基于ISSA⁃ELM模型的温室环境参数预测研究

doi:10.12422/j.issn.1672-6952.2024.04.010

摘要/Abstract

摘要：

温室环境系统具有非线性、多变量和强耦合的特点，传统的温室模型难以预测其真实环境。采用极限学习机、BP神经网络和支持向量机三种模型对温室温度、湿度和光照强度进行了预测分析，结果显示极限学习机模型预测值与温室环境实时参数最为相近。为提高温室环境参数的预测精度，采用改进的麻雀搜索算法对极限学习机模型进行优化，预测的环境参数与天津某温室实测数据吻合较好，证实了所提出预测模型用于温室环境调控的可行性。

关键词: 环境参数, 预测模型, 极限学习机, 麻雀搜索算法

Abstract:

Traditional mechanism models of greenhouses are difficult to reflect the real greenhouse environment due to nonlinear, multivariate, and strongly coupled characteristics. In this paper, extreme learning machine (ELM), back propagation (BP) neural network, and support vector machine (SVM) are used to predict and analyze the temperature, humidity, and light intensity of the greenhouse. The results show that the predicted values of ELM model are the most similar to the real?time parameters of greenhouse environment. In order to further improve the prediction accuracy of environmental parameters in the greenhouse, the improved sparrow search algorithm (ISSA) is used to optimize ELM model in this paper. The predicted environmental parameters are in good agreement with the measured data of a greenhouse in Tianjin, which confirms the feasibility of the proposed prediction model for the control of greenhouse environment.

Key words: Environmental parameters, Prediction model, Extreme learning machine, Sparrow search algorithm

中图分类号:

TK01

王瑶, 张孟航, 王伟, 王进. 基于ISSA⁃ELM模型的温室环境参数预测研究[J]. 辽宁石油化工大学学报, 2024, 44(4): 75-81.

Yao WANG, Menghang ZHANG, Wei WANG, Jin WANG. Research on Prediction of Environmental Parameters in the Greenhouse Based on ISSA⁃ELM Model[J]. Journal of Liaoning Petrochemical University, 2024, 44(4): 75-81.

图/表 11

图1 单隐含层前馈神经网络结构

Fig. 1 The structure of a single hidden layer feed?forward neural network

图2 ISSA?ELM预测模型流程图

Fig. 2 Flowchart of the ISSA?ELM prediction model

表1 SSA?ELM模型优化算法的初始化参数

Table 1 Initialization parameters of SSA?ELM model optimization algorithm

参数	数值	参数	数值
种群规模	20	发现者比例	0.7
进化次数	50	警戒者比例	0.2
预警值	0.6

表2 ISSA?ELM模型优化算法的初始化参数

Table 2 Initialization parameters of ISSA?ELM model optimization algorithm

参数	数值	参数	数值
种群规模	20	预警值	0.6
进化次数	50	发现者比例	0.7
优化变量维度	2	警戒者比例	0.2
权重最大值	3	权重最小值	1

图3 夏季温室温度、湿度和光照强度逐时刻变化曲线

Fig. 3 Summer greenhouse temperature, humidity and light intensity change curve from time to time

图4 温室环境参数相关图

Fig. 4 Correlation of greenhouse environmental parameters

图5 温室温度预测模型评价结果

Fig. 5 Evaluation results of greenhouse temperature prediction models

图6 温室湿度预测模型评价结果

Fig. 6 Evaluation results of the greenhouse humidity prediction model

图7 光照强度预测模型评价结果

Fig. 7 Evaluation results of the light intensity prediction model

图8 温室温度、温室湿度、光照强度预测结果（a）温室温度（b）温室湿度（c）光照强度

Fig. 8 Prediction results of greenhouse temperature, greenhouse humidity and light intensity

表3 预测模型的评价结果

Table 3 Evaluation results of the prediction model

参数	模型	MAE	MAPE/%	MSE	RMSE	R²
温室温度	SSA⁃ELM	1.031	4.16	1.962	1.400	0.890
温室温度	ISSA⁃ELM	1.006	4.13	1.590	1.261	0.917
温室湿度	SSA⁃ELM	4.290	6.50	28.500	5.300	0.831
温室湿度	ISSA⁃ELM	3.880	5.75	25.510	5.050	0.874
光照强度	SSA⁃ELM	1.880×10³	733.00	9.610×10⁶	3.120×10³	0.887
光照强度	ISSA⁃ELM	1.710×10³	380.00	9.240×10⁶	3.040×10³	0.901

参考文献 17

1	ALAOUI M E， CHAHIDI L O， ROUGUI M， et al. Evaluation of CFD and machine learning methods on predicting greenhouse microclimate parameters with the assessment of seasonality impact on machine learning performance［J］. Scientific African， 2023， 19： e01578.
2	李其操，董自健. 基于GA⁃BP神经网络的温室温度预测研究［J］. 智能计算机与应用， 2023， 13（9）： 168⁃171.
	LI Q C， DONG Z J. Greenhouse temperature prediction based on GA⁃BP neural network［J］. Intelligent Computer and Applications， 2023， 13（9）： 168⁃171.
3	杨承磊，兰玉彬，王庆雨，等. 神经网络在温室小气候预测中的应用［J］. 中国农机化学报， 2023， 44（5）： 89⁃99.
	YANG C L， LAN Y B， WANG Q Y， et al. Application of neural network in greenhouse microclimate prediction［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（5）： 89⁃99.
4	高国祥，王仰仁，田文艳，等. 基于实时监测数据的温室墒情预测研究［J］. 节水灌溉， 2020（10）： 34⁃40.
	GAO G X， WANG Y R， TIAN W Y， et al. Research on soil moisture content prediction of greenhouse based on real⁃time monitoring data［J］. Water Saving Irrigation， 2020（10）： 34⁃40.
5	ZHANG Y， XU L H， ZHU X H， et al. Thermal environment model construction of Chinese solar greenhouse based on temperature⁃wave interaction［J］. Energy and Buildings， 2023， 279： 112648.
6	BAGLIVO C， MAZZEO D， PANICO S， et al. Data from a dynamic simulation in a free⁃floating and continuous regime of a solar greenhouse modelled in TRNSYS 17 considering simultaneously different thermal phenomena［J］. Data in Brief， 2020， 33： 106339.
7	SABERIAN A， SAJADIYE S M. The effect of dynamic solar heat load on the greenhouse microclimate using CFD simulation［J］. Renewable Energy， 2019， 138： 722⁃737.
8	HE F， MA C W. Modeling greenhouse air humidity by means of artificial neural network and principal component analysis［J］. Computers and Electronics in Agriculture， 2010， 71（Suppl 1）： S19⁃S23.
9	YU H H， CHEN Y Y， HASSAN S G， et al. Prediction of the temperature in a Chinese solar greenhouse based on LSSVM optimized by improved PSO［J］. Computers and Electronics in Agriculture， 2016， 122： 94⁃102.
10	YANG Y B， ZHAO Y. Prevailing wind direction forecasting for natural ventilation djustment in greenhouses based on LE⁃SVM［J］. Energy Procedia， 2012， 16（Part A）： 252⁃258.
11	DING J T， TU H Y， ZANG Z L， et al. Precise control and prediction of the greenhouse growth environment of Dendrobium candidum［J］. Computers and Electronics in Agriculture， 2018， 151： 453⁃459.
12	邹伟东，张百海，姚分喜，等. 基于改进型极限学习机的日光温室温湿度预测与验证［J］. 农业工程学报， 2015， 31（24）： 194⁃200.
	ZOU W D， ZHANG B H， YAO F X， et al. Verification and forecasting of temperature and humidity in solar greenhouse based on improved extreme learning machine algorithm［J］. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（24）： 194⁃200.
13	LI B， WANG H L. Multi⁃objective sparrow search algorithm： A novel algorithm for solving complex multi⁃objective optimisation problems［J］. Expert Systems with Applications， 2022， 210： 118414.
14	那新宇，余华鹏，金鑫，等. 基于ISSA的多变量ORVFL网络自适应预测控制［J］. 辽宁石油化工大学学报， 2023， 43（1）： 80⁃88.
	NA X Y， YU H P， JIN X， et al. Multivariable ORVFL network adaptive predictive control based on ISSA［J］. Journal of Liaoning Petrochemical University， 2023， 43（1）： 80⁃88.
15	崔俊勇，李奇安. 改进WLSSVM模型在汽油干点预测中的应用［J］. 辽宁石油化工大学学报， 2023， 43（1）： 67⁃72.
	CUI J Y， LI Q A. Application of improved WLSSVM model in the prediction of gasoline dry point at the top of atmospheric Towe［J］. Journal of Liaoning Petrochemical University， 2023， 43（1）： 67⁃72.
16	郭丽莹，李文娜，郎宪明. SKPCA⁃LSSVM模型在汽油干点预测中的应用［J］.辽宁石油化工大学学报， 2022， 42（3）： 74⁃78.
	GUO L Y， LI W N， LANG X M. Application of SKPCA⁃LSSVM model in gasoline dry point prediction［J］. Journal of Liaoning Petrochemical University， 2022， 42（3）： 74⁃78.
17	MAHMOOD F， GOVINDAN R， BERMAK A， et al. Energy utilization assessment of a semi⁃closed greenhouse using data⁃driven model predictive control［J］. Journal of Cleaner Production， 2021， 324： 129172.

[1]	卢晓东, 陈伟, 尚培娟, 王毅杰, 庞永莉, 谢伟, 曹俊杰, 黄启玉. 垢对蜡沉积物强度及聚乙烯管道清管特性的影响[J]. 辽宁石油化工大学学报, 2024, 44(4): 33-43.
[2]	那新宇, 余华鹏, 金鑫, 王越. 基于ISSA的多变量ORVFL网络自适应预测控制[J]. 辽宁石油化工大学学报, 2023, 43(1): 80-88.
[3]	陶文华，陈娇，桂运金，孔平平. DE算法改进的炼焦能耗RBF预测模型[J]. 辽宁石油化工大学学报, 2020, 40(2): 91-96.
[4]	赵梓涵. 油田结垢预测及防垢技术的研究进展[J]. 辽宁石油化工大学学报, 2018, 38(05): 19-23.
[5]	常珈铭,李维军,石成江. 基于Gabor变换和极限学习机的铝箔密封性检测[J]. 辽宁石油化工大学学报, 2017, 37(3): 64-69.
[6]	章晓玲,刘峰,李俊俊. 镍基高温合金热机械疲劳寿命预测方法研究[J]. 辽宁石油化工大学学报, 2013, 33(4): 65-69.