基于經(jīng)驗?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的溫室溫濕度預(yù)測

郁瑩珺 徐達宇 壽國忠

摘要：溫室溫濕度的準(zhǔn)確預(yù)測有助于及時調(diào)節(jié)溫室小環(huán)境，溫濕度預(yù)測模型是溫室控制的重要基礎(chǔ)，提高預(yù)測精度有助于提高生產(chǎn)水平。針對溫室系統(tǒng)具有非線性、非平穩(wěn)性等特點，提出一種基于經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition，簡稱EMD）和小波神經(jīng)網(wǎng)絡(luò)（wavelet neural network，簡稱WNN）的溫室溫濕度組合預(yù)測方法。首先，利用經(jīng)驗?zāi)B(tài)分解方法將原始時間序列分解成一系列分量;然后對各分量分別構(gòu)建小波神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測;最后疊加各子序列得到預(yù)測值。結(jié)果表明，運用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WNN模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，可有效提高短期溫室溫濕度預(yù)測的精度。

關(guān)鍵詞：經(jīng)驗?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

中圖分類號： S625.5+1 文獻標(biāo)志碼： A 文章編號：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，能夠滿足人們在不同季節(jié)對各種農(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，營造一個與室外大氣候環(huán)境相對隔離的小氣候環(huán)境，減小作物生長對自然環(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)達國家相比，仍較為落后。溫室小氣候環(huán)境是影響作物生長和產(chǎn)量的主要條件之一，為滿足作物對其生長環(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)測精度，進而快速地對溫室環(huán)境進行調(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。

由于溫室是一個典型的非線性、時變的復(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)控措施都會對溫室小氣候環(huán)境產(chǎn)生影響，因此其模型很難通過機理法用簡單的數(shù)學(xué)公式或傳遞函數(shù)來描述[1]。隨著智能計算的發(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。人工神經(jīng)網(wǎng)絡(luò)具有較強的學(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，人工神經(jīng)網(wǎng)絡(luò)成為短期環(huán)境因子預(yù)測的一種性能較好的方法。王定成利用支持向量機回歸建模方法，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，簡稱BP）神經(jīng)網(wǎng)絡(luò)預(yù)測模型，結(jié)果表明，該模型對于不同季節(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)測模型，該模型試驗精度明顯高于同時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)測模型，該模型包括6個輸入節(jié)點、3個隱節(jié)點、2個輸出節(jié)點，試驗得到，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)的改進型極限學(xué)習(xí)機對日光溫室環(huán)境因子進行辨識，建立日光溫室溫濕度環(huán)境因子預(yù)測模型，預(yù)測結(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)的作物生長對室外環(huán)境氣象條件的依賴性已大幅減小。目前關(guān)于室外環(huán)境氣象條件對溫室內(nèi)環(huán)境因子影響的研究較多，但針對溫室內(nèi)部環(huán)境因子開展的模擬預(yù)測較少。因此，本研究擬利用溫室內(nèi)小氣候數(shù)據(jù)，建立預(yù)測模型，對溫室的溫濕度環(huán)境進行模擬和分析，以期為溫室環(huán)境調(diào)控提供科學(xué)依據(jù)。針對溫濕度時間序列具有非線性和非平穩(wěn)性的特點，本研究提出一種基于經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition，簡稱EMD）和小波神經(jīng)網(wǎng)絡(luò)（wavelet neural network，簡稱WNN）的溫濕度短期組合預(yù)測模型，結(jié)合各方法的特點，通過優(yōu)勢互補提高預(yù)測精度。該方法首先利用經(jīng)驗?zāi)B(tài)分解將時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;然后針對每組序列的自身特點構(gòu)建其小波神經(jīng)網(wǎng)絡(luò)模型，并對各分量進行預(yù)測;最后將各分量預(yù)測結(jié)果疊加得到最終預(yù)測值，并通過誤差分析，驗證模型的預(yù)測效果。

1 經(jīng)驗?zāi)B(tài)分解

經(jīng)驗?zāi)B(tài)分解是一種能夠?qū)⒎瞧椒€(wěn)信號平穩(wěn)化處理的信號分析方法[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)雜信號均由若干個頻率特征不同的本征模態(tài)函數(shù)（intrinsic mode function，簡稱IMF）組成，且每一個IMF都是相互獨立的。分解出來的各IMF分量包含了原信號在不同時間尺度上的局部特征信號。經(jīng)驗?zāi)B(tài)分解的目的是把復(fù)雜的信號分解成有限個本征模態(tài)函數(shù)之和。通過將時間序列與具有不同頻率的本征模態(tài)分量進行匹配，將時間序列中不同尺度的分量逐級分解出來，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)序列與原始時間序列相比具有更強的規(guī)律性，因此經(jīng)驗?zāi)B(tài)分解更適用于處理非線性、非平穩(wěn)性的時間序列。EMD分解步驟如下。

（1）求出原始時間序列x（t）中所有的極大值、極小值點，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)測方法

溫室內(nèi)溫濕度時間序列具有較強的非線性、非平穩(wěn)性，因此在使用常規(guī)學(xué)習(xí)預(yù)測方法時難以取得較好的效果。鑒于經(jīng)驗?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，本研究提出一種基于EMD-WNN組合的預(yù)測方法。首先對原始時間序列進行EMD，使其產(chǎn)生一系列不同尺度的IMF分量，實現(xiàn)序列平穩(wěn)化;然后針對各分量建立適合的小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型;最后將各分量的預(yù)測值疊加得到最終預(yù)測值。

EMD-WNN預(yù)測模型的具體結(jié)構(gòu)流程（圖2）為（1）利用經(jīng)驗?zāi)B(tài)分解方法對原始時間序列進行分解，得到IMF各分量ci（t）和余量rN（t）。（2）分別對各IMF分量ci（t）和 rN（t） 建立小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型，得到各分解序列的預(yù)測值。（3）將各分量預(yù)測值疊加得到最終預(yù)測結(jié)果。（4）與實際測量值對比，計算誤差指標(biāo)并進行誤差分析。

4 試驗過程

4.1 試驗數(shù)據(jù)來源

試驗數(shù)據(jù)來源于浙江省建德市某溫室，該溫室長64 m，寬32 m，邊高為3 m，南北向為拱形，拱高4.8 m。試驗期間溫室內(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)自動采集獲得。試驗時間為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個樣本數(shù)據(jù)，其原始時間序列如圖3所示。

4.2 預(yù)測過程

首先對原始時間序列進行經(jīng)驗?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、殘差項等3部分。以溫度時間序列為例，IMF1～IMF3為高頻部分，表示溫度具有不平穩(wěn)性;IMF4～IMF7為低頻部分，表示溫度具有較平穩(wěn)的周期波動性;殘差項r（t）則表示在試驗期間，溫度呈穩(wěn)定上升趨勢。而對于濕度時間序列來說，IMF1～IMF4為高頻部分，表示濕度變化具有不平穩(wěn)性;IMF5～IMF8為低頻部分，表示濕度具有周期變化性;殘差項則表明在試驗期間，濕度總體呈現(xiàn)波動變化。

然后，使用EMD-WNN預(yù)測模型對試驗數(shù)據(jù)進行訓(xùn)練。選取2月13日至4月13日的1 196個數(shù)據(jù)作為訓(xùn)練集，選取4月14日的24個數(shù)據(jù)作為測試集。采用具有單隱含層的3層小波神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型進行預(yù)測，網(wǎng)絡(luò)結(jié)構(gòu)為4-6-1（輸入層節(jié)點數(shù)為4個，隱含層節(jié)點數(shù)為6個，輸出層節(jié)點數(shù)為1個）。其中，輸入層輸入當(dāng)前時間點前4個時間點的數(shù)據(jù);隱含層節(jié)點由小波基函數(shù)構(gòu)成，節(jié)點數(shù)為6個;輸出層輸出當(dāng)前時間點的預(yù)測數(shù)據(jù)。

隱含層節(jié)點數(shù)是一個非常重要的參數(shù)，其直接影響神經(jīng)網(wǎng)絡(luò)模型的計算能力和對目標(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)點數(shù)的確定，目前還沒有成熟的理論進行指導(dǎo)，通常根據(jù)建模經(jīng)驗和試湊法來確定隱含層的節(jié)點數(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)測值與真實值的擬合情況不斷對其進行調(diào)整，最終確定隱含層節(jié)點數(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)練前對所有樣本數(shù)據(jù)進行歸一化處理。所有試驗均在具有 3.3 GHz 中央處理器（central processing unit，簡稱CPU）與8 G內(nèi)存的計算機上完成，仿真軟件為Matlab 2016a。

5 結(jié)果與分析

本研究同時采用WNN預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)模型對原始時間序列進行預(yù)測試驗。圖6為基于EMD-WNN模型的預(yù)測結(jié)果，圖7為3種模型的預(yù)測結(jié)果。

從圖6、圖7、表1可以看出：（1）3種預(yù)測模型均可以對溫濕度時間序列的變化進行有效跟蹤，表明利用人工神經(jīng)網(wǎng)絡(luò)進行模擬預(yù)測是行之有效的。（2）EMD-WNN模型和WNN模型的預(yù)測精度均比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)對溫濕度的預(yù)測效果更為理想，體現(xiàn)了小波神經(jīng)網(wǎng)絡(luò)的優(yōu)越性。（3）與單獨的WNN模型相比，運用EMD-WNN組合模型對溫室小氣候環(huán)境進行模擬預(yù)測精度有了一定的提高，尤其在波動較大的轉(zhuǎn)折點較為明顯;同時，運用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，溫度模型有效性相對提高0.018 7 ℃，濕度模型有效性相對提高了0.101 7百分點。結(jié)果表明，對溫濕度時間序列采用科學(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)測模型，從研究對象的特性出發(fā)，采用多算法融合的組合預(yù)測思路來提高預(yù)測精度。首先利用經(jīng)驗?zāi)B(tài)分解對時間序列進行平穩(wěn)化處理，然后對其進行訓(xùn)練、檢驗，進而預(yù)測未來1 d的溫濕度變化。試驗結(jié)果表明，該模型網(wǎng)絡(luò)結(jié)構(gòu)簡單，收斂速度快，既發(fā)揮了經(jīng)驗?zāi)B(tài)分解的優(yōu)勢，又繼承了小波變換良好的時頻局部化特性，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與細節(jié)信息，具有實際應(yīng)用價值。但環(huán)境因子的影響因素眾多，具有很大的隨機性，導(dǎo)致個別時間點的預(yù)測值存在較大的相對誤差，因此該模型有待于進一步完善。

參考文獻：

[1]徐立鴻，蘇遠平，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，2013，29（19）：1-15.

[2]王定成. 溫室環(huán)境的支持向量機回歸建模[J]. 農(nóng)業(yè)機械學(xué)報，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. 基于改進型極限學(xué)習(xí)機的日光溫室溫濕度預(yù)測與驗證[J]. 農(nóng)業(yè)工程學(xué)報，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?zāi)B(tài)分解和支持向量機的短期風(fēng)電功率組合預(yù)測模型[J]. 中國電機工程學(xué)報，2011，31（31）：102-108.

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

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

[11]王 賀，胡志堅，陳 珍，等. 基于集合經(jīng)驗?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[J]. 電工技術(shù)學(xué)報，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)識別系統(tǒng)[J]. 振動與沖擊，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)測對比（英文）[J]. 植物保護學(xué)報，2016，43（3）：353-361.

[16]程聲烽，程小華，楊 露. 基于改進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.