KR102439722B1 - Weather data-based wireless sensor network node solar energy collection power prediction algorithm - Google Patents

Weather data-based wireless sensor network node solar energy collection power prediction algorithm Download PDF

Info

Publication number
KR102439722B1
KR102439722B1 KR1020207033814A KR20207033814A KR102439722B1 KR 102439722 B1 KR102439722 B1 KR 102439722B1 KR 1020207033814 A KR1020207033814 A KR 1020207033814A KR 20207033814 A KR20207033814 A KR 20207033814A KR 102439722 B1 KR102439722 B1 KR 102439722B1
Authority
KR
South Korea
Prior art keywords
weather
day
solar energy
energy collection
time slot
Prior art date
Application number
KR1020207033814A
Other languages
Korean (ko)
Other versions
KR20210013565A (en
Inventor
리쥐엔 순
헝이 런
충 한
지엔 궈
푸 시아오
쥐엔 왕
지엔 저우
루추안 왕
Original Assignee
난징 유니버시티 오브 포스츠 앤 텔레커뮤니케이션스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 난징 유니버시티 오브 포스츠 앤 텔레커뮤니케이션스 filed Critical 난징 유니버시티 오브 포스츠 앤 텔레커뮤니케이션스
Publication of KR20210013565A publication Critical patent/KR20210013565A/en
Application granted granted Critical
Publication of KR102439722B1 publication Critical patent/KR102439722B1/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/02Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • H02J3/383
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W84/00Network topologies
    • H04W84/18Self-organising networks, e.g. ad-hoc networks or sensor networks
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20The dispersed energy generation being of renewable origin
    • H02J2300/22The renewable source being solar energy
    • H02J2300/24The renewable source being solar energy of photovoltaic origin
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00Adapting or protecting infrastructure or their operation
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/50Photovoltaic [PV] energy
    • Y02E10/56Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Environmental & Geological Engineering (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Atmospheric Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)
  • Photovoltaic Devices (AREA)
  • Selective Calling Equipment (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘을 제공하며, 비교적 작은 공간과 짧은 시간을 이용해 태양에너지 수집 기능을 구비하는 무선 센서 네트워크 노드의 수집 파워를 정확하게 예측할 수 있다. 본 발명은 날씨 변화가 태양에너지 수집 파워 예측에 대해 미치는 영향을 충분히 감안하고, 날씨 변화와 태양에너지 수집 파워를 대조분석해, 태양에너지 수집에 대한 날씨변화의 작용관계를 발견함으로써, 날씨 변화가 뚜렷한 상황에서 노드 태양에너지 수집 파워를 정확하게 예측한다. 동시에, 해당 방법은 날씨가 뚜렷이 변화되고 날씨가 안정적으로 변화되는 상황에서도 모두 아주 높은 예측 정밀도를 얻을 수 있다.The present invention provides a weather data-based wireless sensor network node solar energy collection power prediction algorithm, and can accurately predict the collection power of a wireless sensor network node having a solar energy collection function using a relatively small space and short time. The present invention fully considers the effect of weather changes on the prediction of solar energy collection power, compares and analyzes weather changes and solar energy collection power, and finds the action relationship of the weather change on solar energy collection, so that the weather change is clear accurately predict node solar energy collection power in At the same time, the method can obtain very high prediction precision even in situations where the weather changes significantly and the weather changes stably.

Description

날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘Weather data-based wireless sensor network node solar energy collection power prediction algorithm

본 발명은 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘에 관한 것으로, 무선 센서 네트워크 분야에 속한다.The present invention relates to a weather data-based wireless sensor network node solar energy collection power prediction algorithm, and belongs to the wireless sensor network field.

무선 센서 네트워크(Wireless Sensor Network, WSN)는 대량 정지 또는 이동하는 센서에 의해 자기 조직화(self-organizing)와 멀티홉(multihop) 방식으로 구성된 무선 네트워크이다. WSN는 저원가와 고기동(High Mobility)으로 기존의 발전과정에서 점점 선호받고 있으며, 그들은 스마트 홈, 방사능 모니터링, 생물군집의 미시적 관측과 스마트 교통 등과 같이 종래의 전기케이블 또는 유선네트워크가 취급할 수 없었던 다양한 응용 장면을 완성할 수 있다. WSN의 기본 구성은 센서 노드이며, 연구원들은 고정지점 투입 또는 무작위 살포 등 방식으로 그를 모니터링 영역에 배포한다.A wireless sensor network (WSN) is a wireless network configured in a self-organizing and multihop manner by mass-stationary or moving sensors. WSN is increasingly favored in the existing development process due to its low cost and high mobility. The application scene can be completed. The basic configuration of WSN is a sensor node, and researchers distribute it to the monitoring area by means of fixed-point injection or random distribution.

종래의 센서 노드는 주로 데이터 수집, 데이터 처리, 데이터 전송 및 전원 4개 모듈을 포함하는 데, 그 중에서 전원모듈은 나머지 3개 모듈에게 에너지를 제공하는 역할을 담당한다. 배터리와 기타 임베디드(embedded)식 시스템 어셈블리 간의 성장 추세가 매칭되지 못하는 상황에서, 자원이 제약받는 임베디드 시스템의 전원관리는 여전히 어려운 도전이다. WSN의 원격지 장면 배치와 믿음직한 전원의 부족으로, 네트워크 중의 센서는 통상적으로 배터리에 의해 에너지를 제공해 그의 기대 임무를 이행한다. 배터리로 파워를 공급하는 WSN은 배터리를 교체하지 않는 한, 그 에너지 효율이 어떠한지를 막론하고 종국적으로는 모두 네트워크가 전원 제약때문에 실패하게 된다. 네트워크가 열악한 환경 또는 도달하기 쉽지 않은 장면에 배치된 경우, 배터리 교체는 더 높은 대가를 치러야 하며, 심지어 구현할 수 없게 된다. 이와 같은 문제를 해결할 수 있는 기술안은 배터리와 환경에너지수집기술을 함께 이용하는 것인 데, 흔히 보는 수집이용가능 환경에너지는 태양에너지, 진동에너지, 풍력에너지, 소음 등이 있다. 태양에너지는 그 에너지 밀도가 높고 수집이 쉬운 등 특징때문에 광범위하게 이용된다.A conventional sensor node mainly includes four modules for data collection, data processing, data transmission, and power, among which the power module serves to provide energy to the remaining three modules. Power management in resource-constrained embedded systems remains a daunting challenge, given the mismatched growth trends between batteries and other embedded system assemblies. With WSN's remote scene deployment and lack of reliable power sources, sensors in the network are typically powered by batteries to fulfill their expected missions. Battery-powered WSNs, regardless of their energy efficiency, will eventually fail due to power constraints, regardless of their energy efficiency, unless the battery is replaced. If the network is deployed in harsh environments or in hard-to-reach scenes, battery replacement will have a higher cost and may even become impossible to implement. The technical proposal to solve this problem is to use a battery and environmental energy collection technology together. Commonly available environmental energy that can be collected and used is solar energy, vibration energy, wind energy, and noise. Solar energy is widely used because of its high energy density and easy collection.

에너지수집능력에 무선 센서 네트워크를 인입하는 경우, 에너지 예측, 에너지 관리와 라우팅 프로토콜 등과 같이, 해당 시스템을 구축하는 수많은 설계문제가 나타나게 된다. 여기에서, 에너지 예측은 또한 기타 문제를 설계하는 전제로서, 에너지 관리든 라우팅 프로토콜이든지를 막론하고 설계할 때에는 모두 에너지 소모를 감안해야 하는 데, 즉, 기존의 이용가능 에너지에 의해 그 성능수준을 규정한다. 에너지수집기술을 갖춘 WSN의 이용가능 에너지는 나머지 에너지와 향후 일정시간에 수집한 환경 에너지를 포함하는 데, 이용가능 에너지를 인지하려면 향후 일정시간에 수집한 환경에너지를 예측할 수 있어야 한다.When wireless sensor networks are incorporated into energy harvesting capabilities, numerous design issues arise in building the system, such as energy prediction, energy management and routing protocols. Here, energy prediction is also a premise for designing other issues, whether energy management or routing protocols, which must take into account energy consumption when designing, i.e., defining its performance level by the existing available energy. do. The available energy of WSN equipped with energy collection technology includes the remaining energy and the environmental energy collected at a certain time in the future.

태양에너지 수집능력을 보유한 WSN 에너지 관리를 예로 들면, 환경에너지수집기술을 갖춘 WSN이 이론상에서 지속 운행이 가능한 것은 환경에너지수집기술이 환경에너지를 수집해 센서의 소모를 보충할 수 있기 때문이다. 하지만 실제로는 에너지수집능력을 구비한 센서송전장치는 WSN의 장기적이고 지속적인 운행을 보증하기가 아주 어려운 것으로 보여진다. 주요 원인은 제어불가 태양에너지에 대한 의존때문인 데, 태양에너지는 기상 요소로 시뮬레이션과 예측이 어렵고 시간과 공간의 변화는 그가 비교적 높은 단기파동이 나타나도록 한다. 태양에너지가 지표에 조사되는 에너지 크기의 불확실성은 노드 수집 에너지의 불확실성을 발생시킴으로써, WSN의 에너지관리가 에너지 중성 조작(ENO)이 어렵도록 하는 데, 일정한 시간 내에 시스템의 에너지소모가 환경이 수집한 에너지보다 적거나 그와 같도록 한다. WSN는 통상적으로 동작 조정 시스템이 운행될 때의 성능수준을 통해 고도 변경가능 환경에너지를 사용하고 시스템이 줄곧 최저 성능수준에서 운행되는 경우에 ENO를 구현할 수 있지만, 에너지의 낭비를 발생할 뿐만 아니라, 이 때의 시스템 또한 대부분의 임무 요구를 만족시키기 어려우며; 시스템이 비교적 높은 성능수준에서 운행되는 경우, 환경수집 에너지가 시스템 소모보다 적게 되어 네트워크의 수명이 앞당겨 종료될 가능성이 있다. 따라서, 합리적인 에너지관리는 WSN의 영구적 운행가능 여부와 관련된 하나의 중요한 조건이며, 에너지관리의 전제는 시스템이 이용가능한 에너지를 인지하는 것으로서, 즉, 향후 일정시간 내에 수집한 환경에너지를 예측할 수 있는 것이다.Taking WSN energy management with solar energy collection capability as an example, the reason why WSN equipped with environmental energy collection technology can operate continuously in theory is because environmental energy collection technology can supplement the consumption of sensors by collecting environmental energy. However, in reality, it seems that it is very difficult to guarantee the long-term and continuous operation of the WSN for a sensor transmission device with energy collection capability. The main cause is the dependence on uncontrollable solar energy, which is a meteorological component that is difficult to simulate and predict, and changes in time and space cause relatively high short-term fluctuations. Uncertainty in the amount of energy that solar energy is irradiated to the surface causes uncertainty in node collection energy, making it difficult for energy management of WSN to perform energy neutral operation (ENO). less than or equal to the energy. WSN usually uses highly variable environmental energy through the performance level when the motion control system is operating, and ENO can be implemented when the system is always operating at the lowest performance level, but it not only causes a waste of energy, but also causes this The system is also difficult to meet most mission demands; If the system is operated at a relatively high performance level, there is a possibility that the energy collected from the environment will be less than the consumption of the system, and the life of the network may be prematurely terminated. Therefore, rational energy management is one important condition related to the permanent operation of WSN, and the premise of energy management is that the system recognizes the available energy, that is, it can predict the environmental energy collected within a certain time in the future. .

현재 태양에너지에 관해 수많은 연구원들이 EWMA, WCMA, Pro-Energy 등과 같은 예측 알고리즘을 제시하였다. 주로 기왕에 수집한 데이터에 대한 분석으로 향후 단기간의 수집 파워를 예측한다. 날씨가 안정적인 상황에서, 상기 알고리즘은 이미 예측 오차를 아주 작은 범위내로 통제하였고 특히, WCMA가 날씨의 간단한 변화에 적응할 수 있지만, 날씨에 큰 변화가 발생한 경우, 상기 알고리즘은 예측의 정확성을 보증하는 것이 아주 어렵다. 공지된 바와 같이, 절대 대부분 상황에서 하루내에 날씨 상황이 흐린 날씨에서 맑은 날씨로 변환하는 것은 아주 흔히 볼 수 있는 경우이므로, 태양에너지의 예측 알고리즘에 있어서, 실시간 날씨 변화를 검토하는 것은 아주 필요한 사항으로 보여진다.Numerous researchers have proposed prediction algorithms such as EWMA, WCMA, and Pro-Energy for current solar energy. It mainly analyzes previously collected data to predict the short-term collection power in the future. In a stable weather situation, the algorithm has already controlled the prediction error within a very small range, and in particular, WCMA can adapt to simple changes in the weather, but when there is a large change in the weather, it is important to ensure the accuracy of the prediction. very difficult As is known, in most situations, it is very common to change the weather condition from cloudy weather to clear weather within one day, so in the prediction algorithm of solar energy, it is very necessary to examine the real-time weather change. is shown

본 발명은 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘을 제공하는 데, 해당 방법은 비교적 작은 공간과 짧은 시간을 이용해 태양에너지 수집 기능을 구비하는 무선 센서 네트워크 노드의 수집 파워를 정확하게 예측할 수 있으며, 날씨 변화가 뚜렷한 상황에서 노드 태양에너지 수집 파워를 정확하게 예측하는 동시에, 날씨가 뚜렷이 변화되고 날씨가 안정적으로 변화되는 상황에서도 모두 아주 높은 예측 정밀도를 얻을 수 있다.The present invention provides a weather data-based wireless sensor network node solar energy collection power prediction algorithm, which can accurately predict the collection power of a wireless sensor network node having a solar energy collection function using a relatively small space and short time. In addition, it is possible to accurately predict the solar energy collection power of a node in a situation where there is a clear change in weather, and at the same time obtain a very high prediction precision even in a situation where the weather changes clearly and the weather changes stably.

본 발명에 근거하는 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측방법은 상세하게,In detail, the method for predicting solar energy collection power of a wireless sensor network node based on weather data according to the present invention,

모니터링 영역 중에서 인접된 지난5년의 실시간 날씨 유형 데이터와 태양에너지 수집 파워 데이터를 선택하고 날씨 유형을 각각 맑은 날씨(C), 맑은 날씨에 가끔 구름이 낌(PC), 구름이 있음(SC), 다량 구름(MCI), 흐림(O), 진눈깨비(RS)와 같이 6개로 나누며; 서로 다른 날씨 유형과 서로 다른 타임 슬롯(time slot)의 태양에너지 수집 파워를 통계 처리하고 각 날씨 유형 데이터 간의 배율관계에 근거해 배율관계를 날씨 유형 수치 지수 W로 매핑(mapping)하며 단계 2로 진입하는 단계 1;Among the monitoring areas, select the real-time weather type data and solar energy collection power data of the adjacent past 5 years, and select the weather types as Sunny (C), Occasionally Cloudy (PC), Cloudy (SC), It is divided into six categories: massive cloud (MCI), cloudy (O), and sleet (RS); Statistical processing of solar energy collection power for different weather types and different time slots, mapping the scaling relationship to the weather type numerical index W based on the scaling relationship between the data of each weather type, and entering step 2 Step 1;

당일 실제 기상예보데이터 W(d+1,

Figure 112020126411382-pct00001
)(
Figure 112020126411382-pct00002
=1,224)를 얻고, 예측 당일의 기상예보데이터 W(d+1,
Figure 112020126411382-pct00003
)와 전날 기상예보데이터 W(d,
Figure 112020126411382-pct00004
)를 대조해 전후 이틀의 날씨 변화 계수 WCS를 얻으며, 단계 3에 진입하는 단계 2;Actual weather forecast data W(d+1,
Figure 112020126411382-pct00001
)(
Figure 112020126411382-pct00002
=1,2 24), and the weather forecast data W(d+1,
Figure 112020126411382-pct00003
) and the previous day's weather forecast data W(d,
Figure 112020126411382-pct00004
) to obtain the weather change coefficient WCS of two days before and after, step 2 entering step 3;

Wt는 날씨에 뚜렷한 변화가 발생하는 여부와 임계값을 반영하고 크기는 기왕 실시간 날씨 유형 데이터와 노드 수집 파워 데이터를 분석해 얻되, WCS와 Wt를 대조하며; |WCS|<Wt인 경우, 예측 당일과 전날의 날씨가 기본상 같다고 간주하고, 직접 단계 4로 건너 뛰며; |WCS|≥Wt인 경우, 예측 당일과 전날의 날씨에 뚜렷한 변화가 발생한 것으로 간주하고, 직접 단계 5로 건너뛰는 단계 3;W t reflects whether or not a significant change in weather occurs and the threshold, and the magnitude is obtained by analyzing the real-time weather type data and node-collected power data, and contrasting WCS and W t ; If |WCS|<W t , it is assumed that the weather on the forecast day and the previous day are basically the same, and skip directly to step 4; If |WCS|≥W t , it is considered that a clear change has occurred in the weather on the day of prediction and the previous day, and skip directly to step 5; step 3;

먼저 예측 당일과 전날의 날씨가 기본상 같은 상황을 검토하고 WCMA 알고리즘의 사상을 이용하며; MD는 무선 센서 네트워크 노드 앞 D일 제

Figure 112020126411382-pct00005
타임 슬롯의 에너지 수집수치 평균값이고, N=[n1,n2,,,nk]은 하나의 1×k 어레이로서, 예측할 타임 슬롯의 앞 k개 타임 슬롯의 날씨 변화 상황인 데, 그 중 nj은 계산으로 얻으며; V=[v1,v2,,,vk]은 가중치를 반영하는 데 사용하되, 그 중 Vj은 계산으로 얻고, 최종적으로 예측 당일과 전날을 반영하는 날씨 변화 정도를 계산해 내며(예측 지점의 기왕 수집 파워의 데이터를 통해 확정); 이때 태양에너지 수집 예측값은 직접적인 계산이 가능하며, 그 후 단계 7로 건너뛰는 단계 4;First, we review the situation in which the weather on the day of prediction and the previous day are basically the same, and use the thought of the WCMA algorithm; M D is the first file in front of the wireless sensor network node
Figure 112020126411382-pct00005
It is the average value of the energy collection value of the time slot, and N=[n 1 ,n 2 ,,,n k ] is one 1×k array, and it is the weather change situation of the k time slots in the front of the time slot to be predicted. n j is obtained by calculation; V=[v 1 ,v 2 ,,,v k ] is used to reflect weights, of which V j is obtained by calculation, and finally, the degree of weather change reflecting the forecast day and the previous day is calculated (prediction point). confirmed through the data of previous collection power); In this case, the solar energy collection predicted value can be directly calculated, and then step 4 skips to step 7;

예측 당일과 전날 날씨에 뚜렷한 변화가 발생한 경우, 예측 당일의 실제 기상예보데이터를 이용해 예측 오차를 수정하며; WF=[wf1,wf2,,,wfk]는 하나의 1×k 어레이로서, 예측할 타임 슬롯과 앞 k-1개 타임 슬롯의 날씨 변화 상황을 저장해 보존하는 데 사용하되, 그 중 wfj는 기상예보데이터를 통해 계산하는 것으로서, 최종적으로 날씨가 뚜렷이 변하였을 때 예측 당일 타임 슬롯

Figure 112020126411382-pct00006
와 k-1개 타임 슬롯의 날씨 변화 정도를 계산해 내고 단계 6으로 진입하는 단계 5;If there is a clear change in the weather on the day of prediction and the previous day, correct the prediction error using the actual weather forecast data on the day of prediction; WF=[wf 1 ,wf 2 ,,,wf k ] is a 1×k array that is used to store and preserve the time slot to be predicted and the weather conditions of the previous k-1 time slots, of which wf j is calculated through weather forecast data, and finally, when the weather changes significantly, the time slot
Figure 112020126411382-pct00006
Step
5, calculating the degree of weather change in k-1 time slots and entering step 6;

날씨에 뚜렷한 변화가 발생한 경우, 각각 날씨가 뚜렷이 좋아진 상황과 날씨가 뚜렷이 나빠진 상황과 같이 2개 상황으로 나누며; 이 2개 상황이 태양에너지의 수집에 미치는 영향은 상수 a, b를 이용해 수정하며; 최종적으로, 날씨에 뚜렷한 변화가 발생한 경우 제d+1일 제

Figure 112020126411382-pct00007
타임 슬롯이 예측해 낸 태양에너지 수집 파워 P(d+1,
Figure 112020126411382-pct00008
)를 계산해 내고 단계 7로 진입하는 단계 6;When there is a significant change in the weather, it is divided into two situations: a situation in which the weather is clearly improved and a situation in which the weather is significantly worse; The effect of these two situations on the collection of solar energy is corrected using constants a and b; Finally, if there is a significant change in the weather, the d+1 day
Figure 112020126411382-pct00007
The solar energy collection power P(d+1, predicted by the time slot)
Figure 112020126411382-pct00008
) is calculated and step 6 enters step 7;

예측 결과를 센서 노드에 피드백해 에너지를 관리하는 데 사용하는 단계 7;Step 7 to feed back the prediction result to the sensor node and use it to manage energy;

로 실행된다.is executed with

더 나아가, 상기 단계 2에서, 전후 이틀의 날씨 변화 계수 WCS의 계산공식은,Further, in step 2, the calculation formula of the weather change coefficient WCS for two days before and after is,

Figure 112020126411382-pct00009
이며,
Figure 112020126411382-pct00009
is,

여기에서, W(d,

Figure 112020126411382-pct00010
)는 제d 일 제i 타임 슬롯의 날씨 유형 지수이다.where W(d,
Figure 112020126411382-pct00010
) is the weather type index of the ith time slot on the dth day.

더 나아가, 상기 단계 4에서, 예측 당일의 앞 타임 슬롯의 에너지 수집수치와, 앞 D일에 대응되는 타임 슬롯의 에너지 수집수치 평균값 MD의 수치변화를 대조해 날씨 상황의 변화를 반영하되, WCMA 알고리즘은 아래와 같이 기재되고,Furthermore, in step 4, the change in weather conditions is reflected by comparing the numerical change of the energy collection value of the previous time slot on the predicted day and the average value M D of the energy collection value of the time slot corresponding to the previous D day, but the WCMA algorithm is described as below,

Figure 112020126411382-pct00011
Figure 112020126411382-pct00011

여기에서,

Figure 112020126411382-pct00012
는 제d 일 제
Figure 112020126411382-pct00013
타임 슬롯의 태양에너지 수집 파워의 예측값이고 E(d,
Figure 112020126411382-pct00014
)는 제d일 제
Figure 112020126411382-pct00015
타임 슬롯의 태양에너지 수집 파워의 실제 관찰값이며, α는 가중치 인자이되, α∈[0,1]이며; MD(d,
Figure 112020126411382-pct00016
)는 앞 D일 타임 슬롯
Figure 112020126411382-pct00017
의 태양에너지 수집 파워의 평균값이고 GAPy(
Figure 112020126411382-pct00018
)은 당일 타임 슬롯과 지난 D일에 대응되는 타임 슬롯의 날씨 변화 상황을 가리키는 데, 계산공식은,From here,
Figure 112020126411382-pct00012
is the d day
Figure 112020126411382-pct00013
The predicted value of the solar energy harvesting power of the time slot is E(d,
Figure 112020126411382-pct00014
) is the dth day
Figure 112020126411382-pct00015
is the actual observation of the solar energy collection power of the time slot, α is the weighting factor, α∈[0,1]; M D (d,
Figure 112020126411382-pct00016
) is the previous file timeslot
Figure 112020126411382-pct00017
is the average value of the solar energy collection power of GAP y (
Figure 112020126411382-pct00018
) indicates the weather change situation of the time slot of the day and the time slot corresponding to the last D day, and the calculation formula is,

Figure 112020126411382-pct00019
이며,
Figure 112020126411382-pct00019
is,

상기 식 중의 V는 예측할 타임 슬롯의 앞 k개 타임 슬롯의 날씨 변화 상황의 가중치로서, j가 크면 클수록 가중치 vj도 점점 커지고, 아래와 같으며,V in the above equation is the weight of the weather change situation of the k time slots before the time slot to be predicted, and as j is larger, the weight v j also becomes larger,

Figure 112020126411382-pct00020
Figure 112020126411382-pct00020

N은 하나의 1×k 어레이로서, 예측할 타임 슬롯의 앞 k개 타임 슬롯의 날씨 변화 상황을 기록하는데, 식은 아래와 같고, N is one 1×k array, and records the weather change conditions of the k time slots before the time slot to be predicted. The equation is as follows,

Figure 112020126411382-pct00021
Figure 112020126411382-pct00021

또한, 단계 4에서 nj은 아래 식Also, in step 4, n j is the expression

Figure 112020126411382-pct00022
에 의해 계산된다.
Figure 112020126411382-pct00022
is calculated by

더 나아가, 상기 단계 5와 단계 6에서, GAPx(

Figure 112020126411382-pct00023
)를 당일 타임 슬롯과 지난 D일에 대응되는 타임 슬롯의 날씨 변화 상황이라고 정의하고 τ는 날씨에 발생된 뚜렷한 변화이며, 또한, τ>0은 날씨가 뚜렷이 좋아지고, 태양에너지 수집 파워가 대폭 증가된 경우이고, τ<0은 날씨가 뚜렷이 나빠지고 태양에너지 수집 파워가 감소된 경우이며, 아래의 식과 같고,Further, in steps 5 and 6, GAP x (
Figure 112020126411382-pct00023
) is defined as the weather change situation of the time slot of the day and the time slot corresponding to the last D day, τ is a distinct change in the weather, and τ > 0 is a marked improvement in the weather and a significant increase in the solar energy collection power. , and τ < 0 is a case where the weather is markedly worse and the solar energy collection power is reduced, as in the following equation,

Figure 112020126411382-pct00024
Figure 112020126411382-pct00024

파라미터 a,b에 대한 설정을 통해 서로 다른 날씨 변화 상황이 태양에너지 수집 파워에 미치는 영향을 한정하되, 파라미터 a,b는 실제의 날씨 상황과 태양에너지 수집 상황에 근거해 확정하며; WC(

Figure 112020126411382-pct00025
)는 전후 이틀의 날씨 변화 상황으로서, 구체적으로 아래의 식과 같고, The influence of different weather conditions on solar energy collection power is limited by setting parameters a and b, and parameters a and b are determined based on actual weather conditions and solar energy collection conditions; WC(
Figure 112020126411382-pct00025
) is the weather change situation for the two days before and after, specifically, it is as the following equation,

Figure 112020126411382-pct00026
Figure 112020126411382-pct00026

여기에서, WF는 하나의 1×k어레이로서, 예측할 타임 슬롯과, 앞 k-1개 타임 슬롯의 날씨 변화 상황을 저장해 보존하는 데 사용하며, 상세하게, wf1,wf2 wfk의 계산식은 아래의 식과 같다.Here, WF is one 1×k array, which is used to store and preserve the time slot to be predicted and the weather change situation of the previous k-1 time slots, in detail, wf 1 , wf 2 ... The calculation formula for wf k is as follows.

Figure 112020126411382-pct00027
Figure 112020126411382-pct00027

또한, 인입된 V는 하나의 1×k 어레이로서, 가중치를 구현하는 데 사용하며; 여기에서, j가 크면 클수록 가중치 vj도 점점 커지는 데, 즉, 예측할 타임 슬롯의 날씨 변화 상황에 가까이할 수록 더 중요하며, 구체적으로 아래의 식과 같고, Also, the incoming V is one 1×k array, which is used to implement the weights; Here, the larger j is, the larger the weight v j is, that is, the closer it is to the weather change situation of the time slot to be predicted, the more important it is, specifically,

Figure 112020126411382-pct00028
Figure 112020126411382-pct00028

WF와 V를 곱한 후 V의 합계를 나누고 최종적인 결과를 날씨 변화 상황 WC(

Figure 112020126411382-pct00029
)으로 확정한다.After multiplying WF by V, dividing the sum of V, the final result is the weather change situation WC(
Figure 112020126411382-pct00029
) to be confirmed.

더 나아가, 상기 단계 6에서, 최종적인 예측 알고리즘은 아래 식Further, in step 6, the final prediction algorithm is

Figure 112020126411382-pct00030
이며,
Figure 112020126411382-pct00030
is,

여기에서, wt는 날씨가 뚜렷이 변화된 여부를 반영하는 임계값이고 wt의 크기는 기왕 실시간 날씨 유형 데이터와 노드 수집 파워 데이터에 대한 분석을 통해 얻어 낸다.Here, w t is a threshold value that reflects whether the weather has changed significantly, and the size of w t is obtained through analysis of real-time weather type data and node-collected power data.

본 발명은 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘을 제공하는 데, 해당 방법은 비교적 작은 공간과 짧은 시간을 이용해 태양에너지 수집 기능을 구비하는 무선 센서 네트워크 노드의 수집 파워를 정확하게 예측할 수 있다.The present invention provides a weather data-based wireless sensor network node solar energy collection power prediction algorithm, which can accurately predict the collection power of a wireless sensor network node having a solar energy collection function using a relatively small space and short time. can

본 발명은 날씨 변화가 태양에너지 수집 파워 예측에 대해 미치는 영향을 충분히 감안하고 날씨 변화와 태양에너지 수집 파워를 대조분석해 태양에너지 수집에 대한 날씨변화의 작용관계를 발견함으로써, 날씨 변화가 뚜렷한 상황에서 노드 태양에너지 수집 파워를 정확하게 예측한다. 이와 동시에, 해당 방법은 날씨가 뚜렷이 변화되고 날씨가 안정적으로 변화되는 상황에서도 모두 아주 높은 예측 정밀도를 얻을 수 있다.The present invention fully considers the effect of weather changes on the prediction of solar energy collection power and compares and analyzes weather changes and solar energy collection power to discover the action relationship of weather changes on solar energy collection. Accurately predict solar energy collection power. At the same time, the method can obtain very high prediction precision even in situations in which the weather changes significantly and the weather changes stably.

도 1은 겨울 24개 타임 슬롯(time slot)의 수집 파워 대조도이고;
도 2는 겨울 서로 다른 타임 슬롯과 서로 다른 날씨 유형의 날씨 유형 지수 대응관계를 도시하였고;
도 3은 EWMA과 WCMA 알고리즘이 예측한 태양에너지 수집의 에너지 곡선을 도시하였고;
도 4는 태양에너지 수집 파워 예측 알고리즘 흐름도이다.
1 is a collection power contrast diagram of 24 time slots in winter;
2 shows the weather type index correspondence of different time slots and different weather types in winter;
Figure 3 shows the energy curve of solar energy collection predicted by EWMA and WCMA algorithms;
4 is a flowchart of a solar energy collection power prediction algorithm.

이하, 명세서 도면과 결합해 본 발명의 기술안을 더 상세히 설명한다.Hereinafter, the technical proposal of the present invention will be described in more detail in combination with the drawings of the specification.

종래기술에 따라 태양에너지 수집기능을 구비한 무선 센서 네트워크 노드가 에너지 관리 효율이 너무 낮고 전통적인 태양에너지 수집 예측 알고리즘이 날씨 변화가 비교적 자주 발생하는 상황에 적응할 수 없는 문제점을 해결하기 위해, 본 발명은 기상예보의 날씨 데이터를 태양에너지 수집 파워의 예측 알고리즘 중에 인입하였다. 해당 방법은 먼저 날씨 변화와 노드 수집 파워의 연관성을 상세히 분석하고 날씨가 수집 파워에 미치는 영향을 수치화 하였으며; 다음, 날씨 변화를 뚜렷한 변화 없음, 날씨가 뚜렷이 좋아짐과 날씨가 뚜렷이 나빠짐과 같이 3개로 구분하고 상황별로 각각 수집 파워 예측을 토론하였다. 해당 방법은 날씨 변화가 예측 결고에 대해 미치는 영향을 효과적으로 해결하고 예측 결과의 정밀도를 향상할 수 있으며, 알고리즘의 적합성을 향상하고 기후 특징이 서로 다른 상황에서도 모두 아주 우수한 예측 효과를 이룰 수 있다.In order to solve the problem that the wireless sensor network node having the solar energy collection function according to the prior art has too low energy management efficiency and the traditional solar energy collection prediction algorithm cannot adapt to the situation in which weather changes occur relatively frequently, the present invention is The weather data of the weather forecast was imported into the prediction algorithm of the solar energy collection power. The method first analyzed in detail the relationship between weather change and node collection power and quantified the effect of weather on the collection power; Next, the weather change was divided into three categories: no significant change, clear improvement in weather, and clear worsening of weather, and the collection power prediction was discussed for each situation. The method can effectively solve the impact of weather changes on the forecasting outcome, improve the precision of the forecasting results, improve the suitability of the algorithm, and achieve very good forecasting effects even in situations with different climatic characteristics.

본 방법은 주로 3개 부분으로 나누는 데, 첫째, 서로 다른 기후 유형과 태양에너지 수집 파워의 관계를 분석하며; 둘째, 예측 당일과 전날의 날씨 변화를 계산해 분석하며; 셋째, 서로 다른 기후 변화 상황에 근거해 태양에너지 수집 파워의 예측값을 계산한다.The method is mainly divided into three parts: first, analyzing the relationship between different climate types and solar energy harvesting power; Second, calculate and analyze the weather change on the day of prediction and the previous day; Third, the predicted value of solar energy collection power is calculated based on different climate change situations.

(1) 서로 다른 기후 유형과 태양에너지 수집 파워의 관계에 대한 분석(1) Analysis of the relationship between different climate types and solar energy collection power

기왕 데이터 분석을 통해 계절별 날씨 유형이 태양에너지 수집에 대해 미치는 영향의 정도 또한 다소 차이점이 존재한다는 결론을 도출해 냈는데, 계절을 표준으로 데이터를 봄, 여름, 가을, 겨울 4개 부분으로 나누고, 이와 같은 영향 요소를 날씨 유형 지수로 매핑(mapping)함으로써, 날씨 유형이 태양에너지 수집에 대해 미치는 영향을 반영한다.Through previous data analysis, it was concluded that there are also some differences in the degree of influence of seasonal weather types on solar energy collection. By mapping the influencing factors to the weather type index, the influence of the weather type on solar energy collection is reflected.

어느 상황 내부 센서 노드의 근래 지난 5년의 실시간 날씨 유형 데이터와 노드 수집 파워 데이터를 선택한다. 먼저, 날씨 유형을 맑은 날씨(C), 맑은 날씨에 가끔 구름이 낌(PC), 구름이 있음(SC), 다량 구름(MCI), 흐림(O), 진눈깨비(RS)와 같이 6개로 나눈다. 하루 중에서 서로 다른 시간대의 수집량은 뚜렷한 차이점이 존재하는 데, 1시간을 1타임 슬롯으로 삼아 하루를 24개 타임 슬롯(time slot)으로 나눈다. 다음, 서로 다른 날씨 유형과 서로 다른 타임 슬롯의 태양에너지 수집 전려글 통계 처리한다(도 1은 겨울 24개 타임 슬롯의 수집 파워 대조도임). 마지막으로, 각 날씨 유형 데이터 간의 배율관계에 근거해 배율관계를 날씨 유형 지수로 매핑(mapping)한다. 도 1에서 도시하는 바와 같이, 해가 뜨고 지는 것을 제외한 나머지 타임 슬롯의 수집량은 날씨 유형과의 관계가 아주 뚜렷하므로, 11 내지 17타임 슬롯의 날씨 유형 지수가 각 날씨 유형 데이터 간의 배율관계이고 나머지 타임 슬롯의 날씨 유형 지수가 모든 타임 슬롯의 평균값이다. 흐린 날씨의 데이터 량이 많으므로, 그 날씨 유형 지수 W를 단위 1로 설정하고, 나머지 날씨 유형 지수는 흐린 날씨의 기초 상에서 등가 전환 시킨다. 도 2는 어느 상황의 겨울 서로 다른 타임 슬롯과 서로 다른 날씨 유형의 날씨 유형 지수 대응관계를 도시하였다.Select real-time weather type data and node collection power data for the past 5 years of the inner sensor node in a certain situation. First, we divide the weather types into six categories: sunny (C), sunny with occasional clouds (PC), overcast (SC), heavy clouds (MCI), overcast (O), and sleet (RS). There is a clear difference in the amount of collection at different times of the day. One hour is one time slot, and the day is divided into 24 time slots. Next, solar energy collection message statistics are processed for different weather types and different time slots (FIG. 1 is a comparison diagram of the collection power of 24 winter time slots). Finally, the scale relationship is mapped to a weather type index based on the scale relationship between each weather type data. As shown in FIG. 1 , the collection amount of time slots other than the rising and setting of the sun has a very clear relationship with the weather type, so the weather type index of the 11th to 17th time slots is a multiplier relationship between each weather type data, and the remaining time The slot's weather type index is the average of all time slots. Since the amount of data for cloudy weather is large, the weather type index W is set to a unit of 1, and the remaining weather type indexes are converted into equivalents on the basis of cloudy weather. FIG. 2 shows the correspondence relationship of weather type indexes of different time slots and different weather types in winter in a certain situation.

(2) 예측 당일과 전날의 날씨 변화에 대한 계산과 분석(2) Calculation and analysis of weather changes on the forecast day and the previous day

EWMA 알고리즘은 예측 지점의 날씨가 기본상 변하지 않는 상황에서 비교적 높은 정확성을 갖지만, WCMA 알고리즘은 EWMA 알고리즘이 날씨 변화에 적응할 수 없는 폐단을 수정해 알고리즘이 날씨가 변하는 상황에서의 예측도 비교적 높은 정밀도를 갖도록 하였다. 하지만, 예측 지점의 날씨에 흐린 날이 맑은 날로 변하는 것 처럼 심각한 변화가 발생한 경우, WCMA는 여전히 비교적 높은 오차가 발생한다. 본 발명의 사상은, WCMA를 바탕으로 네트워크상의 실시간 날씨를 인입함으로써, EWMA와 WCMA가 예측 지점 날씨의 뚜렷한 변화에 적응할 수 없는 폐단을 개선하려는 데 있다.The EWMA algorithm has relatively high accuracy in the situation where the weather at the forecasting point does not change by default, but the WCMA algorithm corrects the disadvantage that the EWMA algorithm cannot adapt to the weather change, so that the algorithm can predict the weather with relatively high precision. made to have However, if there is a significant change in the weather at the forecast point, such as a cloudy day turning into a sunny day, WCMA still has a relatively high error. The idea of the present invention is to improve the disadvantages of EWMA and WCMA incapable of adapting to a distinct change in the forecast point weather by introducing real-time weather on the network based on WCMA.

날씨 상황이 다양한 변화를 이루므로, 날씨조절인자 GAP(

Figure 112020126411382-pct00031
)의 계산은 다양한 측면을 검토해야 한다. 예측 당일이 전날의 날씨 상황에 대비해 기본상 동일, 뚜렷한 변화 및 심각한 변화 등이 나타난 경우, 태양에너지의 수집이 다양한 변화가 발생되도록 하지만, 날씨 상황과 태양에너지의 수집 파워 또한 간단한 선형 관계를 구성하지 않으므로, 상황별로 검토해야 한다. 이 기초 상에서, 예측 당일과 전날의 날씨 상황 변화를 구별하는 방안을 검토해야 한다. 기왕 데이터 분석을 통해 하루 날씨 상황의 좋고 나쁨 또는 태양에너지 수집 파워의 높낮이를 결정하는 주요 요소는 정오와 오후 시간대의 날씨 상황이라는 것을 발견하였다. 정오와 오후 시간대의 날씨 상황이 맑은 날씨인 경우에는 당일에 수집된 태양에너지가 비교적 높으며; 이에 반해, 정오와 오후 시간대의 날씨 상황이 흐리었거나 또는 비가 내리는 경우에는 당일의 태양에너지 수집 파워가 아주 낮다. 따라서, 새로운 변수인 WCS를 인입해 예측 당일과 전날의 날씨 변화를 반영하는 데, 상세하게는 아래의 공식(1)과 같고,Since the weather conditions make various changes, the weather modulator GAP (
Figure 112020126411382-pct00031
) calculation should consider various aspects. When the forecasting day is basically the same, a clear change, or a serious change is shown in relation to the weather situation of the previous day, the collection of solar energy causes various changes, but the weather situation and the collection power of solar energy also do not constitute a simple linear relationship. Therefore, it should be considered on a case-by-case basis. On this basis, it is necessary to consider how to distinguish the change in weather conditions on the day of prediction and the day before. Through the previous data analysis, it was found that the main factor determining the good or bad of the day's weather conditions or the level of solar energy collection power was the weather conditions in the noon and afternoon time zones. When the weather conditions in the noon and afternoon hours are clear, the solar energy collected on the day is relatively high; On the other hand, when the weather conditions at noon and afternoon are cloudy or raining, the solar energy collection power of the day is very low. Therefore, a new variable, WCS, is introduced to reflect the weather change on the forecast day and the previous day.

Figure 112020126411382-pct00032
Figure 112020126411382-pct00032

서로 다른 장면은 경위도가 다르므로, 공식(1) 중의

Figure 112020126411382-pct00033
값 또한 확실하지 않다. W(d,
Figure 112020126411382-pct00034
)는 제d 일 제i 타임 슬롯의 날씨 유형 지수이다.Since different scenes have different latitudes, in formula (1)
Figure 112020126411382-pct00033
The value is also uncertain. W(d,
Figure 112020126411382-pct00034
) is the weather type index of the ith time slot on the dth day.

(3) 서로 다른 날씨 변화 상황에 근거한 태양에너지 수집 파워 예측값 계산:(3) Calculation of solar energy collection power forecasts based on different weather conditions:

서로 다른 날씨 변화를 구별한 다음, 각종 변화의 상세한 계산방법을 검토해야 한다.After distinguishing between the different weather changes, we need to examine the detailed calculation methods for these changes.

도 3은 EWMA과 WCMA 알고리즘이 예측한 에너지 곡선과 일당 평균 오차를 도시하였다(타임 슬롯별 1시간). 분석에 의해 WCMA 알고리즘은 EWMA 알고리즘에 대비해 예측의 오차가 줄었지만, 날씨 변화가 뚜렷한 경우, 여전히 비교적 큰 오차가 발생하는 결론을 도출해 냈다. WCMA 알고리즘에 대한 대량 실험(실험할 때의 가중치α를 0.5로 고정)을 통해, 해당 알고리즘은 서로 다른 날씨 변화 상황에 대한 예측 오차가 다르는 것을 발견하였다. 대조 결과, 맑은 날씨에서 흐린 날씨로 변환하는 날씨는 예측 오차가 아주 크며; 흐린 날씨에서 맑은 날씨로 변환하는 날씨는 예측 오차가 비교적 크며; 당일 후 이틀의 날씨 상황이 기본상 같은 경우, 예측 오차가 아주 작다는 것을 발견하였다. 따라서, 서로 다른 날씨 변화 상황에 대한 분류를 감안해 주로 날씨에 뚜렷한 변화가 발생하는 경우와 날씨에 뚜렷한 변화가 발생하지 않는 2개 부류로 나누고, 각각 GAPX와 GAPy로 표시한다.3 shows the energy curves predicted by the EWMA and WCMA algorithms and the average error per day (1 hour per time slot). According to the analysis, the WCMA algorithm reduced the prediction error compared to the EWMA algorithm, but it was concluded that a relatively large error still occurs when the weather change is clear. Through a large-scale experiment on the WCMA algorithm (the weight α during the experiment is fixed at 0.5), the algorithm found that the prediction error for different weather conditions was different. As a comparison, the weather conversion from sunny to cloudy weather has a very large forecast error; Weather that converts from cloudy to sunny weather has a relatively large forecast error; It was found that the forecast error is very small when the weather conditions for the two days after the day are basically the same. Therefore, considering the classification of different weather change situations, it is mainly divided into two categories, a case in which a clear change in weather occurs and a case in which a clear change in weather does not occur, and is denoted as GAP X and GAP y , respectively.

① 먼저 비교적 복잡한 상황, 즉, 날씨에 뚜렷한 변화가 발생한 경우의 GAPX 계산법을 설명한다. 상기 분석에 근거해, 다시 전후 이틀의 날씨 상황을 각각 날씨 변화가 심각하고 태양에너지 수집 파워가 대폭 증가하는 상황과 날씨 변화가 심각하고 태양에너지 수집 파워가 대폭 감소하는 상황 과 같이 2개로 세분화한다. 설명에 편리하도록 하기 위해, 공식 (2)에 표시된 바와 같이, τ를 날씨에 뚜렷한 변화가 발생한 상황으로 정의하고, τ>0를 날씨가 뚜렷하게 좋아지고 태양에너지 수집 파워가 대폭 증가하는 상황으로 정의하며, τ<0를 날씨가 뚜렷하게 나빠지고 태양에너지 수집 파워가 대폭 감소하는 상황으로 정의한다. 공식 (2)와 같다.① First, the calculation method of GAP X in a relatively complex situation, that is, when a clear change in weather occurs, will be described. Based on the above analysis, the weather conditions of the two days before and after are further subdivided into two, respectively, a situation in which the weather change is severe and the solar energy collection power is greatly increased, and a situation where the weather change is severe and the solar energy collection power is greatly reduced. For convenience of explanation, as shown in Equation (2), τ is defined as a situation in which a marked change in weather occurs, and τ > 0 is defined as a situation in which the weather is significantly improved and the solar energy collection power is greatly increased, , τ<0 is defined as a situation in which the weather is markedly bad and the solar energy collection power is greatly reduced. Same as formula (2).

Figure 112020126411382-pct00035
Figure 112020126411382-pct00035

파라미터 a,b에 대한 설정을 통해 서로 다른 날씨 변화 상황이 태양에너지 수집 파워에 미치는 영향을 한정하되, 파라미터 a,b는 실제 날씨 상황과 태양에너지 수집 상황에 근거해 확정한다. WC(

Figure 112020126411382-pct00036
)는 전후 이틀의 날씨 변화 상황으로서, 구체적으로 공식 (3)과 같다. The effects of different weather conditions on solar energy collection power are limited by setting parameters a and b, but parameters a and b are determined based on actual weather conditions and solar energy collection conditions. WC(
Figure 112020126411382-pct00036
) is the weather change situation for the two days before and after, specifically as in Formula (3).

Figure 112020126411382-pct00037
Figure 112020126411382-pct00037

여기에서, WF는 하나의 1×k어레이로서, 예측할 타임 슬롯과, 앞 k-1개 타임 슬롯의 날씨 변화 상황을 저장해 보존하는 데 사용하며, 상세하게, wf1,wf2,,,wfk의 계산공식은 공식(4) 내지 공식(5)와 같다, Here, WF is one 1×k array, which is used to store and preserve the time slot to be predicted and the weather change situation of the previous k-1 time slots, in detail, wf 1 ,wf 2 ,,,wf k The calculation formula of is the same as Formula (4) to Formula (5),

Figure 112020126411382-pct00038
Figure 112020126411382-pct00038

예측할 타임 슬롯과 앞 k-1개 타임 슬롯의 날씨 변화 상황을 통해 예측할 타임 슬롯의 날씨 상황을 반영하는 경우, 더 감안해야 하는 하나의 문제는, wf1,wf2,,,wfk가 예측할 타임 슬롯의 날씨 상황에 미치는 영향이 달라 예측할 타임 슬롯의 날씨 변화 상황에 가까이할 수록 더 중요한 것이 자명하므로, 가중치의 개념을 인입해야 하는 것이다. V는 여전히 하나의 1×k어레이로서, 가중치를 구현하는 데 사용된다. 여기에서, j가 크면 클수록 가중치 vj도 점점 커지는 데, 즉, 예측할 타임 슬롯의 날씨 변화 상황에 가까이 할수록 더 중요하며, 구체적으로 공식 (6) 내지 (7)과 같다. When the weather condition of the time slot to be predicted is reflected through the time slot to be predicted and the weather change condition of the preceding k-1 time slots, one more problem to consider is the time that wf 1 ,wf 2 ,,,wf k will predict. Since the influence on the weather condition of the slot is different and it is obvious that the closer to the weather change condition of the time slot to be predicted, the more important, so the concept of weight should be introduced. V is still a 1xk array, which is used to implement the weights. Here, as j is large, the weight v j also increases, that is, the closer the weather change situation of the time slot to be predicted, the more important it is, and specifically, it is as in Formulas (6) to (7).

Figure 112020126411382-pct00039
Figure 112020126411382-pct00039

WF와 V를 곱한 후 V의 합계를 나누고 최종적인 결과를 날씨 변화 상황 WC(

Figure 112020126411382-pct00040
)으로 확정한다. After multiplying WF by V, dividing the sum of V, the final result is the weather change situation WC(
Figure 112020126411382-pct00040
) to be confirmed.

② 이어서, 날씨에 뚜렷한 변화가 발행하지 않은 상황, 즉, GAPy의 계산을 검토한다. 당일 후 이틀의 날씨 상황이 모두 맑은 날씨 또는 흐린 날씨인 경우, 노드가 수집한 에너지 값은 큰 변화가 발생하지 않지만, 변화가 발생하지 않는 것은 아니며, 동일하게 맑은 날씨이고 온도와 습도 등 요소때문에, 미세한 차이점이 발생할 수 있으며, 이때 WCMA 알고리즘의 사상을 선택해 예측 당일의 앞 타임 슬롯의 에너지 수집수치와, 앞 D일에 대응되는 타임 슬롯의 에너지 수집수치 평균값 MD의 수치변화를 대조함으로써, 날씨 상황의 변화를 반영하는 데, WCMA 알고리즘은 아래와 같이 기재되며,② Next, the calculation of GAP y is reviewed in a situation where there is no significant change in the weather. If the weather conditions for the two days after the same day are both sunny or cloudy, the energy value collected by the node does not change significantly, but it does not mean that there is no change. Minor differences may occur. At this time, by selecting the mapping of the WCMA algorithm and comparing the numerical change of the energy collection value of the previous time slot on the day of prediction and the average value of the energy collection value of the time slot corresponding to the previous D day, M D , the weather situation To reflect the change of , the WCMA algorithm is described as follows,

Figure 112020126411382-pct00041
Figure 112020126411382-pct00041

여기에서,

Figure 112020126411382-pct00042
는 제d 일 제
Figure 112020126411382-pct00043
타임 슬롯의 태양에너지 수집 파워의 예측값이고
Figure 112020126411382-pct00044
는 제d일 제
Figure 112020126411382-pct00045
타임 슬롯의 태양에너지 수집 파워의 실제 관찰값이며, α는 가중치 인자이되, α∈[0,1]이다. MD(d,
Figure 112020126411382-pct00046
)는 앞 D일 타임 슬롯
Figure 112020126411382-pct00047
의 태양에너지 수집 파워의 평균값이고 GAPy(
Figure 112020126411382-pct00048
)은 당일 타임 슬롯과 지난 D일에 대응되는 타임 슬롯의 날씨 변화 상황을 가리키는 데, 구체적으로 공식 (9) 내지 (10)과 같다,From here,
Figure 112020126411382-pct00042
is the d day
Figure 112020126411382-pct00043
It is the predicted value of the solar energy collection power of the time slot.
Figure 112020126411382-pct00044
is the d day
Figure 112020126411382-pct00045
It is the actual observed value of the solar energy collection power of the time slot, where α is a weighting factor, but α∈[0,1]. M D (d,
Figure 112020126411382-pct00046
) is the previous file timeslot
Figure 112020126411382-pct00047
is the average value of the solar energy collection power of GAP y (
Figure 112020126411382-pct00048
) indicates the weather change situation of the time slot of the day and the time slot corresponding to the last D day, specifically as in formulas (9) to (10),

Figure 112020126411382-pct00049
Figure 112020126411382-pct00049

공식(10) 중의 V는 예측할 타임 슬롯의 앞 k개 타임 슬롯의 날씨 변화 상황의 가중치로서, j가 크면 클 수록 가중치 vj도 커지고, 공식 (6) 내지 (7)과 같다. N은 하나의 1×k 어레이로서, 예측할 타임 슬롯의 앞 k개 타임 슬롯의 날씨 변화 상황을 기록하였고, 공식 (11) 내지 (12)와 같다.V in Equation (10) is a weight of the weather change situation of k time slots in front of the time slot to be predicted. As j increases, the weight v j also increases, as in Equations (6) to (7). N is one 1×k array, in which the weather change conditions of the k time slots in the front of the time slot to be predicted are recorded, as in Equations (11) to (12).

Figure 112020126411382-pct00050
Figure 112020126411382-pct00050

최종적인 예측 알고리즘은 공식(13)과 같고, The final prediction algorithm is as Equation (13),

Figure 112020126411382-pct00051
Figure 112020126411382-pct00051

여기에서, Wt는 날씨에 뚜렷한 변화가 발생한 여부를 반영하는 임계값이고 Wt의 크기는 기왕 실시간 날씨 유형 데이터와 노드 수집 파워 데이터를 분석해 얻는다.Here, W t is a threshold that reflects whether or not a clear change in weather has occurred, and the size of W t is obtained by analyzing the real-time weather type data and node-collected power data.

본 방법은 주로 태양에너지 수집 파워를 예측하는 구체적인 과정이다.This method is mainly a specific process for predicting solar energy collection power.

태양에너지 수집 파워 예측: 도 4는 태양에너지 수집 파워 흐름도이며, 상세한 실행단계는 아래와 같다.Solar energy collection power prediction: Figure 4 is a solar energy collection power flow chart, detailed execution steps are as follows.

단계 1: 모니터링 영역 중에서 가까운 지난 5년의 실시간 날씨 유형 데이터와 태양에너지 수집 파워 데이터를 선택하고 날씨 유형을 각각 맑은 날씨(C), 맑은 날씨에 가끔 구름이 낌(PC), 구름이 있음(SC), 다량 구름(MCI), 흐림(O), 진눈깨비(RS)와 같이 6개로 나눈다. 서로 다른 날씨 유형과 서로 다른 타임 슬롯의 태양에너지 수집 파워를 통계 처리하고 각 날씨 유형 데이터 간의 배율관계에 근거해 배율관계를 날씨 유형 수치 지수 W로 매핑하며 단계 2로 진입한다.Step 1: Select real-time weather type data and solar energy collection power data of the nearest past 5 years from the monitoring area, and set the weather type as sunny (C), sunny with occasional cloudy (PC), and cloudy (SC), respectively. ), heavy cloud (MCI), cloudy (O), and sleet (RS). The solar energy collection power of different weather types and different time slots is statistically processed, and the scale relationship is mapped to the weather type numerical index W based on the scale relationship between the data of each weather type, and step 2 is entered.

단계 2: 당일 실제 기상예보데이터 W(d+1,

Figure 112020126411382-pct00052
)(
Figure 112020126411382-pct00053
=1,224)를 얻고, 예측 당일의 기상예보데이터 W(d+1,
Figure 112020126411382-pct00054
)와 전날 기상예보데이터 W(d,
Figure 112020126411382-pct00055
)를 대조해 전후 이틀의 날씨 변화 계수WCS를 얻으며, 단계 3에 진입한다.Step 2: Actual weather forecast data W(d+1,
Figure 112020126411382-pct00052
)(
Figure 112020126411382-pct00053
=1,2 24), and the weather forecast data W(d+1,
Figure 112020126411382-pct00054
) and the previous day's weather forecast data W(d,
Figure 112020126411382-pct00055
) to obtain the weather change coefficient WCS of the two days before and after, and enter step 3.

단계 3: Wt는 날씨에 뚜렷한 변화가 발생하는 여부와 임계값을 반영하고, 크기는 기왕 실시간 날씨 유형 데이터와 노드 수집 파워 데이터를 분석해 얻되, WCS와 Wt를 대조한다. |WCS|<Wt인 경우, 예측 당일과 전날의 날씨가 기본상 같다고 간주하고, 직접 단계 4로 건너뛰며; |WCS|≥Wt인 경우, 예측 당일과 전날의 날씨에 뚜렷한 변화가 발생한 것으로 간주하고, 직접 단계 5로 건너뛴다.Step 3: W t reflects whether or not a significant change in weather occurs and the threshold, and the magnitude is obtained by analyzing the real-time weather type data and node-collected power data, but contrasts WCS and W t . If |WCS|<W t , it is assumed that the weather on the forecast day and the previous day are basically the same, and skip directly to step 4; If |WCS|≥W t , it is assumed that a significant change has occurred in the weather on the day of prediction and on the previous day, and skip directly to step 5.

단계 4: 먼저 예측 당일과 전날의 날씨가 기본상 같은 상황을 검토하고 WCMA알고리즘의 사상을 이용한다. 공식(9)에서 표시하는 바와 같이, MD는 무선 센서 네트워크 노드 앞 D일 제

Figure 112020126411382-pct00056
타임 슬롯의 에너지 수집수치 평균값이고, N=[n1,n2,,,nk]은 하나의 1×k어레이로서, 예측할 타임 슬롯의 앞 k개 타임 슬롯의 날씨 변화 상황을 기록하는 데, 그 중 ni은 공식(12)로 계산해 얻는다. V=[v1,v2,,,vk]은 가중치를 반영하는 데 사용하되, 그 중 vj는 공식(7)로 계산해 얻고, 최종적으로 공식(10)으로 예측 당일과 전날을 반영하는 날씨 변화 정도를 계산해 낸다.(예측 지점의 기왕 수집 파워 데이터를 통해 확정) 이 때의 태양에너지 수집 예측값은 직접 공식(5)로 계산할 수 있으며, 그 후 단계 7로 건너뛴다.Step 4: First, review the situation in which the weather on the forecast day and the previous day are basically the same, and use the ideas of the WCMA algorithm. As shown in formula (9), M D is the first D in front of the wireless sensor network node.
Figure 112020126411382-pct00056
It is the average value of the energy collection value of the time slot, and N=[n 1 ,n 2 ,,,n k ] is one 1×k array, which records the weather change situation of the k time slots in the front of the time slot to be predicted, Among them, n i is obtained by calculating with formula (12). V=[v 1 ,v 2 ,,,v k ] is used to reflect the weight, of which v j is obtained by calculating with formula (7), and finally using formula (10) to reflect the prediction day and the previous day. Calculate the degree of change in the weather (confirmed through the previously collected power data at the prediction point). The predicted value of solar energy collection at this time can be directly calculated by formula (5), and then skip to step 7.

단계 5: 예측 당일과 전날 날씨에 뚜렷한 변화가 발생한 경우, 예측 당일의 실제 기상예보데이터를 이용해 예측 오차를 수정한다. WF=[wf1,wf2,,,wfk]는 하나의 1×k어레이로서, 예측할 타임 슬롯과 앞 k-1개 타임 슬롯의 날씨 변화 상황을 저장해 보존하는 데 사용하되, 그 중 wfj는 기상예보데이터를 통해 계산하는 것으로서, 상세하게는 공식(5)에 표시된 바와 같으며, 최종적으로는 공식(3)에 의해 날씨가 뚜렷이 변하였을 때 예측 당일 타임 슬롯

Figure 112020126411382-pct00057
와 앞 k-1개 타임 슬롯의 날씨 변화 정도를 계산해 내고 단계 6으로 진입한다.Step 5: If there is a clear change in the weather on the forecast day and the previous day, the forecast error is corrected using the actual weather forecast data on the forecast day. WF=[wf 1 ,wf 2 ,,,wf k ] is a 1×k array, which is used to store and preserve the time slot to be predicted and the weather conditions of the previous k-1 time slots, of which wf j is calculated through weather forecast data, and is as detailed in formula (5), and finally, when the weather changes significantly according to formula (3),
Figure 112020126411382-pct00057
and calculate the degree of weather change in the preceding k-1 time slots, and proceed to step 6.

단계 6: 날씨에 뚜렷한 변화가 발생한 경우, 각각 날씨가 뚜렷이 좋아진 상황과 날씨가 뚜렷이 나빠진 상황과 같이 2개 상황으로 나눈다. 이 2개 상황이 태양에너지의 수집에 미치는 영향이 다르며, 공식(2)에 표시된 바와 같이, 상수 a,b를 이용해 수정한다. 최종적으로, 공식(13)을 이용해 날씨에 뚜렷한 변화가 발생한 경우 제d+1 일 제

Figure 112020126411382-pct00058
타임 슬롯이 예측해 낸 태양에너지 수집 파워 P(d+1,
Figure 112020126411382-pct00059
)를 계산해 내고 단계 7로 진입한다.Step 6: When there is a significant change in the weather, it is divided into two situations: a situation in which the weather has significantly improved and a situation where the weather has significantly deteriorated. The effects of these two situations on the collection of solar energy are different, and as shown in Equation (2), they are corrected using the constants a and b. Finally, using formula (13), if there is a significant change in the weather, the d+1 day
Figure 112020126411382-pct00058
The solar energy collection power P(d+1, predicted by the time slot)
Figure 112020126411382-pct00059
) and proceed to step 7.

단계 7: 예측 결과를 센서 노드에 피드백해 에너지를 관리하는 데 사용한다.Step 7: The prediction result is fed back to the sensor node and used to manage energy.

상술한 내용은 본 발명의 바람직한 실시방식에 불과하며, 본 발명의 보호범위가 상기 실시방식에 의해 한정되지는 않지만, 본 발명 기술분야의 통상적인 기술자들이 본 발명에 게재된 내용에 근거해 실시한 등가수식 또는 변경은 모두 특허청구범위에 기재된 보호범위내에 포함된다.The above is only a preferred embodiment of the present invention, and the scope of protection of the present invention is not limited by the embodiment, but equivalents implemented by those skilled in the art of the present invention based on the content disclosed in the present invention All modifications or changes are included within the scope of protection described in the claims.

Claims (5)

삭제delete 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측방법에 있어서,
모니터링 영역 중에서 근래 지난 5년의 실시간 날씨 유형 데이터와 태양에너지 수집 파워 데이터를 선택하고, 날씨 유형을 각각 맑은 날씨(C), 맑은 날씨에 가끔 구름이 낌(PC), 구름이 있음(SC), 다량 구름(MCI), 흐림(O), 진눈깨비(RS)와 같이 6개로 나누며; 서로 다른 날씨 유형과 서로 다른 타임 슬롯(time slot)의 태양에너지 수집 파워를 통계 처리하고, 각 날씨 유형 데이터 간의 배율관계에 근거해 배율관계를 날씨 유형 수치 지수 W로 매핑(mapping)하며, 단계 2로 진입하는 단계 1;
당일 실제 기상예보데이터 W(d+1,
Figure 112022027811254-pct00094
)(
Figure 112022027811254-pct00095
=1,224)를 얻고, 예측 당일의 기상예보데이터 W(d+1,
Figure 112022027811254-pct00096
)와 전날 기상예보데이터 W(d,
Figure 112022027811254-pct00097
)를 대조해, 전후 이틀의 날씨 변화 계수 WCS를 얻으며, 단계 3에 진입하는 단계 2;
Wt는 날씨에 뚜렷한 변화가 발생하는 여부와 임계값을 반영하고, 크기는 기왕 실시간 날씨 유형 데이터와 노드 수집 파워 데이터를 분석해 얻되, WCS와 Wt를 대조하며; |WCS|<Wt인 경우, 예측 당일과 전날의 날씨가 기본상 같다고 간주하고, 직접 단계 4로 건너뛰며; |WCS|≥Wt인 경우, 예측 당일과 전날의 날씨에 뚜렷한 변화가 발생한 것으로 간주하고, 직접 단계 5로 건너뛰는 단계 3;
먼저 예측 당일과 전날의 날씨가 기본상 같은 상황을 검토하고, WCMA 알고리즘의 사상을 이용하며; MD는 무선 센서 네트워크 노드 앞 D일 제
Figure 112022027811254-pct00098
타임 슬롯의 에너지 수집수치 평균값이고, N=[n1,n2,,,nk]은 하나의 1×k 어레이로서, 예측할 타임 슬롯의 앞 k개 타임 슬롯의 날씨 변화 상황인 데, 그 중 nj은 계산으로 얻으며; V=[v1,v2,,,vk]은 가중치를 반영하는 데 사용하되, 여기에서 Vj은 계산으로 얻고, 최종적으로 예측 당일과 전날을 반영하는 날씨 변화 정도를 계산해 내며(예측 지점의 기왕 수집 파워의 데이터를 통해 확정); 이때 태양에너지 수집 예측값은 직접적인 계산이 가능하며, 그 후 단계 7로 건너뛰는 단계 4;
예측 당일과 전날 날씨에 뚜렷한 변화가 발생한 경우, 예측 당일의 실제 기상예보데이터를 이용해 예측 오차를 수정하며; WF=[wf1,wf2,,,wfk]는 하나의 1×k 어레이로서, 예측할 타임 슬롯과 앞 k-1개 타임 슬롯의 날씨 변화 상황을 저장해 보존하는 데 사용하되, 여기에서 wfj는 기상예보데이터를 통해 계산하는 것으로서, 최종적으로 날씨가 뚜렷이 변하였을 때 예측 당일 타임 슬롯
Figure 112022027811254-pct00099
와 k-1개 타임 슬롯의 날씨 변화 정도를 계산해 내고, 단계 6으로 진입하는 단계 5;
날씨에 뚜렷한 변화가 발생한 경우, 각각 날씨가 뚜렷이 좋아진 상황과 날씨가 뚜렷이 나빠진 상황과 같이 2개 상황으로 나누며; 이 2개 상황이 태양에너지의 수집에 미치는 영향은 상수 a, b를 이용해 수정하며; 최종적으로, 날씨에 뚜렷한 변화가 발생한 경우 제d+1일 제
Figure 112022027811254-pct00100
타임 슬롯이 예측해 낸 태양에너지 수집 파워 P(d+1,
Figure 112022027811254-pct00101
)를 계산해 내고, 단계 7로 진입하는 단계 6; 및
예측 결과를 센서 노드에 피드백해 에너지를 관리하는 데 사용하는 단계 7;를 포함하고,
상기 단계 2에서, 전후 이틀의 날씨 변화 계수 WCS의 계산공식은,
Figure 112022027811254-pct00068
이며,
여기에서, W(d,
Figure 112022027811254-pct00069
)는 제d일 제i 타임 슬롯의 날씨 유형 지수인 것을 특징으로 하는 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측방법.
A method for predicting solar energy collection power of a wireless sensor network node based on weather data,
Among the monitoring areas, real-time weather type data and solar energy collection power data of the past 5 years are selected, and the weather types are respectively sunny (C), sunny with occasional clouds (PC), with clouds (SC), It is divided into six categories: massive cloud (MCI), cloudy (O), and sleet (RS); Statistical processing of solar energy collection power of different weather types and different time slots, mapping the scaling relationship to the weather type numerical index W based on the scaling relationship between the data of each weather type, Step 2 Step 1 of entering into;
Actual weather forecast data W(d+1,
Figure 112022027811254-pct00094
)(
Figure 112022027811254-pct00095
=1,2 24), and the weather forecast data W(d+1,
Figure 112022027811254-pct00096
) and the previous day's weather forecast data W(d,
Figure 112022027811254-pct00097
), to obtain the weather change coefficient WCS of two days before and after, step 2 entering step 3;
W t reflects whether or not a significant change in weather occurs and the threshold, and the magnitude is obtained by analyzing the real-time weather type data and node-collected power data, and contrasts WCS and W t ; If |WCS|<W t , it is assumed that the weather on the forecast day and the previous day are basically the same, and skip directly to step 4; If |WCS|≥W t , it is considered that a clear change has occurred in the weather on the day of prediction and the previous day, and skip directly to step 5; step 3;
First, the forecasting day and the previous day's weather are basically the same, and the WCMA algorithm is used; M D is the first file in front of the wireless sensor network node
Figure 112022027811254-pct00098
It is the average value of the energy collection value of the time slot, and N=[n 1 ,n 2 ,,,n k ] is one 1×k array, and it is the weather change situation of the k time slots in the front of the time slot to be predicted. n j is obtained by calculation; V=[v 1 ,v 2 ,,,v k ] is used to reflect the weights, where V j is obtained by calculation and finally calculates the degree of weather change reflecting the forecast day and the previous day (prediction point) confirmed through the data of previous collection power); In this case, the solar energy collection predicted value can be directly calculated, and then step 4 skips to step 7;
If there is a clear change in the weather on the day of prediction and the previous day, correct the prediction error using the actual weather forecast data on the day of prediction; WF=[wf 1 ,wf 2 ,,,wf k ] is a 1×k array used to store and preserve the time slot to be predicted and the weather conditions of the preceding k-1 time slots, where wf j is calculated from weather forecast data, and when the weather finally changes significantly, the time slot on the forecast day
Figure 112022027811254-pct00099
Step 5, calculating the degree of weather change in k-1 time slots, and entering step 6;
When there is a significant change in the weather, it is divided into two situations: a situation in which the weather is clearly improved and a situation in which the weather is significantly worse; The effect of these two situations on the collection of solar energy is corrected using constants a and b; Finally, if there is a significant change in the weather, the d+1 day
Figure 112022027811254-pct00100
The solar energy collection power P(d+1, predicted by the time slot)
Figure 112022027811254-pct00101
) is calculated, step 6 to enter step 7; and
Step 7, wherein the prediction result is fed back to the sensor node and used to manage energy;
In step 2 above, the formula for calculating the weather change coefficient WCS for two days before and after is,
Figure 112022027811254-pct00068
is,
where W(d,
Figure 112022027811254-pct00069
) is a weather data-based wireless sensor network node solar energy collection power prediction method, characterized in that it is the weather type index of the d-day i-th time slot.
제2항에 있어서,
상기 단계 4에서, 예측 당일의 앞 타임 슬롯의 에너지 수집수치와, 앞 D일에 대응되는 타임 슬롯의 에너지 수집수치 평균값 MD의 수치변화를 대조해 날씨 상황의 변화를 반영하되, WCMA 알고리즘은 이하와 같이 기재되며,
Figure 112022027811254-pct00070

여기에서,
Figure 112022027811254-pct00071
는 제d일 제
Figure 112022027811254-pct00072
타임 슬롯의 태양에너지 수집 파워의 예측값이고, E(d,
Figure 112022027811254-pct00073
)는 제d일 제
Figure 112022027811254-pct00074
타임 슬롯의 태양에너지 수집 파워의 실제 관찰값이며, α는 가중치 인자이되, α∈[0,1]이며; MD(d,
Figure 112022027811254-pct00075
)는 앞 D일 타임 슬롯
Figure 112022027811254-pct00076
의 태양에너지 수집 파워의 평균값이고, GAPy(
Figure 112022027811254-pct00077
)은 당일 타임 슬롯과 지난 D일에 대응되는 타임 슬롯의 날씨 변화 상황을 가리키는 데, 계산공식은 아래와 같고,
Figure 112022027811254-pct00078

위 공식 중의 V는 예측할 타임 슬롯의 앞 k개 타임 슬롯의 날씨 변화 상황의 가중치로서, j가 크면 클수록 가중치 vj도 점점 커지는데, 아래와 같고,
Figure 112022027811254-pct00079

N은 하나의 1×k 어레이로서, 예측할 타임 슬롯의 앞 k개 타임 슬롯의 날씨 변화 상황을 기록하는데, 공식은 아래와 같고,
Figure 112022027811254-pct00080

또한, 단계 4에서 nj은 공식
Figure 112022027811254-pct00081

를 통하여 계산되는 것을 특징으로 하는 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측방법.
3. The method of claim 2,
In step 4, the change in weather conditions is reflected by comparing the numerical change of the energy collection value of the previous time slot on the predicted day and the average value M D of the energy collection value of the time slot corresponding to the previous D day, but the WCMA algorithm is as follows are listed together,
Figure 112022027811254-pct00070

From here,
Figure 112022027811254-pct00071
is the d day
Figure 112022027811254-pct00072
The predicted value of the solar energy collection power of the time slot, E(d,
Figure 112022027811254-pct00073
) is the dth day
Figure 112022027811254-pct00074
is the actual observation of the solar energy collection power of the time slot, α is the weighting factor, α∈[0,1]; M D (d,
Figure 112022027811254-pct00075
) is the previous file timeslot
Figure 112022027811254-pct00076
is the average value of the solar energy collection power of GAP y (
Figure 112022027811254-pct00077
) indicates the weather change situation of the time slot of the day and the time slot corresponding to the last D day, and the calculation formula is as follows,
Figure 112022027811254-pct00078

V in the above formula is the weight of the weather change situation of the k time slots in the front of the time slot to be predicted. As j is larger, the weight v j also increases.
Figure 112022027811254-pct00079

N is one 1×k array, and records the weather change conditions of the k time slots in the front of the time slot to be predicted, the formula is as follows,
Figure 112022027811254-pct00080

Also, in step 4, n j is the formula
Figure 112022027811254-pct00081

Weather data-based wireless sensor network node solar energy collection power prediction method, characterized in that calculated through.
제2항에 있어서,
상기 단계 5와 단계 6에서, GAPx(
Figure 112022027811254-pct00082
)를 당일 타임 슬롯과 지난 D일에 대응되는 타임 슬롯의 날씨 변화 상황이라고 정의하고, τ는 날씨에 발생된 뚜렷한 변화이며, 동시에 τ>0은 날씨가 뚜렷이 좋아지고 태양에너지 수집 파워가 대폭 증가된 경우이고, τ<0은 날씨가 뚜렷이 나빠지고 태양에너지 수집 파워가 감소된 경우이며, 아래의 식과 같으며,
Figure 112022027811254-pct00083

파라미터 a,b에 대한 설정을 통해 서로 다른 날씨 변화 상황이 태양에너지 수집 파워에 미치는 영향을 한정하되, 파라미터 a,b는 실제의 날씨 상황과 태양에너지 수집 상황에 근거해 확정하며; WC(
Figure 112022027811254-pct00084
)는 전후 이틀의 날씨 변화 상황으로서, 구체적으로 아래의 식과 같고,
Figure 112022027811254-pct00085

여기에서, WF는 하나의 1×k 어레이로서, 예측할 타임 슬롯과, 앞 k-1개 타임 슬롯의 날씨 변화 상황을 저장해 보존하는 데 사용하며, 상세하게, wf1,wf2…wfk의 계산공식은 아래의 식과 같고,
Figure 112022027811254-pct00086

또한, 인입된 V는 하나의 1×k 어레이로서, 가중치를 구현하는 데 사용하며; 여기에서, j가 크면 클수록 가중치 vj도 점점 커지는 데, 즉, 예측할 타임 슬롯의 날씨 변화 상황에 가까이할 수록 더 중요하며, 구체적으로 아래의 식과 같고,
Figure 112022027811254-pct00087

WF와 V를 곱한 후 V의 합계를 나누고, 최종적인 결과를 날씨 변화 상황 WC(
Figure 112022027811254-pct00088
)으로 확정하는 것을 특징으로 하는 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측방법.
3. The method of claim 2,
In steps 5 and 6 above, GAP x (
Figure 112022027811254-pct00082
) is defined as the weather change situation of the time slot of the day and the time slot corresponding to the last D day, τ is a distinct change in the weather, and τ > 0 is the time slot for the day and the time slot corresponding to the last D day. case, τ<0 is the case where the weather is clearly worse and the solar energy collection power is reduced, as in the following equation,
Figure 112022027811254-pct00083

The influence of different weather conditions on solar energy collection power is limited by setting parameters a and b, and parameters a and b are determined based on actual weather conditions and solar energy collection conditions; WC(
Figure 112022027811254-pct00084
) is the weather change situation for the two days before and after, specifically, it is as the following equation,
Figure 112022027811254-pct00085

Here, the WF is a 1×k array, which is used to store and preserve the time slot to be predicted and the weather change situation of the previous k-1 time slots. Specifically, wf 1 , wf 2 ... The formula for calculating wf k is as follows,
Figure 112022027811254-pct00086

Also, the incoming V is one 1×k array, which is used to implement the weights; Here, the larger j is, the larger the weight v j is, that is, the closer it is to the weather change situation of the time slot to be predicted, the more important it is, specifically,
Figure 112022027811254-pct00087

After multiplying WF by V, dividing the sum of V, the final result is the weather change situation WC(
Figure 112022027811254-pct00088
), a method of predicting solar energy collection power of a wireless sensor network node based on weather data, characterized in that it is determined.
제2항에 있어서,
상기 단계 6에서, 최종적인 예측 알고리즘의 공식은 아래 식과 같으며,
Figure 112022027811254-pct00089

여기에서, wt는 날씨가 뚜렷이 변화된 여부를 반영하는 임계값이고, wt의 크기는 기왕 실시간 날씨 유형 데이터와 노드 수집 파워 데이터에 대한 분석을 통해 얻어 낸 것을 특징으로 하는 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측방법.
3. The method of claim 2,
In step 6, the formula of the final prediction algorithm is as follows,
Figure 112022027811254-pct00089

Here, w t is a threshold value that reflects whether the weather has changed significantly, and the size of w t is a weather data-based wireless sensor, characterized in that it is obtained through analysis of real-time weather type data and node-collected power data. Network node solar energy collection power prediction method.
KR1020207033814A 2018-04-26 2018-10-24 Weather data-based wireless sensor network node solar energy collection power prediction algorithm KR102439722B1 (en)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201810383872.9A CN108573327B (en) 2018-04-26 2018-04-26 Weather data-based wireless sensor network node solar energy collection power prediction algorithm
CN201810383872.9 2018-04-26
PCT/CN2018/111550 WO2019205528A1 (en) 2018-04-26 2018-10-24 Antenna data-based algorithm for predicting solar energy collection power of wireless sensor network node

Publications (2)

Publication Number Publication Date
KR20210013565A KR20210013565A (en) 2021-02-04
KR102439722B1 true KR102439722B1 (en) 2022-09-02

Family

ID=63574390

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207033814A KR102439722B1 (en) 2018-04-26 2018-10-24 Weather data-based wireless sensor network node solar energy collection power prediction algorithm

Country Status (3)

Country Link
KR (1) KR102439722B1 (en)
CN (1) CN108573327B (en)
WO (1) WO2019205528A1 (en)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573327B (en) * 2018-04-26 2022-03-29 南京邮电大学 Weather data-based wireless sensor network node solar energy collection power prediction algorithm
CN109818859B (en) * 2019-03-07 2020-10-09 南京邮电大学 Wireless multimedia sensor network distributed image compression method based on solar energy collection
CN109919380B (en) * 2019-03-07 2022-07-29 南京邮电大学 Improved prediction method based on exponential average UD-WCMA solar energy collection power
CN110070214B (en) * 2019-04-02 2022-07-26 南京邮电大学 D-WSMA solar energy collection power prediction method based on weather similarity
CN111800209B (en) * 2020-07-01 2022-02-01 重庆邮电大学 Solar energy prediction method based on energy model and dynamic weight factor
CN113870531B (en) * 2021-09-17 2023-05-05 成都理工大学 Monitoring frequency adjusting method for geological disaster monitoring and early warning system
CN117354849B (en) * 2023-09-26 2024-07-23 宁夏大学 Energy prediction method and system for energy collection wireless sensor

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101635450B1 (en) * 2015-01-02 2016-07-01 상명대학교서울산학협력단 PV (Photo-Voltaic) generation forecasting system for the city energy management system based on weather information

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339066B (en) * 2010-07-20 2013-05-08 中国科学院软件研究所 Adaptive solar energy tracking method facing wireless sensor network
KR20120072224A (en) * 2010-12-23 2012-07-03 한국전자통신연구원 Apparatus for controlling power of sensor nodes based on estimation of power acquisition and method thereof
CN103345227B (en) * 2013-07-02 2015-09-09 东南大学 A kind of micro-capacitance sensor monitoring and energy management apparatus and method
CN103390202B (en) * 2013-07-18 2016-01-20 华北电力大学 A kind of photovoltaic plant output power predicting method chosen based on set of metadata of similar data
JP2015167439A (en) * 2014-03-03 2015-09-24 国立大学法人岐阜大学 Power generation amount prediction system of photovoltaic power generator, and power generation amount prediction method
CN104219682B (en) * 2014-08-20 2017-10-31 北京农业信息技术研究中心 The network layer construction method and system of farmland hybrid power supply wireless sensor network
CN106681206B (en) * 2016-12-21 2018-11-02 南京邮电大学 A kind of Energy-aware method of the environment self-adaption towards WSNs
CN107182063A (en) * 2017-05-26 2017-09-19 上海电机学院 A kind of Cluster-Based Routing Protocols for Wireless Sensor based on natural energy
CN108573327B (en) * 2018-04-26 2022-03-29 南京邮电大学 Weather data-based wireless sensor network node solar energy collection power prediction algorithm

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101635450B1 (en) * 2015-01-02 2016-07-01 상명대학교서울산학협력단 PV (Photo-Voltaic) generation forecasting system for the city energy management system based on weather information

Also Published As

Publication number Publication date
CN108573327B (en) 2022-03-29
WO2019205528A1 (en) 2019-10-31
CN108573327A (en) 2018-09-25
KR20210013565A (en) 2021-02-04

Similar Documents

Publication Publication Date Title
KR102439722B1 (en) Weather data-based wireless sensor network node solar energy collection power prediction algorithm
CN110474339B (en) Power grid reactive power control method based on deep power generation load prediction
CN108614612B (en) Method and system for tracking maximum power of solar photovoltaic cell
CN113822467B (en) Method for predicting power area load by using graph neural network
CN117595384B (en) Photovoltaic power station source network load bidirectional prediction method and system based on artificial intelligence
CN117318111B (en) Weather prediction-based dynamic adjustment method and system for light energy storage source
CN113452033B (en) Method for controlling voltage of photovoltaic power distribution network with high proportion and partitioned and autonomous and storage medium
KR102497736B1 (en) System for generating energy for smart farms and method for building the same
CN117578534B (en) Scheduling method, device, equipment and storage medium of photovoltaic energy storage system
CN118316083B (en) Energy storage power station pipe-conveying method and device based on transduction monitoring
Yang et al. Sub-minute probabilistic solar forecasting for real-time stochastic simulations
CN114936640A (en) Online training method for new energy power generation intelligent prediction model
CN114900264A (en) Intelligent hierarchical time synchronization method and system for low-carbon park group
Bâra et al. Embedding the weather prediction errors (WPE) into the photovoltaic (PV) forecasting method using deep learning
Ren et al. Prediction algorithm based on weather forecast for energy-harvesting wireless sensor networks
CN116662843A (en) Scene generation method considering uncertainty of distributed power supply and load output
TWI804942B (en) Method for establishing a power generation prediction model of a dual-axis solar tracking system
Srinivasan et al. Correlation analysis of solar power and electric demand
Sultanuddin et al. Hybrid Solar Energy Forecasting with Supervised Deep Learning in IoT Environment
Zhu et al. Regulation capability of small cascade hydropower stations for photovoltaic generation
Takeda et al. Distributed stochastic control of microgrids based on PV power predictions
Shi et al. Study on short-term predictions about photovoltaic output power from plants lacking in solar radiation data
Xiong et al. Graph Convolutional Network based Electricity Demand Forecasting in Power Distribution Networks
CN117663503B (en) Method and system for intelligently adjusting molten salt heat storage rate
Kunalan et al. Improving Net Energy Metering (NEM) Actual Load Prediction Accuracy using an Adaptive Learning Rate LSTM Model for Residential Use Case

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant