一种基于气象数据的淡水养殖水质预测系统的制作方法
【专利摘要】本发明公开了一种基于气象数据的淡水养殖水质预测系统，所述的气象数据包括气压、气温、降雨量、光照强度，风速、风向和空气湿度，所述预测系统包括具有485通信接口的小型气象站，该小型气象站通过485接口与Zigbee无线模块连接，所述小型气象站具有带485通信接口的继电器输出模块，以及防雷模块，所述小型气象站由24V稳压电源供电，所述预测系统还连接增氧机控制柜，所述预测系统的中控计算机通过Zigbee无线模块对小型气象站采集气象数据，并且显示预测结果，所述预测系统以所述的气象参数以及淡水养殖中使用的增氧机开关时间作为输入变量，利用遗传算法和3层BP神经网络预测所述淡水养殖水质的溶解氧变化情况。
【专利说明】
-种基于气象数据的淡水养殖水质预测系统
技术领域
[0001] 本发明属于淡水养殖技术领域，特别设及一种基于气象数据的淡水养殖水质预测 系统。
【背景技术】
[0002] 在淡水养殖中，水质的控制是至关重要的因素。在申请号为201520195114.6的中 国专利申请中，公开了基于物联网技术的淡水养殖监控系统，包括远程操控平台、监控主机 W及至少一台监控从机，所述监控从机连接有用于采集鱼塘数据的检测装置和用于调节鱼 塘水质的调节设备，所述监控从机与监控主机通过无线传输模块实现无线连接，所述远程 操控平台与监控主机相连接，该淡水养殖监控系统通过监控从机监测养殖水体溫度、溶解 氧、pH值、水位、浊度等对水产品生长有重大影响的水质参数，根据实际水产品的种类及其 对水质的要求做出相应的处理，并且能对渔场进行全方位、全天候的非法入侵的监控，确保 养殖场安全，完成淡水鱼养殖自动化的管理，使得管理人员能够清晰方便的了解到淡水养 殖场的整体情况。
[0003] 但是，仅仅是对水质监控常常也不能满足现实需要，现实中需要对水质的变化趋 势做出判断，W提前采取各种措施保护养殖产品。而现有技术中没有运方面的研究。
【发明内容】
[0004] 本发明的目的是提供一种基于气象数据的淡水养殖水质预测系统。
[0005] 本发明的技术方案是，一种基于气象数据的淡水养殖水质预测系统，所述的气象 数据包括气压、气溫、降雨量、光照强度，风速、风向和空气湿度，所述预测系统包括具有485 通信接口的小型气象站，该小型气象站通过485接口与Zigbee无线模块连接，所述小型气象 站具有带485通信接口的继电器输出模块，W及防雷模块，所述小型气象站由24V稳压电源 供电，
[0006] 所述预测系统还连接增氧机控制柜，
[0007] 所述预测系统的中控计算机通过Zigbee无线模块对小型气象站采集气象数据，并 且显示预测结果，
[000引所述预测系统W所述的气象参数W及淡水养殖中使用的增氧机开关时间作为输 入变量，利用遗传算法和3层BP神经网络预测所述淡水养殖水质的溶解氧变化情况，具体又 包括W下步骤：
[0009] W3层BP神经网络结构和该结构对应的初始参数为遗传算法的初始群体个体，其 中初始参数中隐含层个数为3到16,隐含层和输出层阔值随机产生；
[0010] 建立初始状态的下的BP神经网络；
[0011] 学习样本选择位于所述淡水养殖点的一个时间段的小型气象站监测到的气象数 据及增氧机开关时间，采样数据时间间隔为10分钟，输出结果为池塘溶解氧预测值；
[0012] 统计所有学习样本总误差作为遗传算法的适应度函数，计算每个个体的适应度函 数值；
[0013] 采用最佳个体保存和适应度比例相结合的选择算法进行选择计算；
[0014] 按照公式（1)和公式(2)计算交叉概率和变异概率，其中fmax为当前群体中适应度 值的最大值，fmin为当前群体中适应度值的最小值，打iger为参与交叉的两个个体中适应度较 高的个体的适应度值，fav为当前群体适应度值的平均值，f为当前个体的适应度值；
[0015]
[0016]
[0017] 按照选择、交叉、变异遗传操作方法进行遗传操作产生新的种群；
[0018] 指定最大遗传次数为N= 1000,精度= 2.0,当达到精度或者完成最大遗传次数时， 跳出遗传算法并选择适应度值最高个体重新搭建BP神经网络；
[0019] 指定神经网络误差= 0.001，学习效率Ir = O.01，进行神经网络学习；
[0020] 当学习次数或者总误差满足精度时结束神经网络学习。
[0021] 本发明根据淡水池塘养殖水质受气象变化影响规律，提出了本系统。本发明的有 益效果包括：
[0022] 1、综合多种影响池塘水质变化气象条件，W气象条件为输入变量预测池塘水质；
[0023] 2、增加外源人工影响因子增氧时间，考虑到使用增氧机对池塘水质的影响，设定 增氧机开关时间，并W此为输入变量，预测池塘水质；
[0024] 3、不考虑单一因子影响过程，将所有因子作为综合变量统一考虑；
[0025] 4、W外源影响预测池塘水质，不使用水质传感器；
[00%] 5、针对淡水池塘养殖水体。
[0027] 6、预测了 30cm，80cm，130cm水深水质变换情况，可适用于不同养殖水深水质预测。
【附图说明】
[0028] 图1本发明实施例中下层水溶氧预测结果与实际值分析图
[0029] 图2本发明实施例中下层水溶氧测量误差分析图
[0030] 图3本发明实施例中下层水溶氧测量误差比例分析图
[0031] 图4本发明实施例中中层水溶氧预测结果与实际测量值分析图
[0032] 图5本发明实施例中中层水溶氧测量误差分析图
[0033] 图6本发明实施例中中层水溶氧测量误差比例分析图
[0034] 图7本发明实施例中上层水溶氧预测结果与实际测量值分析图
[0035] 图8本发明实施例中上层水溶氧测量误差分析图
[0036] 图9本发明实施例中上层水溶氧测量误差比例分析图
【具体实施方式】
[0037] 本发明的基于气象数据的淡水养殖水质预测系统，所述的气象数据包括气压、气 溫、降雨量、光照强度，风速、风向和空气湿度，所述预测系统包括具有485通信接口的小型 气象站，该小型气象站通过485接口与Zigbee无线模块连接，所述小型气象站具有带485通 信接口的继电器输出模块，W及防雷模块，所述小型气象站由24V稳压电源供电，
[0038] 所述预测系统还连接增氧机控制柜，
[0039] 所述预测系统的中控计算机通过Zigbee无线模块对小型气象站采集气象数据， 并且显示预测结果，
[0040] 所述预测系统W所述的气象参数W及淡水养殖中使用的增氧机开关时间作为输 入变量，利用遗传算法和3层BP神经网络预测所述淡水养殖水质的溶解氧变化情况，具体又 包括W下步骤：
[0041] W3层BP神经网络结构和该结构对应的初始参数为遗传算法的初始群体个体，其 中初始参数中隐含层个数为3到16,隐含层和输出层阔值随机产生；
[0042] 建立初始状态的下的BP神经网络；
[0043] 学习样本选择位于所述淡水养殖点的一个时间段的小型气象站监测到的气象数 据及增氧机开关时间，采样数据时间间隔为10分钟，输出结果为池塘溶解氧预测值；
[0044] 统计所有学习样本总误差作为遗传算法的适应度函数，计算每个个体的适应度函 数值；
[0045] 采用最佳个体保存和适应度比例相结合的选择算法进行选择计算；
[0046] 按照公式（1)和公式(2)计算交叉概率和变异概率，其中fmax为当前群体中适应度 值的最大值，fmin为当前群体中适应度值的最小值，打iger为参与交叉的两个个体中适应度较 高的个体的适应度值，fav为当前群体适应度值的平均值，f为当前个体的适应度值；
[0047]
[004引
[0049] 按照选择、交叉、变异遗传操作方法进行遗传操作产生新的种群；
[0050] 指定最大遗传次数为N= 1000,精度= 2.0,当达到精度或者完成最大遗传次数时， 跳出遗传算法并选择适应度值最高个体重新搭建BP神经网络；
[0051 ] 指定神经网络误差= 0.001，学习效率Ir = O.01，进行神经网络学习；
[0052] 当学习次数或者总误差满足精度时结束神经网络学习。
[0053] 采用上述系统，对一个具体的淡水养殖池塘水质的预测，学习样本选择2014年6月 1日至10月1日的小型气象站监测到的气象数据(采样数据时间间隔为10分钟)及增氧机开 关时间。
[0054] 预测结果如图1至图9,对S层水质进行预测，总学习误差小于3%，能够满足池塘 养殖溶解氧允许测量。
【主权项】
1. 一种基于气象数据的淡水养殖水质预测系统，所述的气象数据包括气压、气温、降雨 量、光照强度，风速、风向和空气湿度，其特征在于，所述预测系统包括具有485通信接口的 小型气象站，该小型气象站通过485接口与Zigbee无线模块连接，所述小型气象站具有带 485通信接口的继电器输出模块，以及防雷模块，所述小型气象站由24V稳压电源供电， 所述预测系统还连接增氧机控制柜， 所述预测系统的中控计算机通过Zigbee无线模块对小型气象站采集气象数据，并且显 示预测结果， 所述预测系统以所述的气象参数以及淡水养殖中使用的增氧机开关时间作为输入变 量，利用遗传算法和3层BP神经网络预测所述淡水养殖水质的溶解氧变化情况，具体又包括 以下步骤： 1) 以3层BP神经网络结构和该结构对应的初始参数为遗传算法的初始群体个体，其中 初始参数中隐含层个数为3到16,隐含层和输出层阈值随机产生； 2) 建立初始状态的下的BP神经网络； 3) 学习样本选择位于所述淡水养殖点的一个时间段的小型气象站监测到的气象数据 及增氧机开关时间，采样数据时间间隔为10分钟，输出结果为池塘溶解氧预测值； 4) 统计所有学习样本总误差作为遗传算法的适应度函数，计算每个个体的适应度函数 值； 5) 采用最佳个体保存和适应度比例相结合的选择算法进行选择计算； 6) 按照公式（1)和公式(2)计算交叉概率和变异概率，其中fmax为当前群体中适应度值 的最大值，fmin为当前群体中适应度值的最小值，fbiger为参与交叉的两个个体中适应度较高 的个体的适应度值，f av为当前群体适应度值的平均值，f为当前个体的适应度值；7) 按照选择、交叉、变异遗传操作方法进行遗传操作产生新的种群； 8) 指定最大遗传次数为N= 1000，精度=2.0，当达到精度或者完成最大遗传次数时，跳 出遗传算法并选择适应度值最高个体重新搭建BP神经网络； 9) 指定神经网络误差= 0.001，学习效率Ir = O.01，进行神经网络学习； 10) 当学习次数或者总误差满足精度时结束神经网络学习。
【文档编号】G05B19/418GK106022501SQ201510669937
【公开日】2016年10月12日
【申请日】2015年10月13日
【发明人】刘世晶, 唐荣, 邵鹏, 周海燕, 杨家鹏, 李亚男
【申请人】中国水产科学研究院渔业机械仪器研究所