KR20210013565A - 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘 - Google Patents

날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘 Download PDF

Info

Publication number
KR20210013565A
KR20210013565A KR1020207033814A KR20207033814A KR20210013565A KR 20210013565 A KR20210013565 A KR 20210013565A KR 1020207033814 A KR1020207033814 A KR 1020207033814A KR 20207033814 A KR20207033814 A KR 20207033814A KR 20210013565 A KR20210013565 A KR 20210013565A
Authority
KR
South Korea
Prior art keywords
weather
solar energy
day
energy collection
time slot
Prior art date
Application number
KR1020207033814A
Other languages
English (en)
Other versions
KR102439722B1 (ko
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/ko
Application granted granted Critical
Publication of KR102439722B1 publication Critical patent/KR102439722B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H02J3/383—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

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

Description

날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘
본 발명은 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘에 관한 것으로, 무선 센서 네트워크 분야에 속한다.
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.
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.
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.
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.
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.
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.
본 발명에 근거하는 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측방법은 상세하게,
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;
당일 실제 기상예보데이터 W(d+1,
Figure pct00001
)(
Figure pct00002
=1,2…24)를 얻고, 예측 당일의 기상예보데이터 W(d+1,
Figure pct00003
)와 전날 기상예보데이터 W(d,
Figure pct00004
)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 건너 뛰며; ｜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 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;
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 pct00006
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 pct00007
타임 슬롯이 예측해 낸 태양에너지 수집 파워 P(d+1,
Figure pct00008
)를 계산해 내고 단계 7로 진입하는 단계 6;
예측 결과를 센서 노드에 피드백해 에너지를 관리하는 데 사용하는 단계 7;
로 실행된다.
더 나아가, 상기 단계 2에서, 전후 이틀의 날씨 변화 계수 WCS의 계산공식은,
Figure pct00009
이며,
여기에서, W(d,
Figure pct00010
)는 제d 일 제i 타임 슬롯의 날씨 유형 지수이다.
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,
Figure pct00011
여기에서,
Figure pct00012
는 제d 일 제
Figure pct00013
타임 슬롯의 태양에너지 수집 파워의 예측값이고 E(d,
Figure pct00014
)는 제d일 제
Figure pct00015
타임 슬롯의 태양에너지 수집 파워의 실제 관찰값이며, α는 가중치 인자이되, α∈[0,1]이며; MD(d,
Figure pct00016
)는 앞 D일 타임 슬롯
Figure pct00017
의 태양에너지 수집 파워의 평균값이고 GAPy(
Figure pct00018
)은 당일 타임 슬롯과 지난 D일에 대응되는 타임 슬롯의 날씨 변화 상황을 가리키는 데, 계산공식은,
Figure pct00019
이며,
상기 식 중의 V는 예측할 타임 슬롯의 앞 k개 타임 슬롯의 날씨 변화 상황의 가중치로서, j가 크면 클수록 가중치 vj도 점점 커지고, 아래와 같으며,
Figure pct00020
N은 하나의 1×k 어레이로서, 예측할 타임 슬롯의 앞 k개 타임 슬롯의 날씨 변화 상황을 기록하는데, 식은 아래와 같고,
Figure pct00021
또한, 단계 4에서 nj은 아래 식
Figure pct00022
에 의해 계산된다.
더 나아가, 상기 단계 5와 단계 6에서, GAPx(
Figure 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,
Figure 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 pct00025
)는 전후 이틀의 날씨 변화 상황으로서, 구체적으로 아래의 식과 같고,
Figure 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.
Figure 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,
Figure pct00028
WF와 V를 곱한 후 V의 합계를 나누고 최종적인 결과를 날씨 변화 상황 WC(
Figure pct00029
)으로 확정한다.
더 나아가, 상기 단계 6에서, 최종적인 예측 알고리즘은 아래 식
Figure pct00030
이며,
여기에서, wt는 날씨가 뚜렷이 변화된 여부를 반영하는 임계값이고 wt의 크기는 기왕 실시간 날씨 유형 데이터와 노드 수집 파워 데이터에 대한 분석을 통해 얻어 낸다.
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.
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.
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.
이하, 명세서 도면과 결합해 본 발명의 기술안을 더 상세히 설명한다.
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.
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.
(1) 서로 다른 기후 유형과 태양에너지 수집 파워의 관계에 대한 분석
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.
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.
(2) 예측 당일과 전날의 날씨 변화에 대한 계산과 분석
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.
날씨 상황이 다양한 변화를 이루므로, 날씨조절인자 GAP(
Figure 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,
Figure pct00032
서로 다른 장면은 경위도가 다르므로, 공식(1) 중의
Figure pct00033
값 또한 확실하지 않다. W(d,
Figure pct00034
)는 제d 일 제i 타임 슬롯의 날씨 유형 지수이다.
(3) 서로 다른 날씨 변화 상황에 근거한 태양에너지 수집 파워 예측값 계산:
서로 다른 날씨 변화를 구별한 다음, 각종 변화의 상세한 계산방법을 검토해야 한다.
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.
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.
Figure 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 pct00036
)는 전후 이틀의 날씨 변화 상황으로서, 구체적으로 공식 (3)과 같다.
Figure 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,
Figure 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.
Figure pct00039
WF와 V를 곱한 후 V의 합계를 나누고 최종적인 결과를 날씨 변화 상황 WC(
Figure pct00040
)으로 확정한다.
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,
Figure pct00041
여기에서,
Figure pct00042
는 제d 일 제
Figure pct00043
타임 슬롯의 태양에너지 수집 파워의 예측값이고
Figure pct00044
는 제d일 제
Figure pct00045
타임 슬롯의 태양에너지 수집 파워의 실제 관찰값이며, α는 가중치 인자이되, α∈[0,1]이다. MD(d,
Figure pct00046
)는 앞 D일 타임 슬롯
Figure pct00047
의 태양에너지 수집 파워의 평균값이고 GAPy(
Figure pct00048
)은 당일 타임 슬롯과 지난 D일에 대응되는 타임 슬롯의 날씨 변화 상황을 가리키는 데, 구체적으로 공식 (9) 내지 (10)과 같다,
Figure 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.
Figure pct00050
최종적인 예측 알고리즘은 공식(13)과 같고,
Figure pct00051
여기에서, Wt는 날씨에 뚜렷한 변화가 발생한 여부를 반영하는 임계값이고 Wt의 크기는 기왕 실시간 날씨 유형 데이터와 노드 수집 파워 데이터를 분석해 얻는다.
본 방법은 주로 태양에너지 수집 파워를 예측하는 구체적인 과정이다.
태양에너지 수집 파워 예측: 도 4는 태양에너지 수집 파워 흐름도이며, 상세한 실행단계는 아래와 같다.
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.
단계 2: 당일 실제 기상예보데이터 W(d+1,
Figure pct00052
)(
Figure pct00053
=1,2…24)를 얻고, 예측 당일의 기상예보데이터 W(d+1,
Figure pct00054
)와 전날 기상예보데이터 W(d,
Figure pct00055
)를 대조해 전후 이틀의 날씨 변화 계수WCS를 얻으며, 단계 3에 진입한다.
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.
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 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.
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 pct00057
와 앞 k-1개 타임 슬롯의 날씨 변화 정도를 계산해 내고 단계 6으로 진입한다.
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 pct00058
타임 슬롯이 예측해 낸 태양에너지 수집 파워 P(d+1,
Figure pct00059
)를 계산해 내고 단계 7로 진입한다.
단계 7: 예측 결과를 센서 노드에 피드백해 에너지를 관리하는 데 사용한다.
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.

Claims (5)

  1. 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 pct00060
    )(
    Figure pct00061
    =1,2…24)를 얻고, 예측 당일의 기상예보데이터 W(d+1,
    Figure pct00062
    )와 전날 기상예보데이터 W(d,
    Figure pct00063
    )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 pct00064
    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 pct00065
    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 pct00066
    타임 슬롯이 예측해 낸 태양에너지 수집 파워 P(d+1,
    Figure pct00067
    )를 계산해 내고, 단계 7로 진입하는 단계 6;
    예측 결과를 센서 노드에 피드백해 에너지를 관리하는 데 사용하는 단계 7;
    로 실행되는 것을 특징으로 하는 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측방법.
  2. 제1항에 있어서,
    상기 단계 2에서, 전후 이틀의 날씨 변화 계수 WCS의 계산공식은,
    Figure pct00068
    이며,
    여기에서, W(d,
    Figure pct00069
    )는 제d일 제i 타임 슬롯의 날씨 유형 지수인 것을 특징으로 하는 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측방법.
  3. 제1항에 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 pct00070

    여기에서,
    Figure pct00071
    는 제d일 제
    Figure pct00072
    타임 슬롯의 태양에너지 수집 파워의 예측값이고, E(d,
    Figure pct00073
    )는 제d일 제
    Figure pct00074
    타임 슬롯의 태양에너지 수집 파워의 실제 관찰값이며, α는 가중치 인자이되, α∈[0,1]이며; MD(d,
    Figure pct00075
    )는 앞 D일 타임 슬롯
    Figure pct00076
    의 태양에너지 수집 파워의 평균값이고, GAPy(
    Figure pct00077
    )은 당일 타임 슬롯과 지난 D일에 대응되는 타임 슬롯의 날씨 변화 상황을 가리키는 데, 계산공식은 아래와 같고,
    Figure 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 pct00079

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

    또한, 단계 4에서 nj은 공식
    Figure pct00081

    를 통하여 계산되는 것을 특징으로 하는 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측방법.
  4. 제1항에 있어서,
    상기 단계 5와 단계 6에서, GAPx(
    Figure 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 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 pct00084
    )는 전후 이틀의 날씨 변화 상황으로서, 구체적으로 아래의 식과 같고,
    Figure 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 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 pct00087

    WF와 V를 곱한 후 V의 합계를 나누고, 최종적인 결과를 날씨 변화 상황 WC(
    Figure pct00088
    )으로 확정하는 것을 특징으로 하는 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측방법.
  5. 제1항에 있어서,
    상기 단계 6에서, 최종적인 예측 알고리즘의 공식은 아래 식과 같으며,
    Figure 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.
KR1020207033814A 2018-04-26 2018-10-24 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘 KR102439722B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201810383872.9A CN108573327B (zh) 2018-04-26 2018-04-26 基于天气数据的无线传感网节点太阳能收集功率预测算法
CN201810383872.9 2018-04-26
PCT/CN2018/111550 WO2019205528A1 (zh) 2018-04-26 2018-10-24 基于天气数据的无线传感网节点太阳能收集功率预测算法

Publications (2)

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

Family

ID=63574390

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207033814A KR102439722B1 (ko) 2018-04-26 2018-10-24 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘

Country Status (3)

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

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573327B (zh) * 2018-04-26 2022-03-29 南京邮电大学 基于天气数据的无线传感网节点太阳能收集功率预测算法
CN109818859B (zh) * 2019-03-07 2020-10-09 南京邮电大学 基于太阳能收集的无线多媒体传感网分布式图像压缩方法
CN109919380B (zh) * 2019-03-07 2022-07-29 南京邮电大学 基于指数平均ud-wcma太阳能收集功率的改进预测方法
CN110070214B (zh) * 2019-04-02 2022-07-26 南京邮电大学 基于天气相似度的d-wsma太阳能收集功率预测方法
CN111800209B (zh) * 2020-07-01 2022-02-01 重庆邮电大学 一种基于能量模型和动态权重因子的太阳能能量预测方法
CN113870531B (zh) * 2021-09-17 2023-05-05 成都理工大学 一种地质灾害监测预警系统监测频率调节方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120072224A (ko) * 2010-12-23 2012-07-03 한국전자통신연구원 전력 획득 예측에 기반한 센서 노드의 전원 제어 장치 및 방법
KR101635450B1 (ko) * 2015-01-02 2016-07-01 상명대학교서울산학협력단 기상정보를 활용한 도시에너지관리시스템용 태양광발전량 예측시스템

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339066B (zh) * 2010-07-20 2013-05-08 中国科学院软件研究所 一种面向无线传感器网络的自适应太阳能跟踪方法
CN103345227B (zh) * 2013-07-02 2015-09-09 东南大学 一种微电网监测与能量管理装置及方法
CN103390202B (zh) * 2013-07-18 2016-01-20 华北电力大学 一种基于相似数据选取的光伏电站输出功率预测方法
JP2015167439A (ja) * 2014-03-03 2015-09-24 国立大学法人岐阜大学 太陽光発電装置の発電量予測システム及び発電量予測方法
CN104219682B (zh) * 2014-08-20 2017-10-31 北京农业信息技术研究中心 农田混合供电无线传感器网络的网络层次构建方法及系统
CN106681206B (zh) * 2016-12-21 2018-11-02 南京邮电大学 一种面向WSNs的环境自适应的能量感知方法
CN107182063A (zh) * 2017-05-26 2017-09-19 上海电机学院 一种基于自然能的无线传感器网络分簇路由协议
CN108573327B (zh) * 2018-04-26 2022-03-29 南京邮电大学 基于天气数据的无线传感网节点太阳能收集功率预测算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120072224A (ko) * 2010-12-23 2012-07-03 한국전자통신연구원 전력 획득 예측에 기반한 센서 노드의 전원 제어 장치 및 방법
KR101635450B1 (ko) * 2015-01-02 2016-07-01 상명대학교서울산학협력단 기상정보를 활용한 도시에너지관리시스템용 태양광발전량 예측시스템

Also Published As

Publication number Publication date
WO2019205528A1 (zh) 2019-10-31
KR102439722B1 (ko) 2022-09-02
CN108573327B (zh) 2022-03-29
CN108573327A (zh) 2018-09-25

Similar Documents

Publication Publication Date Title
KR20210013565A (ko) 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘
CN113128793A (zh) 一种基于多源数据融合的光伏功率组合预测方法及系统
CN110474339B (zh) 一种基于深度发电负荷预测的电网无功控制方法
Kodaira et al. Optimal energy storage system operation for peak reduction in a distribution network using a prediction interval
Khan et al. Genetic algorithm based optimized feature engineering and hybrid machine learning for effective energy consumption prediction
CN102426674B (zh) 一种基于马尔科夫链的电力系统负荷预测方法
Gellert et al. Forecasting electricity consumption and production in smart homes through statistical methods
CN116865236A (zh) 一种基于新能源发电的中长期发电量预测方法及系统
CN113452033B (zh) 分区自治的含高比例光伏配电网电压控制方法及存储介质
Xiao et al. Short-term power load interval forecasting based on nonparametric Bootstrap errors sampling
CN102769298B (zh) 一种太阳能并网发电功率预测方法及预测系统
CN114997508A (zh) 基于多能互补的大棚用电优化方法及系统
CN110298765A (zh) 一种基于客观关联因素的配电网用电功率异常检测方法
Ren et al. Prediction algorithm based on weather forecast for energy-harvesting wireless sensor networks
CN115764855A (zh) 一种电动汽车快充站实时可调节能力及可用电量预测方法
CN109274124B (zh) 基于场景马尔科夫法的风电就地消纳能力预测方法
Srinivasan et al. Correlation analysis of solar power and electric demand
Domínguez-Cid et al. TEFNEN: Transformer for Energy Forecasting in Natural Environment
Onaolapo Reliability study under the smart grid paradigm using computational intelligent techniques and renewable energy sources.
CN111815022A (zh) 一种基于延时坐标嵌入法的电力负荷预测方法
Jain et al. Battery optimization in microgrids using Markov decision process integrated with load and solar forecasting
Xiong et al. Graph Convolutional Network based Electricity Demand Forecasting in Power Distribution Networks
CN117578534B (zh) 光伏储能系统的调度方法、装置、设备及存储介质
CN117410981B (zh) 一种基于大数据的多区域电力能源智能调度方法及系统
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