当前位置:主页 > 科技论文 > 自动化论文 >

二次聚类与神经网络结合的日光温室温度二步预测方法

发布时间:2019-02-25 12:57
【摘要】:精确预测日光温室温度是实现对温室精准调控的前提。由于温室是复杂非线性系统,受室内外众多环境因素影响,且部分因素难以准确测量和建模,因此,难以通过机理分析建立室外因素精确影响室内温度的物理模型。而现有时间序列分析、人工神经网络等仅基于数据的方法预测准确度也较低。本文提出连续时间段聚类与BP神经网络相结合的二步日光温室温度预测方法。首先,进行二次聚类,对室外温度情况相似的日进行聚类,并将全年划分为若干个类似时间段,根据连续时间段内相似日的数量进行聚类,将全年内的连续时间段归入若干类别。其次,对不同类别的时间段,分别采用BP神经网络建立室外温度、相对湿度、太阳辐射、风速和温室室内温度间的关联模型,通过数据训练,能够较为准确的根据室外环境数据预测室内温度。通过涿州实验农场2年数据试验验证,通过二次聚类,全年连续时间段可划分为3类,通过分别建立BP神经网络并分别训练,结果表明本方法预测误差仅为6.23%,与现有未分类的BP神经网络预测算法对比,本文方法有效地提高了准确度,平均误差降低5.4个百分点。
[Abstract]:Accurate prediction of solar greenhouse temperature is the premise of accurate control of greenhouse. The greenhouse is a complex nonlinear system, which is influenced by many environmental factors, and some factors are difficult to measure and model accurately. Therefore, it is difficult to establish the physical model of outdoor factors that affect indoor temperature accurately through mechanism analysis. The prediction accuracy of existing time series analysis, artificial neural networks and other data-based methods is also low. In this paper, a two-step solar greenhouse temperature prediction method based on continuous-time clustering and BP neural network is proposed. First of all, the second clustering is carried out to cluster the days with similar outdoor temperature, and the whole year is divided into several similar time periods, according to the number of similar days in the continuous time period. A continuous period of time throughout the year is classified into several categories. Secondly, the correlation models of outdoor temperature, relative humidity, solar radiation, wind speed and indoor temperature in greenhouse are established by using BP neural network for different time periods. Can accurately predict indoor temperature according to outdoor environmental data. Through 2 years data test of Zhuozhou experimental farm, through quadratic clustering, the whole year continuous time period can be divided into 3 categories, and the BP neural network is established and trained separately. The result shows that the prediction error of this method is only 6.23%. Compared with the existing unclassified BP neural network prediction algorithms, the proposed method effectively improves the accuracy and reduces the average error by 5.4%.
【作者单位】: 中国农业大学信息与电气工程学院
【基金】:国家自然科学基金项目(61601471) 北京市自然科学基金项目(4164090) 中央高校基本科研业务费专项资金项目(2017QC077)
【分类号】:S625;TP183

【相似文献】

相关期刊论文 前10条

1 刘继龙;张振华;谢恒星;;果园土壤贮水量神经网络估算模型研究[J];农业系统科学与综合研究;2007年01期

2 薄永军;;温室温度控制系统神经网络PID控制算法研究[J];安徽农业科学;2014年13期

3 张利民,刘亚非,徐九文,陈庆亮,郭红卫,王南阳;日光温室间距的计算[J];河南农业科学;2000年12期

4 谭有灿,王晓娟,尹同萍,牛蕴华;日光温室辣椒冬季定植的新方法[J];北京农业;2000年12期

5 段敬杰;河南省日光温室瓜菜生产中存在的问题及其解决策略[J];北京农业;2000年12期

6 吴治国;1999年天水市二代日光温室的几点做法[J];甘肃农业;2000年08期

7 徐龙;日光温室的几种消毒方法[J];农村实用技术与信息;2000年11期

8 ;提高日光温室效益的几种办法[J];农业信息探索;2000年07期

9 高宏;新型无支柱大棚、日光温室复合材料支架在我省投入生产[J];农业科技与信息;2000年08期

10 高陟江;日光温室不宜使用旧棚膜[J];农业科技与信息;2000年09期

相关会议论文 前10条

1 陈青云;;日光温室的实践与理论[A];《中国设施农业可持续发展》论坛论文资料汇编[C];2010年

2 王影;张晓文;邹岚;;日光温室绿色节能综合评估系统研究[A];纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会(CSAE 2009)论文集[C];2009年

3 孙智辉;刘安成;;日光温室建造环境参数[A];2004年全省气象学术交流会论文集[C];2004年

4 徐刚毅;刘明池;许超;;提高日光温室性能的几点建议[A];《中国设施农业可持续发展》论坛论文资料汇编[C];2010年

5 须晖;谢玉玲;王蕊;李天来;;北方坡地不同跨度日光温室温光性能的比较研究[A];中国园艺学会2010年学术年会论文摘要集[C];2010年

6 李德;张学贤;张丙振;;日光温室内部气象要素测点布设研究[A];第28届中国气象学会年会——S11气象与现代农业[C];2011年

7 白义奎;刘文合;柴宇;车忠仕;佟国红;;防寒沟对日光温室横向地温的影响[A];中国农业工程学会农业水土工程专业委员会第三届学术研讨会论文集[C];2004年

8 徐刚毅;周长吉;;不同保温墙体日光温室的性能测试与分析[A];2004年中国设施园艺学会学术年会文集[C];2004年

9 佟国红;李天来;王铁良;山口智治;白义奎;;大跨度日光温室室内微气候环境测试分析[A];2004年中国设施园艺学会学术年会文集[C];2004年

10 白红武;滕光辉;武聪玲;;针对日光温室结构校核的辅助设计系统的研究和开发[A];中国数字农业与农村信息化学术研究研讨会论文集[C];2005年

相关重要报纸文章 前10条

1 记者 秦炜;关井压田日光温室建设要做实做细做好[N];武威日报;2007年

2 田海军;日光温室增温火墙提质增效现场会召开[N];中卫日报;2008年

3 本报记者 王军国 张永文 朵俊庆;夹河:日光温室瓜菜飘香[N];武威日报;2008年

4 ;全市日光温室建设有序推进[N];武威日报;2009年

5 严俊义 郭光雄;民勤多措并举加快日光温室建设步伐[N];武威日报;2009年

6 记者 张永文;民勤扎实开展日光温室效益年活动[N];武威日报;2009年

7 许立柱;秦都新型日光温室助农增收[N];咸阳日报;2009年

8 记者 胡全基;我市日光温室生产规模跃居全省首位[N];武威日报;2009年

9 记者 戴学盛;古浪再掀日光温室建设新高潮[N];武威日报;2009年

10 农业部规划设计研究院设施农业研究所博士 魏晓明;日光温室升级换代“四步曲”[N];中国花卉报;2012年

相关博士学位论文 前10条

1 张勇;西北日光温室传热学简化模型构建及温光高效新结构初探[D];西北农林科技大学;2012年

2 王士超;黄土高原不同年限日光温室土壤养分供应特性[D];西北农林科技大学;2015年

3 韩亚东;辽沈日光温室能量平衡方程中几个主要分量模拟模型的构建[D];沈阳农业大学;2015年

4 孙健;日光温室青椒节水灌溉制度优化与评价[D];沈阳农业大学;2015年

5 王军伟;苏北地区日光温室构型优化、室内温湿度分析及应用效果初探[D];南京农业大学;2015年

6 史宇亮;日光温室不同厚度土墙蓄放热特性研究[D];山东农业大学;2017年

7 李小芳;日光温室的热环境数学模拟及其结构优化[D];中国农业大学;2005年

8 郭正昊;北方地区日光温室生态动力学研究[D];吉林大学;2012年

9 张志录;下沉式日光温室土质墙体传热特性的研究[D];河南农业大学;2012年

10 白义奎;日光温室燃池—地中热交换系统研究[D];沈阳农业大学;2007年

相关硕士学位论文 前10条

1 陈铭晖;基于神经网络的蔬菜育苗潮汐灌溉策略研究[D];上海交通大学;2014年

2 米雅婷;基于GA-BP神经网络的温室番茄病害诊断研究[D];东北林业大学;2016年

3 王晓娟;基于模糊控制与RBF神经网络的桃病虫害发生预测研究[D];河北农业大学;2011年

4 张雪艳;基于高光谱信息的柑橘叶绿素含量预测模型研究[D];西南大学;2017年

5 高文;不同结构日光温室生态比较研究[D];内蒙古农业大学;2002年

6 李学海;南阳市部分日光温室低效益的成因与对策初探[D];扬州大学;2006年

7 黄川容;北方日光温室风灾风险分析及预警[D];南京信息工程大学;2012年

8 孟育红;基于对象影像分析技术提取日光温室遥感信息方法研究[D];兰州大学;2012年

9 李石;高寒地区日光温室结构建模及优化软件研究[D];东北林业大学;2015年

10 高文波;主动采光蓄热型日光温室性能与机理的研究[D];西北农林科技大学;2015年



本文编号:2430191

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2430191.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户e1fdb***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com