基于經驗模態分解和小波神經網絡的溫室溫濕度預測

郁瑩珺 徐達宇 壽國忠

摘要：溫室溫濕度的準確預測有助于及時調節溫室小環境，溫濕度預測模型是溫室控制的重要基礎，提高預測精度有助于提高生產水平。針對溫室系統具有非線性、非平穩性等特點，提出一種基于經驗模態分解（empirical mode decomposition，簡稱EMD）和小波神經網絡（wavelet neural network，簡稱WNN）的溫室溫濕度組合預測方法。首先，利用經驗模態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建小波神經網絡模型進行預測;最后疊加各子序列得到預測值。結果表明，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，且優于單獨WNN模型和BP神經網絡模型的預測結果，可有效提高短期溫室溫濕度預測的精度。

關鍵詞：經驗模態分解;小波神經網絡;模型構建;溫室;溫度;濕度;預測

中圖分類號： S625.5+1 文獻標志碼： A 文章編號：1002-1302（2019）01-0211-05

溫室作物生產是農業生產發展的一個新階段，相較于大田作物生產，其生產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對各種農產品的需求。現代化溫室可以有效地調控溫度、濕度、光照、二氧化碳濃度以及土壤溫濕度等環境因子，營造一個與室外大氣候環境相對隔離的小氣候環境，減小作物生長對自然環境的依賴性。我國溫室發展迅速，但單位面積產量與西方發達國家相比，仍較為落后。溫室小氣候環境是影響作物生長和產量的主要條件之一，為滿足作物對其生長環境的不同要求，須要分析溫室小氣候的變化。如何模擬溫室小氣候環境，提高環境因子的預測精度，進而快速地對溫室環境進行調節和控制，提高溫室的生產力，是我國溫室發展亟待解決的問題。

由于溫室是一個典型的非線性、時變的復雜系統，外界氣候變化、溫室內部作物的生理作用和各種調控措施都會對溫室小氣候環境產生影響，因此其模型很難通過機理法用簡單的數學公式或傳遞函數來描述[1]。隨著智能計算的發展，利用人工神經網絡技術解決溫室建模的相關問題逐漸成為研究熱點。人工神經網絡具有較強的學習能力以及較好的自組織、自適應能力，能夠通過數據的內在聯系建立模型，它可以自動從歷史數據中提取相關信息，從而有效地解決傳統預測方法面臨的許多局限和困難，因此鑒于其在建模中的優勢，人工神經網絡成為短期環境因子預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，根據歷史數據建立了溫室氣候模型[2]。李倩等針對不同通風條件下南方塑料大棚內溫濕度狀況，建立相應的反向傳播（back propagation，簡稱BP）神經網絡預測模型，結果表明，該模型對于不同季節、不同通風條件、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據，構建了基于BP神經網絡的楊梅大棚內氣溫預測模型，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神經網絡（elman neural network）建立溫室溫濕度預測模型，該模型包括6個輸入節點、3個隱節點、2個輸出節點，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的改進型極限學習機對日光溫室環境因子進行辨識，建立日光溫室溫濕度環境因子預測模型，預測結果表明，溫度模型有效性為0.943 4，濕度模型有效性為0.920 8[6]。

溫室的結構從根本上決定了溫室內的作物生長對室外環境氣象條件的依賴性已大幅減小。目前關于室外環境氣象條件對溫室內環境因子影響的研究較多，但針對溫室內部環境因子開展的模擬預測較少。因此，本研究擬利用溫室內小氣候數據，建立預測模型，對溫室的溫濕度環境進行模擬和分析，以期為溫室環境調控提供科學依據。針對溫濕度時間序列具有非線性和非平穩性的特點，本研究提出一種基于經驗模態分解（empirical mode decomposition，簡稱EMD）和小波神經網絡（wavelet neural network，簡稱WNN）的溫濕度短期組合預測模型，結合各方法的特點，通過優勢互補提高預測精度。該方法首先利用經驗模態分解將時間序列分解為一系列具有不同特征尺度的數據序列分量;然后針對每組序列的自身特點構建其小波神經網絡模型，并對各分量進行預測;最后將各分量預測結果疊加得到最終預測值，并通過誤差分析，驗證模型的預測效果。

1 經驗模態分解

經驗模態分解是一種能夠將非平穩信號平穩化處理的信號分析方法[7]，具有直觀性和適應性，在很多領域中得到了廣泛應用[8-11]。其假設任何復雜信號均由若干個頻率特征不同的本征模態函數（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。經驗模態分解的目的是把復雜的信號分解成有限個本征模態函數之和。通過將時間序列與具有不同頻率的本征模態分量進行匹配，將時間序列中不同尺度的分量逐級分解出來，產生一系列具有相同特征尺度的數據序列。分解后的數據序列與原始時間序列相比具有更強的規律性，因此經驗模態分解更適用于處理非線性、非平穩性的時間序列。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擬合形成其上、下包絡線eup（t）、elow（t）。

3 基于EMD-WNN的組合預測方法

溫室內溫濕度時間序列具有較強的非線性、非平穩性，因此在使用常規學習預測方法時難以取得較好的效果。鑒于經驗模態分解技術在非平穩數據處理中的突出優勢，本研究提出一種基于EMD-WNN組合的預測方法。首先對原始時間序列進行EMD，使其產生一系列不同尺度的IMF分量，實現序列平穩化;然后針對各分量建立適合的小波神經網絡預測模型;最后將各分量的預測值疊加得到最終預測值。

EMD-WNN預測模型的具體結構流程（圖2）為（1）利用經驗模態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） 建立小波神經網絡預測模型，得到各分解序列的預測值。（3）將各分量預測值疊加得到最終預測結果。（4）與實際測量值對比，計算誤差指標并進行誤差分析。

4 試驗過程

4.1 試驗數據來源

試驗數據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。試驗期間溫室內種植作物為草莓。溫室環境因子數據由基于無線傳感網絡的智能溫室監控系統自動采集獲得。試驗時間為2017年2月13日0：00至4月14日23：00，采集的數據為距地面1.5 m高度處的溫室內溫度和濕度，采樣周期為1 h，去除異常數據后共獲得1 220個樣本數據，其原始時間序列如圖3所示。

4.2 預測過程

首先對原始時間序列進行經驗模態分解，分解結果如圖4、圖5所示。根據頻率不同，可以將分解結果劃分高頻部分、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性;IMF4～IMF7為低頻部分，表示溫度具有較平穩的周期波動性;殘差項r（t）則表示在試驗期間，溫度呈穩定上升趨勢。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，濕度總體呈現波動變化。

然后，使用EMD-WNN預測模型對試驗數據進行訓練。選取2月13日至4月13日的1 196個數據作為訓練集，選取4月14日的24個數據作為測試集。采用具有單隱含層的3層小波神經網絡建立預測模型進行預測，網絡結構為4-6-1（輸入層節點數為4個，隱含層節點數為6個，輸出層節點數為1個）。其中，輸入層輸入當前時間點前4個時間點的數據;隱含層節點由小波基函數構成，節點數為6個;輸出層輸出當前時間點的預測數據。

隱含層節點數是一個非常重要的參數，其直接影響神經網絡模型的計算能力和對目標函數的逼近能力。如果數量太少，網絡從樣本中獲取的信息較少，不足以概括和體現訓練樣本的規律;如果數量過多，又可能出現過擬合現象。關于隱含層節點數的確定，目前還沒有成熟的理論進行指導，通常根據建模經驗和試湊法來確定隱含層的節點數。根據網絡訓練過程中誤差目標函數的收斂情況以及預測值與真實值的擬合情況不斷對其進行調整，最終確定隱含層節點數為6。

為提高神經網絡訓練的效率和網絡的泛化性能，在訓練前對所有樣本數據進行歸一化處理。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內存的計算機上完成，仿真軟件為Matlab 2016a。

5 結果與分析

本研究同時采用WNN預測模型和BP神經網絡模型對原始時間序列進行預測試驗。圖6為基于EMD-WNN模型的預測結果，圖7為3種模型的預測結果。

從圖6、圖7、表1可以看出：（1）3種預測模型均可以對溫濕度時間序列的變化進行有效跟蹤，表明利用人工神經網絡進行模擬預測是行之有效的。（2）EMD-WNN模型和WNN模型的預測精度均比BP神經網絡模型有所提高，說明與BP神經網絡相比，小波神經網絡對溫濕度的預測效果更為理想，體現了小波神經網絡的優越性。（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境進行模擬預測精度有了一定的提高，尤其在波動較大的轉折點較為明顯;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。結果表明，對溫濕度時間序列采用科學有效的算法降低其不穩定性是有必要的。

6 結論

本研究提出一種基于EMD-WNN的溫室溫濕度短期組合預測模型，從研究對象的特性出發，采用多算法融合的組合預測思路來提高預測精度。首先利用經驗模態分解對時間序列進行平穩化處理，然后對其進行訓練、檢驗，進而預測未來1 d的溫濕度變化。試驗結果表明，該模型網絡結構簡單，收斂速度快，既發揮了經驗模態分解的優勢，又繼承了小波變換良好的時頻局部化特性，能充分地分析環境因子的變化規律，并獲取其變化過程中的大體趨勢與細節信息，具有實際應用價值。但環境因子的影響因素眾多，具有很大的隨機性，導致個別時間點的預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小氣候環境模型要求與現狀[J]. 農業工程學報，2013，29（19）：1-15.

[2]王定成. 溫室環境的支持向量機回歸建模[J]. 農業機械學報，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網絡模擬[J]. 中國農業氣象，2012，33（2）：190-196.

[4]金志鳳，符國槐，黃海靜，等. 基于BP神經網絡的楊梅大棚內氣溫預測模型研究[J]. 中國農業氣象，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. 基于改進型極限學習機的日光溫室溫濕度預測與驗證[J]. 農業工程學報，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. 基于經驗模態分解和支持向量機的短期風電功率組合預測模型[J]. 中國電機工程學報，2011，31（31）：102-108.

[9]姚冠新，顧 晴. 基于經驗模態分解和支持向量機的農產品價格短期預測[J]. 江蘇農業科學，2014，42（9）：402-405.

[10]賈 嶸，李濤濤，夏 洲，等. 基于隨機共振和經驗模態分解的水力發電機組振動故障診斷[J]. 水利學報，2017，48（3）：334-340，350.

[11]王 賀，胡志堅，陳 珍，等. 基于集合經驗模態分解和小波神經網絡的短期風功率組合預測[J]. 電工技術學報，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. 基于小波神經網絡方法的降水量預測研究[J]. 節水灌溉，2013（3）：31-34.

[14]成謝鋒，傅女婷，陳 胤，等. 一種心音小波神經網絡識別系統[J]. 振動與沖擊，2017，36（3）：1-6.

[15]靳 然，李生才. 基于小波神經網絡和BP神經網絡的麥蚜發生期預測對比（英文）[J]. 植物保護學報，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網絡在變壓器故障診斷中的應用[J]. 電力系統保護與控制，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]. 江蘇農業科學，2019，47（1）：216-220.