針對可收集能量傳感器網絡的能量預測方法

劉曉宇 韓崇 李繼萍

摘 要：為改善WCMA算法簡單根據時間間隔和平均值計算GAP因子的不足，提出一種基于天氣相似度的太陽能收集功率預測方法D-WSMA。根據參考天和參考時刻對預測值的影響程度不同，采取相似度刻畫數據間關系，動態調整參考天和參考時刻的權重以及歷史參考時刻的加權平均值，從而得到可變化的DGAP因子。同時，根據數據波動性特征，改進原有算法中的固定權重α，得到動態變化權重因子[dα]。實驗結果表明，D-WSMA預測精度相對WCMA算法提高了14.04%、28.30%、4.76%、12.58%，平均提高了15%。因此，D-WSMA預測方案具有良好性能，適合更加多樣化的天氣條件。

關鍵詞：太陽能功率預測；D-WSMA；相似度；DGAP因子；動態變化

DOI：10. 11907/rjdk. 191371

中圖分類號：TP393 文獻標識碼：A 文章編號：1672-7800（2019）005-0162-06

Abstract： In order to improve the WCMA algorithm and calculate the GAP factor based on time interval and average value， this paper proposes a solar energy harvested power prediction method D-WSMA based on weather similarity. According to the influence of the reference day and the reference time on the predicted value， it adopts the similarity to characterize the relationship between the data， which can change the weight of the reference days and time slots. The weight for the average of the historical reference time slots contributed to introduce a changeable DGAP factor. At the same time， according to the volatility characteristics of the data， the fixed weights in the original algorithm are improved and can be a dynamic weighting factor. The experimental results show that the prediction accuracy of this scheme is 14.04%，28.30%，4.76%，12.58% higher than WCMA algorithm，and the average improvement is 15%。 Hence， D-WSMA prediction method has good performance and can adapt to a wider range of weather conditions.

Key Words： solar power prediction； D-WSMA； similarity； DGAP factor； dynamic change

0 引言

無線傳感器網絡（Wireless Sensor Networks，WNS）是當前信息領域研究熱點之一。它是多個傳感器節點采用多跳和自組織等形式構成網絡，并以協作方式感知、采集、處理以及無線通信方式傳輸監測區域內的對象信息[1]。無線傳感網絡被廣泛應用于監控遠程或惡意環境，大量微小節點部署在目標區域，用于執行監視任務，如動物跟蹤、軍事監視、家庭應用[2-6]，有時傳感器部署在惡劣環境中，如深海、零下區域、危險戰區。

傳感器節點由電池供電，即傳感器網絡中的電力供應有限。一旦電量耗盡，若不及時更換電池，將無法正常工作，假如多處節點同時電量耗盡，那么整個監測系統將會發生癱瘓。因此，能量受限問題制約著整個網絡生命周期[7]。不少學者針對傳感器能量受限問題，提出了內部節能措施，試圖利用有限的能量實現網絡效益最大化，主要分為以下4種：節能路由和數據采集；減少傳輸數據量和無法進行的活動；將傳感器節點調為備用活動和睡眠模式；通過調整傳輸范圍進行功率控制[8]。能量外部供給方面，提出了環境能量收集，即可在無線傳感器網絡中使用太陽能或風能等為電池充電，從環境中獲取電能。近幾年，隨著光伏發電技術發展，太陽能收集技術也日趨成熟，傳感器可以把收集的太陽能放置在緩沖器中，實現太陽能到電能的轉換。當電池電量耗光后，能量管理模塊便把緩沖區內的電能輸送給傳感器，延長系統生命周期。

在太陽能收集系統中，能量預測成為關鍵。傳感器節點根據當前預測可獲得的太陽能進行任務調度，即預測下一時刻可收集能量減少時便降低功耗，節約電量；反之就提高節點工作功率。因此，能量預測是整個系統平穩運行的保障，預測誤差越小，系統將越有序平穩運行[9-10]。但是，太陽能具有雙重特征：太陽每天規律性上升和下落，使太陽輻射以脈沖形式發生；伴隨天氣和時間變化，每天接收太陽能的不規律性，給能量預測帶來一定難度。

現有能量預測算法主要分為兩種：一種是基于神經網絡，通過訓練大量歷史數據后預測，如BP神經網絡[11]、KBNN神經網絡[12]等算法，但因傳感器內存有限，大量訓練數據并不合適；另一種是基于傳統時間序列模型，如指數加權移動平均法（Exponentially Weighted Moving Average，EWMA）[13]、天氣條件移動平均法（Weather-Conditioned Moving Average，WCMA）[14]和通用動態天氣條件移動平均法（Universal Dynamic Weather Condition Moving Average，UD-WCMA）[15]等模型，根據歷史數據預測未來短期收集的能量。但是，EWMA和WCMA難以適應天氣變化較大的情況；UD-WCMA則在天氣平穩時易出現較大誤差點，典型天氣匹配也難以在現實中實現。