基于智能算法的儲(chǔ)糧通風(fēng)溫度預(yù)測(cè)

摘要：

在當(dāng)前糧食安全日益受到關(guān)注的背景下，對(duì)儲(chǔ)糧過(guò)程中的溫度波動(dòng)進(jìn)行準(zhǔn)確預(yù)測(cè)，并通過(guò)智能化的通風(fēng)控制系統(tǒng)實(shí)現(xiàn)對(duì)儲(chǔ)糧環(huán)境的優(yōu)化管理成為亟待解決的問(wèn)題?；诖?，提出一種CNN-BiGRU-Attention網(wǎng)絡(luò)模型，通過(guò)CNN提取特征圖中時(shí)序數(shù)據(jù)之間的潛在關(guān)系，并將處理后的特征向量作為BiGRU網(wǎng)絡(luò)的輸入，根據(jù)糧情數(shù)據(jù)的時(shí)序特征，在BiGRU網(wǎng)絡(luò)中加入Attention為糧情特征分配權(quán)重；以及采用IPSO優(yōu)化模型超參數(shù)的多模型融合算法來(lái)預(yù)測(cè)糧堆溫度。使用吉林省榆樹(shù)某直屬糧庫(kù)的數(shù)據(jù)集驗(yàn)證該預(yù)測(cè)模型，結(jié)果顯示：均方根誤差RMSE為0.0469，平均絕對(duì)誤差MAE為0.031 5，確定系數(shù)R²為0.992 5，與其他模型相比，有效地提高預(yù)測(cè)精度。通過(guò)將儲(chǔ)糧溫度預(yù)測(cè)功能應(yīng)用于糧情測(cè)控系統(tǒng)中，實(shí)現(xiàn)機(jī)械通風(fēng)智能化來(lái)保障糧食的安全儲(chǔ)藏。

關(guān)鍵詞：儲(chǔ)糧溫度預(yù)測(cè)；改進(jìn)粒子群算法；糧食儲(chǔ)藏；通風(fēng)控制

中圖分類(lèi)號(hào)：S379.9； TP183

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553 （2025） 01-0091-08

Prediction of grain storage ventilation temperature based on intelligent algorithm

Lü Zongwang^{1， 2}， Liu Hang^{1， 2}， Sun Fuyan^{1， 2}

（1. "College of Information Science and Engineering， Henan University of Technology， Zhengzhou， 450001， China；

2. Key Laboratory of Grain Information Processing and Control， Ministry of Education， Zhengzhou， 450001， China）

Abstract：

In the current context of increasing concern about food security， accurate prediction of temperature fluctuations during grain storage and optimal management of grain storage environment through intelligent ventilation control system have become urgent problems. Based on this， a CNN-BiGRU-Attention network model is proposed， in which the potential relationship between the temporal data in the feature map is extracted by CNN and the processed feature vector is used as the input to the BiGRU network， and according to the temporal characteristics of the grain data， Attention is added to the BiGRU network to assign weights to the grain features， as well as the multi-model fusion algorithm of IPSO optimization model hyperparametric is used to predict the grain pile temperature. The prediction model was validated by using a dataset from a directly-affiliated grain depot in Yushu， Jilin Province， and the results showed that the root-mean-square error （RMSE） was 0.0469， the mean absolute error （MAE） was 0.031 5， and the coefficient of determination "R²"was 0.992 5， which effectively improved the prediction accuracy compared with other models. By applying the storage temperature prediction function to the grain condition measurement and control system， the intelligentization of mechanical ventilation is realized to guarantee the safe storage of grain.

Keywords：

grain storage temperature prediction; improved particle swarm algorithm; grain storage; ventilation control

0"引言

糧食一直以來(lái)都與社會(huì)穩(wěn)定息息相關(guān)，因此，國(guó)家每年都會(huì)維持一定量的糧食儲(chǔ)備^［1］。然而，在糧食儲(chǔ)存過(guò)程中，溫度對(duì)于糧食倉(cāng)儲(chǔ)至關(guān)重要，一旦空氣環(huán)境濕度過(guò)大，糧食本身的含水量也會(huì)隨之增加，并且呼吸強(qiáng)度也會(huì)大大增加，當(dāng)呼吸強(qiáng)度增大時(shí)，倉(cāng)內(nèi)糧食溫度過(guò)高，會(huì)加快糧食品質(zhì)的劣化，影響儲(chǔ)糧安全^［2］。傳統(tǒng)的儲(chǔ)糧通風(fēng)控制方法僅基于實(shí)時(shí)糧情信息做出判斷，缺乏通風(fēng)預(yù)測(cè)的能力，為了減少不必要的損失，應(yīng)準(zhǔn)確掌握糧食在儲(chǔ)藏過(guò)程中尤其是儲(chǔ)糧溫度的變化規(guī)律，分析不同時(shí)刻的溫度變化情況，最為關(guān)鍵是對(duì)儲(chǔ)糧溫度的準(zhǔn)確預(yù)測(cè)^［3］。傳統(tǒng)的儲(chǔ)糧通風(fēng)溫度預(yù)測(cè)是采用數(shù)值模擬或建立數(shù)學(xué)模型的方法，由于糧堆溫度受多種因素的耦合影響，不能準(zhǔn)確得出糧堆內(nèi)溫度與其影響因素之間的非線(xiàn)性關(guān)系。而深度學(xué)習(xí)能夠處理高維非線(xiàn)性、高階相關(guān)性和缺失值等問(wèn)題，通過(guò)大規(guī)模數(shù)據(jù)的訓(xùn)練來(lái)學(xué)習(xí)特征和模式，以更加科學(xué)準(zhǔn)確的方法實(shí)現(xiàn)糧堆溫度的預(yù)測(cè)^［4］。

糧情數(shù)據(jù)具有典型的時(shí)序性，長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）是一種適用于處理時(shí)序問(wèn)題的模型，解決了人工提取時(shí)序特征的問(wèn)題^［5］。基于LSTM網(wǎng)絡(luò)的儲(chǔ)糧通風(fēng)溫度預(yù)測(cè)研究已經(jīng)在進(jìn)行，但收斂速度較慢。為了改進(jìn)這一點(diǎn)，門(mén)控循環(huán)單元（GRU）對(duì)LSTM進(jìn)行了優(yōu)化，具有更快的收斂速度，并保持與LSTM接近的準(zhǔn)確率，特別適合處理時(shí)間序列數(shù)據(jù)^［6］。雙向門(mén)控單元（BiGRU）由雙向的GRU層構(gòu)成，能夠同時(shí)考慮前后輸入，充分提取數(shù)據(jù)的所有信息，在GRU的基礎(chǔ)上進(jìn)一步提升特征提取的準(zhǔn)確率^［7］。雖然BiGRU模型在時(shí)間序列的預(yù)測(cè)方面具有優(yōu)勢(shì)，但對(duì)于儲(chǔ)糧溫度多維數(shù)據(jù)的預(yù)測(cè)存在一定的局限性，注意力機(jī)制（Attention）被引入儲(chǔ)糧溫度多維數(shù)據(jù)預(yù)測(cè)任務(wù)中，以克服時(shí)間序列信息未完全挖掘的局限性，通過(guò)對(duì)輸入數(shù)據(jù)進(jìn)行加權(quán)處理，為不同特征賦予不同的概率權(quán)重^［8］。

鑒于此，本文設(shè)計(jì)一套基于IPSO優(yōu)化CNN-BiGRU-Attention儲(chǔ)糧溫度預(yù)測(cè)模型的智能通風(fēng)控制系統(tǒng)。通過(guò)CNN提取特征圖中時(shí)序數(shù)據(jù)之間的潛在關(guān)系，并將處理后的特征向量作為BiGRU網(wǎng)絡(luò)的輸入，根據(jù)糧情數(shù)據(jù)的時(shí)序特征，在BiGRU網(wǎng)絡(luò)中加入Attention為糧情特征分配權(quán)重；以及采用IPSO優(yōu)化模型超參數(shù)的多模型融合算法來(lái)預(yù)測(cè)糧堆溫度，實(shí)現(xiàn)對(duì)儲(chǔ)糧環(huán)境的智能化調(diào)控。

1"模型基本理論

1.1"CNN網(wǎng)絡(luò)

為應(yīng)對(duì)儲(chǔ)糧通風(fēng)過(guò)程糧堆數(shù)據(jù)具有非線(xiàn)性與非平穩(wěn)性，采用CNN網(wǎng)絡(luò)來(lái)處理數(shù)據(jù)，能夠有效地利用糧倉(cāng)通風(fēng)數(shù)據(jù)和糧堆溫度之間的非線(xiàn)性關(guān)系，提取出重要的特征，從而提高儲(chǔ)糧通風(fēng)溫度預(yù)測(cè)的精度。圖1展示了CNN網(wǎng)絡(luò)結(jié)構(gòu)，其中包含了多個(gè)卷積層、池化層和全連接層^［9］。ReLU層作為激活函數(shù)增加神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性能力，從而提高模型的表達(dá)能力。通過(guò)這些層的組合，CNN網(wǎng)絡(luò)能夠?qū)?chǔ)糧通風(fēng)過(guò)程中的數(shù)據(jù)進(jìn)行高效的特征學(xué)習(xí)和表示。

1.2"門(mén)控循環(huán)單元網(wǎng)絡(luò)

門(mén)控循環(huán)單元網(wǎng)絡(luò)（GRU）是長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的一種變體，它們都利用門(mén)控結(jié)構(gòu)來(lái)解決梯度消失和梯度爆炸問(wèn)題^［10］。GRU網(wǎng)絡(luò)具有兩個(gè)控制門(mén)，即重置門(mén)和更新門(mén)，通過(guò)這些門(mén)控制來(lái)保留重要的特征^［11］。這兩個(gè)控制門(mén)用于減少梯度分散，使網(wǎng)絡(luò)具有長(zhǎng)期記憶能力并降低計(jì)算成本。GRU神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

GRU網(wǎng)絡(luò)在處理序列數(shù)據(jù)時(shí)，通常只考慮了前向方向的信息，忽略了后向時(shí)間序列數(shù)據(jù)的有價(jià)值信息。為了充分利用前后兩個(gè)方向的信息，可以采用雙向門(mén)控循環(huán)單元網(wǎng)絡(luò)（BiGRU）^［12］，如圖3所示。

在該結(jié)構(gòu)中，有兩個(gè)獨(dú)立的GRU模塊，一個(gè)用于前向傳遞計(jì)算捕獲輸入數(shù)據(jù)的過(guò)去信息，另一個(gè)用于后向傳遞計(jì)算獲取輸入數(shù)據(jù)的未來(lái)信息。通過(guò)將前向和后向的隱藏狀態(tài)進(jìn)行拼接，可以獲得更全面的時(shí)間序列信息。BiGRU計(jì)算如式（1）所示。

YT=F（hT，hT）

（1）

式中：

hT——前向GRU的隱藏狀態(tài)；

YT——當(dāng)前時(shí)刻的隱藏層；

hT——后向GRU的隱藏狀態(tài)。

通過(guò)將這兩個(gè)隱藏狀態(tài)拼接起來(lái)，得到當(dāng)前時(shí)刻的隱藏狀態(tài)YT。這樣，BiGRU網(wǎng)絡(luò)能夠同時(shí)考慮前向和后向的信息，從而更好地捕捉序列數(shù)據(jù)中的上下文關(guān)系。

1.3"注意力機(jī)制

在預(yù)測(cè)過(guò)程中，糧倉(cāng)歷史數(shù)據(jù)中包含了多種特征，例如糧堆溫度溫、倉(cāng)內(nèi)溫度、倉(cāng)內(nèi)濕度、外界溫度、外界濕度。然而，并非所有特征都對(duì)預(yù)測(cè)結(jié)果具有顯著影響。為解決這個(gè)問(wèn)題，引入注意力機(jī)制來(lái)識(shí)別糧倉(cāng)通風(fēng)數(shù)據(jù)中的重要特征^［13］。注意力機(jī)制模型可以自動(dòng)學(xué)習(xí)并選擇對(duì)預(yù)測(cè)結(jié)果最具影響力的特征，提高模型的表達(dá)能力和預(yù)測(cè)準(zhǔn)確性。這種機(jī)制的引入使得模型更加靈活和自適應(yīng)，能夠根據(jù)輸入數(shù)據(jù)的重要性動(dòng)態(tài)調(diào)整注意力權(quán)重。

e_t=uatanh（w^*aha+b^*a）

（2）

α_t=exp（e_t）∑tj=1e_j

（3）

s_t=∑it=1α_tha

（4）

式中：

et——概率分布值；

ua——激活函數(shù)；

w^*a——權(quán)重矩陣；

b^*a——偏置矩陣；

ha——神經(jīng)網(wǎng)絡(luò)隱藏層狀態(tài)向量；

αt——注意力模塊分配給特征的權(quán)重；

st——時(shí)刻t的注意層的輸出。

1.4"CNN-BiGRU-Attention模型

傳統(tǒng)的儲(chǔ)糧機(jī)械通風(fēng)溫度預(yù)測(cè)方法往往采取單一的網(wǎng)絡(luò)模型，未能充分挖掘數(shù)據(jù)內(nèi)部的潛在關(guān)系。為解決這個(gè)問(wèn)題，采用一種CNN-BiGRU-Attention深度學(xué)習(xí)模型用于儲(chǔ)糧機(jī)械通風(fēng)糧堆溫度預(yù)測(cè)。利用糧倉(cāng)歷史數(shù)據(jù)來(lái)預(yù)測(cè)糧堆溫度，數(shù)據(jù)信息主要包括糧堆每層最高溫度、倉(cāng)溫、倉(cāng)濕、外溫、外濕、通風(fēng)溫度、通風(fēng)濕度、通風(fēng)風(fēng)速的大小等，這些數(shù)據(jù)對(duì)于預(yù)測(cè)未來(lái)機(jī)械通風(fēng)糧堆每層最高溫度起著至關(guān)重要的作用。圖4展示CNN-BiGRU-Attention深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測(cè)模型的結(jié)構(gòu)。首先，通過(guò)CNN網(wǎng)絡(luò)對(duì)輸入層數(shù)據(jù)中的高維特征進(jìn)行充分提取，學(xué)習(xí)時(shí)間序列特征，挖掘輸入數(shù)據(jù)之間的關(guān)系，將特征處理后的數(shù)據(jù)傳入BiGRU模型。BiGRU模型能夠同時(shí)考慮前向和后向的依賴(lài)關(guān)系，并能夠從相關(guān)的歷史數(shù)據(jù)中探索溫度變化的規(guī)律。然后，通過(guò)Attention層對(duì)提取出的高維特征數(shù)據(jù)進(jìn)行權(quán)重訓(xùn)練，以提高預(yù)測(cè)準(zhǔn)確性和性能。通過(guò)這個(gè)結(jié)構(gòu)，模型能夠更好地利用數(shù)據(jù)的多維特征和時(shí)間序列信息，提高儲(chǔ)糧機(jī)械通風(fēng)糧堆溫度預(yù)測(cè)的精準(zhǔn)度。

2"IPSO優(yōu)化模型超參數(shù)

在深度學(xué)習(xí)中，模型的性能很大程度上受到超參數(shù)的選擇影響。而人工調(diào)參往往需要大量的嘗試和經(jīng)驗(yàn)，無(wú)法保證找到全局最優(yōu)解^［14］。IPSO通過(guò)模擬粒子在搜索空間中的移動(dòng)和學(xué)習(xí)，以自適應(yīng)的方式探索參數(shù)空間，從而找到更優(yōu)的超參數(shù)組合，提高模型性能。相比于其他參數(shù)優(yōu)化算法，IPSO的優(yōu)勢(shì)在于設(shè)置參數(shù)較少，易于實(shí)現(xiàn)，并且能夠在相對(duì)較短的時(shí)間內(nèi)得到較好的結(jié)果。

2.1"IPSO算法

PSO算法是一種全局優(yōu)化算法，通過(guò)個(gè)體間信息共享的方式來(lái)尋找最優(yōu)解，在每次迭代中粒子根據(jù)當(dāng)前位置和速度更新自己的位置，并更新個(gè)體最佳位置和全局最佳位置^［15］。通過(guò)不斷迭代更新，粒子群中的粒子逐漸趨向于全局最優(yōu)解。這樣，PSO算法能夠在搜索空間中高效地找到最優(yōu)解。位置和速度更新計(jì)算方程如式（5）、式（6）所示。

x^k+1_i=x^k_i+v^k+1_i

（5）

v^k+1_i=wv^k_i+c₁r₁（p^k_i－x^k_i）+c₂r₂（p^kg－x^k_i）

（6）

式中：

v^k_i、x^k_i——

粒子i在第k次迭代的速度和位置；

c1、c2——加速系數(shù)；

r1、r2——在區(qū)間［0，1］上的隨機(jī)數(shù)；

p_i——

粒子i在迭代過(guò)程中所取得的個(gè)體最優(yōu)解；

pg——全局最優(yōu)解；

w——PSO算法中的慣性權(quán)重。

w=wmax－（k_n/kmax）（wmax－wmin）

（7）

式中：

wmax、wmin——最大權(quán)重和最小權(quán)重；

kmax——最大迭代次數(shù)；

kn——當(dāng)前迭代次數(shù)。

根據(jù)需求，設(shè)置適應(yīng)度值的計(jì)算公式。粒子i在第k次迭代的個(gè)體適應(yīng)度值為F^k_i，群體適應(yīng)度值為F^kg。粒子搜索到的個(gè)體最優(yōu)適應(yīng)度值為F^kibest，群體最優(yōu)適應(yīng)度值為F^kgbest。粒子i的個(gè)體最優(yōu)位置更新公式為p^k+1_i，群體最優(yōu)位置更新公式為p^k+1g。同時(shí)，設(shè)置粒子的最大速度為vmax，將所有粒子的速度限制在［-vmax，+vmax］范圍內(nèi)。

p^k+1_i=

x^k_iF^k_ilt;F^kibest

p^k_iF^k_i≥F^kibest

（8）

p^k+1g=

x^kgF^kglt;F^kgbest

p^kgF^kg≥F^kgbest

（9）

為解決傳統(tǒng)PSO算法容易陷入局部最優(yōu)、收斂精度低以及無(wú)法滿(mǎn)足實(shí)際搜索過(guò)程中復(fù)雜情況等問(wèn)題^［16］。對(duì)更新公式中的權(quán)重進(jìn)行非線(xiàn)性改進(jìn)，改進(jìn)后的計(jì)算如式（10）所示。

w=wmax－π4tan（k_n/kmax）（wmax－wmin）

（10）

通過(guò)使用tan函數(shù)對(duì)權(quán)重進(jìn)行非線(xiàn)性變換，在迭代初期w接近最大權(quán)重值wmax，使粒子具有較快的搜索速度，可以快速定位最優(yōu)解的大致范圍。隨著迭代次數(shù)kn的增大，w在tan函數(shù)作用下以非線(xiàn)性方式快速遞減，從而約束粒子的飛行速度，增加粒子在最優(yōu)解附近進(jìn)行精細(xì)搜索的程度。IPSO算法流程如圖5所示，通過(guò)這種非線(xiàn)性改進(jìn)的權(quán)重更新方式，可以提高算法的收斂速度和搜索精度，使得粒子在搜索過(guò)程中更加靈活和準(zhǔn)確地找到全局最優(yōu)解。

2.2"CNN-BiGRU-Attention模型的優(yōu)化

超參數(shù)的設(shè)置對(duì)于儲(chǔ)糧機(jī)械通風(fēng)溫度預(yù)測(cè)的準(zhǔn)確性至關(guān)重要。通常情況下，人們使用經(jīng)驗(yàn)調(diào)參的方式來(lái)設(shè)置這些超參數(shù)，但這種方法存在誤差，使得CNN-BiGRU-Attention模型的性能無(wú)法得到充分發(fā)揮。為解決這個(gè)問(wèn)題，采用一種改進(jìn)粒子群算法來(lái)優(yōu)化CNN-BiGRU-Attention網(wǎng)絡(luò)模型的超參數(shù)，從而提升模型的預(yù)測(cè)性能。最優(yōu)搜索需要在提高精度和計(jì)算成本之間進(jìn)行權(quán)衡，糧堆溫度預(yù)測(cè)值與糧堆溫度實(shí)際值之間的均方誤差定義為目標(biāo)函數(shù)，如式（11）所示。

MSE=1N^*∑N^xi=1（y^_i－y_i）

（11）

式中：

N^*——訓(xùn)練樣本數(shù)；

y_i——實(shí)際值；

y^_i——預(yù)測(cè)值。

通過(guò)最小化目標(biāo)函數(shù)，可以找到最優(yōu)的超參數(shù)組合，從而提高模型的預(yù)測(cè)準(zhǔn)確性。采用智能群優(yōu)化算法，可以在超參數(shù)搜索空間中高效地找到最優(yōu)解，從而改善深度學(xué)習(xí)模型的性能。

2.3"預(yù)測(cè)流程

提出的機(jī)械通風(fēng)糧堆溫度預(yù)測(cè)模型的運(yùn)行流程如圖6所示，首先，進(jìn)行數(shù)據(jù)集準(zhǔn)備和劃分；然后，利用最優(yōu)超參數(shù)的CNN-BiGRU-Attention模型進(jìn)行糧溫預(yù)測(cè)；最后，得到糧溫的預(yù)測(cè)結(jié)果，用于儲(chǔ)糧通風(fēng)過(guò)程中的決策和管理。該流程能夠充分利用數(shù)據(jù)的特征和關(guān)聯(lián)信息，提高糧溫預(yù)測(cè)的準(zhǔn)確性和性能。

1） "數(shù)據(jù)集準(zhǔn)備：收集包括糧倉(cāng)內(nèi)溫濕度、倉(cāng)外溫濕度、通風(fēng)口溫濕度和通風(fēng)風(fēng)速等相關(guān)數(shù)據(jù)，并進(jìn)行預(yù)處理。首先，讀取數(shù)據(jù)文件并加載糧溫?cái)?shù)據(jù)。接下來(lái)，對(duì)糧堆通風(fēng)相關(guān)數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)范圍縮放到合適的區(qū)間。

2） "數(shù)據(jù)集劃分：將數(shù)據(jù)集7∶3的比例劃分訓(xùn)練集和測(cè)試集。訓(xùn)練集用于訓(xùn)練IPSO優(yōu)化CNN-BiGRU-Attention深度學(xué)習(xí)網(wǎng)絡(luò)模型，用于搜索最優(yōu)超參數(shù)，以獲得更好的性能。測(cè)試集用于糧溫的預(yù)測(cè)和模型評(píng)估。

3） "改進(jìn)粒子群算法進(jìn)行超參數(shù)優(yōu)化：使用智能群優(yōu)化算法（IPSO），對(duì)模型超參數(shù)進(jìn)行初始化。初始模型根據(jù)計(jì)算誤差進(jìn)行訓(xùn)練和評(píng)估，并根據(jù)最小誤差來(lái)確定是否找到了最優(yōu)超參數(shù)。如果未找到最優(yōu)超參數(shù)，則需要再次選擇超參數(shù)進(jìn)行訓(xùn)練和評(píng)估，找到最優(yōu)的超參數(shù)。

4） "基于最優(yōu)超參數(shù)的CNN-BiGRU-Attention模型預(yù)測(cè)：利用IPSO算法優(yōu)化CNN-BiGRU-Attention模型進(jìn)行儲(chǔ)糧機(jī)械通風(fēng)溫度預(yù)測(cè)。該模型使用儲(chǔ)糧機(jī)械通風(fēng)的數(shù)據(jù)準(zhǔn)確地預(yù)測(cè)未來(lái)糧溫的變化趨勢(shì)。通過(guò)將歷史數(shù)據(jù)輸入模型，模型能夠?qū)W習(xí)并預(yù)測(cè)未來(lái)糧溫的變化。

3"試驗(yàn)結(jié)果及分析

3.1"數(shù)據(jù)來(lái)源

所用的數(shù)據(jù)采集于吉林省玉樹(shù)市的一個(gè)平房倉(cāng)，結(jié)構(gòu)如圖7所示。為了考慮糧堆頂層與底層糧食溫度的差異，采用分布式測(cè)溫技術(shù)來(lái)測(cè)量不同糧層的溫度，將糧堆分為5層；并且在進(jìn)行糧堆溫度預(yù)測(cè)時(shí)也采用分層預(yù)測(cè)的方法，才能得到準(zhǔn)確的糧倉(cāng)溫度信息，其分布如圖8所示。由于糧堆內(nèi)溫度變化緩慢，采用每小時(shí)數(shù)據(jù)采集策略，將采集到的數(shù)據(jù)傳輸至MySQL數(shù)據(jù)庫(kù)。

3.2"數(shù)據(jù)預(yù)處理

使用的儲(chǔ)糧通風(fēng)溫度預(yù)測(cè)數(shù)據(jù)來(lái)自某省直屬庫(kù)糧庫(kù)。在通風(fēng)作業(yè)時(shí)每隔1h分別采集糧堆每層最高溫度、外溫、外濕、倉(cāng)溫、倉(cāng)濕、通風(fēng)風(fēng)速、通風(fēng)溫度、通風(fēng)濕度共3 000組。對(duì)數(shù)據(jù)集進(jìn)行歸一化處理，如式（12）所示。

x′=x_i－xminxmax－xmin

（12）

式中：

x′——?dú)w一化后的輸入量；

x_i——原始數(shù)值；

xmax、xmin——

原始數(shù)據(jù)的最大值和最小值。

通過(guò)歸一化處理，將原始數(shù)據(jù)的取值范圍縮放到0～1之間，使得不同特征之間的數(shù)值具有可比性。這有助于模型更好地學(xué)習(xí)數(shù)據(jù)之間的關(guān)系，并且可以提高模型的訓(xùn)練效果和性能。

3.3"模型的評(píng)價(jià)指標(biāo)

均方根誤差RMSE是一種常見(jiàn)的誤差度量，用于衡量預(yù)測(cè)值與實(shí)際值之間的差異^［17］，如式（13）所示。

RMSE=1Ps1N^*∑N^xi=1（Y^_i－Y_i）²

（13）

平均絕對(duì)誤差MAE，它衡量了預(yù)測(cè)值與實(shí)際值之間的平均絕對(duì)差異^［18］，如式（14）所示。

MAE=1N^*∑N^xi=1Y^_i－Y_i

（14）

確定系數(shù)R²用于評(píng)估模型對(duì)觀(guān)測(cè)數(shù)據(jù)的擬合程度，其取值范圍為0～1，越接近1表示模型擬合得越好^［19］。確定系數(shù)的定義如式（15）所示。

R²=1－∑N^xi=1（Y^_i－Y_i）²∑N^xi=1（Y-－Y_i）²

（15）

通過(guò)計(jì)算這些評(píng)價(jià)指標(biāo)，可以量化模型的預(yù)測(cè)準(zhǔn)確性和擬合程度，從而對(duì)模型的性能進(jìn)行評(píng)估和比較。

3.4"基于IPSO的超參數(shù)優(yōu)化

針對(duì)構(gòu)建的CNN-BiGRU-Attention網(wǎng)絡(luò)模型，使用IPSO進(jìn)行網(wǎng)絡(luò)超參數(shù)的優(yōu)化，將種群規(guī)模設(shè)置為50，學(xué)習(xí)因子c1和c2均設(shè)定為1.5。慣性權(quán)重w根據(jù)式（10）進(jìn)行動(dòng)態(tài)更新，并設(shè)定r1為0.8，r2為0.3。為了控制訓(xùn)練時(shí)間，在使用模型進(jìn)行糧堆溫度預(yù)測(cè)之前，預(yù)先設(shè)定最大迭代次數(shù)為500次。由圖9可知，改進(jìn)算法的適應(yīng)度曲線(xiàn)在大約100次迭代后基本趨于平穩(wěn)。這表明改進(jìn)算法在進(jìn)行500次迭代時(shí)已經(jīng)取得較好的結(jié)果。

3.5"預(yù)測(cè)結(jié)果分析

按照7∶3的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。輸入特征矩陣的大小為3 000×8。所提出儲(chǔ)糧機(jī)械通風(fēng)溫度預(yù)測(cè)模型將與BP、BiGRU、BiGRU-Attention、CNN-BiGRU-Attention和PSO-CNN-BiGRU-Attention神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，驗(yàn)證其模型的性能。每個(gè)模型都使用相同的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，計(jì)算各個(gè)模型反歸一化后的RMSE、MAE和R²值，結(jié)果如表1所示。

由表1可知，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果最差，其RMSE為0.124 5，R²為0.854 2。BiGRU模型相對(duì)于BP神經(jīng)網(wǎng)絡(luò)有一定的改進(jìn)，但在加入注意力機(jī)制后，BiGRU-Attention模型的預(yù)測(cè)效果進(jìn)一步提升，其RMSE值降低，R²值提升。CNN-BiGRU-Attention模型在多特征維度上的處理效果顯著，其RMSE為0.085 9，R²為0.937 2，相比于BiGRU-Attention模型，RMSE降低0.0167，R²提升0.046。采用IPSO算法優(yōu)化模型超參數(shù)得到的RMSE為0.0469，R²為0.9925，與PSO-CNN-BiGRU-Attention模型相比，IPSO優(yōu)化的模型表現(xiàn)最佳，其RMSE降低0.0288，R²提升0.0438。綜合數(shù)據(jù)分析，采用IPSO優(yōu)化的CNN-BiGRU-Attention模型相比于其他模型具有更好的預(yù)測(cè)效果。

在儲(chǔ)糧通風(fēng)溫度預(yù)測(cè)對(duì)比試驗(yàn)中，由圖10可知，改進(jìn)IPSO優(yōu)化CNN-BiGRU-Attention融合模型預(yù)測(cè)結(jié)果與真實(shí)值基本吻合，擬合效果更好。

BP模型在整個(gè)過(guò)程中波動(dòng)比較大，與真實(shí)值的差較大；采用BiGRU模型對(duì)BP神經(jīng)網(wǎng)絡(luò)有一定的改進(jìn)，說(shuō)明BiGRU在時(shí)間序列有一定的優(yōu)勢(shì)，糧情數(shù)據(jù)的時(shí)序性和非線(xiàn)性關(guān)系可被較好地分析；在上述模型中加入注意力機(jī)制，計(jì)算BiGRU處理后的特征向量，突出關(guān)鍵特征，給予不同權(quán)值，預(yù)測(cè)效果進(jìn)一步提升；進(jìn)一步結(jié)合CNN模型，充分發(fā)揮對(duì)潛在特征向量的提取優(yōu)勢(shì)，有效挖掘數(shù)據(jù)中蘊(yùn)含的更多信息。接著對(duì)上述模型參數(shù)進(jìn)行優(yōu)化，采用標(biāo)準(zhǔn)PSO優(yōu)化CNN-BiGRU-Attention模型，與CNN-BiGRU-Attention預(yù)測(cè)效果相差不大，這是因?yàn)槟Ｐ统瑓?shù)未能找到最優(yōu)解；進(jìn)一步采用改進(jìn)IPSO來(lái)優(yōu)化CNN-BiGRU-Attention模型的超參數(shù)，融合了各個(gè)模型的特點(diǎn)，該模型具有更好的預(yù)測(cè)精度。

綜上所述，所提出的儲(chǔ)糧通風(fēng)溫度預(yù)測(cè)方法具有較高的準(zhǔn)確性，并且預(yù)測(cè)性能優(yōu)于其他預(yù)測(cè)方法。儲(chǔ)糧通風(fēng)溫度預(yù)測(cè)對(duì)于確保糧食質(zhì)量和避免儲(chǔ)糧損失非常重要，具有準(zhǔn)確和可行的預(yù)測(cè)方法，對(duì)農(nóng)業(yè)和糧食行業(yè)來(lái)說(shuō)是有價(jià)值的。因此，所提出的儲(chǔ)糧通風(fēng)溫度預(yù)測(cè)方法是可行的，具有廣泛的應(yīng)用價(jià)值。

進(jìn)一步將溫度預(yù)測(cè)功能應(yīng)用在糧情檢測(cè)功能上，結(jié)合機(jī)械通風(fēng)操作，在獲取到糧倉(cāng)內(nèi)某一層糧食未來(lái)24h的溫度折線(xiàn)圖后，得到此層溫度的最大值和最小值。當(dāng)最小值超過(guò)安全儲(chǔ)藏最高溫度時(shí)，立即觸發(fā)機(jī)械通風(fēng)控制系統(tǒng)，實(shí)現(xiàn)儲(chǔ)糧機(jī)械通風(fēng)的智能化；當(dāng)最小值低于安全儲(chǔ)藏臨界值，但最大值高于臨界值時(shí)，提醒管理人員多關(guān)注此糧倉(cāng)后續(xù)的溫度變化趨勢(shì)，便于及時(shí)了解該糧倉(cāng)的糧食儲(chǔ)藏情況。

4"LoRa網(wǎng)絡(luò)的儲(chǔ)糧通風(fēng)控制系統(tǒng)

LoRa（長(zhǎng)距離低功耗射頻）是一種遠(yuǎn)距離的無(wú)線(xiàn)通信技術(shù)，具有傳輸距離遠(yuǎn)、功耗低、通信可靠等特點(diǎn)。LoRa技術(shù)可以用于設(shè)置多個(gè)節(jié)點(diǎn)組成網(wǎng)絡(luò)，適用于各種場(chǎng)景^{［20， 21］}。在糧倉(cāng)監(jiān)控方面，不管是房倉(cāng)還是筒倉(cāng)，糧倉(cāng)到主控室的距離通常在500～3 000m之間。由于距離較短的WiFi、藍(lán)牙、ZigBee等技術(shù)不適合這種遠(yuǎn)距離通信需求，使用LoRa技術(shù)可以解決大量布線(xiàn)和不易擴(kuò)展等問(wèn)題。LoRa技術(shù)的應(yīng)用可以實(shí)現(xiàn)遠(yuǎn)距離的無(wú)線(xiàn)傳輸，使糧倉(cāng)監(jiān)控系統(tǒng)更加靈活、可靠，并且具備較低的功耗。

儲(chǔ)糧溫度預(yù)測(cè)及通風(fēng)控制系統(tǒng)總體框架如圖11所示。首先，在糧倉(cāng)中按照一定的規(guī)則布設(shè)多個(gè)溫濕度傳感器用于采集糧情數(shù)據(jù)，經(jīng)由糧情測(cè)控分機(jī)通過(guò)LoRa無(wú)線(xiàn)模塊傳輸至糧情測(cè)控主機(jī)；然后，自動(dòng)將數(shù)據(jù)傳輸至云服務(wù)器進(jìn)行存儲(chǔ)；隨后，輸入到預(yù)測(cè)模型中進(jìn)行糧情預(yù)測(cè)，將根據(jù)預(yù)測(cè)結(jié)果決定是否采取通風(fēng)操作，并將預(yù)測(cè)結(jié)果顯示出來(lái)。在上位機(jī)正常工作時(shí)，上位機(jī)LoRa模塊處于喚醒模式；處于待機(jī)模式時(shí)，LoRa模塊處于省電模式；當(dāng)需要數(shù)據(jù)時(shí)，通過(guò)主機(jī)發(fā)送信號(hào)使LoRa模塊進(jìn)入點(diǎn)對(duì)點(diǎn)通信模式，LoRa模塊再喚醒正常工作，大大降低了功耗、分布式降低了系統(tǒng)的復(fù)雜性、增強(qiáng)了系統(tǒng)的可靠性、提高了事件響應(yīng)效率和拓展了系統(tǒng)應(yīng)用范圍。針對(duì)現(xiàn)有糧情測(cè)控問(wèn)題，將無(wú)線(xiàn)傳感器技術(shù)、低功耗和遠(yuǎn)距離無(wú)線(xiàn)電傳輸技術(shù)和神經(jīng)網(wǎng)絡(luò)知識(shí)應(yīng)用于糧情測(cè)控技術(shù)，實(shí)現(xiàn)和設(shè)計(jì)糧情監(jiān)控系統(tǒng)。系統(tǒng)硬件包括溫濕度傳感器、風(fēng)速風(fēng)向測(cè)量模塊、糧情分機(jī)、LoRa無(wú)線(xiàn)通信模塊、電源模塊、糧情主機(jī)、中控機(jī)、觸摸液晶屏、三相電機(jī)，本系統(tǒng)的連接框圖如圖12所示。

5"結(jié)論

1） 提出一種新的儲(chǔ)糧通風(fēng)溫度預(yù)測(cè)方法，即采用IPSO優(yōu)化CNN-BiGRU-Attention網(wǎng)絡(luò)模型的超參數(shù)。利用CNN提取有效特征，并通過(guò)BiGRU網(wǎng)絡(luò)實(shí)現(xiàn)高精度的時(shí)間序列預(yù)測(cè)，最后結(jié)合注意力機(jī)制賦予不同權(quán)值。同時(shí)，采用改進(jìn)的IPSO算法優(yōu)化模型的超參數(shù)。試驗(yàn)結(jié)果表明，該網(wǎng)絡(luò)模型的RMSE為0.0469，MAE為0.031 5，R²為0.992 5，能夠自適應(yīng)調(diào)整模型的超參數(shù)。

2） 與其他模型比較，該模型性能指標(biāo)均優(yōu)于其他模型，具有較高的預(yù)測(cè)精度并且有效降低預(yù)測(cè)結(jié)果的不確定性，避免糧食的損失和風(fēng)機(jī)的損耗。

3） 設(shè)計(jì)基于LoRa網(wǎng)絡(luò)的儲(chǔ)糧通風(fēng)控制系統(tǒng)，通過(guò)將儲(chǔ)糧溫度預(yù)測(cè)功能應(yīng)用到糧情測(cè)控系統(tǒng)中，實(shí)現(xiàn)對(duì)各個(gè)糧倉(cāng)不同糧層的溫度預(yù)測(cè)來(lái)指導(dǎo)糧堆的機(jī)械通風(fēng)，實(shí)現(xiàn)機(jī)械通風(fēng)智能化，保障糧食的安全儲(chǔ)藏，推進(jìn)智慧糧庫(kù)現(xiàn)代化的建設(shè)。

參"考"文"獻(xiàn)

［1］

韓建軍， 張夢(mèng)琪， 趙道松， 等. 基于Bagging-WOA-SVR的糧堆溫度場(chǎng)預(yù)測(cè)模型［J/OL］. 中國(guó)糧油學(xué)報(bào)， 1-11［2024-07-27］. https：//doi.org/10.20048/j.cnki.issn.1003-0174.000753.

Han Jianjun， Zhang Mengqi， Zhao Daosong， et al. Prediction model of grain pile temperature field based on Bagging-WOA-SVR ［J/OL］. Journal of the Chinese Cereals and Oils Association， 1-11［2024-07-27］. https：//doi.org/10.20048/j.cnki.issn.1003-0174.000753.

［2］

黃琦蘭， 王濤. 基于智能算法的儲(chǔ)糧通風(fēng)過(guò)程中溫度場(chǎng)預(yù)測(cè)［J］. 保鮮與加工， 2022， 22（3）： 30-34.

Huang Qilan， Wang Tao. Temperature field prediction of grain storage ventilation process based on intelligent algorithm ［J］. Storage and Process， 2022， 22（3）： 30-34.

［3］

蔣思瑋， 孫妍， 陳靜， 等. 改進(jìn)粒子群優(yōu)化GRU網(wǎng)絡(luò)的儲(chǔ)糧溫度預(yù)測(cè)方法［J］. 計(jì)算機(jī)與數(shù)字工程， 2023， 51（5）： 1036-1041， 1156.

Jiang Siwei， Sun Yan， Chen Jing， et al. Grain storage temperature prediction method based on GRU network optimized by improved particle swarm optimization ［J］. Computer amp; Digital Engineering， 2023， 51（5）： 1036-1041， 1156.

［4］

曹靜怡， 魯玉杰， 苗世遠(yuǎn)， 等. 基于多場(chǎng)耦合理論的稻谷儲(chǔ)藏品質(zhì)變化規(guī)律及預(yù)測(cè)模型的研究［J］. 中國(guó)糧油學(xué)報(bào)， 2024， 39（5）： 7-14.

Cao Jingyi， Lu Yujie， Miao Shiyuan， et al. Research on paddy storage quality change and prediction model based on multi-field coupling theory ［J］. Journal of the Chinese Cereals and Oils Association， 2024， 39（5）： 7-14.

［5］

徐萌， 王亞錕. 基于雙向長(zhǎng)短期記憶網(wǎng)絡(luò)的DA40飛機(jī)碳剎車(chē)片剩余壽命預(yù)測(cè)［J］. 計(jì)算機(jī)應(yīng)用， 2021， 41（5）： 1527-1532.

Xu Meng， Wang Yakun. Remaining useful life prediction of DA40 aircraft carbon brake pads based on bidirectional long short-term memory network ［J］. Journal of Computer Applications， 2021， 41（5）： 1527-1532.

［6］

馮裕祺， 李輝， 李利娟， 等. 基于CNN-GRU的光伏電站電壓軌跡預(yù)測(cè)［J］. 中國(guó)電力， 2022， 55（7）： 163-171.

Feng Yuqi， Li Hui， Li Lijuan， et al. Voltage trajectory prediction of photovoltaic power station based on CNN-GRU ［J］. Electric Power， 2022， 55（7）： 163-171.

［7］

Niu D， Yu M， Sun L， et al. Short-term multi-energy load forecasting for integrated energy systems based on CNN-BiGRU optimized by attention mechanism ［J］. Applied Energy， 2022， 313： 118801.

［8］

Kavianpour P， Kavianpour M， Jahani E， et al. A CNN-bilstm model with attention mechanism for earthquake prediction ［J］. The Journal of Supercomputing， 2023： 1-33.

［9］

Aslan M F， Unlersen M F， Sabanci K， et al. CNN-based transfer learning-BiLSTM network： A novel approach for COVID-19 infection detection ［J］. Applied Soft Computing， 2021， 98： 106912.

［10］

Mei P， Li M， Zhang Q， et al. Prediction model of drinking water source quality with potential industrial-agricultural pollution based on CNN-GRU-Attention ［J］. Journal of Hydrology， 2022， 610： 127934.

［11］

Zhang J， Liu F， Xu W， et al. Feature fusion text classification model combining CNN and BiGRU with multi-attention mechanism ［J］. Future Internet， 2019， 11（11）： 237.

［12］

Qiu H， Fan C， Yao J， et al. Chinese microblog sentiment detection based on CNN-BiGRU and multihead attention mechanism ［J］. Scientific Programming， 2020： 1-13.

［13］

彭玉青， 喬穎， 陶慧芳， 等. 融入注意力機(jī)制的PM2.5預(yù)測(cè)模型［J］. 傳感器與微系統(tǒng)， 2020， 39（7）： 44-47.

Peng Yuqing， Qiao Ying， Tao Huifang， et al. PM2.5 prediction model fuses attention mechanism ［J］. Transducer and Microsystem Technologies， 2020， 39（7）： 44-47.

［14］

海文龍， 王亞慧， 王懷秀. 基于IPSO算法優(yōu)化GRU神經(jīng)網(wǎng)絡(luò)的燃?xì)庳?fù)荷預(yù)測(cè)［J］. 傳感器與微系統(tǒng)， 2023， 42（2）： 126-129.

Hai Wenlong， Wang Yahui， Wang Huaixiu. Gas load forecasting based on optimization of GRU neural network using IPSO algorithm ［J］. Transducer and Microsystem Technologies， 2023， 42（2）： 126-129.

［15］

詹夢(mèng)園， 李震， 田璐， 等. 基于改進(jìn)離散粒子群算法優(yōu)化故障等級(jí)的傳感器布局［J］. 計(jì)算機(jī)與數(shù)字工程， 2023， 51（12）： 2795-2800.

Zhan Mengyuan， Li Zhen， Tian Lu， et al. Optimized sensor layout considering fault level based on improved discrete particle swarm algorithm ［J］. Computer amp; Digital Engineering， 2023， 51（12）： 2795-2800.

［16］

Sun Q， Yang L， Li H， et al. Prognostics of capacitors for power converters based on data augmentation and IPSO-GRU ［J］. Journal of Power Electronics， 2022， 22（12）： 2136-2146.

［17］

Meng Y， Chang C， Huo J， et al. Research on ultra-short-term prediction model of wind power based on attention mechanism and CNN-BiGRU combined ［J］. Frontiers in Energy Research， 2022， 10： 712.

［18］

Xu Y， Jiang X. Short-term power load forecasting based on BiGRU-Attention-SENet model ［J］. Energy Sources， Part A： Recovery， Utilization， and Environmental Effects， 2022， 44（1）： 973-985.

［19］

祁云， 白晨浩， 代連朋， 等. 改進(jìn)雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測(cè)［J/OL］. 安全與環(huán)境學(xué)報(bào)， 1-10［2024-07-28］. https：//doi.org/10.13637/j.issn.1009-6094.2024.0383.

Qi Yun， Bai Chenhao， Dai Lianpeng， et al. Enhanced bidirectional long short-term memory neural network for gas emission forecasting ［J/OL］. Journal of Safety and Environment， 1-10［2024-07-28］. https：//doi.org/10.13637/j.issn.1009-6094.2024.0383.

［20］

蔣鵬. 基于LoRa無(wú)線(xiàn)通信的煤礦礦井環(huán)境智能監(jiān)測(cè)系統(tǒng)設(shè)計(jì)［J］. 煤炭技術(shù)， 2023， 42（7）： 206-208.

Jiang Peng. Design for mine environment intelligent monitoring system based on LoRa wireless communication ［J］. Coal Technology， 2023， 42（7）： 206-208.

［21］

孟祥， 趙瑩， 徐卓威， 等. 基于LoRa技術(shù)的農(nóng)田智能灌溉系統(tǒng)設(shè)計(jì)［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2023， 44（9）： 161-168.

Meng Xiang， Zhao Ying， Xu Zhuowei， et al. Design of intelligent irrigation system for farmland based on LoRa technology ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（9）： 161-168.