CN109919380A - 基于指数平均ud-wcma太阳能收集功率的改进预测方法 - Google Patents

Abstract

基于指数平均UD‑WCMA太阳能收集功率的改进预测方法，首先在历史数据中选择与当前天最为相似的数据模型；然后计算天气因子和动态变化权重因子。特别地，考虑到前几天对应时槽的数值对当天预测时槽的影响程度不同，越接近该天影响程度应该越大，且与该天天气波动情况越相似，影响程度也应越大。本发明对简单平均做出了优化：根据欧式距离，将前几天相同时槽对当天时槽的影响程度量化，并归一化计算各自的贡献率，得到前几天与预测时槽等时刻的指数平均值。最后，综合各因子及历史数据得到太阳能功率预测值。本发明结合UD‑WCMA等算法并引入指数平均值，不仅消除了待设置权重因子α的影响，还定量给出了前几天对当天的贡献率,可以达到更高的预测效率。

Description

基于指数平均UD-WCMA太阳能收集功率的改进预测方法

技术领域

本发明涉及无线传感器网络能量收集研究领域，是基于指数平均 UD-WCMA太阳能收集功率的改进预测方法。

背景技术

近年来，随着微电子，计算机和无线通信等技术的不断进步，以及各种低功耗传感器的蓬勃发展，将数据采集、信息处理和无线通信等多种功能集成在微小体积上的传感器成为可能。进而促进了无线传感器网络的发展。

无线传感器网络是由一组用以感知物质世界的传感器节点以自组织的方式构成的无线网络。从无线传感器网络方面而言，无线传感器网络是由部署在监测区域内的大量传感器以自组织和多跳等方式构成的。以协作方式感知、采集、处理和传输网络覆盖区域内监测对象信息的无线网络，通过无线传感器网络与因特网的高效融合，可以实现人与物、物与物的互联，从而形成“物联网”。无线传感器网络所感知的数据是物联网海量信息的重要来源。

无线传感器网络将在军事国防、工农业控制、城市管理、生物医疗等领域有广阔的应用前景,并且取得了一定的应用成果，然而无线传感器网络在实际应用中同样面临许多挑战，仍旧难以达到普遍应用，其根本原因之一就是传感器节点的有限能量供应问题。

环境能量收集技术，特别是太阳能收集技术，才是解决传感器网络节点能耗问题的根本有效技术之一，因而得到了研究者们的关注，是当前的一个研究热点。目前针对太阳能，有许多研究人员提出了预测算法，例如EWMA、WCMA、Pro-Energy和UD-WCMA等。

以上算法通过对历史采集数据的分析来预测未来时刻的太阳能功率。其方法综合了横向与纵向考虑，即在预测未来某个时隙太阳能功率时，结合历史数据对应时隙的采集量和当天已采集到的数据进行预测。但以上算法只对参考天的数据做了简单的平均，没有考虑参考天对预测天的影响程度，故预测精度不高。

发明内容

在现有的算法UD-WCMA中，其中一部分只对前几天的时间槽做了简单的平均。考虑到前几天对应时槽的数值对当天预测时槽的影响程度不同，越接近该天影响程度应该越大，且与该天天气波动情况越相似，影响程度也应越大。

为了解决以上问题，本发明提出了基于指数平均UD-WCMA太阳能收集功率的改进预测方法，根据欧式距离，将前几天相同时槽对当天时槽的影响程度量化，并归一化计算各自的贡献率，得到前几天与预测时槽等时刻的指数平均值。最后，综合各因子及历史数据得到太阳能功率预测值。

基于指数平均UD-WCMA太阳能收集功率的改进预测方法，包括以下步骤：

步骤1，收集若干天每天同一时刻的太阳能功率数据；

步骤2，建立太阳能收集功率预测模型；

步骤3，计算模型中各权重因子和样本值；

通过计算，得出前几天各自与当天太阳能收集功率的欧式距离，将前几天对相同时槽对当天时槽的影响程度量化，并归一化计算各自的贡献率，得到前几天与预测时槽等时刻的指数平均值；

然后，基于WCMA算法计算待预测时刻的天气因子GAP，同时基于UD-WCMA算法计算动态变化权重因子G；

最后，从历史数据中选取与当前天前几个时槽最相似的数据序列；

步骤4，预测太阳能；

预测时，输入原始太阳能样本数据序列，根据步骤3得到不同权重因子与样本数据后，代入步骤2的原模型，得到太阳能功率的预测值。

进一步地，所述步骤2中，太阳能收集功率预测模型为：

其中是对当前n+1时槽的太阳能功率的预测值；θ(n)是预测时槽前一时槽n已收集的太阳能功率；M_D(n+1)是参考前D天在n+1 时槽的指数平均值；G₁(n+1)、G(n+1)、GAP是不同的权重因子；是与当前预测最为相似的参考天第i^*天n+1时槽的数据。

进一步地，所述步骤3包括如下具体步骤：

步骤3-1，计算第i天与当天前K个时槽太阳能收集功率的欧氏距离ρ(i)；

步骤3-2，计算第i天的权重因子β(i)；

步骤3-3，计算前D天时槽n+1太阳能收集功率的指数平均值 M_D(n+1)；

M_D(n+1)＝β(D)x_D(n+1)+(1-β(D))M_D-1(n+1)

步骤3-4，计算当天前K个时槽太阳能收集功率与前几天该时槽平均值的比值,得到矩阵V；

V＝[v₁,v₂,...,v_K]

步骤3-5，计算在时间范围K上线性递减权重的加权向量矩阵 P；

步骤3-6，计算天气条件因子GAP；

步骤3-7，计算前D天每天时槽n+1的太阳能收集功率相较于前D 天时槽n+1太的平均太阳能收集功率的标准偏差σ(n+1)；

步骤3-8，计算前D天时槽n和n+1之间太阳能收集功率变化的标准偏差σ₁(n+1)；

Δ_1i(n+1)＝x_i(n+1)-x_i(n),i＝1,2,...,D

步骤3-9，计算当天各时槽之间太阳能收集功率变化的标准偏差σ₂(n+1)；

Δ_2k(n+1)＝θ(n+1-k)-θ(n-k),k＝1,2,...,K-1

步骤3-10，计算权重因子G；

G(n+1)＝G₁(n+1)+G₂(n+1)

步骤3-11，采用Pro-Energy模型方法选取参考天中与当天情况最相似是第i^*天，选取第i^*天该时槽的样值其中第i^*天的选取方式如下：

本发明根据欧式距离，将前几天相同时槽对当天时槽的影响程度量化，并归一化计算各自的贡献率，得到前几天与预测时槽等时刻的指数平均值。最后，综合各因子及历史数据得到太阳能功率预测值，提高了预测精度。

附图说明

图1为本发明所述的太阳能收集功率的改进预测方法的流程图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

基于指数平均UD-WCMA太阳能收集功率的改进预测方法，包括以下步骤：

步骤1，收集若干天每天同一时刻的太阳能功率数据。

步骤2，建立太阳能收集功率预测模型。

其中是对当前n+1时槽的太阳能功率的预测值；θ(n)是预测时槽前一时槽n已收集的太阳能功率；M_D(n+1)是参考前D天在n+1 时槽的指数平均值；G₁(n+1)、G(n+1)、GAP是不同的权重因子；是与当前预测最为相似的参考天第i^*天n+1时槽的数据。

步骤3，计算模型中各权重因子和样本值。

通过计算，根据欧式距离得出当天的权重因子，将前几天相同时槽对当天时槽的影响程度量化，并归一化计算各自的贡献率，得到前几天与预测时槽等时刻的指数平均值。

所述步骤3包括如下具体步骤：

步骤3-1，计算第i天与当天前K个时槽太阳能收集功率的欧氏距离ρ(i)。

步骤3-2，计算第i天的权重因子β(i)。

步骤3-3，计算前D天时槽n+1太阳能收集功率的指数平均值 M_D(n+1)。

M_D(n+1)＝β(D)x_D(n+1)+(1-β(D))M_D-1(n+1)

步骤3-4，计算当天前K个时槽太阳能收集功率与前几天该时槽平均值的比值,得到矩阵V。

V＝[v₁,v₂,...,v_K]

步骤3-5，计算在时间范围K上线性递减权重的加权向量矩阵 P。

步骤3-6，计算天气条件因子GAP。

步骤3-7，计算前D天每天时槽n+1的太阳能收集功率相较于前D 天时槽n+1太的平均太阳能收集功率的标准偏差σ(n+1)。

步骤3-8，计算前D天时槽n和n+1之间太阳能收集功率变化的标准偏差σ₁(n+1)。

Δ_1i(n+1)＝x_i(n+1)-x_i(n),i＝1,2,...,D

步骤3-9，计算当天各时槽之间太阳能收集功率变化的标准偏差σ₂(n+1)。

Δ_2k(n+1)＝θ(n+1-k)-θ(n-k),k＝1,2,...,K-1

步骤3-10，计算权重因子G。

G(n+1)＝G₁(n+1)+G₂(n+1)

步骤3-11，采用Pro-Energy模型方法选取参考天中与当天情况最相似是第i^*天，选取第i^*天该时槽的样值其中第i^*天的选取方式如下：

步骤4，预测太阳能。

预测时，输入原始太阳能样本数据序列，根据步骤3得到不同权重因子与样本数据后，代入步骤2的原模型，得到太阳能功率的预测值。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (3)

1.基于指数平均UD-WCMA太阳能收集功率的改进预测方法，其特征在于：包括以下步骤：

步骤1，收集若干天每天同一时刻的太阳能功率数据；

步骤2，建立太阳能收集功率预测模型；

步骤3，计算模型中各权重因子和样本值；

通过计算，得出前几天各自与当天太阳能收集功率的欧式距离，将前几天对相同时槽对当天时槽的影响程度量化，并归一化计算各自的贡献率，得到前几天与预测时槽等时刻的指数平均值；

然后，基于WCMA算法计算待预测时刻的天气因子GAP，同时基于UD-WCMA算法计算动态变化权重因子G；

最后，从历史数据中选取与当前天前几个时槽最相似的数据序列；

步骤4，预测太阳能；

预测时，输入原始太阳能样本数据序列，根据步骤3得到不同权重因子与样本数据后，代入步骤2的原模型，得到太阳能功率的预测值。

2.根据权利要求1所述的基于指数平均UD-WCMA太阳能收集功率的改进预测方法，其特征在于：所述步骤2中，太阳能收集功率预测模型为：

其中是对当前n+1时槽的太阳能功率的预测值；θ(n)是预测时槽前一时槽n已收集的太阳能功率；M_D(n+1)是参考前D天在n+1 时槽的指数平均值；G₁(n+1)、G(n+1)、GAP是不同的权重因子；是与当前预测最为相似的参考天第i^*天n+1时槽的数据。

3.根据权利要求1所述的基于指数平均UD-WCMA太阳能收集功率的改进预测方法，其特征在于：所述步骤3包括如下具体步骤：

步骤3-1，计算第i天与当天前K个时槽太阳能收集功率的欧氏距离ρ(i)；

步骤3-2，计算第i天的权重因子β(i)；

步骤3-3，计算前D天时槽n+1太阳能收集功率的指数平均值M_D(n+1)；

M_D(n+1)＝β(D)x_D(n+1)+(1-β(D))M_D-1(n+1)

步骤3-4，计算当天前K个时槽太阳能收集功率与前几天该时槽平均值的比值,得到矩阵V；

V＝[v₁,v₂,...,v_K]

步骤3-5，计算在时间范围K上线性递减权重的加权向量矩阵P；

步骤3-6，计算天气条件因子GAP；

步骤3-7，计算前D天每天时槽n+1的太阳能收集功率相较于前D天时槽n+1太的平均太阳能收集功率的标准偏差σ(n+1)；

步骤3-8，计算前D天时槽n和n+1之间太阳能收集功率变化的标准偏差σ₁(n+1)；

Δ_1i(n+1)＝x_i(n+1)-x_i(n),i＝1,2,...,D

步骤3-9，计算当天各时槽之间太阳能收集功率变化的标准偏差σ₂(n+1)；

Δ_2k(n+1)＝θ(n+1-k)-θ(n-k),k＝1,2,...,K-1

步骤3-10，计算权重因子G；

G(n+1)＝G₁(n+1)+G₂(n+1)

步骤3-11，采用Pro-Energy模型方法选取参考天中与当天情况最相似是第i^*天，选取第i^*天该时槽的样值其中第i^*天的选取方式如下：

。