CN116560428A - 基于lmbp神经网络的禽舍温度预测控制***及控制方法 - Google Patents
基于lmbp神经网络的禽舍温度预测控制***及控制方法 Download PDFInfo
- Publication number
- CN116560428A CN116560428A CN202310693737.5A CN202310693737A CN116560428A CN 116560428 A CN116560428 A CN 116560428A CN 202310693737 A CN202310693737 A CN 202310693737A CN 116560428 A CN116560428 A CN 116560428A
- Authority
- CN
- China
- Prior art keywords
- temperature
- poultry house
- module
- prediction
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 244000144977 poultry Species 0.000 title claims abstract description 203
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000010438 heat treatment Methods 0.000 claims description 17
- 238000009423 ventilation Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims 1
- 235000013594 poultry meat Nutrition 0.000 description 151
- 239000011159 matrix material Substances 0.000 description 12
- 238000010606 normalization Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000012937 correction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 241001197082 Knodus beta Species 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 235000013330 chicken meat Nutrition 0.000 description 1
- 230000008645 cold stress Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000008642 heat stress Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Housing For Livestock And Birds (AREA)
Abstract
本发明涉及禽舍养殖技术领域，具体涉及一种基于LMBP神经网络的禽舍温度预测控制***及控制方法。本发明包括如下部件：温度控制器模块，包括温度预测模型，根据服务器模块提供的LMBP神经网络模型进行在线预测，获得禽舍预测温度，根据禽舍目标温度与禽舍预测温度的差值，通过温度控制器模块中的温度控制算法确定控制设备的运行状态；服务器模块，包括LMBP神经网络模型，根据温度控制器模块上传的环境数据对移动窗内的训练数据集进行实时更新，并通过对时间序列数据增加延迟步长以增加样本空间维数，进而离线实现神经网络的训练，从而能不断更新温度控制器模块中的温度预测模型，为温度控制器模块提供实时决策支持。
Description
技术领域
本发明涉及禽舍养殖技术领域，具体涉及一种基于LMBP神经网络的禽舍温度预测控制***及控制方法。
背景技术
由于禽舍外部存在舍外温度，光照强度，风速等可控不可测的扰动，内部要求禽舍温度按照禽类的不同日龄进行准确调节，因此对温度控制***设计提出较高要求。
目前禽舍温度控制***依赖于现场传感器采集的参数环境数据确定控制设备的运行状态，而现场传感器采集的参数环境数据只能反映禽舍目前的环境状态，无法实现对禽舍未来环境参数温度的预测，难以保证禽舍环境因子控制效果。易导致禽类出现热应激，冷应激等问题，从而减少蛋肉产量，增加禽舍耗能，减少禽类养殖的经济效益，不利于禽类养殖的稳定发展。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种基于LMBP神经网络的禽舍温度预测控制***及控制方法，该禽舍温度预测控制***根据禽舍预测温度与禽舍目标温度的差值确定控制设备的运行状态，从而提高控制精度。
本发明的技术方案为：
一种基于LMBP神经网络的禽舍温度预测控制***，包括如下部件：
温度控制器模块，包括温度预测模型，根据服务器模块提供的LMBP神经网络模型进行在线预测，获得禽舍预测温度，根据禽舍目标温度与禽舍预测温度的差值，通过温度控制器模块中的温度控制算法确定控制设备的运行状态；
温度预测模型，根据禽舍内部温度、禽舍湿度、禽舍外部温度、通风量、加热温度为模型输入量，以预测未来特定步长时刻的禽舍内部温度，或称禽舍内部预测温度为模型输出量，构成多输入单输出模型，用于对未来禽舍内部温度进行在线预测；
服务器模块，根据温度控制器模块上传的环境数据对移动窗内的训练数据集进行实时更新，并通过对时间序列数据增加延迟步长以增加样本空间维数，进而离线实现神经网络的训练，从而能不断更新温度控制器模块中的温度预测模型，为温度控制器模块提供实时决策支持；
LMBP神经网络模型，包括设定移动窗参数，设定神经网络参数，根据训练集建立温度预测模型，进而将温度预测模型传输至温度控制器模块；
温度控制器模块以禽舍目标温度作为设定输入，根据禽舍预测温度与禽舍目标温度的差值，通过温度控制器模块中的温度控制算法确定控制设备的运行状态，从而实现对禽舍温度闭环控制。
优选地，所述控制***还包括比较点模块、风机模块、禽舍模块、TDL模块、禽舍预测模块，比较点模块连接有温度控制器模块，温度控制器模块连接有风机模块，风机模块连接有禽舍模块，禽舍模块连接有TDL模块，TDL模块连接有禽舍预测模块，禽舍预测模块连接有比较点模块。
优选地，所述比较点模块，用于根据禽舍目标温度与禽舍预测温度的差值，即第k周期初始时刻舍内目标温度T0(k)与第k+p周期初始时刻禽舍预测温度Tp(k+p)之间的差值(p为预测步长)，计算得出温度偏差Te(k)；
Te(k)＝|Tp(k)-T0(k+p)|。
优选地，所述温度控制器模块，用于根据第k周期初始时刻温度偏差Te(k)，通过计算得出第k周期控制信号；根据该控制信号，对风机的运行状态进行调节；
若Te(k)＞Temax，则启动部分风机；
若Te(k)＜Temin，则关闭部分风机；
若Temin＜Te(k)＜Temax，则调整现启动风机的负载持续率△；
其中Temax表示温度偏差上限，Temin表示温度偏差下限；负载持续率△，是在时长为t的工作周期内，风机保持一定转速工作的时长tw1占该工作周期时长t的比例；
即风机工作持续的时长与工作周期的比值，其中工作周期时长又称全周期时间，由负载持续时间与空闲时间两部分组成。
优选地，所述风机模块，作为执行器，采用连续周期工作制，按照一系列相同的工作周期运行，每一周期由一段恒定负载运行时间和一段空闲时间组成；
根据第k周期控制信号，对风机的运行状态进行调节，包括启动部分风机，关闭部分风机，或调整现启动风机的负载持续率△。
优选地，所述禽舍模块，作为被控对象，禽舍模块的尺寸为长120m、宽13m、高度4.4m。
优选地，所述TDL模块，作为抽头延时线，用于存储并输出k，k-1……k-d时刻数据，其中d为延迟步长，信息包括禽舍温度、禽舍湿度、舍外温度、通风量、加热温度。
优选地，所述禽舍预测模块，用于根据TDL模块的输出数据，即k，k-1……k-d时刻的禽舍温度、禽舍湿度、舍外温度、通风量、加热温度，对第k+p周期初始时刻禽舍预测温度Tp(k+p)进行预测，并输出给比较点模块，从而应用于控制***，决定控制设备的运行状态。
本发明控制***的有益效果：
旨在建立一种基于LMBP神经网络的禽舍温度预测控制***，该禽舍温度预测控制***根据禽舍预测温度与禽舍目标温度的差值确定控制设备的运行状态，从而提高控制精度。
本发明另外的技术方案为：
一种基于LMBP神经网络的禽舍温度预测控制方法，包括如下步骤：
S1、离线建模：包括设定移动窗参数，设定神经网络参数，根据训练集Dr建立温度预测模型fr，包括如下小步：
S11、设定移动窗参数，包括时间序列延迟步长d，预测步长p，移动窗长度L，移动窗移动速度c，滚动统计窗口长度b；
S12、设定神经网络参数，包括最大迭代次数，隐含层节点个数，模型训练算法，数据集划分方式，误差函数，早停检验次数；
S13、根据训练集建立温度预测模型，温度预测模型将传输至在线预测部分，用于对未来禽舍内部温度进行在线预测；
S2、在线预测：包括增加新样本Ik，Ik-1，……Ik-d，根据温度预测模型fr确定判断新增样本个数是否到达c，通过移动窗更新训练集，包括如下小步：
S21、增加新样本Ik，Ik-1，……Ik-d，即k，k-1，……k-d时刻的禽舍温度，禽舍湿度，舍外温度，通风量，加热温度；
S22、根据温度预测模型fr确定即k+p时刻的禽舍预测温度：
S23、判断新增样本个数是否到达c，若新增样本数未到达c，则1分钟后，k＝k+1，回到步骤2重复以上过程；若新增样本数到达c，则进入步骤4，通过移动窗过程更新训练集；其中c为移动窗移动速度；
S24、通过移动窗过程更新训练集，增加c个最新的样本，去掉c个最老的样本，保持移动窗长度L不变，更新训练集Dr更新为Dr+1，训练集Dr+1将传输至离线建模部分，用于更新温度预测模型fr+1。
优选地，所述步骤S2在线预测的精度通过以下5个指标评估，分别为均方误差MSE、平均绝对误差MAE、均方根误差RMSE、决定系数R2、建模时间均值S，数学表达如下：
其中y表示禽舍真实温度，表示禽舍预测温度，/>表示禽舍预测温度均值；
决定系数R2表示禽舍真实输出值与模型输出值之间的拟合程度，R2越接近1，表明拟合效果越好，预测精度越高；建模时间均值S衡量在线建模所用的时间，建模程序总用时为TM，建模次数为NM，S单位为秒。
本发明控制方法的有益效果：
选用测试法建立温度预测模型，模型结构选用两层前馈神经网络，辨识算法选用莱文伯格-马夸特法(The Levenberg-Marquardt Method)算法。为保证禽舍预测模型参数随气候及时变化，解决春秋季昼夜温差大，预测难度大的问题，实现较高的预测精度，在LMBP神经网络的基础上，通过移动窗对神经网络训练集数据进行实时更新，从而实现在线辨识；并通过对时间序列数据增加延迟步长以增加样本空间维数，进一步提高模型预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是禽舍温度闭环控制***的结构图。
图2是禽舍温度闭环控制***的控制原理图。
图3是温度控制器模块的逻辑流程框图。
图4是温度预测模型的逻辑流程框图。
图5是移动窗在p步预测上的推理步骤图。
图6是两层前馈神经网络的逻辑流程框图。
图7是基于移动窗的LMBP神经网络预测算法的流程图。
图8是实施例2中在线预测效果图之一。
图9是实施例2中在线预测效果图之二。
图10是在线预测评估指标柱状图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
实施例1
由于禽舍温度对禽类的进食量，蛋肉产量均有显著影响，因此，该禽舍温度闭环控制***选用禽舍温度作为控制量。如图1所示，本实施例提供了一种基于LMBP神经网络的禽舍温度预测控制***，包括如下部件：
温度控制器模块，包括温度预测模型，根据服务器模块提供的LMBP神经网络模型进行在线预测，获得禽舍预测温度，根据禽舍目标温度与禽舍预测温度的差值，通过温度控制器模块中的温度控制算法确定控制设备的运行状态；
温度预测模型，根据禽舍内部温度、禽舍湿度、禽舍外部温度、通风量、加热温度为模型输入量，以预测未来特定步长时刻的禽舍内部温度，或称禽舍内部预测温度为模型输出量，构成多输入单输出模型，用于对未来禽舍内部温度进行在线预测；
服务器模块，根据温度控制器模块上传的环境数据对移动窗内的训练数据集进行实时更新，并通过对时间序列数据增加延迟步长以增加样本空间维数，进而离线实现神经网络的训练，从而能不断更新温度控制器模块中的温度预测模型，为温度控制器模块提供实时决策支持；
LMBP神经网络模型，包括设定移动窗参数，设定神经网络参数，根据训练集建立温度预测模型，进而将温度预测模型传输至温度控制器模块；
温度控制器模块以禽舍目标温度作为设定输入，根据禽舍预测温度与禽舍目标温度的差值，通过温度控制器模块中的温度控制算法确定控制设备的运行状态，从而实现对禽舍温度闭环控制。
如图1所示，本发明包括服务器模块，控制器模块。
该禽舍温度闭环控制***以禽舍目标温度作为设定输入，根据禽舍预测温度与禽舍目标温度的差值，通过控制器模块中的温度控制算法确定控制设备的运行状态，实现对禽舍温度闭环控制。
所述服务器模块连接有控制器模块，所述控制器模块连接有服务器模块。
服务器模块，根据控制器模块提供的数据进行离线建模，从而向控制器提供温度预测模型，根据过往数据进行在线预测，为控制器提供决策支持。
控制器模块，根据服务器模块提供的LMBP神经网络模型进行在线预测，获得禽舍预测温度，根据禽舍目标温度与禽舍预测温度的差值，通过控制器模块中的温度控制算法确定控制设备的运行状态。
如图2所示，该禽舍温度闭环控制***，包括比较点模块，温度控制器模块，风机模块，禽舍模块，TDL(抽头延时线)模块，禽舍预测模块。
该禽舍温度闭环控制***以禽舍目标温度作为设定输入，根据禽舍预测温度与禽舍目标温度的差值，通过温度控制器确定控制信号。根据该控制信号，对风机的运行状态进行调节，实现对禽舍温度闭环控制。
所述比较点模块连接有温度控制器模块，所述温度控制器模块连接有风机模块，所述风机模块连接有禽舍模块，所述禽舍模块连接有TDL模块，所述TDL模块连接有禽舍预测模块，所述禽舍预测模块连接有比较点模块。
比较点模块，用于根据禽舍目标温度与禽舍预测温度的差值，即第k周期初始时刻舍内目标温度T0(k)与第k+p周期初始时刻禽舍预测温度Tp(k+p)之间的差值(p为预测步长)，计算得出温度偏差Te(k)。
Te(k)＝|Tp(k)-T0(k+p)|
如图3所示，温度控制器模块，用于根据第k周期初始时刻温度偏差Te(k)，通过计算得出第k周期控制信号。根据该控制信号，对风机的运行状态进行调节。
若Te(k)＞Temax，则启动部分风机；若Te(k)＜Temin，则关闭部分风机；若Temin＜Te(k)＜Temax，则调整现启动风机的负载持续率△。其中Temax表示温度偏差上限，Temin表示温度偏差下限。
负载持续率△，是在时长为t的工作周期内，风机保持一定转速工作的时长tw占该工作周期时长t的比例。即风机工作持续的时长与工作周期的比值，其中工作周期时长又称全周期时间，由负载持续时间与空闲时间两部分组成。
风机模块，作为执行器，采用连续周期工作制，按照一系列相同的工作周期运行，每一周期由一段恒定负载运行时间和一段空闲时间组成。根据第k周期控制信号，对风机的运行状态进行调节，包括启动部分风机，关闭部分风机，或调整现启动风机的负载持续率△。
禽舍模块，作为被控对象，禽舍尺寸为长120m，宽13m，有效高度4.4m。
TDL(Tappeddelayline)模块，作为抽头延时线，用于存储并输出k，k-1……k-d时刻数据(d为延迟步长)，信息包括禽舍温度，禽舍湿度，舍外温度，通风量，加热温度。
禽舍预测模块，用于根据TDL模块的输出数据，即k，k-1……k-d时刻的禽舍温度，禽舍湿度，舍外温度，通风量，加热温度，对第k+p周期初始时刻禽舍预测温度Tp(k+p)进行预测，并输出给比较点模块，从而应用于控制***，决定控制设备的运行状态。
温度预测模型，以k，k-1……k-d时刻的禽舍温度，禽舍湿度，舍外温度，通风量，加热温度为模型输入量，以k+p时刻的禽舍温度，或称禽舍预测温度为模型输出量，构成多输入单输出模型。其中d为延迟步长，p为预测步长。
其中禽舍温度通过禽舍内传感器获得，单位为℃。禽舍湿度通过湿度传感器获得，单位为％RH，设定高湿预警为90％RH，低湿预警为20％RH。舍外温度通过禽舍外传感器获得，单位为℃。通风量对应风机的负载持续率，分不同级别表示。加热温度是禽舍内加热器的温度，单位为℃。
实施例2
在实施例1的基础上，如图7所示，本发明提供一种基于LMBP神经网络的禽舍温度预测控制方法，包括如下步骤：
S1、离线建模：包括设定移动窗参数，设定神经网络参数，根据训练集Dr建立温度预测模型fr，包括如下小步：
S11、设定移动窗参数，包括时间序列延迟步长d，预测步长p，移动窗长度L，移动窗移动速度c，滚动统计窗口长度b；
S12、设定神经网络参数，包括最大迭代次数，隐含层节点个数，模型训练算法，数据集划分方式，误差函数，早停检验次数；
S13、根据训练集建立温度预测模型，温度预测模型将传输至在线预测部分，用于对未来禽舍内部温度进行在线预测；
S2、在线预测：包括增加新样本Ik，Ik-1，……Ik-d，根据温度预测模型fr确定判断新增样本个数是否到达c，通过移动窗更新训练集，包括如下小步：
S21、增加新样本Ik，Ik-1，……Ik-d，即k，k-1，……k-d时刻的禽舍温度，禽舍湿度，舍外温度，通风量，加热温度；
S22、根据温度预测模型fr确定即k+p时刻的禽舍预测温度：
S23、判断新增样本个数是否到达c，若新增样本数未到达c，则1分钟后，k＝k+1，回到步骤2重复以上过程；若新增样本数到达c，则进入步骤4，通过移动窗过程更新训练集；其中c为移动窗移动速度；
S24、通过移动窗过程更新训练集，增加c个最新的样本，去掉c个最老的样本，保持移动窗长度L不变，更新训练集Dr更新为Dr+1，训练集Dr+1将传输至离线建模部分，用于更新温度预测模型fr+1。
如图4所示，Xk表示k时刻的禽舍湿度，舍外温度，通风量，加热温度，分别以x1，x2，x3，x4表示：
定义k时刻样本Ik，其中yk为k时刻的禽舍温度：
定义stepr所得温度预测模型为fr，则模型输入与输出的映射关系如下：
上述映射关系中，p为预测步长，d为延迟步长，表示k+p时刻的禽舍预测温度。合适的延迟步长d能够增加样本空间维数，可明显提升在线预测精度且减少在线预测所用时长。
如图5所示，移动窗即先定义一组固定长度的样本作为窗口，将窗口中样本组成的样本集作为训练集，经训练建立预测模型。之后每经过固定长度的一段时间，窗口移动固定长度，获取新的样本，除去旧的样本，从而形成新的样本集，即训练集，再根据新的训练集进行建模，建模完成后，等待下一次窗口移动，此滚动过程称为移动窗。
建立预测模型所用样本集称为训练集D，定义第r-1次窗口移动后所得训练集为Dr，其样本总数为L。
训练集迭代过程如下，Dr为第r次窗口移动所得训练集：
…
…
D1是用于建立第1个预测模型f1的训练集。其中L为训练集样本总数，定义为移动窗长度L，c为窗口每次窗口移动时增减的样本个数，定义为移动窗移动速度c。
第1次窗口移动时，增加c个最新(距离测试集时间跨度最小)的样本，去掉c个最老(距离测试集时间跨度最大)的样本，保持移动窗长度L不变，形成用于建立第2个预测模型f2的训练集D2。接下来若干次窗口移动，将重复上述的滚动过程，当第r-1次窗口移动后，形成用于建立第r个预测模型fr的训练集Dr。
预测模型f1将用于预测即后c个样本的p步禽舍预测温度。预测模型f2将用于预测/>预测模型fr将用于预测
移动窗能够对模型训练集样本进行实时更新，使用新样本建模的同时，避免了老样本可能导致的模型泛化能力差的问题，从而保证预测模型参数随气候及时变化，解决春秋季昼夜温差大，预测难度大的问题，并实现预测模型较高的预测精度。即距离测试集时间跨度小，老即距离测试集时间跨度大。
预测模型参数在不同季节变化速度有一定差异，如北方冬季，夏季气温较低或较高，环境变化慢，但北方秋季，春季，降温或升温明显，昼夜温差大，环境变化快，若依旧保持原本的移动窗长度L，移动窗移动速度c不变，则会导致预测效果差，进一步导致禽舍控制***出现生产能耗高，控制效果差等问题。此时可通过对移动窗长度L，移动窗移动速度c进行调整，在保证样本数据集丰富的前提下，减少旧数据对模型的负面影响。从而获得优秀的在线预测效果。
如图6所示，禽舍作为相对封闭的小环境***，其内部环境因子强耦合，物理过程与生理过程同时存在，且外部存在可测不可控的扰动，导致机理法难以建立精准的禽舍机理模型。遂选用测试法建立辨识模型，模型结构选用两层前馈神经网络网络，辨识算法选用莱文伯格-马夸特法(The Levenberg-Marquardt Method)算法。
BP神经网络是由输入层神经元，具有Sigmoid函数的隐藏层神经元和输出层神经元组成的三层神经网络，在给予较为丰富的数据和适当的隐含层神经元个数的情况下，使用该神经网络，可以映射输入数据和目标数据之间的关系，从而实现优秀的拟合效果。
输入数据由Ik，Ik-1，……Ik-d组成，分别为k，k-1，……k-d时刻样本。目标数据由yk+p组成，为k+p时刻的禽舍预测温度。输入数据与目标数据组成训练数据。由此可定义第k个训练数据Tk：
BP神经网络按照误差反向传播(Back Propagation)算法对参数矩阵进行调整。由输入层，隐含层，输出层组成的两层前馈神经网络结构可表述为下图，其中设定延迟步长d＝2，预测步长p＝5，隐含层神经元个数为10。
神经元间的连线为连接权值，以下简称权值，LMBP神经网络学习过程，即在若干次迭代中，根据训练数据，对神经网络参数v，包括权值w与阈值b进行更新，直至满足误差要求或到达最大迭代次数。神经网络参数更新式如下，其中△v为参数修正值。
vk+1＝vk+Δv
LMBP神经网络算法为莱文伯格-马夸特法(The Levenberg-Marquardt Method)，又称为衰减最小二乘法，其在高斯牛顿法的基础上，增添了正定对角矩阵μI，在一定程度上修正了高斯牛顿法的缺少鲁棒性的缺点，能够满足在线预测对实时性与精确性要求，因而在该在线预测中，选用基于莱文伯格-马夸特法神经网络。莱文伯格-马夸特法如下：
vk+1＝vk-(Jk TJk+μI)-1·gk
vk为k时刻的参数矩阵，vk+1为经过修正后k+1时刻的参数矩阵，其中gk指的是k时刻的梯度信息，(Jk TJk+μI)-1为学习步长或学习速率。
Hk表示当前k时刻的Hessian矩阵，Jk表示当前k时刻的Jacobian矩阵。I为单位矩阵，μ为非负数，当μ较大时，μI占主要地位，LM算法近似梯度下降法，当μ较小时候，Jk TJ占主要地位，LM算法近似高斯牛顿法。
LMBP算法的基本步骤如下：
第一步：对神经网络中的所有参数vk(w，b，μ)在(0，1)范围内进行随机赋值。
第二步：根据当前参数vk，计算模型输出值与误差函数Ek。
第三步：计算Jacobian矩阵Jk，并分析Jk TJk+μI矩阵，若为正定矩阵，则转入下一步，若非正定矩阵，则增大μ，直到Jk TJk+μI矩阵为正定矩阵。
第四步：计算参数修正值△v，根据参数更新式得出vk+1，并计算误差函数Ek+1
第五步，若此时Ek+1>Ek，则说明步长过大，越过了最优点，则增大μk从而减小步长。若此时Ek+1<Ek，则说明步长合适，则减小μk从而增大步长，从而加速收敛，然后令k＝k+1，回到第二步重复以上过程。
第六步，当误差Ek满足要求，或迭代次数k到达最大迭代次数kmax时，LMBP算法结束。
数据处理包括数据修正，归一化，反归一化。
(1)数据修正：由于受到传感器故障，电磁干扰等影响，环境因子的测量数据在某些采样点突然上升或下降，超出物理量的最大可变范围，将此种波动过大的采样数据称为离群值。为保证温度预测模型的泛化能力，在进行建模之前，需要先将离群值进行剔除。在该发明中，离群值的检测方法为滚动统计法。
以禽舍温度y为例：
βk＝μk±5σk
定义{yk,yk-1,…yk-b}为样本个数为b的滚动统计窗口。βk为根据{yk,yk-1,…yk-b}确定的动态边界，若样本yk+1超出该动态边界，则视为离群值，将yk+1修正为μk。其中μk为滚动统计窗口内样本的均值，σk为滚动统计窗口内样本的标准差：
需要进行数据修正的环境变量，包括禽舍湿度x1，舍外温度x2，禽舍温度y。
(2)归一化：由于不同特征之间，其量纲不同，变化区间不同，若不进行归一化，会导致忽视某些样本变化趋势。为保证温度预测模型的泛化能力，在进行在线建模之前，需要先将训练集内样本进行归一化。
以禽舍温度y为例：
其中{y1+(r-1)c,y2+(r-1)c,…yk,…yL+(r-1)c}为训练集Dr中的禽舍温度yk组成的时间序列，min(yk)为该序列中的最小值，max(yk)为该序列中的最大值。需要进行归一化的变量，包括禽舍湿度x1，舍外温度x2，通风量x3，加热温度x4，禽舍温度y。
(3)反归一化：对进行了归一化的特征，需进行反归一化更改为原本的量纲与变化区间，反归一化为归一化的反过程，需要进行反归一化的变量为禽舍预测温度
禽舍模块，禽舍尺寸为长120m，宽13m，有效高度4.4m。禽舍存栏量约32500只肉鸡，出栏日龄为38天。
禽舍样本数据为2022年2月10日00:00:54至2022年3月14日23:58:36，共由47460个样本组成的样本集，覆盖33天的运行工况，数据采样间隔约为1分钟(每分钟产生一个样本)。
移动窗设定参数如下：确定时间序列延迟步长d＝2分钟，预测步长p＝5分钟，移动窗长度L＝3天(72小时)，移动窗移动速度c＝1小时。(为方便理解，使用天/小时/分钟代替样本个数)
神经网络设定参数如下：确定最大迭代次数为1000，神经网络模型选取的隐含层节点个数为10，模型训练算法为莱文伯格-马夸特算法，数据划分方式为90％的训练数据集，10％的泛化数据集，误差函数为均方差MSE。设定移动窗参数与设定神经网络参数如下：
表1：设定移动窗参数与设定神经网络参数表
禽舍湿度，舍外温度，禽舍温度经数据修正检测，离群值占比分别为0.05374％，0.15937％，0.06301％。禽舍预测温度经数据处理检测，离群值占比为0.2107％。
基于移动窗的在线预测程序经168.8183秒后，在线预测性能评估输出如下：
表2：预测5分钟的在线预测性能评估表
图8为2022年2月10日00:00:54至2022年3月14日23:58:36在线预测效果图，图9为2022年2月20日00:00:03至2022年2月20日02:00:03在线预测效果图。
实验证明，预测误差超过1℃的数据个数占总数据个数的0.09482％，均方误差MSE为0.02429，平均绝对误差MAE为0.11412，均方根误差RMSE为0.15586，决定系数R2为0.9959，建模时间均值S为0.21463s。在预测步长为5分钟时，基于移动窗的LMBP神经网络禽舍预测模块切实有效。
为验证基于移动窗的LMBP神经网络禽舍预测模块对不同预测步长的预测效果，建立预测5分钟，15分钟，30分钟，60分钟的禽舍预测模块，预测效果如图10所示。
表3：预测不同时间的在线预测性能评估表
实验证明，在预测步长为5分钟，15分钟，30分钟时，基于移动窗的LMBP神经网络禽舍预测模块切实有效。但在对预测步长为60分钟样本预测时，预测精度较差。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于LMBP神经网络的禽舍温度预测控制***，其特征在于，包括如下部件：
温度控制器模块，包括温度预测模型，根据服务器模块提供的LMBP神经网络模型进行在线预测，获得禽舍预测温度，根据禽舍目标温度与禽舍预测温度的差值，通过温度控制器模块中的温度控制算法确定控制设备的运行状态；
温度预测模型，根据禽舍内部温度、禽舍湿度、禽舍外部温度、通风量、加热温度为模型输入量，以预测未来特定步长时刻的禽舍内部温度，或称禽舍内部预测温度，为模型输出量，构成多输入单输出模型，用于对未来禽舍内部温度进行在线预测；
服务器模块，根据温度控制器模块上传的环境数据对移动窗内的训练数据集进行实时更新，并通过对时间序列数据增加延迟步长以增加样本空间维数，进而离线实现神经网络的训练，从而能不断更新温度控制器模块中的温度预测模型，为温度控制器模块提供实时决策支持；
LMBP神经网络模型，包括设定移动窗参数，设定神经网络参数，根据训练集建立温度预测模型，进而将温度预测模型传输至温度控制器模块；
温度控制器模块以禽舍目标温度作为设定输入，根据禽舍预测温度与禽舍目标温度的差值，通过温度控制器模块中的温度控制算法确定控制设备的运行状态，从而实现对禽舍温度闭环控制。
2.如权利要求1所述的基于LMBP神经网络的禽舍温度预测控制***，其特征在于，所述控制***还包括比较点模块、风机模块、禽舍模块、TDL模块、禽舍预测模块，比较点模块连接有温度控制器模块，温度控制器模块连接有风机模块，风机模块连接有禽舍模块，禽舍模块连接有TDL模块，TDL模块连接有禽舍预测模块，禽舍预测模块连接有比较点模块。
3.如权利要求2所述的基于LMBP神经网络的禽舍温度预测控制***，其特征在于，所述比较点模块，用于根据禽舍目标温度与禽舍预测温度的差值，即第k周期初始时刻舍内目标温度T0(k)与第k+p周期初始时刻禽舍预测温度Tp(k+p)之间的差值(p为预测步长)，计算得出温度偏差Te(k)；
Te(k)＝|Tp(k)-T0(k+p)|。
4.如权利要求2所述的基于LMBP神经网络的禽舍温度预测控制***，其特征在于，所述温度控制器模块，用于根据第k周期初始时刻温度偏差Te(k)，通过计算得出第k周期控制信号；根据该控制信号，对风机的运行状态进行调节；
若Te(k)＞Temax，则启动部分风机；
若Te(k)＜Temin，则关闭部分风机；
若Temin＜Te(k)＜Temax，则调整现启动风机的负载持续率△；
其中Temax表示温度偏差上限，Temin表示温度偏差下限；负载持续率△，是在时长为t的工作周期内，风机保持一定转速工作的时长tw1占该工作周期时长t的比例；
即风机工作持续的时长与工作周期的比值，其中工作周期时长又称全周期时间，由负载持续时间与空闲时间两部分组成。
5.如权利要求2所述的基于LMBP神经网络的禽舍温度预测控制***，其特征在于，所述风机模块，作为执行器，采用连续周期工作制，按照一系列相同的工作周期运行，每一周期由一段恒定负载运行时间和一段空闲时间组成；
根据第k周期控制信号，对风机的运行状态进行调节，包括启动部分风机，关闭部分风机，或调整现启动风机的负载持续率△。
6.如权利要求2所述的基于LMBP神经网络的禽舍温度预测控制***，其特征在于，所述禽舍模块，作为被控对象，禽舍模块的尺寸为长120m、宽13m、高度4.4m。
7.如权利要求2所述的基于LMBP神经网络的禽舍温度预测控制***，其特征在于，所述TDL模块，作为抽头延时线，用于存储并输出k，k-1……k-d时刻数据，其中d为延迟步长，信息包括禽舍温度、禽舍湿度、舍外温度、通风量、加热温度。
8.如权利要求2所述的基于LMBP神经网络的禽舍温度预测控制***，其特征在于，所述禽舍预测模块，用于根据TDL模块的输出数据，即k，k-1……k-d时刻的禽舍温度、禽舍湿度、舍外温度、通风量、加热温度，对第k+p周期初始时刻禽舍预测温度Tp(k+p)进行预测，并输出给比较点模块，从而应用于控制***，决定控制设备的运行状态。
9.一种基于LMBP神经网络的禽舍温度预测控制方法，采用如权利要求1-8任意一项所述的基于LMBP神经网络的禽舍温度预测控制***，其特征在于，包括如下步骤：
S1、离线建模：包括设定移动窗参数，设定神经网络参数，根据训练集Dr建立温度预测模型fr，包括如下小步：
S11、设定移动窗参数，包括时间序列延迟步长d，预测步长p，移动窗长度L，移动窗移动速度c，滚动统计窗口长度b；
S12、设定神经网络参数，包括最大迭代次数，隐含层节点个数，模型训练算法，数据集划分方式，误差函数，早停检验次数；
S13、根据训练集建立温度预测模型，温度预测模型将传输至在线预测部分，用于对未来禽舍内部温度进行在线预测；
S2、在线预测：包括增加新样本Ik，Ik-1，……Ik-d，根据温度预测模型fr确定判断新增样本个数是否到达c，通过移动窗更新训练集，包括如下小步：
S21、增加新样本Ik，Ik-1，……Ik-d，即k，k-1，……k-d时刻的禽舍温度，禽舍湿度，舍外温度，通风量，加热温度；
S22、根据温度预测模型fr确定即k+p时刻的禽舍预测温度：
S23、判断新增样本个数是否到达c，若新增样本数未到达c，则1分钟后，k＝k+1，回到步骤2重复以上过程；若新增样本数到达c，则进入步骤4，通过移动窗过程更新训练集；其中c为移动窗移动速度；
S24、通过移动窗过程更新训练集，增加c个最新的样本，去掉c个最老的样本，保持移动窗长度L不变，更新训练集Dr更新为Dr+1，训练集Dr+1将传输至离线建模部分，用于更新温度预测模型fr+1。
10.如权利要求9所述的基于LMBP神经网络的禽舍温度预测控制方法，其特征在于，所述步骤S2在线预测的精度通过以下5个指标评估，分别为均方误差MSE、平均绝对误差MAE、均方根误差RMSE、决定系数R2、建模时间均值S，数学表达如下：
其中y表示禽舍真实温度，表示禽舍预测温度，/>表示禽舍预测温度均值；
决定系数R2表示禽舍真实输出值与模型输出值之间的拟合程度，R2越接近1，表明拟合效果越好，预测精度越高；建模时间均值S衡量在线建模所用的时间，建模程序总用时为TM，建模次数为NM，S单位为秒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310693737.5A CN116560428A (zh) | 2023-06-13 | 2023-06-13 | 基于lmbp神经网络的禽舍温度预测控制***及控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310693737.5A CN116560428A (zh) | 2023-06-13 | 2023-06-13 | 基于lmbp神经网络的禽舍温度预测控制***及控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116560428A true CN116560428A (zh) | 2023-08-08 |
Family
ID=87496583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310693737.5A Pending CN116560428A (zh) | 2023-06-13 | 2023-06-13 | 基于lmbp神经网络的禽舍温度预测控制***及控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116560428A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117784849A (zh) * | 2024-02-27 | 2024-03-29 | 泰安德图自动化仪器有限公司 | 一种基于人工智能的制冷恒温槽自动控制*** |
-
2023
- 2023-06-13 CN CN202310693737.5A patent/CN116560428A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117784849A (zh) * | 2024-02-27 | 2024-03-29 | 泰安德图自动化仪器有限公司 | 一种基于人工智能的制冷恒温槽自动控制*** |
| CN117784849B (zh) * | 2024-02-27 | 2024-05-07 | 泰安德图自动化仪器有限公司 | 一种基于人工智能的制冷恒温槽自动控制*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112817354B (zh) | 一种畜禽舍养殖环境温度预测控制***及其调控方法 | |
| CN111795484B (zh) | 一种智慧空调控制方法和*** | |
| CN111932015B (zh) | 一种区域供冷供热冷热量负荷的预测方法及*** | |
| CN111222674A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
| CN109948824B (zh) | 一种利用模式识别技术对热力站热负荷进行预测的方法 | |
| CN111353631A (zh) | 基于多层lstm的火电厂凝汽器真空度预测方法 | |
| CN116560428A (zh) | 基于lmbp神经网络的禽舍温度预测控制***及控制方法 | |
| CN103197538B (zh) | 一种基于过程神经网络的孵房温度控制方法 | |
| CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化*** | |
| CN113283156A (zh) | 一种基于深度强化学习的地铁站空调***节能控制方法 | |
| CN113705922B (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
| CN109445484A (zh) | 一种基于猫群优化和免疫模糊pid的孵化室温度控制方法 | |
| CN113361744A (zh) | 一种基于lstm算法的室内温度预测方法 | |
| CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
| CN113065749A (zh) | 一种建筑材料的养护室环境智能*** | |
| CN115907191A (zh) | 一种自适应建筑光伏表皮模型预测控制方法 | |
| CN107168066B (zh) | 一种温室环境自适应控制方法 | |
| CN117272829A (zh) | 一种基于mc-gru的冷链温度预测方法 | |
| CN116046018B (zh) | 一种应用于mems陀螺仪的温度补偿方法 | |
| CN112711791A (zh) | 基于神经网络弹性权重固化的建筑用能负荷实时预测方法 | |
| CN116415713A (zh) | 一种基于e+和人工智能的建筑能耗预测方法 | |
| CN114530214A (zh) | 一种蔬菜营养液自维护方法及*** | |
| CN113625557A (zh) | 一种在线优化模型的hvac***模型预测控制方法 | |
| Tijskens et al. | Neural networks to predict the hygrothermal response of building components in a probabilistic framework | |
| CN117469774B (zh) | 空调***调控方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhong Ningfan Inventor after: He Kaixun Inventor after: Gao Luning Inventor after: Cao Pengfei Inventor after: Zhang Ji Inventor after: Jin Xin Inventor before: Zhong Ningfan Inventor before: He Kaixun Inventor before: Gao Luning Inventor before: Cao Pengfei Inventor before: Zhang Yi Inventor before: Jin Xin |
|
| CB03 | Change of inventor or designer information |