基于LMBP神经网络的禽舍温度预测控制系统及控制方法

本发明涉及禽舍养殖，具体涉及一种基于lmbp神经网络的禽舍温度预测控制系统及控制方法。

背景技术：

1、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，因此对温度控制系统设计提出较高要求。

2、目前禽舍温度控制系统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。

技术实现思路

1、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系统及控制方法，该禽舍温度预测控制系统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。

2、本发明的技术方案为：

3、一种基于lmbp神经网络的禽舍温度预测控制系统，包括如下部件：

4、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；

5、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；

6、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；

7、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；

8、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。

9、优选地，所述控制系统还包括比较点模块、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。

10、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)；

11、te(k)＝|tp(k)-t0(k+p)|。

12、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；

13、若te(k)＞temax，则启动部分风机；

14、若te(k)＜temin，则关闭部分风机；

15、若temin＜te(k)＜temax，则调整现启动风机的负载持续率△；

16、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；

17、

18、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。

19、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；

20、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△。

21、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。

22、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。

23、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，从而应用于控制系统，决定控制设备的运行状态。

24、本发明控制系统的有益效果：

25、旨在建立一种基于lmbp神经网络的禽舍温度预测控制系统，该禽舍温度预测控制系统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。

26、本发明另外的技术方案为：

27、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：

28、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：

29、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；

30、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；

31、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；

32、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：

33、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；

34、s22、根据温度预测模型fr确定即k+p时刻的禽舍预测温度：

35、

36、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；

37、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。

38、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：

39、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；

40、

41、

42、

43、

44、

45、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。

46、本发明控制方法的有益效果：

47、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。