[发明专利]一种温室内温度极值的预测方法

摘要

本发明公开一种温室内温度极值的预测方法，包括S1.采集预定时间段内的温室的环境数据；S2.对获得的环境数据进行归一化处理，得到样本集；S3.利用均匀分布的算法随机产生最小二乘支持向量机回归模型LS_SVM的径向基核函数的N个宽度系数σ2及N个惩罚系数λ；S4.从样本集中选择训练样本集并训练LS_SVM；S5.将粒子群算法PSO的粒子群初始化为由σ2和λ构成的二维坐标点；S6.利用PSO对σ2及λ进行优化；S7.从样本集中选择测试样本集，对优化参数的LS_SVM进行测试，得到最优化的LS_SVM；S8.在线实时采集温室的环境数据，将数据输入最优化的LS_SVM，得到温室内温度极值的预测值。

主权项

一种温室内温度极值的预测方法，其特征在于，该方法包括：S1.采集预定时间段内的温室的环境数据；S2.对获得的环境数据进行归一化处理，得到样本集；S3.利用均匀分布的算法随机产生最小二乘支持向量机回归模型LS_SVM的径向基核函数的N个宽度系数σ2及N个惩罚系数λ，N为正整数，所述σ2和λ为所述LS_SVM的初始参数；S4.从样本集中选择训练样本集，并用训练样本对所述LS_SVM进行训练，得到训练后的LS_SVM；S5.将粒子群算法PSO的粒子群初始化为由所述σ2和λ构成的二维坐标点；S6.利用所述PSO对所述σ2及λ进行优化，得到优化参数σ2及λ；S7.从样本集中选择测试样本集，对所述优化参数的LS_SVM进行测试，得到最优化的LS_SVM；S8.在线实时采集温室内和温室外的环境数据，将所述数据输入最优化的LS_SVM，得到温室内温度极值的预测值；所述步骤S6包括：S61、计算所述粒子群中所有粒子的适应度值，所述适应度值的计算公式如下：f(Pi(k))=1MΣj=1M[xj-T(xj)]2]]>其中，xj为训练样本集中的第j个样本向量，T(xj)为所述xj的温度预测值，M为训练样本集中样本向量的个数，Pi(k)为第i个粒子第k次迭代的位置，k为正整数，i＝1,2,…,N2；S62、计算前k次迭代的粒子群中第i个粒子的最优位置pbi(k)，i＝1,2,…,M，以及第k次迭代的粒子群的最优位置gb(k)；所述pbi(k)满足所述gb(k)满足S63、计算变异概率Pm，所述Pm的计算公式如下：pm=βs2<μ,|f(gb(k))-fm|>δ0other]]>其中，β为常数，且β∈(0,1)，δ为收敛精度，fm为理论最优值，μ为常数，且μ∈[0，0.0001]，所述s2为粒子群的群体适应度方差，所述s2的计算公式如下：s2=1N2Σi=1N2(fi-Vavgf)2]]>其中，N2为粒子群中粒子的个数，fi为第i个粒子的适应度值；Vavg为粒子群中粒子的平均速度，f为归一化因子，所述f的取值为：对粒子群中的每个粒子，在概率分布满足[0,1]区间均匀分布的随机变量中随机产生一个常数r，r∈[0，1]；判断r<Pm是否成立，若成立，则对第i个粒子的最优位置pbi(k)进行变异：在概率分布满足正态分布N[0,1]的随机变量中随机产生一个常数t；pbi(k)＝pbi(k)×(1+t)；S64、更新每个粒子的速度及位置：Vi(k+1)＝wVi(k)+c1R1(pbi(k)‑Pi(k))+c2R2(gb(k)‑Pi(k))；Pi(k+1)＝Pi(k)+Vi(k+1)；其中，Vi(k)表示第k次迭代的第i个粒子的速度，i＝1,2,…,N2；Pi(k)表示第k次迭代的第i个粒子的位置；w为惯性权重，0.5<w<0.9；c1，c2为学习因子，c1，c2均为正常数；R1，R2为介于[0，1]区间的随机数；S65、计算训练样本集的均方根误差RMSE，判断RMSE<0.01是否成立，若成立，则停止迭代，gb(k)所对应粒子的λ和σ2作为LS_SVM的优化参数；否则，当前k的值加1作为新的k，执行步骤S61。