练样本包括：随机选择样本集中80%的数据为训练样本，构成训练样本集。

其中，在步骤S1中，所述最小二乘支持向量机回归模型LS_SVM为：

$T\left(x\right)=b+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i\×\exp (-\frac{{\left|\right|x-c_i\left|\right|}^2}{2{\mathrm{\σ}}^2}))$

其中，x为所述训练样本集中任意一个样本向量，所述样本向量为{v₁，v₂，…，v_i，…，v_n}，T(x)为x的温度预测值，α_i为拉格朗日乘子，0<α_i<λ，参数b是α_i的偏差值；

为所述LS_SVM的径向基核函数；其中，c_i为径向基核函数的中心。

其中，所述步骤S4包括：从样本集中选择训练样本集，并用训练样本对所述LS_SVM进行训练，得到LS_SVM的参数α_i、b以及c_i。

其中，所述步骤S5包括：

每个(λ，σ²)坐标点都是粒子群中的一个粒子，所有粒子构成初始粒子群g，所述g中的粒子个数为N²；

所述g中的第i个粒子的位置为P_i，速度为V_i，所述P_i=（P_i1，P_i2），i=1,2,…,N²；V_i=（V_i1，V_i2），i=1,2,…,N²。

其中，所述步骤S6包括：

S61、计算所述粒子群中所有粒子的适度值，所述适度值的计算公式如下：

$f\left(P_i\left(k\right)\right)=\sqrt{\frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{[x_j-T\left(x_j\right)]}^2}$

其中，x_j为训练样本集中的第j个样本向量，T(x_j)为所述x_j的温度预测值，M为训练样本集中样本向量的个数，P_i(k)为第i个粒子第k次迭代的位置，k为正整数，i=1,2,…,N²；

S62、计算前k次迭代的粒子群中第i个粒子的最优位置pbi(k)，i=1,2,…,M，以及第k次迭代的粒子群的最优位置gb(k)；所述pbi(k)满足 $f\left(p{b}_i\left(k\right)\right)=\underset{k}{\min }f\left(P_i\left(k\right)\right),$ 所述gb(k)满足 $f\left(\mathrm{gb}\left(k\right)\right)=\underset{i}{\min }f\left(p{b}_i\left(k\right)\right);$

S63、计算变异概率P_m，所述P_m的计算公式如下：

$p_m=\left\{\begin{array}{cc}\mathrm{\&beta;}& S^2<\mathrm{\&mu;},|f\left(\mathrm{gb}\left(k\right)\right)-f_m|>\mathrm{\&delta;}\\ 0& \mathrm{other}\end{array}\right.$

其中，β为常数，且β∈(0,1)，δ为收敛精度，f_m为理论最优值，μ为常数，且μ∈[0，0.0001]，所述s²为粒子群的群体适应度方差，所述s²的计算公式如下：

$S^2=\frac{1}{N^2}\underset{I=1}{\overset{N^2}{\mathrm{\&Sigma;}}}{\left(\frac{f_i-V_{\mathrm{avg}}}{f}\right)}^2$

其中，N²为粒子群中粒子的个数，f_i为第i个粒子的适度值；V_avg为粒子群中粒子的平均速度，f为归一化因子，所述f的取值为： $f=\max \{1,\underset{i}{\max }[|f_i-V_{\mathrm{avg}}|\left]\right\},i=\mathrm{1,2},...,N^2;$

对粒子群中的每个粒子，在概率分布满足[0,1]区间均匀分布的随机变量中随机产生一个常数r，r∈[0，1]；

判断所述r<P_m是否成立，若成立，则对第i个粒子的最优位置pb_i(k)进行变异：

在概率分布满足正态分布N[0,1]的随机变量中随机产生一个常数t；

pb_i(k)=pb_i(k)×(1+t)。

S64、更新每个粒子的速度及位置：

V_i(k+1)=wV_i(k)+c₁R₁(pb_i(k)-x_i(k))+c₂R₂(gb(k)-x_i(k))；

P_i(k+1)=P_i(k)+V_i(k+1)；

其中，V_i(k)表示第k次迭代的第i个粒子的速度，i=1,2,…,N²；

w为惯性权重，0.5<w<0.9；

c₁，c₂为学习因子，c₁，c₂均为正常数；

R₁，R₂为介于[0，1]区间的随机数。

S65、计算训练样本集的均方根误差RMSE，判断RMSE<0.01是否成立，若成立，则停止迭代，gb(k)所对应粒子的λ和σ²作为LS_SVM的优化参数；否则，当前k的值加1作为新的k，执行步骤S61。

其中，在步骤S7中，所述测试样本为样本集中不是训练样本的样本，所述测试样本的集合构成测试样本集。

相比于现有技术，本发明提供的方法的有益效果是：

本发明提供的方法通过采集温室内和温室外的环境数据作为样本集，利用改进的粒子群算法对最小二乘支持向量机的参数进行优化，经过样本的训练获得最优最小二乘支持向量机的回归模型，并通过该预测模型对温室内的极值温度点发生的时间进行预测，从而实现了对日光温室温度极值的精确、高效预测，为后续实现日光温室温度的在线预测预警和智能控制奠定了基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了一种温室内温度极值的预测方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提出一种温室内温度极值的预测方法，如图1所示，该方法包括：

S1.采集预定时间段内的温室的环境数据；

S2.对获得的环境数据进行归一化处理，得到样本集；

S3.利用均匀分布的算法随机产生最小二乘支持向量机回归模型LS_SVM的径向基核函数的N个宽度系数σ²及N个惩罚系数λ，N为正整数，所述σ²和λ为所述LS_SVM的初始参数；

S4.从样本集中选择训练样本集，并用训练样本对所述LS_SVM进行训练，得到训练后的LS_SVM；

S5.将粒子群算法PSO的粒子群初始化为由所述σ²和λ构成的二维坐标点；

S6.利用所述PSO对所述σ²及λ进行优化，得到优化参数σ²及λ；

S7.从样本集中选择测试样本集，对所述优化参数的LS_SVM进行测试，得到最优化的LS_SVM；

S8.在线实时采集温室内和温室外的环境数据，将所述数据输入最优化的LS_SVM，得到温室内温度极值的预测值。

在步骤S1中，所述温室的环境数据包括温室内的环境数据和温室外的环境数据，其中所述温室内的环境数据包括空气温度、空气湿度、土壤温度、土壤湿度，所述温室外的环境数据包括光照强度、风速。

本实施例中采集的频率为每10分钟采集一次，采集的时间长度即预定时间段为连续90天，并将同一时刻采集的环境数据作为一个特征向量。

在步骤S2中，所述归一化处理的公式为：

$g\left(v_i\right)=\frac{(v_i-v_{\min })}{(v_{\max }-v_{\min })},(i=\mathrm{1,2},...n)$

其中，v_i为采集的第i种环境数据，v_min为所述v_i中的最小值，v_max为所述v_i中的最大值，n为所述环境数据的种类数，g(v_i)为v_i归一化处理后得到的数据。

本实施例的步骤S3中，σ²的取值范围是闭区间[0，255]，λ的取值范围是闭区间[1/128，127]。

在步骤S1中，所述最小二乘支持向量机回归模型LS_SVM为：

$T\left(x\right)=b+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i\&times;\exp (-\frac{{\left|\right|x-c_i\left|\right|}^2}{2{\mathrm{\&sigma;}}^2}))$

其中，x为所述训练样本集中任意一个样本向量，所述样本向量为{v₁，v₂，…，v_i，…，v_n}，即一个特征向量，T(x)为x的温度预测值，α_i为拉格朗日乘子，0<α_i<λ，参数b是α_i的偏差值；

为所述LS_SVM的径向基核函数；其中，c_i为径向基核函数的中心。

在步骤S4中，所述从样本集中选择训练样本包括：随机选择样本集中80%的数据为训练样本，构成训练样本集；

用所述训练样本对所述LS_SVM进行训练，得到LS_SVM的参数α_i、b以及c_i。

所述步骤S5包括：

每个(λ，σ²)坐标点都是粒子群中的一个粒子，所有粒子构成初始粒子群g，所述g中的粒子个数为N²；

所述g中的第i个粒子的位置为P_i，速度为V_i，所述P_i=（P_i1，P_i2），i=1,2,…,N²；V_i=（V_i1，V_i2），i=1,2,…,N²。

本实施例采用粒子群算法对最小二乘支持向量机的核函数的宽度系数σ²及惩罚系数λ进行寻优。粒子群算法在运行过程中，如果某粒子发现一个当前最优位置，其它粒子将迅速向其靠拢，如果该最优值为局部最优点，粒子群就无法解决空间内重新搜索，算法就陷入局部最优，出现了早熟收敛现象。为了克服传统粒子群算法的缺点，提高算法的性能，针对粒子群(PSO)算法中出现的早熟收敛现象，本实施例采用的粒子群算法对粒子速度进行了变异，进而可改变粒子的前进方向，有望跳出局部最优，从而得到全局最优的参数(σ²，λ)，因此所述步骤S6包括：

S61、计算所述粒子群中所有粒子的适度值，所述适度值的计算公式如下：

$f\left(P_i\left(k\right)\right)=\sqrt{\frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{[x_j-T\left(x_j\right)]}^2}$

其中，x_j为训练样本集中的第j个样本向量，T(x_j)为所述x_j的温度预测值，M为训练样本集中样本向量的个数，P_i(k)为第i个粒子第k次迭代的位置，k为正整数，i=1,2,…,N²；

S62、计算前k次迭代的粒子群中第i个粒子的最优位置pb_i(k)，i=1,2,…,M，以及第k次迭代的粒子群的最优位置gb(k)；所述pb_i(k)满足 $f\left(p{b}_i\left(k\right)\right)=\underset{k}{\min }f\left(P_i\left(k\right)\right),$ 所述gb(k)满足 $f\left(\mathrm{gb}\left(k\right)\right)=\underset{i}{\min }f\left(p{b}_i\left(k\right)\right);$

S63、计算变异概率P_m，所述P_m的计算公式如下：

$p_m=\left\{\begin{array}{cc}\mathrm{\&beta;}& S^2<\mathrm{\&mu;},|f\left(\mathrm{gb}\left(k\right)\right)-f_m|>\mathrm{\&delta;}\\ 0& \mathrm{other}\end{array}\right.$

其中，β为常数，且β∈(0,1)，本实施例中β=0.3，δ为收敛精度，f_m为理论最优值，本实施例中f_m=0.01，μ为常数，且μ∈[0，0.0001]，所述s²为粒子群的群体适应度方差，所述s²的计算公式如下：

$S^2=\frac{1}{N^2}\underset{I=1}{\overset{N^2}{\mathrm{\&Sigma;}}}{\left(\frac{f_i-V_{\mathrm{avg}}}{f}\right)}^2$

其中，N²为粒子群中粒子的个数，f_i为第i个粒子的适度值；V_avg为粒子群中粒子的平均速度，f为归一化因子，所述f的取值为： $f=\max \{1,\underset{i}{\max }[|f_i-V_{\mathrm{avg}}|\left]\right\},i=\mathrm{1,2},...,N^2;$

对粒子群中的每个粒子，在概率分布满足[0,1]区间均匀分布的随机变量中随机产生一个常数r，r∈[0，1]；

判断所述r<P_m是否成立，若成立，则对第i个粒子的最优位置pb_i(k)进行变异：

在概率分布满足正态分布N[0,1]的随机变量中随机产生一个常数t；

pb_i(k)=pb_i(k)×(1+t)。

S64、更新每个粒子的速度及位置：

V_i(k+1)=wV_i(k)+c₁R₁(pb_i(k)-x_i(k))+c₂R₂(gb(k)-x_i(k))；

P_i(k+1)=P_i(k)+V_i(k+1)；

其中，V_i(k)表示第k次迭代的第i个粒子的速度，i=1,2,…,N²；

w为惯性权重，0.5<w<0.9；

c₁，c₂为学习因子，c₁，c₂均为正常数；

R₁，R₂为介于[0，1]区间的随机数。

S65、计算训练样本集的均方根误差RMSE，判断RMSE<0.01是否成立，若成立，则停止迭代，gb(k)所对应粒子的λ和σ²作为LS_SVM的优化参数；否则，当前k的值加1作为新的k，执行步骤S61。

在步骤S7中，所述测试样本为样本集中不是训练样本的样本，所述测试样本的集合构成测试样本集。

本发明实施例通过采用粒子群算法对核函数的参数σ2及惩罚系数λ的有效选择，使用最优化的最小二乘支持向量机回归模型LS_SVM对温室内温度的极值及极值发生的时间进行预测，从而实现对温室内温度极值的精确、高效预测，并且预测时长可达6小时，为后续实现温室内温度的在线预测预警和智能控制奠定基础。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (9)

1.一种温室内温度极值的预测方法，其特征在于，该方法包括：

S1.采集预定时间段内的温室的环境数据；

S2.对获得的环境数据进行归一化处理，得到样本集；

S3.利用均匀分布的算法随机产生最小二乘支持向量机回归模型LS_SVM的径向基核函数的N个宽度系数σ²及N个惩罚系数λ，N为正整数，所述σ²和λ为所述LS_SVM的初始参数；

S4.从样本集中选择训练样本集，并用训练样本对所述LS_SVM进行训练，得到训练后的LS_SVM；

S5.将粒子群算法PSO的粒子群初始化为由所述σ2和λ构成的二维坐标点；

S6.利用所述PSO对所述σ²及λ进行优化，得到优化参数σ²及λ；

S7.从样本集中选择测试样本集，对所述优化参数的LS_SVM进行测试，得到最优化的LS_SVM；

S8.在线实时采集温室内和温室外的环境数据，将所述数据输入最优化的LS_SVM，得到温室内温度极值的预测值。

2.根据权利要求1所述的方法，其特征在于，在步骤S1中，所述温室的环境数据包括温室内的环境数据和温室外的环境数据，其中所述温室内的环境数据包括空气温度、空气湿度、土壤温度、土壤湿度，所述温室外的环境数据包括光照强度、风速。

3.根据权利要求1所述的方法，其特征在于，在步骤S2中，所述归一化处理的公式为：

$g\left(v_i\right)=\frac{(v_i-v_{\min })}{(v_{\max }-v_{\min })},(i=\mathrm{1,2},...n)$

其中，v_i为采集的第i种环境数据，v_min为所述v_i中的最小值，v_max为所述v_i中的最大值，n为所述环境数据的种类数，g(v_i)为v_i归一化处理后得到的数据。

4.根据权利要求3所述的方法，其特征在于，在步骤S4中，所述从样本集中选择训练样本包括：随机选择样本集中80%的数据为训练样本，构成训练样本集。

5.根据权利要求3所述的方法，其特征在于，在步骤S1中，所述最小二乘支持向量机回归模型LS_SVM为：

$T\left(x\right)=b+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i\&times;\exp (-\frac{{\left|\right|x-c_i\left|\right|}^2}{2{\mathrm{\&sigma;}}^2}))$

其中，x为所述训练样本集中任意一个样本向量，所述样本向量为{v₁，v₂，…，v_i，…，v_n}，T(x)为x的温度预测值，α_i为拉格朗日乘子，0<αi<λ，参数b是α_i的偏差值；

为所述LS_SVM的径向基核函数；其中，c_i为径向基核函数的中心。

6.根据权利要求5所述的方法，其特征在于，所述步骤S4包括：从样本集中选择训练样本集，并用训练样本对所述LS_SVM进行训练，得到LS_SVM的参数α_i、b以及c_i。

7.根据权利要求1所述的方法，其特征在于，所述步骤S5包括：

每个(λ，σ²)坐标点都是粒子群中的一个粒子，所有粒子构成初始粒子群g，所述g中的粒子个数为N²；

所述g中的第i个粒子的位置为P_i，速度为V_i，所述P_i=（P_i1，P_i2），i=1,2,…,N²；V_i=（V_i1，V_i2），i=1,2,…,N²。

8.根据权利要求7所述的方法，其特征在于，所述步骤S6包括：

S61、计算所述粒子群中所有粒子的适度值，所述适度值的计算公式如下：

$f\left(P_i\left(k\right)\right)=\sqrt{\frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{[x_j-T\left(x_j\right)]}^2}$

其中，x_j为训练样本集中的第j个样本向量，T(x_j)为所述x_j的温度预测值，M为训练样本集中样本向量的个数，P_i(k)为第i个粒子第k次迭代的位置，k为正整数，i=1,2,…,N²；

S62、计算前k次迭代的粒子群中第i个粒子的最优位置pb_i(k)，i=1,2,…,M，以及第k次迭代的粒子群的最优位置gb(k)；所述pb_i(k)满足 $f\left(p{b}_i\left(k\right)\right)=\underset{k}{\min }f\left(P_i\left(k\right)\right),$ 所述gb(k)满足 $f\left(\mathrm{gb}\left(k\right)\right)=\underset{i}{\min }f\left(p{b}_i\left(k\right)\right);$

S63、计算变异概率P_m，所述P_m的计算公式如下：

$p_m=\left\{\begin{array}{cc}\mathrm{\&beta;}& S^2<\mathrm{\&mu;},|f\left(\mathrm{gb}\left(k\right)\right)-f_m|>\mathrm{\&delta;}\\ 0& \mathrm{other}\end{array}\right.$

其中，β为常数，且β∈(0,1)，δ为收敛精度，f_m为理论最优值，μ为常数，且μ∈[0，0.0001]，所述s²为粒子群的群体适应度方差，所述s²的计算公式如下：

$S^2=\frac{1}{N^2}\underset{I=1}{\overset{N^2}{\mathrm{\&Sigma;}}}{\left(\frac{f_i-V_{\mathrm{avg}}}{f}\right)}^2$

其中，N²为粒子群中粒子的个数，f_i为第i个粒子的适度值；V_avg为粒子群中粒子的平均速度，f为归一化因子，所述f的取值为： $f=\max \{1,\underset{i}{\max }[|f_i-V_{\mathrm{avg}}|\left]\right\},i=\mathrm{1,2},...,N^2;$

对粒子群中的每个粒子，在概率分布满足[0,1]区间均匀分布的随机变量中随机产生一个常数r，r∈[0，1]；

判断所述r<P_m是否成立，若成立，则对第i个粒子的最优位置pb_i(k)进行变异：

在概率分布满足正态分布N[0,1]的随机变量中随机产生一个常数t；

pb_i(k)=pb_i(k)×(1+t)。

S64、更新每个粒子的速度及位置：

V_i(k+1)=wV_i(k)+c₁R₁(pb_i(k)-x_i(k))+c₂R₂(gb(k)-x_i(k))；

P_i(k+1)=P_i(k)+V_i(k+1)；

其中，V_i(k)表示第k次迭代的第i个粒子的速度，i=1,2,…,N²；

w为惯性权重，0.5<w<0.9；

c₁，c₂为学习因子，c₁，c₂均为正常数；

R₁，R₂为介于[0，1]区间的随机数。

S65、计算训练样本集的均方根误差RMSE，判断RMSE<0.01是否成立，若成立，则停止迭代，gb(k)所对应粒子的λ和σ²作为LS_SVM的优化参数；否则，当前k的值加1作为新的k，执行步骤S61。

9.根据权利要求4所述的方法，其特征在于，在步骤S7中，所述测试样本为样本集中不是训练样本的样本，所述测试样本的集合构成测试样本集。