摘要
为了提高对北方温室温湿度预测的精度,采用温室内外的气象数据作为输入,以温室的温湿度分别作为输出,提出了基于PSO-LM-RBF的温室温度和湿度预测模型,并且通过仿真实验对该模型的性能进行评估,其中实验的输入数据为天津某温室3月份的连续实测数据。通过仿真实验得到更高的预测精度,证明了该方案的可行性。此模型可以用于温室温湿度的预测控制。
引文
[1] 杜尚丰,徐立鸿,马程伟,等.可控环境生产系统建模、仿真与控制研究进展[J].中国科学:信息科学,2010,40(S1):54-70.
[2] 王旭东,罗金耀,李小平.塑料大棚环境的温湿度预测模型研究[J].节水灌溉,2013,(10):23-26.
[3] 余欢乐,方永锋.基于模糊自整定PID的温室温度控制系统设计及仿真[J].江苏农业科学,2016,44(12):383-386.
[4] 马承伟,韩静静,李睿.日光温室热环境模拟预测软件研究开发[J].北方园艺,2010,(15):69-75.
[5] E Romantchik, E Ríos, E Sánchez, et al. Determination of energy to be supplied by photovoltaic systems for fan-pad systems in cooling process of greenhouses, Appl. Therm. Eng., 2017,114:1 161-1 168.
[6] Moon T W, Jung D H, Chang S H, et al. Hortic. Environ. Biotechnol, (2018)59:45.
[7] 朱春侠,童淑敏,胡景华,等.BP神经网络在日光温室湿度预测中的应用[J].农机化研究,2012,34(7):207-210.
[8] A. Castaeda-Miranda, V M Castao. Smart frost control in greenhouses by neural networks models[J]. COMPUT ELECTRON AGR, 2017,137:102-114.
[9] 夏爽,李丽宏.基于PSO-RBF神经网络在温室温度预测中的应用[J].计算机工程与设计,2017,38(3):744-748.
[10] 申超群,杨静.温室温度控制系统的RBF神经网络PID控制[J].控制工程,2017,24(2):361-364.
[11] 何世钧,白凡,周汝雁.基于RBF神经网络逼近算法的船舶支架减振器挤压测试系统[J].计算机应用与软件,2014,31(11):97-99,104.
[12] 翟华伟,崔立成,张维石.一种新的在线自适应混合RBF网络学习算法[J].小型微型计算机系统,2014,35(12):2 713-2 716.
[13] 蒙西,乔俊飞,韩红桂.基于ART的RBF网络结构设计[J].控制与决策,2014,29(10):1 876-1 880.
[14] 洪运国.基于粒子群优化PIDNN的温室温湿度解耦控制仿真[J].制造业自动化,2013,35(4):124-126.
[15] 张昭昭,乔俊飞,余文.基于LM算法的在线自适应RBF网结构优化算法[J].控制与决策,2017,32(7):1 247-1 252.
[16] 金敏,鲁华祥.一种遗传算法与粒子群优化的多子群分层混合算法[J].控制理论与应用,2013,30(10):1 231-1 238.
[17] 纪雪玲,李明,李玮.一种克服局部最优的收缩因子PSO算法[J].计算机工程,2011,37(20):213-215.
[18] 韩敏,穆大芸.回声状态网络LM算法及混沌时间序列预测[J].控制与决策,2011,26(10):1 469-1 472,1 478.