一种盐碱地光伏板下植物接收光量的建模预测方法

技术领域

本发明提供一种盐碱地光伏板下植物接收光量的建模预测方法，属于植物接收光量建模预测技术领域。

背景技术

随着社会经济的不断发展，为实现现代化高效的农业产业转型升级，依托互联网、大数据、神经网络模型等技术为农业产业实践提供技术支持，以进一步提高农业生产效率；其中针对盐碱地和光伏的发展模式可助力双碳目标实现，提高盐碱地利用率，保障粮食安全。

目前针对盐碱地农业生产的管理，存在盐碱地铺设光伏板后造成板下植物接收光量分布不规则、盐碱地光伏生态系统中光照-水-盐动态机制不明确的问题，进而影响土壤水分蒸发和盐分运移，因此科学评估光伏阵列建设对盐碱地生态的影响可为后续农作物选择，拓展可利用资源提供有效的理论指导，其核心问题在于针对光伏板下生长因子变化的研究，具体涉及对光伏板下生长植物接收光量的预测；目前对光伏板下各种环境因素的研究大多基于实地的生态实验，且研究重点放在环境因素的变化对于植物的生长发育的影响，没有进行深入性系统性的系统分析，分析缺乏理论依据且不客观，使用深度学习方法对光伏板下生长植物接收光量建模预测，无需深入理解数据信号的物理特性，便可获得很好的精度，但因其训练过程无法控制和模型的不可解释性可能导致预测评估结果不理想，有待改进。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：针对光伏板下各种环境因素的研究没有进行深入性系统性的分析，使用的深度学习方法在训练过程中无法控制，且由于模型的不可解释性导致预测评估结果不理想的问题，提供一种盐碱地光伏板下植物接收光量的建模预测方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：一种盐碱地光伏板下植物接收光量的建模预测方法，包括如下的建模预测步骤：

步骤一：采用仪器设备对目标区域内的光合有效辐射、空气温度、湿度数据进行采集，以预设的时间间隔连续采集盐碱地铺设的相邻两排光伏板间多个不同位置的全年光合有效辐射瞬时数据，建立数据集；

步骤二：对数据集中缺失值的光照情况进行模拟和分析，使用同类均值插补法补充缺失值，采用积分的方式将光合有效辐射的瞬时量转化为有效光合积累量，建立模型；

步骤三：基于专家经验构建带有先验知识约束的损失函数，指导模型训练过程，在数据有限或数据存在噪声的情况下提供有用的先验信息，将模型的预测输出限制在指定范围内；

步骤四：针对目标区域内一个位置的有效光量预测数据设计算法，基于带有先验知识约束的损失函数的长短期记忆神经网络层构建编码器-解码器预测模型，训练历史有效光量序列到未来有效光量序列的映射关系，实现以历史数据为基础的有效光量预测；

将设计算法应用于其它位置分别建立有效光量预测模型，基于预测模型得到相同条件下整块盐碱地未来接受光量的情况。

所述步骤二中对数据集中缺失值的光照情况进行模拟和分析的具体方法为：

向Ecotect软件中导入盐碱地光伏试验基地所在地的天气数据，建立光伏板阵列的3D仿真模型，模拟出各个测定位置的遮光情况，获取光合有效辐射的仿真数据；

将光合有效辐射数据乘以平均植株占地面积，再对0到t时间段进行积分，得到该位置0到t时间段内接收到的光合有效积累量；

将一天内的有效光量叠加得到该位置经过光照遮阴条件不断变化后所得到的能量，加载数据并转换数据格式为数组，对数据进行最大最小归一化，将数据缩放到0到1区间内，设置时间窗口步长n+m，窗口移动步长1，将数据切片成样本，计算公式为：

样本个数=数据量-(n+m)；

其中，n为用于训练的历史时间步长，每个时间步包含三个输入特征，分别为当日有效光量、最高气温、平均空气湿度，m为要预测的未来数据的时间跨度，单位为天数；

为提高模型的泛化性能，将样本做随机打乱操作，并将样本集按7：2：1的比例分割为训练集、验证集和测试集；

选取连续n天的有效光量

所述步骤三中构建带有先验知识约束的损失函数的具体方法为：

通过确定模型输出值的取值范围和输出值的变化率范围，来确定先验约束规则，定义两个约束规则，具体为：

约束规则1：y

约束规则2：变化率=|[y(t+1)-y(t)]/y(t)|

式中，y(t)为归一化后第t日的有效光量模型预测结果；

构建的自定义损失函数包括：平均绝对误差函数

；

式中，

所述步骤四中通过有效光量预测模型进行预测的具体方法为：

搭建的编码器-解码器模型包含3层长短期记忆网络层和1层全连接层，通过该模型训练数据样本，按序列输入编码器，采用融合带有先验知识约束的损失函数与长短期记忆的神经网络层遗忘、记忆和学习，当前时刻的隐藏状态

h

其中，

然后输入序列被编为一个包含上下文关系特征的语义向量c，语义向量c具体由最终隐藏层的状态

c=q(h

将语义向量c作为解码器解码阶段的初始状态，最后一个隐藏层的状态

将语义向量c作为解码器每一个神经元的输入，设定t时刻的隐藏状态

h

在解码语义向量c的不同特征后，解码器重构出样本所对应的标签，最后通过全连接层实现序列到序列的预测。

本发明相对于现有技术具备的有益效果为：本发明提供的植物接收光量建模预测方法采用PK-LSTM层建立编码器-解码器时序模型，使用带有最优学习率的优化器来调整神经网络模型中多层神经元之间的连接权值以最小化损失函数，并基于专家经验构建损失函数，通过带有先验知识的损失函数指导模型训练过程，增加模型可解释性，通过编码器将历史有效光量时序数据编码为一个上下文语义向量，再通过解码器对这个语义向量进行重构，最终实现对有效光量序列到序列的预测；本发明通过深度神经网络模型训练得到的中长期预测模型，可以将模型的预测输出限制在指定范围内，使其预测结果具有更强的鲁棒性；本发明建立的模型可以基于光量历史数据预测未来多日的有效光量，评估在盐碱地搭建光伏阵列对板下植物接收到的光合有效辐射的影响，为后续农作物选择、拓展可利用资源提供有效的理论指导。

附图说明

下面结合附图对本发明做进一步说明：

图1为本发明建模预测方法的步骤流程图；

图2为本发明盐碱地光伏PK-LSTM有效光量预测模型的结构示意图；

图3为本发明采集数据集及范围特征情况的统计效果图；

图4为本发明模型验证集的表现效果图；

图5为本发明模型测试集的表现效果图；

图6为本发明预测模型在有约束与无约束条件下测试集散点效果分布图。

具体实施方式

如图1所示，本发明提出一种植物接收光量的建模预测方法，主要基于深度神经网络预测模型对盐碱地光伏板下植物的光量接收情况做出预测，具体涉及一种融合先验知识与长短期记忆(Long Short-term Memory，LSTM)神经网络的植物生长有效光量预测方法；本发明为实现该预测方法，采用一种融合先验知识的盐碱地-光伏植物生长有效光量深度神经网络预测模型，该模型利用专家经验构建损失函数，指导模型的训练过程，使用构建模型建立有效光量历史序列到预测序列的映射关系实现多步预测，最终建立的板下光照条件的分布情况模型可以更好地模拟出符合特定规则的预测光量序列，将模型的预测输出限定在一个合理的范围内，具有较好的处理异常情况的能力。

本发明使用的深度神经网络预测模型以编码器-解码器网络为模型的基础框架，使用PK-LSTM神经网络层代替传统循环神经网络作编码器和解码器，可以防止过拟合现象，整个编码器-解码器神经网络共包含200个神经元，其中激活函数选择Relu函数，使用学习率0.035 的Adam优化器。

本发明构建的预测模型，具体是一种融合先验知识与长短期记忆神经网络(LongShort-term Memory，LSTM)的编码器-解码器（Encoder-Decoder）预测模型，通过该模型对植物接收光量做出预测，可以克服盐碱地铺设光伏板后造成板下植物接收光量分布不规则、盐碱地光伏生态系统中光照-水-盐动态机制不明确的问题；采用的主要步骤包括：

采集盐碱地上铺设光伏板间不同位置的光合有效辐射、空气温度、湿度等数据；

对采集到的数据进行预处理；

利用专家经验构建损失函数，指导模型训练过程；

使用LSTM层构建编码器-解码器模型。

进一步的，本发明提出的基于深度神经网络融合先验知识的光伏植物生长有效光量预测方法，具体包括如下步骤：

步骤一：如图3所示，采用专门的仪器设备进行光合有效辐射、空气温度、湿度等数据的采集，以15分钟为间隔连续采集盐碱地铺设的两排相邻光伏板间5个不同位置的全年光合有效辐射瞬时数据，单位：umol*m

在本发明实施例中，具体由实地设置的光合有效辐射传感器探测采集光合有效辐射的数据集，在盐碱地铺设光伏板阵列，板间距11米，从1米处开始，每隔2米设置一个传感器，两排光伏板间共设置5个传感器，分别测定光伏板遮阴条件下板间、板下不同位置的光合有效辐射瞬时量。

步骤二：采用Ecotect软件对数据集中缺失值的光照情况进行模拟和分析，使用同类均值插补法补充缺失值，利用积分的思想将光合有效辐射的瞬时量转化为有效光合积累量（有效光量）；

本发明采用Ecotect软件结合同类均值插补法处理原始数据集的数据缺失值，包括数据实地天气情况导入软件，仿真出缺失数据实时光照情况，将与缺失数据相同光照情况的位置的非缺失数据取均值修正缺失数据，这个方法结合了均值插补法和聚类插补法两方优势，更符合盐碱地-光伏板实际情况。

本发明采用Ecotect软件提供的光照环境平台模拟数据集中缺失值的光照情况，并使用同类均值插补法补全数据；具体操作如下：在软件中导入盐碱地光伏试验基地所在地的天气数据，建立光伏板阵列的3D仿真模型，模拟出各个测定位置的遮光情况，并融合均值插补法和聚类插补法，使用更符合实际情况的同类均值插补法处理数据集中缺失值，将与待处理点相同遮光情况的位置点对应的光合有效辐射取均值或直接插补，减小后续实验的累计误差。

然后对处理后的数据集运用积分叠加的原理将瞬时量转化为积累量以满足项目需求，具体操作方法如下：

如式（1）所示，将光合有效辐射数据乘以0.28平方米（平均植株占地面积），再对0到t时间段进行积分即可得到该位置接收到的光合有效积累量（有效光量），表达式为：

E

其中：E为0到t时间段内的积累有效光量，

所述有效光量数据集是将时间序列数据划分为若干个连续的时间窗口，每个窗口包含n+m个连续的历史光量数据点，n为用于训练的历史时间步长，每个时间步包含三个输入特征，分别为当日有效光量、最高气温、平均空气湿度，m为要预测的未来数据的时间跨度，由连续n天的一日光量作为模型的输入，以m天的积累有效光量作为模型的输出，并将数据集按7：2：1的比例分割为训练集、验证集和测试集。

具体操作如下：首先加载数据并转换数据格式为数组，对数据进行最大最小归一化，将数据缩放到0到1区间内，消除不同特征尺度差异带来的影响，再设置时间窗口步长n+m，窗口移动步长1，将数据切片成样本，样本个数=数据量-(n+m)，这样可以最大化利用原始数据集；

为提高模型的泛化性能，接下来将样本做随机打乱操作，并将样本集按7：2：1的比例分割为训练集、验证集和测试集，最后选取连续n天的有效光量

步骤三：利用专家经验构建带有先验知识约束的损失函数，指导模型训练过程，具体步骤为：

确定模型输出值的取值范围和输出值的变化率范围，即确定先验约束规则，在本发明具体实施例中，约束规则有两个，分别如下式（2）和（3）所示：

约束规则1：y

约束规则2：变化率=|[y(t+1)-y(t)]/y(t)|

式中，y(t)为归一化后第t日的有效光量模型预测结果；

自定义损失函数，模型损失选用平均绝对误差函数

（4）；

式中，

再将上述约束规则编程，计算预测值与约束规则1中的上限差值，使用python提供的tensorflow函数库加载maximum指令，返回这个差值与0两者之间的最大值作为约束规则1的上限损失，下限损失计算方式、约束规则2的变化率上下限损失计算方式与之类似，都是预测值/变化率与限制边界作差值并与0值比较取最大；最后将三部分损失做加和处理，作为模型的整体损失，如下式（5）所示：

Loss

其中，

步骤四：针对一个位置的有效光量数据设计算法，基于带有先验知识（Prior-knowledge，PK）损失函数的LSTM层（PK-LSTM）构建编码器-解码器模型，训练光量序列到序列的映射关系，实现以历史数据为基础的有效光量中长期预测，将该算法应用于其它位置分别建立有效光量预测模型，这样就可以掌握相同条件下的整块盐碱地未来n天接受光量情况。

如图2所示，搭建的编码器-解码器模型共包含3层长短期记忆网络层和1层全连接层，通过该模型进行预测的具体步骤为：

训练数据样本按序列输入编码器，在这个过程中利用PK-LSTM层遗忘、记忆和学习，当前时刻的隐藏状态

将c当作为解码器每一个神经元的输入，t时刻的隐藏状态

训练数据集输入模型后，通过PK-LSTM层对输入序列X进行遗忘、记忆和学习，利用编码器得到一个包含上下文关系特征的语义向量c，接下来通过解码器重构语义序列c得到预测序列，这个过程中使用加入专家经验指导的带有先验约束的目标函数训练模型，依照模型在验证集上的表现调整模型的参数以得到最好的训练效果，包括Adam学习器的学习率lr、训练批次epoch、迭代次数bs，最佳神经元数量units等。将模型保存下来并进行测试可得到有效光量的中长期预测结果，调整训练集标签的时间步长可以得到对未来任意一天的预测光量，达成预测目的，如图6所示。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。