劉曉宇 韓崇 李繼萍
摘 要:為改善WCMA算法簡單根據(jù)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(yù)測方法D-WSMA。根據(jù)參考天和參考時刻對預(yù)測值的影響程度不同,采取相似度刻畫數(shù)據(jù)間關(guān)系,動態(tài)調(diào)整參考天和參考時刻的權(quán)重以及歷史參考時刻的加權(quán)平均值,從而得到可變化的DGAP因子。同時,根據(jù)數(shù)據(jù)波動性特征,改進(jìn)原有算法中的固定權(quán)重α,得到動態(tài)變化權(quán)重因子[dα]。實驗結(jié)果表明,D-WSMA預(yù)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(yù)測方案具有良好性能,適合更加多樣化的天氣條件。
關(guān)鍵詞:太陽能功率預(yù)測;D-WSMA;相似度;DGAP因子;動態(tài)變化
DOI:10. 11907/rjdk. 191371
中圖分類號:TP393 文獻(xiàn)標(biāo)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 The weight for the average of the historical reference time slots contributed to introduce a changeable DGAP factor.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(wǎng)絡(luò)(Wireless Sensor Networks,WNS)是當(dāng)前信息領(lǐng)域研究熱點之一。它是多個傳感器節(jié)點采用多跳和自組織等形式構(gòu)成網(wǎng)絡(luò),并以協(xié)作方式感知、采集、處理以及無線通信方式傳輸監(jiān)測區(qū)域內(nèi)的對象信息[1]。無線傳感網(wǎng)絡(luò)被廣泛應(yīng)用于監(jiān)控遠(yuǎn)程或惡意環(huán)境,大量微小節(jié)點部署在目標(biāo)區(qū)域,用于執(zhí)行監(jiān)視任務(wù),如動物跟蹤、軍事監(jiān)視、家庭應(yīng)用[2-6],有時傳感器部署在惡劣環(huán)境中,如深海、零下區(qū)域、危險戰(zhàn)區(qū)。
傳感器節(jié)點由電池供電,即傳感器網(wǎng)絡(luò)中的電力供應(yīng)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(jié)點同時電量耗盡,那么整個監(jiān)測系統(tǒng)將會發(fā)生癱瘓。因此,能量受限問題制約著整個網(wǎng)絡(luò)生命周期[7]。不少學(xué)者針對傳感器能量受限問題,提出了內(nèi)部節(jié)能措施,試圖利用有限的能量實現(xiàn)網(wǎng)絡(luò)效益最大化,主要分為以下4種:節(jié)能路由和數(shù)據(jù)采集;減少傳輸數(shù)據(jù)量和無法進(jìn)行的活動;將傳感器節(jié)點調(diào)為備用活動和睡眠模式;通過調(diào)整傳輸范圍進(jìn)行功率控制[8]。能量外部供給方面,提出了環(huán)境能量收集,即可在無線傳感器網(wǎng)絡(luò)中使用太陽能或風(fēng)能等為電池充電,從環(huán)境中獲取電能。近幾年,隨著光伏發(fā)電技術(shù)發(fā)展,太陽能收集技術(shù)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(xiàn)太陽能到電能的轉(zhuǎn)換。當(dāng)電池電量耗光后,能量管理模塊便把緩沖區(qū)內(nèi)的電能輸送給傳感器,延長系統(tǒng)生命周期。
在太陽能收集系統(tǒng)中,能量預(yù)測成為關(guān)鍵。傳感器節(jié)點根據(jù)當(dāng)前預(yù)測可獲得的太陽能進(jìn)行任務(wù)調(diào)度,即預(yù)測下一時刻可收集能量減少時便降低功耗,節(jié)約電量;反之就提高節(jié)點工作功率。因此,能量預(yù)測是整個系統(tǒng)平穩(wěn)運行的保障,預(yù)測誤差越小,系統(tǒng)將越有序平穩(wěn)運行[9-10]。但是,太陽能具有雙重特征:太陽每天規(guī)律性上升和下落,使太陽輻射以脈沖形式發(fā)生;伴隨天氣和時間變化,每天接收太陽能的不規(guī)律性,給能量預(yù)測帶來一定難度。
現(xiàn)有能量預(yù)測算法主要分為兩種:一種是基于神經(jīng)網(wǎng)絡(luò),通過訓(xùn)練大量歷史數(shù)據(jù)后預(yù)測,如BP神經(jīng)網(wǎng)絡(luò)[11]、KBNN神經(jīng)網(wǎng)絡(luò)[12]等算法,但因傳感器內(nèi)存有限,大量訓(xùn)練數(shù)據(jù)并不合適;另一種是基于傳統(tǒng)時間序列模型,如指數(shù)加權(quán)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(tài)天氣條件移動平均法(Universal Dynamic Weather Condition Moving Average,UD-WCMA)[15]等模型,根據(jù)歷史數(shù)據(jù)預(yù)測未來短期收集的能量。但是,EWMA和WCMA難以適應(yīng)天氣變化較大的情況;UD-WCMA則在天氣平穩(wěn)時易出現(xiàn)較大誤差點,典型天氣匹配也難以在現(xiàn)實中實現(xiàn)。