植物工廠地源熱泵系統(tǒng)熱負荷BP神經網絡預測及驗證

石惠嫻，孟祥真，游煜成，張中華，歐陽三川，任亦可

?

植物工廠地源熱泵系統(tǒng)熱負荷BP神經網絡預測及驗證

石惠嫻，孟祥真，游煜成，張中華，歐陽三川，任亦可

（同濟大學新農村發(fā)展研究院國家設施農業(yè)工程技術研究中心，上海 200092）

為提高水蓄能型地下水源熱泵自然光植物工廠供熱系統(tǒng)節(jié)能性，供熱系統(tǒng)必須能夠很好地預測熱負荷變化。針對自然光植物工廠熱環(huán)境系統(tǒng)非線性特點，利用具有很強非線性映射能力的BP神經網絡（back propagation，BP），選取室內外空氣干球溫度、太陽輻射強度、室內相對濕度和絕對濕度、室內風速等輸入?yún)?shù)，確定算法步驟和評價指標，構建神經網絡模型預測植物工廠次日負荷。采用Matlab神經網絡工具箱對崇明試驗基地水蓄能型地源熱泵自然光植物工廠的樣本集進行訓練，訓練后誤差函數(shù)值為0.002 999 94，神經網絡收斂。通過對比熱負荷預測值與實際值，證明了神經網絡預測熱負荷值與實際值趨勢一致，基本誤差在±6%以內，結果表明神經網絡法可以用于植物工廠次日熱負荷預測。通過熱負荷預測能夠更加科學地調整供熱系統(tǒng)運行模式，更好地匹配植物工廠需求熱量與熱泵的輸出能量，實現(xiàn)運行節(jié)能和降低供能成本的目的。

熱能；神經網絡；算法；熱負荷預測；植物工廠；水蓄能；地源熱泵

0 引 言

維持植物工廠內適宜運行溫度對于作物生長非常重要，但冬季巨大的供熱能耗日益成為影響植物工廠經濟運行的主要問題。在歐洲用于植物工廠冬季供熱的成本大約為植物工廠總運行費用的30%以上。在中國北緯35°左右地區(qū)的植物工廠，冬季供熱耗能約占總生產成本的30%～40%，在北緯40°左右的地區(qū)，約占40%～50%，北緯43°以上的地區(qū)約占60%～70%[1-2]。并且燃煤鍋爐等傳統(tǒng)加熱設備污染環(huán)境[3]。因此從源頭上選擇可再生能源供能植物工廠系統(tǒng)，并跟蹤預測植物工廠熱負荷變化，及時調控供熱系統(tǒng)，成為實現(xiàn)節(jié)能降耗的關鍵[4-10]。但植物工廠熱負荷預測的研究較少，有學者通過天氣預測系統(tǒng)和穩(wěn)態(tài)熱模型預測溫室供熱需求[11-12]。

自然光型植物工廠熱負荷變化具有動態(tài)性、時變性、多擾性和不確定性等[13-16]。人工神經網絡（artificial neural networks，ANN）模型非常適合對負荷變化進行預測[17-19]。其中，反向傳播的BP神經網絡模型具有很強的非線性映射能力[20-22]，主要集中用于建筑負荷預測[23]，國內外學者對于BP神經網絡預測植物工廠熱負荷研究較少。

Ahmad等[24]為了提高負荷預測精度，通過6種模型來預測水源熱泵供暖和制冷負荷需求，得到BP神經網絡模型預測7 d能源需求的平均絕對誤差為2.592%。Casta?eda-Miranda等[25]通過BP神經網絡算法設計和實現(xiàn)在墨西哥中部地區(qū)某溫室的智能控制，在夏季和冬季預測的準確率分別達到0.954 9和0.959 0。Taki等[26]通過運用多層感知器神經網絡預測位于伊朗西北部某溫室內部溫度，證明此方法適用于估計溫室中的實際數(shù)據(jù)和預測能量變化。張經博等[27]通過利用改進的遺傳算法優(yōu)化BP神經網絡初始權值和網絡結構，對建筑供暖系統(tǒng)熱負荷進行短期預測。

考慮到植物工廠熱負荷與建筑熱負荷都具有非線性特點，采用BP人工神網絡模型對植物工廠次日熱負荷進行預測[28-29]，以期及時調整供熱系統(tǒng)的供熱模式和供能量，及時降低熱泵不必要的運行時間，或者避免供熱量不足對作物產量和品質的影響，以促進植物工廠供熱系統(tǒng)節(jié)能控制優(yōu)化。

1 水蓄能型地下水源熱泵植物工廠供熱系統(tǒng)

自然光植物工廠位于上海市崇明區(qū)國家設施農業(yè)工程技術研究中心基地。其中自然光植物工廠外圍護結構為5 mm厚的單層浮法玻璃，總面積為21 180 m2，分為A，B，C 3區(qū)，其中A區(qū)的A2，A4，A6，A7，A8，A9，A10共7棟溫室采用水蓄能型地下水源熱泵空調系統(tǒng)供能，其供熱面積為5 880 m2。基地采用的地源熱泵機組為Carrier公司生產的30HXC200-PH3opt150型熱泵，其最大制熱量可達800 kW。水蓄能型地下水源熱泵植物工廠供熱系統(tǒng)如圖1所示，主要由地下水換熱系統(tǒng)、蓄能系統(tǒng)、供能系統(tǒng)等組成。

1.熱水井 2.冷水井 3.低溫板式換熱器 4.高溫板式換熱器 5.熱泵機組6.蓄冷水箱 7.蓄熱水箱 8.植物工廠

1.Hot water well 2.Cold water well 3.Low temperature plate heat exchanger 4.High temperature plate heat exchanger 5.Heat pump unit 6.Cool storage tank 7.Hot storage tank 8.Plant factory

注：B1為潛水泵，B2-B7為循環(huán)水泵，V1-V4為電磁閥。

Note: B1 is submersible pump; B2-B7 are circulating water pumps; V1-V4 are electromagnetic valves.

圖1 水蓄能型地源熱泵植物工廠供熱系統(tǒng)

Fig.1 Water storage ground source heat pump heating system of plant factory

地源熱泵機組運行模式應隨不同熱負荷變化而發(fā)生變化。在冬季，當熱泵機組供熱量大于植物工廠熱負荷，機組邊儲熱邊供熱，熱水井中的潛水泵抽取地下水依次通過除砂器、水源側電子除垢儀等水處理設備進入低溫板式換熱器水源側，經過低溫板式換熱器提取熱量后回灌到冷水井，蓄冷水箱下側的冷水進入低溫板式換熱器吸收地下水的熱量后回到蓄冷水箱的上側。升溫的蓄冷水箱上側冷水進入熱泵蒸發(fā)器側，經蒸發(fā)器提取熱量后返回蓄冷水箱下側，蒸發(fā)器吸收的熱量經冷凝器釋放，冷凝器出水管溫度升高，部分進入空氣處理機組（air treatment unit，ATU）的熱水進水管對植物工廠供熱，剩余進入蓄熱水箱上側進行儲熱，此時在蓄熱水箱處電磁閥V2和V3打開，電磁閥V1和V4關閉。當熱泵機組供熱量和蓄熱水箱供熱量都小于植物工廠熱負荷時，蓄熱水箱和熱泵機組聯(lián)合供熱，機組供熱流程和機組邊儲熱邊供熱模式中相同，熱泵停止對蓄熱水箱蓄熱，此時在蓄熱水箱處電磁閥V1和V4打開，電磁閥V2和V3關閉，抽取蓄熱水箱上側熱水進入空氣處理機組的熱水進水管，從而對植物工廠供熱。

當供熱系統(tǒng)需求側——植物工廠內熱負荷不同，供熱系統(tǒng)會采用不同的運行模式進行供能。根據(jù)氣象數(shù)據(jù)及植物工廠環(huán)境實時運行數(shù)據(jù)提前對供熱系統(tǒng)需求側熱負荷進行預測，根據(jù)需求提前做出供能策略調整，能夠最大限度地實現(xiàn)系統(tǒng)供能節(jié)能。

2 植物工廠熱負荷BP神經網絡預測算法流程及參數(shù)確定

2.1 BP神經網絡算法流程

BP神經網絡算法是由人工神經元按照某種模式連接而構成的，有輸入層、隱含層和輸出層3個層次。確定BP神經網絡算法流程，首先初始化各層權系數(shù)和閾值，隨機選取樣本值提供給網絡，計算隱含層和輸出層的輸出值。然后計算輸出層的一般化誤差，將誤差反向傳播至隱含層，計算隱含層的一般化誤差，調整隱含層和輸出層的權系數(shù)和閾值。重新選取樣本值輸入網絡，通過重復以上算法流程，直到網絡全局誤差函數(shù)小于預先設定的一個極小值，即網絡收斂。當誤差函數(shù)大于預先設定值，則網絡無法收斂。

2.2 輸入?yún)?shù)及輸出變量的選擇

為了使熱負荷預測既可以滿足植物工廠的供熱需求同時又能兼顧節(jié)能的要求，需要對BP神經網絡的輸入變量、輸出變量進行合理選擇。

2.2.1 輸入?yún)?shù)的選擇

輸入?yún)?shù)樣本應具有完整的大氣溫度、大氣濕度以及太陽輻射強度，這三者是影響地源熱泵系統(tǒng)負荷的最重要因素。因此輸入?yún)?shù)包括室內外空氣干球溫度、太陽輻射強度、室內相對濕度、室內絕對濕度、室內風速等。對于植物工廠而言，次日天氣狀況對熱負荷影響很大。實踐證明，當冬季晴天時，自然光植物工廠的供熱負荷很小，有時甚至不需要供熱。因此，在對供熱負荷進行預測時需要將天氣類型分為晴、多云、陰、雨4類。本文以冬季陰天極端天氣條件下為例，對供熱負荷進行預測。

對于供熱系統(tǒng)而言，只需要知道室內供熱負荷總情況，不需要對其劃分為人員負荷、設備負荷和其他負荷等。因此選擇前一天的逐時熱負荷參數(shù)作為輸入?yún)?shù)。

2.2.2 輸出變量的選擇

需要利用前一天的逐時參數(shù)來預測植物工廠第二天的逐時熱負荷，因此對地源熱泵系統(tǒng)熱負荷預測的輸出變量確定為第二天逐時植物工廠熱負荷值

2.3 隱藏層層數(shù)及節(jié)點數(shù)確定

2.3.1 隱含層層數(shù)確定

隱含層是連接神經網絡輸入與輸出的“樞紐”，是一個“暗箱”，真正的網絡模型就是由這個“暗箱”來決定的。目前，對隱含層的選擇沒有固定的理論依據(jù)。Kolgmogrov定理表明：采用一層中間層，即3層神經網絡已經能夠解決地源熱泵系統(tǒng)負荷預測的問題[30]。采用3層以上的神經網絡會使誤差反向傳播的計算過程變得非常復雜，訓練時間急劇增加，而且局部最小誤差也會增加，最終誤差函數(shù)也可能無法收斂，網絡的連接權系數(shù)矩陣也很難調整到最小誤差處。因此，確定采用的隱含層層數(shù)為1。

2.3.2 隱含節(jié)點數(shù)確定

找到最優(yōu)的隱含層節(jié)點數(shù)對網絡的結構非常關鍵。研究BP神經網絡用于地源熱泵系統(tǒng)負荷預測，是運用函數(shù)擬合功能，通過訓練證實選用式（1）效果更好。經多次試驗選用=10時，效果比較好，同時：=9，=1，隱藏節(jié)點數(shù)1=13。

式中為輸入神經元數(shù)；1為隱藏層節(jié)點數(shù)；為輸出神經元數(shù)；為0至10之間的常數(shù)。

2.4 BP神經網絡算法各項參數(shù)確定

2.4.1 BP神經網絡初始權值確定

選擇權系數(shù)初始值是否得當直接影響到BP神經網絡學習是否收斂及是否陷入局部最小情況，對負荷預測的準確性至關重要。調整輸出層和隱含層的權系數(shù)公式分別見式（2）、（3）。

式中0<<1；0<<1；v為從輸入向量的第個分量到輸出向量第（1,…,）個分量的權重；為訓練次數(shù)；e為輸出層的一般化誤差；c為隱含層節(jié)點的輸出值；w為從輸入向量的第（1,…,）個分量到輸出向量第（1,…,）個分量的權重；f為隱含層的一般化誤差。

由式（2）、（3）可知，初始權值如果能使每個神經元的狀態(tài)值都趨近于零是最理想的。但是如果全都等于零或某同一個數(shù)，系統(tǒng)將不可能繼續(xù)進行訓練。初始值取（?0.3，0.3）之間的隨機數(shù)一般情況下能很好的保證網絡訓練的穩(wěn)定度，且初始值在（?0.3，0.3）之間的BP神經網絡訓練速度明顯高于（?1，1）之間的BP神經網絡。因此選用初始連接權值（?0.3，0.3），網絡的訓練性能比較穩(wěn)定，不需對初始連接權進行修正。

2.4.2 學習率和動量因子確定

學習率直接影響連接權矩陣變化的范圍和速率。通過參考文獻以及反復實踐[31-32]，選取學習率為0.25～0.30，在此范圍內神經網絡的收斂概率是最大的。為了避免網絡連接權系數(shù)矩陣的修正陷入局部能量最小的困境，采用動量因子法對其進行改進[33]。取初始動量因子m=0.9，不再對其進行調整，即慣性修正項在每次連接權系數(shù)矩陣修正時所起的作用的比重是相等的。

2.5 BP神經網絡拓撲結構確定

根據(jù)以上針對植物工廠地源熱泵供熱系統(tǒng)熱負荷預測特點的分析，建立植物工廠地源熱泵系統(tǒng)熱負荷BP神經網絡預測拓撲結構和參數(shù)選擇，如圖2所示。

1.T時刻室內空氣干球溫度 2.T時刻室外空氣干球溫度 3.T-1時刻室外空氣干球溫度 4.T時刻太陽輻射強度 5.T-1時刻太陽輻射強度 6.T時刻室內相對濕度 7.T時刻室內絕對濕度 8.T時刻室內風速 9.T時刻熱負荷

圖2中BP神經網絡為全互連連接網絡，每個處理單元的輸出都將與下一層中的每個處理單元相連，但同層之間的處理單元不形成連接。根據(jù)已確定的輸入層參數(shù)、隱含層層數(shù)、節(jié)點數(shù)和輸出層參數(shù)，輸入層神經元數(shù)為9，隱含層的神經元數(shù)為13，需要通過不斷地調試調整，確定輸出層神經元數(shù)為1，進行第二天時刻植物工廠預測熱負荷。

3 植物工廠次日熱負荷BP神經網絡預測實現(xiàn)過程

3.1 BP神經網絡樣本集的選取

BP神經網絡需要已知負荷值作為原始目標值來訓練網絡。試驗數(shù)據(jù)樣本值獲取來自崇明水蓄能型地下水源熱泵供能的自然光植物工廠。植物工廠中地源熱泵系統(tǒng)數(shù)據(jù)采集匹配各種感測器實時監(jiān)控參數(shù)，包括室外氣象站含有風速風向和氣溫等計量計、測量全天日照量的輻射量計、相對濕度計等，能夠準確提供模型所需參數(shù)。

崇明自然光植物工廠至2018年4月已成功運行5個冬天，通過篩選和對比，選取2017年冬季1月19日至1月29典型的逐時負荷值（間接測量參數(shù)）和對應的氣象參數(shù)（直接測量參數(shù)）作為樣本集，其中選取1月19日至1月28日為訓練集，1月29日為驗證集。植物工廠內外各氣象參數(shù)和所需設備參數(shù)隨時間變化曲線見圖3所示。

植物工廠冬季逐時供熱負荷見式（4）。根據(jù)冬季逐時供熱負荷公式，由圖3b ATU供回水溫差和ATU熱水流量數(shù)據(jù)，計算得出1月19日至28日植物工廠內熱負荷隨時間的變化情況，如圖4所示。通過曲線可以看出受各天氣因素影響，植物工廠每天所需供熱量呈現(xiàn)出明顯的非線性變化。

式中l(wèi)oad為植物工廠冬季逐時供熱負荷，kW；c為水比熱容，kJ/kg℃；Δt為ATU供回水溫差，℃；ρ為熱水密度，kg/m3；V為ATU熱水流量，m3/s。

3.2 BP神經網絡訓練與仿真

對所選取的逐時熱負荷和各氣象參數(shù)進行BP神經網絡訓練，利用Matlab神經網絡工具箱特有的網絡訓練功能，訓練仿真步驟如下：

1）將樣本數(shù)據(jù)以矩陣的形式輸入到均值中，形成9行2 880（12×24×10）列的矩陣，將輸出以矩陣的形式輸入到矩陣中，形成1行2 880列的矩陣；

2）對輸入矩陣進行歸一化，按式（5）、（6）進行數(shù)據(jù)預處理，將數(shù)據(jù)處理成0～1之間的數(shù)值。

式中x為歸一化神經網絡的輸入值；x,t為原始輸入值；x,min為原始輸入值的最小值；x,max為原始輸入值中的最大值；y為歸一化后神經網絡的目標值（教師值）；y,t為表示原始目標值；y,min為表示原始目標值中的最小值；y,max為表示原始目標值中的最大值。

注：ATU，空氣處理機組。

圖4 植物工廠內1月19日至28日熱負荷隨時間變化曲線

3）新建一個神經網絡，其中隱含層神經元數(shù)為13，隱含層傳遞函數(shù)選用sigmoid函數(shù)；輸入層神經元數(shù)為9，輸出函數(shù)選用purelin函數(shù)，實現(xiàn)語句為

net=newff(minmax(p),[13,1],{'sigmoid','purelin'},'traingdm');

4）將輸入層和隱含層權值、閾值設置為任意值：

inputweights=rand; inputbias=rand;

layerweights=rand; layerbias=rand;

5）設置各項參數(shù)：

net.trainparam.show=50; %（后面內容為注釋）顯示步長為50

net.trainparam.Ir=0.25; %學習速度為0.25

net.trainparam.mc=0.9; %動量參數(shù)為0.9

net.trainparam.epochs=500 00; %最大訓練次數(shù)為500 00

net.trainparam.goal=0.003; %訓練目標允許誤差為0.003

6）開始訓練網絡：[net,tr]=train(net,p,t); %不斷調試，減小誤差

7）用訓練好的網絡進行仿真：=sim(net,p); %仿真輸出為

8）將仿真輸出還原：=(max(T)-min(T))+min(T)

3.3 BP神經網絡收斂評價指標

BP神經網絡是否收斂的常用評價指標包括：標準偏差（）、偏差系數(shù)（coefficient of variation，CV）、期望偏差百分數(shù)（expected error percentage，EEP）,見式（7）至（9）。

4 植物工廠次日熱負荷預測值與實際值驗證

利用3.2程序語句通過Matlab神經網絡工具箱建立、訓練及仿真，實際編程過程經過反復調試，確定輸入、輸出層傳遞函數(shù)、神經元數(shù)、初始允許誤差和學習率，由于初始權值和閾值隨機，每次訓練網絡時間不等。圖5為9個輸入樣本訓練收斂圖像，隨著訓練次數(shù)的增加誤差函數(shù)最終會無限趨近于一個值，此誤差值越小說明訓練的結果越好。

通過圖5曲線可以看出，誤差函數(shù)隨著訓練次數(shù)的增加逐漸減小，在訓練112 28次時達到0.002 999 94，小于設定的最大允許誤差0.003。說明神經網絡是收斂的，預測效果好。

圖5 9個輸入樣本訓練收斂圖像

為了驗證預測結果的準確性，在訓練數(shù)據(jù)集中隨機選取27日預測數(shù)據(jù)與實際熱負荷進行比較，以確保預測結果在模型訓練的時間范圍內是準確的，再進一步拓展驗證驗證集29日預測結果的準確性，從兩方面充分說明預測結果的準確性。1月27日和29日的熱負荷預測值與實際值比較，結果如圖6所示，運用BP神經網絡預測熱負荷值與實際值趨勢一致，誤差基本控制在±6%以內。由式（7）~（9）計算可知，負荷預測值與實際值的標準偏差=21.61，偏差系數(shù)CV=7.45%，期望偏差百分數(shù)EEP=3.47%，預測效果是比較理想的。

圖6 1月27日和1月29日熱負荷實際值與預測值比較

圖3b中ATU的出水流量為0時說明空氣處理機組不運行，植物工廠內空氣處理機組不運行時，認為植物工廠內熱負荷為0。由圖6可以看出：1月27日和1月29日植物工廠熱負荷主要集中時段為0:00－6:00，17:00－24:00，而這些時段大多處于上海地區(qū)谷電價時間區(qū)間內。植物工廠熱泵與蓄熱水箱的基本搭配原則為：在電價低谷時段熱泵機組邊儲熱邊向植物工廠供熱，電價高峰時段僅由蓄熱水箱供熱，電價平價階段采用熱泵和蓄熱水箱聯(lián)合供熱模式或熱泵機組邊儲熱邊供熱模式。具體運行情況根據(jù)植物工廠實時的供熱能耗以及蓄熱水箱的蓄熱量決定，通常情況下，供熱期間熱泵不需要滿負荷運行，多余的熱量存儲在蓄熱水箱中。由于蓄熱水量會存在熱量的損耗，通過BP神經網絡對植物工廠地源熱泵供熱系統(tǒng)次日熱負荷進行預測，可以對蓄熱水箱的蓄熱時間進行指導，根據(jù)次日熱負荷的需求量和電價峰谷政策調控熱泵的供熱時間及輸出功率。各氣象參數(shù)是動態(tài)變化的，本文以1 h為間隔來計算熱負荷，預測熱負荷值與實際值趨勢一致，誤差基本控制在±6%以內，如果想得到更加精確的預測結果，可以在后續(xù)的研究中進一步縮小計算的時間間隔，實現(xiàn)更加精準的調控。同時根據(jù)植物工廠所需熱負荷對供能量和供能模式進行調整，能夠更好的維持植物工廠環(huán)境的穩(wěn)定性，提升作物的品質和產量。

5 結 論

針對植物工廠室內熱環(huán)境的非線性特性，提出利用神經網絡BP算法預測植物工廠熱負荷；依據(jù)冬季典型運行工況試驗數(shù)據(jù)，利用BP神經網絡算法建立熱負荷預測模型，并通過使用Matlab神經網絡工具箱對數(shù)據(jù)進行訓練，訓練后誤差函數(shù)的值為0.002 999 94，小于設定值0.003，說明神經網絡收斂；最后通過熱負荷預測值與實際值驗證，誤差基本控制在±6%以內，證明BP神經網絡預測植物工廠熱負荷的精確性，說明可以采用BP神經網絡較為準確地預測植物工廠次日負荷，為蓄能型地下水源熱泵供能植物工廠運行提供節(jié)能指導。

根據(jù)所預測的熱負荷大小，調整運行策略和運行模式，盡量在谷電價時段熱泵滿負荷或者高負荷運行，盈余的輸出熱儲存到蓄熱水箱中。在平電價或峰電價中減少熱泵的輸出功率，使用蓄熱水箱供能，從而降低運行成本。本文研究表明BP神經網絡算法還適合應用于自然光植物工廠。

[1] 方慧，楊其長，孫驥. 地源熱泵在日光溫室中的應用[J].西北農業(yè)學報，2010，19(4)：196－200.

Fang Hui, Yang Qichang, Sun Ji. Application of ground-source heat pump in greenhouse[J]. Acta Agriculturae Boreali- occidentalis Sinica, 2010, 19(4): 196－200. (in Chinese with English abstract)

[2] Bargach M N, Dahman A S, Boukallouch M. A heating system using flat plate collectors to improve the inside greenhouse microclimate in Morocco[J]. Renewable Energy, 1999, 18(3): 367－381.

[3] Taghavifar H, Mardani A. Prognostication of energy consumption and greenhouse gas (GHG) emissions analysis of apple production in West Azarbayjan of Iran using artificial neural network[J]. Journal of Cleaner Production, 2015, 87(1): 159－167.

[4] 江億，彭琛，燕達. 中國建筑節(jié)能的技術路線圖[J]. 建設科技，2012(17)：12－19.

[5] Lim J H, Song J H, Song S Y. Development of operational guidelines for thermally activated building system according to heating and cooling load characteristics[J]. Applied Energy, 2014, 126(126): 123－135.

[6] González P A, Zamarre?o J M. Prediction of hourly energy consumption in buildings based on a feedback artificial neural network[J]. Energy & Buildings, 2005, 37(6): 595－601.

[7] Briana S, Gerrit H, Ronaldw M C. Artificial neural networks for automated year-round temperature prediction[J]. Computers and Electronics in Agriculture, 2009, 68(1): 52－61.

[8] 石惠嫻，任亦可，孟祥真，等. 植物工廠水蓄能型地下水源熱泵供熱系統(tǒng)節(jié)能運行特性研究[J]. 農業(yè)工程學報，2018，34(23)：157－163.

Shi Huixian, Ren Yike, Meng Xiangzhen, et al. Research on energy-saving operating characteristics of water storage groundwater source heat pump heating system in plant factory[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(23): 157－163. (in Chinese with English abstract)

[9] 沈興來. 能源系統(tǒng)中電、氣、冷、熱負荷預測綜述[J]. 電子世界，2017(11)：28－28.

[10] 張琦，謝慕君，賈其臣，等. 熱負荷預測中最有影響力參數(shù)測定[J]. 長春工業(yè)大學學報，2017，38(2)：150－154.

Zhang Qi, Xie Mujun, Jia Qichen, et al. Heat load forecasting input variable selection[J]. Journal of Changchun University of Technology, 2017, 38(2): 150－154. (in Chinese with English abstract)

[11] Vogler-Finck P J C, Bacher P, Madsen H. Online short-term forecast of greenhouse heat load using a weather forecast service[J]. Applied Energy, 2017, 205: 1298－1310.

[12] Ahamed M S, Guo H, Tanino K. A quasi-steady state model for predicting the heating requirements of conventional greenhouses in cold regions[J]. Information Processing in Agriculture, 2017, 5(1): 33－46.

[13] 程秀花，毛罕平，伍德林，等. 玻璃溫室自然通風熱環(huán)境時空分布數(shù)值模擬[J]. 農業(yè)機械學報，2009，40(6)：179－183.

Cheng Xiuhua, Mao Hanping, Wu Delin, et al. Numerical simulation of thermal profiles in spatial and temporal field for natural ventilated glasshouse[J]. Transactions of the Chinese Society of Agricultural Machinery, 2009, 40(6): 179－183. (in Chinese with English abstract)

[14] He Fen, Ma Chengwei. Modeling greenhouse air humidity by means of artificial neural network and principal component analysis[J]. Computers and Electronics in Agriculture, 2010, 71(1): 19－23.

[15] Wang H, Sánchez-Molina J A, Li M, et al. Leaf area index estimation for a greenhouse transpiration model using external climate conditions based on genetics algorithms, back-propagation neural networks and nonlinear autoregressive exogenous models[J]. Agricultural Water Management, 2017, 183: 107－115.

[16] 陳教料，胥芳，張立彬，等. 基于CFD技術的玻璃溫室加熱環(huán)境數(shù)值模擬[J]. 農業(yè)機械學報，2008，39(8)：114－118.

Chen Jiaoliao, Xu Fang, Zhang Libin, et al. CFO-based Simulation of temperature distribution in glass greenhouse with forced-air heater[J]. Transactions of the Chinese Society of Agricultural Machinery, 2008, 39(8): 114－118. (in Chinese with English abstract)

[17] Kumar R, Aggarwal R K, Sharma J D. Energy analysis of a building using artificial neural network: A review[J]. Energy & Buildings, 2013, 65(4): 352－358.

[18] Panigrahi S, Behera H S. A hybrid ETS-ANN model for time series forecasting[J]. Engineering Applications of Artificial Intelligence, 2017, 66: 49－59.

[19] Chou J S, Bui D K. Modeling heating and cooling loads by artific-ial intelligence for energy-efficient building design[J]. Energy and Buildings, 2014, 82: 437－446.

[20] Meng Anbo, Ge Jiafei, Yin Hao, et al. Wind speed forecasting based on wavelet packet decomposition and artificial neural networks trained by crisscross optimization algorithm[J]. Energy Conversion & Management, 2016, 114: 75－88.

[21] Guo Zhenhai, Wu Jie, Lu Haiyan, et al. A case study on a hybrid wind speed forecasting method using BP neural network[J]. Knowledge-Based Systems, 2011, 24(7): 1048－1056.

[22] 代愛妮，周曉光，劉相東，等. 基于BP神經網絡的旁熱式輻射與對流糧食干燥過程模型[J]. 農業(yè)機械學報，2017，48(3)：351－360.

Dai Aini, Zhou Xiaoguang, Liu Xiangdong, et al. Model of drying process for combined side-heat infrared radiation and convection grain dryer based on BP neural network[J]. Transactions of the Chinese Society of Agricultural Machinery, 2017, 48(3): 351－360. (in Chinese with English abstract)

[23] Wang Lan, Lee E W M, Yuen R K K. Novel dynamic forecasting model for building cooling loads combining an artificial neural network and an ensemble approach[J]. Applied Energy, 2018, 228: 1740－1753.

[24] Ahmad T, Chen Huanxin. Short and medium-term forecasting of cooling and heating load demand in building environment with data-mining based approaches[J]. Energy & Buildings, 2018, 166: 460－476.

[25] Castaeda-Miranda A, Castao V M. Smart frost control in greenhouses by neural networks models[J]. Computers & Electronics in Agriculture, 2017, 137: 102－114.

[26] Taki M, Ajabshirchi Y, Ranjbar S F, et al. Heat transfer and MLP neural network models to predict inside environment variables and energy lost in a semi-solar greenhouse[J]. Energy & Buildings, 2016, 110: 314－329.

[27] 張經博，郭凌，王朝霞，等. 基于遺傳算法優(yōu)化BP神經網絡的供暖系統(tǒng)熱負荷預測模型[J]. 兵器裝備工程學報，2014，35(4)：152－156.

Zhang Jingbo, Guo Ling, Wang Chaoxia, et al. Thermal load forecasting model of heating system based on genetic algorithm optimization BP neural network[J]. Journal of Ordnance Equipment Engineering, 2014, 35(4): 152－156. (in Chinese with English abstract)

[28] 陳曉冉. 水蓄冷空調系統(tǒng)負荷預測方法的研究[D].天津：天津大學，2009.

Chen Xiaoran. Research of Cooling Load Prediction Method in Water Storage Air Conditioning System[D]. Tianjin: Tianjin University, 2009. (in Chinese with English abstract)

[29] Xie Ling. The heat load prediction model based on BP neural network-markov model[J]. Procedia Computer Science, 2017, 107: 296－300.

[30] 孫敬. 基于遺傳神經網絡的空調房間送風量預測研究[D].南京：南京工業(yè)大學，2006.

Sun Jing. Study on Air Supply Volume Prediction of Air-Condition Room based on GA-ANN[D]. Nanjing: Nanjing University of Technology, 2006. (in Chinese with English abstract)

[31] Ren Guanghua, Cao Yuting, Wen Shiping, et al. A modified elman neural network with a new learning rate scheme[J]. Neurocomputing, 2018, 286:11－18.

[32] Takase T, Oyama S, Kurihara M. Effective neural network training with adaptive learning rate based on training loss[J]. Neural Networks, 2018, DOI: 10.1016/j.neunet.2018.01.016.

[33] 田野. 基于動量因子的神經網絡群電流負荷預測模型[J]. 電力系統(tǒng)保護與控制，2016，44(17)：31－38.

Tian Ye. A forecasting model for current load of neural network group based upon momentum factor[J]. Power System Protection and Control, 2016, 44(17): 31－38. (in Chinese with English abstract)

Prediction and verification on heating load of ground source heat pump heating system based on BP neural network for plant factory

Shi Huixian,Meng Xiangzhen, You Yucheng, Zhang Zhonghua, Ouyang Sanchuan, Ren Yike

(,,200092,)

It is important for crop growth to maintain suitable temperature in plant factory, however large heating energy consumption has been proved to be an obstacle that restricts its development. In Europe, the cost of heating accounts for about 30% of the total operation cost during the winter, but in the north of latitude 43° of China, the proportion reaches 60% to 70%. The traditional heating equipment such as coal-fired boilers has an energy utilization rate of only 40% to 50%. So it is very necessary to apply renewable energy to plant factory. Regulating heating modes by tracking and predicting the heating load changes in plant factory is the key to achieve energy saving. Because of the high energy consumption in winter, accurate heating load prediction can improve the energy saving effect of groundwater source heat pump with water energy storage. Changes of heating load in natural light plant factory are dynamic, time-varying, highly turbulent and uncertain. Artificial neural networks is ideal for predicting load changes, especially BP (back propagation) neural network has strong nonlinear mapping ability, which is generally used by many scholars for building heating load prediction, but rarely in plant factory. Given that heating load of both plant factory and building have nonlinear characteristics, we used BP neural network to predict the next day's heating load of plant factory to promote energy-saving control optimization. The BP neural network model has three levels: input layer, hidden layer and output layer. Input parameters include indoor and outdoor air temperature, solar radiation intensity, indoor relative humidity, indoor absolute humidity, indoor wind speed, etc. For plant factory, the next day's weather condition has a significant impact on the heating load. The output variable is determined as the next day's hourly glass greenhouse load value. The number of neurons in the input layer was 9, the number of neurons in the hidden layer was 13, the selected layer number of hidden layers was 1, the learning rate was 0.25 to 0.30, and the initial momentum factor was 0.9. Common evaluation indicators used to determine whether the neural network converges, included standard deviation, coefficient of variation, and expected error percentage. After algorithm steps being determined, the next day's heating load was predicted based on reasonable algorithmic procedures and steps. Experimental data in the paper was obtained from a natural light plant factory powered by groundwater source heat pump with water energy storage system in Chongming National Facility Agricultural Engineering Technology Research Center. Using the neural network toolbox of Matlab to train and simulate the model to process the experimental data from January 19th to 28th, the value of the error function was 0.002 999 94 which was less than the set value of 0.003, so the neural network was convergent. Prediction effect can be drawn by comparison between the actual surveyed value and the predicted value of the heating load. The main heating load was concentrated on 0:00-6:00 and 17:00-24:00 o’clock in the plant factory, and most of these periods were in the cheap electricity price period of Shanghai. Adjusting the operating strategy and operating mode of the energy supply system were based on the predicted heating load，the heat pump operated at full load or high load during the period of cheap electricity prices, and excess heat was stored in the hot storage tank. The hot storage tank provided heat to plant factory during the period of moderate and expensive electricity price. In this case, the energy cost would be reduced. Therefore, it was significantly economical to control start-stop time of the groundwater source heat pump with water energy storage for plant factory heating project. The error was controlled within ±6% basically between the actual value and the predicted value of the heating loads. Therefore, the results showed that the BP neural network was suitable for the next day's heating load prediction of plant factory.

thermal energy; neural networks; algorithms; heating load prediction; plant factory; water energy storage; ground source heat pump

10.11975/j.issn.1002-6819.2019.02.025

S215; TK124

A

1002-6819(2019)-02-0196-07

2018-08-11

2018-11-09

國家高技術研究發(fā)展計劃（863計劃）資助項目（2013AA103006-02）

石惠嫻，副教授，博士，主要從事可再生能源應用于農業(yè)設施領域理論和實踐研究。Email：huixian_shi@tongji.edu.cn

石惠嫻，孟祥真，游煜成，張中華，歐陽三川，任亦可. 植物工廠地源熱泵系統(tǒng)熱負荷BP神經網絡預測及驗證[J]. 農業(yè)工程學報，2019，35(2)：196－202. doi：10.11975/j.issn.1002-6819.2019.02.025 http://www.tcsae.org

Shi Huixian, Meng Xiangzhen, You Yucheng, Zhang Zhonghua, Ouyang Sanchuan, Ren Yike. Prediction and verification on heating load of ground source heat pump heating system based on BP neural network for plant factory[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 196－202. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.02.025 http://www.tcsae.org