基于ARIMA-PSO-LSTM 的太陽能預測

摘 要：太陽能是新興的可再生能源之一，可將其轉化為電能以供無線傳感器網絡（Ｗｉｒｅｌｅｓｓ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ，ＷＳＮ）使用，對太陽能進行預測可以有效地利用能量，從而達到節省能源、維持網絡持續穩定運行的目的。提出了一種新的組合預測模型來預測太陽能輻照強度，其中改進的粒子群優化（Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法被引入尋找長短期記憶（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）神經網絡模型的最優參數。選取自回歸差分移動平均（Ａｕｔｏ-Ｒｅｇｒｅｓｓｉｖｅ Ｉｎ-ｔｅｇｒａｔｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ，ＡＲＩＭＡ）模型來預測太陽輻照數據中的線性分量；采用ＰＳＯ 算法來優化ＬＳＴＭ 神經網絡模型的超參數，有助于提高模型預測的精度和魯棒性；采用優化的ＬＳＴＭ 神經網絡模型來預測數據中的非線性分量；最后將兩個模型的預測結果進行疊加。實驗結果表明，新的組合模型比ＡＲＩＭＡ、ＬＳＴＭ 等模型，具有更高的預測精度。

關鍵詞：自回歸差分移動平均模型；長短期記憶神經網絡模型；粒子群優化算法；能量預測算法

中圖分類號：ＴＰ９２９ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０４－０７７１－０８

０ 引言

隨著無線傳感器網絡（Ｗｉｒｅｌｅｓｓ ＳｅｎｓｏｒＮｅｔｗｏｒｋｓ，ＷＳＮ）的發展，各種各樣的相關應用接踵而至［１－２］。在ＷＳＮ 中，環境能量是維持網絡運行的動力之一，采集的環境能量不穩定、不平衡，可能導致ＷＳＮ 運行不穩定。為解決上述問題，對環境能量進行適當的預測具有至關重要的意義。能量預測方法可以準確預測出未來所需采集的能量大小，有助于網絡合理規劃能量分配，使ＷＳＮ 節點能夠持續穩定運行，并且可以節省能源［３－７］。

為避免ＷＳＮ 節點因為能量不足而導致運行停止，延長ＷＳＮ 壽命，國內外學者對能量預測展開了一系列研究和探索［８－１４］。文獻［８－１０］研究了利用獲取的短期數據來預測未來數值的能量預測算法，即以指數遞減性質調節加權系數的指數加權移動均值法（Ｅｘｐｏｎｅｎｔｉａｌ Ｗｅｉｇｈｔｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ，ＥＷＭＡ）。考慮到天氣突變對預測值的影響，天氣條件移動均值法（Ｗｅａｔｈｅｒ-Ｃｏｎｄｉｔｉｏｎｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ，ＷＣＭＡ）引入天氣因子削弱天氣變化對預測準確性的干擾。除此之外，文獻［１１］也發明了一種相關最小化均方（Ｃｏｒｒｅｌａｔｉｏｎ Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅ，ＣＬＭＳ）預測算法，可根據天氣情況的變化調整算法的參數從而提高短期預測的準確性。針對長期能量采集的預測，文獻［１２］采用循環神經網絡（Ｒｅｃｕｒｒｅｎｔ ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＲＮＮ）對大量的歷史數據進行訓練從而提高對未來能量預測的精度。為解決大量訓練數據無法滿足ＷＳＮ 實際應用的問題，文獻［１３］研究了一種標準最小均方（Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅ，ＬＭＳ）自適應濾波器的能量預測方法，其濾波器權重取決于歷史數值和預測值的均方差。文獻［１４］考慮環境能量是動態變化的，采用了將輪廓能量預測模型與可變長度時隙結合的不同時隙輪廓能量預測（Ｐｒｏ-Ｅｎｅｒｇｙ ｗｉｔｈ Ｖａｒｉａｂｌｅ-Ｌｅｎｇｔｈ Ｔｉｍｅｓｌｏｔｓ，Ｐｒｏ-Ｅｎｅｒｇｙ-ＶＬＴ）模型根據過去的能量數據預測未來的能量使用狀況。現有的能量預測算法研究雖然能夠提高預測精度，但大多是針對數據量大、計算要求高、復雜度高的數據，會增加計算負擔和系統負荷的負面效應［１３－１４］。目前針對能力有限的傳感器節點和數據量小的能量預測算法尚存在研究空間。

本文針對數據量較小的能量預測算法進行考究。自回歸差分移動平均（Ａｕｔｏ-ＲｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ，ＡＲＩＭＡ）模型能分析出數據序列的不同性質，適用于短期和線性數據的預測，而長短期記憶（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）神經網絡模型能對采集數據進行修正，增強數據的擬合效果，適用于處理大量的非線性數據。考慮到變化的能量采集環境易導致采集的數據中存在線性和非線性分量，故本文結合二者特點研究了數據計算量小的能量預測算法。ＬＳＴＭ 神經網絡模型的參數設置將影響其預測精度，可通過粒子群優化（ＰａｒｔｉｃｌｅＳｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法迭代尋找到模型的最優參數以進一步提升ＬＳＴＭ 神經網絡模型的預測精度。因此，基于以上考慮，本文提出了ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 組合預測模型。該模型首先采用ＡＲＩＭＡ 模型對太陽能序列中的線性分量進行預測；其次用改進的ＰＳＯ 算法優化ＬＳＴＭ 神經網絡（ＰＳＯ-ＬＳＴＭ）模型的參數設置；然后將ＡＲＩＭＡ 模型過濾后得到非線性數據代入到優化過的ＬＳＴＭ 預測模型中預測；最后疊加組合模型預測結果。結果表明，相較于其他模型，所提的ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 組合預測模型具有更高的預測精度、更低的預測誤差。

１ 現有算法

本節回顧了ＡＲＩＭＡ 模型［１５］、ＬＳＴＭ 神經網絡模型［１６］和ＰＳＯ 算法［１７］。

１． １ ＡＲＩＭＡ 模型

ＡＲＩＭＡ 模型是用以預測數據序列的常見模型之一［１８］，與自回歸移動平均（Ａｕｔｏ-Ｒｅｇｒｅｓｓｉｖｅ ＭｏｖｉｎｇＡｖｅｒａｇｅ，ＡＲＭＡ）模型同是常用于分析和研究數據序列的自回歸模型，能夠有效地洞察到短期數據序列中線性規律。但是二者對數據序列的適用范圍不同，ＡＲＭＡ 模型適用于平穩時間序列的數據，而ＡＲＩＭＡ 模型則是在ＡＲＭＡ 模型的基礎上，通過差分模型將非平穩時間序列轉化成平穩時間序列，是以ＡＲＩＭＡ 宜于差分后為平穩序列的數據。ＡＲＭＡ（ｐ，ｑ）模型表達式為：

式中：ｘｔ 為平穩時間序列，φｉ（ｉ ＝ １，２，…，ｐ）為自回歸系數，θｊ（ｊ＝１，２，…，ｑ）為移動平均系數，εｔ 為白噪聲序列。

ＡＲＩＭＡ（ｐ，ｄ，ｑ）模型中，ｐ 為自回歸階數，ｄ 為差分階數，ｑ 為移動平均階數，其工作流程如下：

① 判斷數據平穩性，若數據非平穩，可借助差分模型進行平穩性轉化。

② 確定階數取值范圍，由自相關函數（Ａｕｔｏ-Ｃｏｒｒｅｌａｔｉｏｎ Ｆｕｎｃｔｉｏｎ，ＡＣＦ）和偏自相關函數（ＰａｒｔｉａｌＡｕｔｏ-Ｃｏｒｒｅｌａｔｉｏｎ Ｆｕｎｃｔｉｏｎ，ＰＡＣＦ）可知模型階數的取值組合。

③ 模型檢驗，計算不同階數取值組合下的赤池信息準則（Ａｋａｉｋｅ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ，ＡＩＣ）數值和貝葉斯信息準則（Ｂａｙｅｓｉａｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ，ＢＩＣ）數值，最后基于最小原則確定模型的最終參數。ＡＲＩＭＡ 模型流程如圖１ 所示。

１． ２ ＬＳＴＭ 神經網絡模型

ＬＳＴＭ 神經網絡模型與ＲＮＮ 都可以對數據量大的序列進行預測，但傳統的ＲＮＮ 反向傳播過程中易出現梯度消失和梯度爆炸問題，更適用于短期數據的預測。為彌補這一缺點，ＬＳＴＭ 在ＲＮＮ 的基礎上增加了細胞狀態和門結來更好地完善和加強預測精度和表現功能。細胞狀態能夠將信息連續不斷地傳入ＲＮＮ 中，門結是由輸入門、遺忘門和輸出門三個門組成而ＬＳＴＭ 可以通過門結來控制信息的傳輸，因此ＬＳＴＭ 可以在進行數據預測時充分考慮到前期的數據信息［１９－２０］。ＬＳＴＭ 神經網絡模型的結構如圖２ 所示，中間紅框內代表的是單個神經網絡細胞的結構。

圖２ 中，ｃ 表示神經網絡細胞的狀態，ｈ 表示神經網絡細胞的輸出，ｘｔ、ｈｔ、ｃｔ 和Ｃ～ｔ 分別表示ｔ 時刻的網絡輸入、網絡輸出、細胞狀態值和待定細胞狀態值，ｆｔ、ｉｔ 和Ｏｔ 分別表示ｔ 時刻三種門結的輸出值。

遺忘門能夠決定是否保留數據序列中過去的數據信息，將ｔ－１ 時刻的ｈｔ－１ 與ｔ 時刻的ｘｔ 輸入，由遺忘門決定保留的數據，然后作用于ｔ－１ 時刻的ｃｔ－１。遺忘門的計算如下：

式中：Ｗｆ 表示遺忘門的權重，上標Ｔ 表示轉置，ｂｆ 表示細胞單元中遺忘門的偏置，σ（·）表示ｓｉｇｍｏｉｄ 激活函數，其計算見文獻［２１］式６。輸入門能夠決定是否將過去的數據信息傳入神經網絡的細胞狀態中，當ｔ－１ 時刻的ｈｔ－１ 與ｔ 時刻的ｘｔ 輸入，通過ｔａｎｈ函數［２１］得到ｔ 時刻的Ｃ～ｔ，然后將輸入門的ｉｔ 與Ｃ～ｔ組成新的數據。輸入門計算式為：

式中：Ｗｉ 為輸入門權重，ｂｉ 為輸入門偏置。輸出門能夠決定輸出信息的多少，當ｔ－１ 時刻的ｈｔ－１ 與ｔ 時刻的ｘｔ 輸入，由輸出門決定門輸出的信息大小Ｏｔ，然后通過ｔａｎｈ 函數篩選ｔ 時刻的ｃｔ，作用于Ｏｔ，得到ｔ 時刻的ｈｔ。輸出門的表達式為：

式中：Ｗ０ 表示輸出門的權重，ｂ０ 表示輸出門的偏置。

１． ３ ＰＳＯ 算法

ＰＳＯ 算法是起源于鳥類覓食行為的一種尋找全局最優值的目標優化算法，利用粒子類比鳥覓食過程去尋找全局最優值。換言之，ＰＳＯ 算法是粒子通過速度和位置的不斷變化，尋找到個體的最優值，然后經過粒子群間的信息交互，迭代尋找全體的最優值的過程［２２］。

假設維度為Ｄ 的多維空間內，存在粒子數量為ｎ 的群體，此時單個粒子ｉ 的速度和位置可表達為：

Ｖｉ ＝［ｖｉ１，ｖｉ２，…，ｖｉＤ］ Ｔ ， （６）

Ｘｉ ＝［ｘｉ１，ｘｉ２，…，ｘｉＤ］ Ｔ 。（７）

粒子ｉ 在第ｔ 次迭代中的速度和位置的分別為：

Ｖ（ｔ） ｉ ＝ωＶ（ｔ－１） ｉ ＋ｃ１ ｒ１（ｐ（ｔ－１） ｂｅｓｔ，ｉ －Ｘ（ｔ－１） ｉ ）＋ｃ２ ｒ２（ｇ（ｔ－１） ｂｅｓｔ －Ｘ（ｔ－１） ｉ ），（８）

Ｘ（ｔ） ｉ ＝Ｘ（ｔ－１） ｉ ＋Ｖ（ｔ） ｉ ， （９）

式中：ω 表示慣性權重，ｃ１、ｃ２ 表示個體、群體學習因子，ｒ１、ｒ２ 表示０ ～ １ 的隨機數，ｐ（ｔ－１） ｂｅｓｔ，ｉ 表示粒子ｉ 在第ｔ－１ 次迭代的個體最優值，ｇ（ｔ－１） ｂｅｓｔ 表示整體粒子群在第ｔ－１ 次迭代的全局最優值。

盡管ＰＳＯ 算法具有實現簡單、參數少等特點，但存在局部搜索能力差及其他弊端。慣性權重ω的大小代表了ＰＳＯ 算法的搜索能力，ω 越大，粒子的全局搜索能力越強而局部搜索能力越弱。因此，通過動態調整ω 的大小可以確保粒子群的全局搜索能力和局部搜索能力，避免陷入局部最優解［２３］。動態慣性權重ω 為：

ω＝ωｍａｘ －（ωｍａｘ －ωｍｉｎ）ｉ/Ｔ ， （１０）

式中：ωｍｉｎ、ωｍａｘ 分別為慣性權重最小值和最大值，ｉ 為當前迭代次數，Ｔ 為最大迭代次數。

２ ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 組合預測模型

受環境因素的影響，采集到的太陽輻照數據既包含線性趨勢又包含非線性趨勢，也有隨機性、復雜多樣性等特點。由于ＬＳＴＭ 神經網絡模型的參數設置對模型性能的影響重大，并且模型參數難以人為設置最優化，故本文采用ＰＳＯ 算法對ＬＳＴＭ 神經網絡模型參數進行迭代尋優，提升ＬＳＴＭ 神經網絡模型的預測精度。為了實現更好的能量預測精度，本文采用串并聯加權相加的方式，將ＡＲＩＭＡ 模型和ＰＳＯ-ＬＳＴＭ 模型組合起來，得到ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ組合預測模型。

構建組合模型的前提是構建基于ＰＳＯ 算法改進的ＬＳＴＭ 神經網絡模型，其工作流程如下：

① 數據預處理。包括歸一化、數據異常值處理等，以及按照一定的比例將數據劃分為訓練集和測試集。

② 初始化ＰＳＯ 算法的參數。設置粒子群的大小、迭代次數、學習因子、慣性權重的取值范圍等，確定粒子群的尋優參數為ＬＳＴＭ 神經網絡模型的隱藏層單元數和學習率。

③ 初始化ＰＳＯ 粒子及各類極值。初始化粒子的速度和位置，設置ＰＳＯ 算法優化的適應度函數，根據適應度值計算出粒子群的個體極值和全局極值。

④ 粒子群進行迭代尋優更新粒子速度和位置，直至滿足最大更迭次數，得到最優的適應度值、尋優參數值。

⑤ 將ＰＳＯ 算法尋優的參數值帶入ＬＳＴＭ 神經網絡模型中，構建最優的ＬＳＴＭ 預測模型對數據進行訓練、預測。

綜上，ＰＳＯ-ＬＳＴＭ 預測模型的工作流程如圖３所示。

組合模型首先將采集得到的太陽輻照數據傳到ＡＲＩＭＡ 模型中，ＡＲＩＭＡ 模型可以對整個數據進行過濾，篩選出數據中線性分量進行預測并得到預測結果；其次改進的ＰＳＯ 算法對ＬＳＴＭ 神經網絡模型參數進行優化；然后由ＰＳＯ-ＬＳＴＭ 模型預測非線性分量；最后二者相加得到完整預測值。組合模型的工作流程如圖４ 所示。

在組合預測模型中，ｔ 時刻采集到的太陽輻照值為Ｙｔ，ＡＲＩＭＡ 模型中線性分量的預測結果為Ａｔ，則模型過濾得到的殘差值Ｅｔ 的計算式為：

Ｅｔ ＝Ｙｔ －Ａｔ。（１１）

ＡＲＩＭＡ 模型將殘差值輸入ＬＳＴＭ 神經網絡模型，通過訓練得到其預測值為Ｌｔ，組合模型的預測值Ｏｔ 分別由二者相加。Ｏｔ 的計算式為：

Ｏｔ ＝Ａｔ ＋Ｌｔ。（１２）

３ 仿真結果

３． １ 仿真數據和評價指標

本文實例中所用到的太陽輻照數據來源于美國可再生能源實驗室［２４］網站，在該網站內選定２０２１ 年６—１１ 月的太陽輻照強度數據作為本文的實驗數據集。為避免數據中存在異常值對預測結果的干擾，可以采用一些數據預處理方法對數據異常值進行處理以保證數據的有效性。

為突顯預測模型性能，選取歸一化均方根誤差（Ｎｏｒｍａｌｉｚｅｄ Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ，ＮＲＭＳＥ）和歸一化平均絕對誤差（Ｎｏｒｍａｌｉｚｅｄ Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ，ＮＭＡＥ）作為評價模型準確性的指標，ＮＲＭＳＥ 和ＮＭＡＥ 越小，說明能量預測模型的精確度越高、性能越好，二者的計算式為：

式中：Ｏｉ 為模型輸出的第ｉ 個預測值，Ｙｉ 為輸入數據的第ｉ 個真實值，ｎ 為采集到的數據總數。

３． ２ 模型參數設置

本實驗采用的仿真軟件為Ｍａｔｌａｂ Ｒ２０１８ｂ，操作系統為Ｗｉｎｄｏｗｓ １１。采用箱型圖分析法對原始數據進行預處理，以展現數據的基本分布特征，檢測超出界限的異常值，然后對異常值進行糾正。經過預處理后的連續４８０ ｈ 太陽輻照強度如圖５ 所示。

從圖５ 可以看出，連續時間段內采集到的太陽輻照強度數據呈明顯周期性波動，且波動幅度過大，例如３８ ｈ 時數值接近６００ Ｗ／ ｍ２，而４８ ｈ 時幾近０ Ｗ／ ｍ２。除此之外，不同時間段內數據的均值是隨著時間的改變而改變的，例如在１ ～ ２０ ｈ 數據的均值接近于２５ Ｗ／ ｍ２，而２１ ～４０ ｈ 數據的均值接近于１２０ Ｗ／ ｍ２。由此可知，連續４８０ ｈ 采集到的太陽輻照強度數據是非平穩隨機序列。

將非平穩的太陽輻照強度數據輸入ＡＲＩＭＡ 模型后進行差分操作，一階差分后通過Ｍａｔｌａｂ 軟件自帶的增強迪基夫福勒（Ａｕｇｍｅｎｔｅｄ Ｄｉｃｋｅｙ Ｆｕｌｌｅｒ，ＡＤＦ）和克維亞特科夫斯基（Ｋｗｉａｔｋｏｗｓｋｉ ＰｈｉｌｌｉｐｓＳｃｈｍｉｄｔ Ｓｈｉｎ，ＫＰＳＳ）平穩性檢驗函數判斷差分后的數據為平穩時間序列，所以ＡＲＩＭＡ 模型階數ｄ ＝ １。一階差分后的數據如圖６ 所示。

根據ＡＣＦ 和ＰＡＣＦ 確定ＡＲＩＭＡ 模型中參數ｐ、ｑ 的取值組合，如圖７ 所示。

依次計算不同參數組合的ＡＩＣ、ＢＩＣ 值，篩選出ＡＩＣ、ＢＩＣ 值最小的參數組合，實驗得到當ｐ ＝ １、ｑ ＝ ２時ＡＩＣ、ＢＩＣ 值最小，所以模型確定為ＡＲＩＭＡ（１，１，２）。

將ＡＲＩＭＡ 模型過濾得到的殘差值序列輸入ＰＳＯ-ＬＳＴＭ 模型進行預測，ＰＳＯ-ＬＳＴＭ 模型參數如表１ 所示，尋優參數范圍如表２ 所示。

３． ３ 仿真結果對比

分別用Ｍａｔｌａｂ 軟件對本文提出的ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 預測模型、單個ＡＲＩＭＡ 模型、ＰＳＯ-ＬＳＴＭ 模型進行仿真和對比。組合預測模型與ＬＳＴＭ 神經網絡模型的工作原理類似，需要將采集到的太陽輻照強度數據按９ ∶１比例分配訓練集和測試集，并將預測值與實際數據、其他模型預測值進行對比。

圖８ 對比了遺傳算法（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ，ＧＡ）和ＰＳＯ-ＬＳＴＭ 模型前后的太陽輻照強度數據序列預測性能。通過放大０ ～ １００ ｈ 時的預測結果圖可以看出，通過兩種優化算法優化ＬＳＴＭ 神經網絡模型的參數可進一步提高模型預測的精度，但是ＰＳＯ-ＬＳＴＭ 模型的預測結果比ＧＡ-ＬＳＴＭ 模型的更加準確，更加貼近原始數據。由此可知，相較于人為設定模型參數，通過ＰＳＯ 算法迭代尋找ＬＳＴＭ 神經網絡模型超參數的最優值，提升了預測精度。

圖９ 展示了三種能量預測模型的預測結果對比。從圖中可以看到，當太陽輻照強度為０ 時，ＡＲＩ-ＭＡ 模型的預測結果呈現上下波動的情形，此時ＰＳＯ-ＬＳＴＭ 模型的預測結果較為準確。在單一模型的預測性能上，ＰＳＯ-ＬＳＴＭ 模型比ＡＲＩＭＡ 模型更具優勢，但與ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 模型相比，后者的預測結果更加貼近原始數據值、預測性能更好。

表３ 對比了三種能量預測模型的運行時間和訓練時間，并以此來評估模型的復雜度。顯而易見，預測相同長度的數據序列時三者的運行時間相仿，約０． ０６ ｓ。ＡＲＩＭＡ 模型只需對數據進行數值運算，無需提前訓練，其訓練時間為０ ｓ。ＰＳＯ-ＬＳＴＭ 模型需借助ＰＳＯ 算法確定ＬＳＴＭ 模型的最佳參數，對ＬＳＴＭ 神經網絡模型進行訓練提煉，隨后預測數據，故其有訓練時間，ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 模型亦是如此。綜上，ＡＲＩＭＡ 模型的復雜度是三者中最低的，ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 模型次之，ＰＳＯ-ＬＳＴＭ 模型最高。

表４ 對比了三種能量預測模型的模型準確性指標ＮＲＭＳＥ 和ＮＭＡＥ。可以看出，由于ＡＲＩＭＡ 模型更適用于穩定的數據和線性數據的預測，而采集到的數據中既包含線性數據又包含非線性數據，所以ＡＲＩＭＡ 模型的預測精度是三種模型中最低的，其ＮＲＭＳＥ、ＮＭＡＥ 值分別為０． １０１ １ 和０． ３７８ ３，均比另外兩個模型高。ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 預測模型的ＮＲＭＳＥ 和ＮＭＡＥ 是三者中最低的，分別為０． ０１１ ５和０． １３１ ７，顯著優于單一的ＡＲＩＭＡ 模型和ＰＳＯ-ＬＳＴＭ 模型。

總體而言，ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 模型綜合了兩種單一預測模型的特點，ＡＲＩＭＡ 模型有利于處理包含短期依賴關系、線性關系和平穩特性的時間序列數據，而ＬＳＴＭ 神經網絡模型在處理長期依賴關系、非線性關系和非平穩特性的時間序列數據方面有優勢。故ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 模型在預測包含線性和非線性關系的非平穩時間序列數據時表現更好。

４ 結束語

本文探索了太陽輻照強度的預測精度問題，提出了一種ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 組合預測模型，其中ＡＲＩＭＡ 模型對數據中的線性分量進行預測，改進的ＰＳＯ 算法不斷更迭搜尋ＬＳＴＭ 神經網絡模型最優超參數，提升ＬＳＴＭ 神經網絡模型的預測性能。仿真比較了提出的ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 模型、ＡＲＩＭＡ 模型和ＰＳＯ-ＬＳＴＭ 模型的預測精度，結果表明：ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 預測模型的預測結果更加貼近原始數據、預測精度更高，ＰＳＯ-ＬＳＴＭ 模型次之，ＡＲＩＭＡ 模型較差。ＰＳＯ 算法能夠進一步提升ＬＳＴＭ神經網絡模型的預測能力，將ＡＲＩＭＡ 模型與ＰＳＯ-ＬＳＴＭ 模型組合成新的ＡＲＩＭＡ-ＰＳＯ-ＬＳＴＭ 預測模型，既能保留二者的優點，又能提高預測性能。

參考文獻

［１］ ＧＵＰＴＡ Ｄ Ｋ． Ａ Ｒｅｖｉｅｗ ｏｎ Ｗｉｒｅｌｅｓｓ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ［Ｊ］．Ｎｅｔｗｏｒｋ ａｎｄ Ｃｏｍｐｌｅｘ Ｓｙｓｔｅｍｓ，２０１３，３（１）：１８－２３．

［２］ 谷淵． 面向物聯網的無線傳感器網絡綜述［Ｊ］． 信息與電腦，２０２１，３３（１）：１９４－１９６．

［３］ ＺＨＡＮＧ Ｙ，ＧＡＯ Ｈ，ＣＨＥＮＧ Ｓ Ｙ，ｅｔ ａｌ． Ａｎ Ｅｆｆｉｃｉｅｎｔ ＥＨＷＳＮ Ｅｎｅｒｇｙ Ｍａｎａｇｅｍｅｎｔ Ｍｅｃｈａｎｉｓｍ ［Ｊ］． Ｔｓｉｎｇｈｕａ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０１８，２３（４）：４０６－４１８．

［４］ ＪＩＡＮＧ Ｚ Ｔ，ＪＩＮ Ｘ Ｙ，ＹＵ Ｚ． Ａ Ｗｅａｔｈｅｒｃｏｎｄｉｔｉｏｎ Ｐｒｅｄｉｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｓｏｌａｒｐｏｗｅｒｅｄ Ｗｉｒｅｌｅｓｓ Ｓｅｎｓｏｒ Ｎｏｄｅｓ［Ｃ］∥ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｎｅｔｗｏｒｋｉｎｇ ＆ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ． Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０１０：１－４．

［５］ ＬＩＵ Ｊ，ＷＡＮＧ Ｙ Ｓ． Ｇｒａｄｉｅｎｔｂａｓｅｄ Ｃｌｕｓｔｅｒｉｎｇ Ｒｏｕｔｉｎｇ Ａｌｇｏｒｉｔｈｍ ｆｏｒ ＥＨＷＳＮ ｉｎ Ｔｒａｎｓｍｉｓｓｉｏｎ Ｌｉｎｅ Ｍｏｎｉｔｏｒｉｎｇ［Ｃ］∥２０２０ ３９ｔｈ Ｃｈｉｎｅｓｅ Ｃｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ（ＣＣＣ）． Ｓｈｅｎｙａｎｇ：ＩＥＥＥ，２０２０：５１４０－５１４３．

［６］ 崔新月． 基于能量采集的ＷＳＮ 節能關鍵技術的研究［Ｄ］． 北京：北方工業大學，２０１９．

［７］ ＢＥＲＧＯＮＺＩＮＩ Ｃ，ＢＲＵＮＥＬＬＩ Ｄ，ＢＥＮＩＮＩ Ｌ． Ａｌｇｏｒｉｔｈｍｓｆｏｒ Ｈａｒｖｅｓｔｅｄ Ｅｎｅｒｇｙ Ｐｒｅｄｉｃｔｉｏｎ ｉｎ Ｂａｔｔｅｒｙｌｅｓｓ ＷｉｒｅｌｅｓｓＳｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２００９ ３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｓｅｎｓｏｒｓ ａｎｄ Ｉｎｔｅｒｆａｃｅｓ． Ｔｒａｎｉ：ＩＥＥＥ，２００９：１４４－１４９．

［８］ ＨＡＱ Ａ，ＢＲＯＷＮ Ｊ，ＭＯＬＴＣＨＡＮＯＶＡ Ｅ． Ｎｅｗ Ｅｘｐｏｎｅｎｔｉａｌｌｙ Ｗｅｉｇｈｔｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ Ｃｏｎｔｒｏｌ Ｃｈａｒｔｓ ｆｏｒ Ｍｏｎｉｔｏｒｉｎｇ Ｐｒｏｃｅｓｓ Ｍｅａｎ ａｎｄ Ｐｒｏｃｅｓｓ Ｄｉｓｐｅｒｓｉｏｎ［Ｊ］． Ｑｕａｌｉｔｙａｎｄ Ｒｅｌｉａｂｉｌｉｔｙ Ｅｎｇｉｎｅｅｒｉｎｇ Ｉｎｔｅｒｎａｔｉｏｎａｌ，２０１５，３１ （５）：８７７－９０１．

［９］ ＬＩＵ Ｑ，ＺＨＡＮＧ Ｑ Ｊ． Ａｃｃｕｒａｃｙ Ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ＥｎｅｒｇｙＰｒｅｄｉｃｔｉｏｎ ｆｏｒ Ｓｏｌａｒｅｎｅｒｇｙｐｏｗｅｒｅｄ Ｅｍｂｅｄｄｅｄ Ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｒｙ Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ（ＶＬＳＩ）Ｓｙｓｔｅｍｓ，２０１６，２４（６）：２０６２－２０７４．

［１０］ＭＵＨＡＭＭＡＤ，ＱＵＲＥＳＨＩ Ｈ Ｋ，ＳＡＬＥＥＭ Ｍ，ｅｔ ａｌ． Ｈａｒｖｅｓｔｅｄ Ｅｎｅｒｇｙ Ｐｒｅｄｉｃｔｉｏｎ Ｓｃｈｅｍｅｓ ｆｏｒ Ｗｉｒｅｌｅｓｓ ＳｅｎｓｏｒＮｅｔｗｏｒｋｓ：Ｐｅｒｆｏｒｍａｎｃｅ Ｅｖａｌｕａｔｉｏｎ ａｎｄ Ｅｎｈａｎｃｅｍｅｎｔｓ［Ｊ ］． Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ＆ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ，２０１７，２０１７：１－１４．

［１１］張晨蕾． 可充能傳感器網絡的節能路由技術研究［Ｄ］．北京：北方工業大學，２０２１．

［１２］ ＳＥＬＶＩＮ Ｓ，ＶＩＮＡＹＡＫＵＭＡＲ Ｒ，ＧＯＰＡＬＡＫＲＩＳＨＮＡＮ ＥＡ，ｅｔ ａｌ． Ｓｔｏｃｋ Ｐｒｉｃｅ Ｐｒｅｄｉｃｔｉｏｎ Ｕｓｉｎｇ ＬＳＴＭ，ＲＮＮ ａｎｄＣＮＮｓｌｉｄｉｎｇ Ｗｉｎｄｏｗ Ｍｏｄｅｌ［Ｃ］∥２０１７ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｃｏｍｐｕｔｉｎｇ，Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄＩｎｆｏｒｍａｔｉｃｓ（ＩＣＡＣＣＩ）． Ｕｄｕｐｉ：ＩＥＥＥ，２０１７：１６４３－１６４７．

［１３］ＳＨＵ Ｔ Ｘ，ＣＨＥＮ Ｊ Ｈ，ＢＨＡＲＧＡＶＡ Ｖ Ｋ，ｅｔ ａｌ． ＡｎＥｎｅｒｇｙｅｆｆｉｃｉｅｎｔ Ｄｕａｌ Ｐｒｅｄｉｃｔｉｏｎ Ｓｃｈｅｍｅ Ｕｓｉｎｇ ＬＭＳ Ｆｉｌｔｅｒａｎｄ ＬＳＴＭ ｉｎ Ｗｉｒｅｌｅｓｓ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ ｆｏｒ ＮｎｖｉｒｏｎｍｅｎｔＭｏｎｉｔｏｒｉｎｇ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０１９，６（４）：６７３６－６７４７．

［１４］ＡＨＭＥＤ Ｆ，ＴＡＭＢＥＲＧ Ｇ，ＭＯＵＬＬＥＣ Ｙ Ｌ，ｅｔ ａｌ． ＡｄａｐｔｉｖｅＬＩＮＥＰ：Ａｎ Ａｄａｐｔｉｖｅ Ｌｉｎｅａｒ Ｅｎｅｒｇｙ Ｐｒｅｄｉｃｔｉｏｎ Ｍｏｄｅｌ ｆｏｒＷｉｒｅｌｅｓｓ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋ Ｎｏｄｅｓ ［Ｊ］． Ｓｅｎｓｏｒｓ，２０１８，１８（４）：１１０５．

［１５］ＮＡＲＥＮＤＲＡ Ｂ Ｃ，ＥＳＷＡＲＡ Ｒ Ｂ． Ｐｒｅｄｉｃｔｉｖｅ Ｄａｔａ Ｍｉｎｉｎｇｏｎ Ａｖｅｒａｇｅ Ｇｌｏｂａｌ Ｔｅｍｐｅａｒｔｕｒｅ Ｕｓｉｎｇ Ｖａｒｉａｎｔｓ ｏｆ ＡＲＩＭＡｍｏｄｅｌｓ［Ｃ］∥ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｃｉｅｎｃｅ ａｎｄ Ｍａｎａｇｅｍｅｎｔ（ＩＣＡＥＳＭ）． Ｎａｇａｐａｔｔｉｎａｍ：ＩＥＥＥ，２０１２：２５６－２６０．

［１６］ＨＯＣＨＲＥＩＴＥＲ Ｓ，ＳＣＨＭＩＤＨＵＢＥＲ Ｊ． Ｌｏｎｇ ＳｈｏｒｔＴｅｒｍＭｅｍｏｒｙ［Ｊ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，１９９７，９（８）：１７３５－１７８０．

［１７］晁迎． 基于粒子群算法的通信網絡規劃優化［Ｊ］． 信息通信，２０１９，４２（１１）：１４－１６．

［１８］ＬＩＵ Ｌ，ＬＵＡＮ Ｒ Ｓ，ＹＩＮ Ｆ，ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｎｇ ｔｈｅ Ｉｎｃｉｄｅｎｃｅｏｆ Ｈａｎｄ，Ｆｏｏｔ ａｎｄ Ｍｏｕｔｈ Ｄｉｓｅａｓｅ ｉｎ Ｓｉｃｈｕａｎ Ｐｒｏｖｉｎｃｅ，Ｃｈｉｎａ Ｕｓｉｎｇ ｔｈｅ ＡＲＩＭＡ Ｍｏｄｅｌ ［Ｊ］． Ｅｐｉｄｅｍｉｏｌ Ｉｎｆｅｃｔ，２０１６，１４４（１）：１４４－１５１．

［１９］ＭＡＲＴＩＮＥＺ Ｊ，ＢＬＡＣＫ Ｍ Ｊ，ＲＯＭＥＲＯ Ｊ． Ｏｎ ＨｕｍａｎＭｏｔｉｏｎ Ｐｒｅｄｉｃｔｉｏｎ Ｕｓｉｎｇ Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０１７ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）． Ｈｏｎｏｌｕｌｕ：ＩＥＥＥ，２０１７：４６７４－４６８３．

［２０］ＤＩＡＺ Ｇ Ｊ，ＰＡＲＲＡＬＥＳ Ａ，ＡＬＶＡＲＥＺ Ａ，ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎｏｆ Ｇｌｏｂａｌ Ｓｏｌａｒ Ｒａｄｉａｔｉｏｎ ｂｙ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ ＮｅｔｗｏｒｋＢａｓｅｄ ｏｎ ａ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｄａｔａ［Ｊ］． Ｄｅｓａｌｉｎａｔｉｏｎ ａｎｄ Ｗａｔｅｒ Ｔｒｅａｔｍｅｎｔ，２０１５，５５（１２）：３２１０－３２１７．

［２１］ＡＩ Ｙ，ＬＩ Ｚ Ｐ，ＧＡＮ Ｍ，ｅｔ ａｌ． Ａ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ａｐｐｒｏａｃｈｏｎ Ｓｈｏｒｔｔｅｒｍ Ｓｐａｔｉｏｔｅｍｐｏｒａｌ Ｄｉｓｔｒｉｂｕｔｉｏｎ Ｆｏｒｅｃａｓｔｉｎｇ ｏｆＤｏｃｋｌｅｓｓ Ｂｉｋｅｓｈａｒｉｎｇ Ｓｙｓｔｅｍ［Ｊ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔｉｎｇ ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０１９，３１（３９）：１６６５－１６７７．

［２２］ＸＩＡＮＧ Ｈ． Ｐｈａｓｅｏｕｔ Ｆａｃｔｏｒ ｗｉｔｈ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ［Ｃ］∥２０１１ ２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＭｅｃｈａｎｉｃＡｕｔｏｍａｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ Ｅｎｇｉｎｅｅｒｉｎｇ． Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ：ＩＥＥＥ，２０１１：４２３１－４２３３．

［２３］ＹＡＮＧ Ｇ Ｙ． Ａ Ｍｏｄｉｆｉｅｄ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚｅｒ Ａｌｇｏｒｉｔｈｍ［Ｃ］∥２００７ ８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＥｌｅｃｔｒｏｎｉｃＭｅａｓｕｒｅｍｅｎｔ ａｎｄ Ｉｎｓｔｒｕｍｅｎｔｓ． Ｘｉ’ａｎ：ＩＥＥＥ，２００７：６７５－６７９．

［２４］ＮＲＥＬ． Ｍｅａｓｕｒｅｍｅｎｔ ａｎｄ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ Ｄａｔａ Ｃｅｎｔｅｒ［ＥＢ／ ＯＬ］． ［２０２４－０２－２１］． ｈｔｔｐｓ：ｍｉｄｃｄｍｚ． ｎｒｅｌ． ｇｏｖ．

作者簡介：

沈露露 女，（１９９９—），碩士研究生。主要研究方向：機器學習與無線通信。

黃晉浩 男，（１９９９—），碩士研究生。主要研究方向：無線傳感器網絡與機器學習。

花 敏 女，（１９９０—），博士，講師。主要研究方向：物聯網技術。

（*通信作者）周 雯 男，（１９８１—），博士，教授。主要研究方向：無線通信與優化。

基金項目：國家自然科學基金（６１８０１２２５）