针对可收集能量传感器网络的能量预测方法

刘晓宇 韩崇 李继萍

摘 要：为改善WCMA算法简单根据时间间隔和平均值计算GAP因子的不足，提出一种基于天气相似度的太阳能收集功率预测方法D-WSMA。根据参考天和参考时刻对预测值的影响程度不同，采取相似度刻画数据间关系，动态调整参考天和参考时刻的权重以及历史参考时刻的加权平均值，从而得到可变化的DGAP因子。同时，根据数据波动性特征，改进原有算法中的固定权重α，得到动态变化权重因子[dα]。实验结果表明，D-WSMA预测精度相对WCMA算法提高了14.04%、28.30%、4.76%、12.58%，平均提高了15%。因此，D-WSMA预测方案具有良好性能，适合更加多样化的天气条件。

关键词：太阳能功率预测；D-WSMA；相似度；DGAP因子；动态变化

DOI：10. 11907/rjdk. 191371

中图分类号：TP393 文献标识码：A 文章编号：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 The weight for the average of the historical reference time slots contributed to introduce a changeable DGAP factor.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

無线传感器网络（Wireless Sensor Networks，WNS）是当前信息领域研究热点之一。它是多个传感器节点采用多跳和自组织等形式构成网络，并以协作方式感知、采集、处理以及无线通信方式传输监测区域内的对象信息[1]。无线传感网络被广泛应用于监控远程或恶意环境，大量微小节点部署在目标区域，用于执行监视任务，如动物跟踪、军事监视、家庭应用[2-6]，有时传感器部署在恶劣环境中，如深海、零下区域、危险战区。

传感器节点由电池供电，即传感器网络中的电力供应有限。一旦电量耗尽，若不及时更换电池，将无法正常工作，假如多处节点同时电量耗尽，那么整个监测系统将会发生瘫痪。因此，能量受限问题制约着整个网络生命周期[7]。不少学者针对传感器能量受限问题，提出了内部节能措施，试图利用有限的能量实现网络效益最大化，主要分为以下4种：节能路由和数据采集；减少传输数据量和无法进行的活动；将传感器节点调为备用活动和睡眠模式；通过调整传输范围进行功率控制[8]。能量外部供给方面，提出了环境能量收集，即可在无线传感器网络中使用太阳能或风能等为电池充电，从环境中获取电能。近几年，随着光伏发电技术发展，太阳能收集技术也日趋成熟，传感器可以把收集的太阳能放置在缓冲器中，实现太阳能到电能的转换。当电池电量耗光后，能量管理模块便把缓冲区内的电能输送给传感器，延长系统生命周期。

在太阳能收集系统中，能量预测成为关键。传感器节点根据当前预测可获得的太阳能进行任务调度，即预测下一时刻可收集能量减少时便降低功耗，节约电量；反之就提高节点工作功率。因此，能量预测是整个系统平稳运行的保障，预测误差越小，系统将越有序平稳运行[9-10]。但是，太阳能具有双重特征：太阳每天规律性上升和下落，使太阳辐射以脉冲形式发生；伴随天气和时间变化，每天接收太阳能的不规律性，给能量预测带来一定难度。

现有能量预测算法主要分为两种：一种是基于神经网络，通过训练大量历史数据后预测，如BP神经网络[11]、KBNN神经网络[12]等算法，但因传感器内存有限，大量训练数据并不合适；另一种是基于传统时间序列模型，如指数加权移动平均法（Exponentially Weighted Moving Average，EWMA）[13]、天气条件移动平均法（Weather-Conditioned Moving Average，WCMA）[14]和通用动态天气条件移动平均法（Universal Dynamic Weather Condition Moving Average，UD-WCMA）[15]等模型，根据历史数据预测未来短期收集的能量。但是，EWMA和WCMA难以适应天气变化较大的情况；UD-WCMA则在天气平稳时易出现较大误差点，典型天气匹配也难以在现实中实现。