[发明专利]基于自适应的季节性ARIMA模型的太阳能收集功率预测方法

说明书

本发明提供了一种基于自适应的季节性ARIMA模型的太阳能收集功率预测方法，其主要包括以下步骤：S1：收集参考天和当天中各个时刻的太阳能功率值，得到初始训练集T₀；S2：根据当天中收集到的若干个参考时刻的太阳能功率值与参考天的太阳能功率值的相似度，调整初始训练集T₀中各元素的位置，得到新的训练集T₁，并转换为训练集Train；S3：对训练集Train进行季节性差分和平稳性检验；S4：根据训练集Train的时间序列性质确定最佳季节性ARIMA模型；S5：利用最佳季节性ARIMA模型预测当天若干个时刻的太阳能功率值。如此设置，预测结果精度更高、更准确。

技术领域

本发明涉及无线传感器网络节点任务调度领域，尤其涉及一种基于自适应的季节性ARIMA模型的太阳能收集功率预测方法。

背景技术

无线传感器网络(Wireless Sensor Networks,WSNs)是由部署在监测区域内的大量传感器以自组织和多跳等方式构成的，以协作方式感知、采集、处理和传输网络覆盖区域内监测对象信息的无线网络。无线传感器网络被认为是继Internet之后的第二大网络，也被认为是21世纪最具影响的技术之一，引起了国内外的广泛关注和研究。

无线传感器网络由多个功能节点通过无线通信形成一个连接的网络，功能节点主要包括两类节点：基站节点和传感器节点。基站节点主要负责汇总和融合传感器节点发送过来的数据和上传到互联网，成本昂贵，部署规模小；具有感知和通信功能的传感器节点在WSNs中负责监控目标区域并收集数据和简单处理数据，以及完成与其他节点间的通信，其成本低廉，部署范围大。但是由于传感器的电量非常有限，这成为制约无线传感器网络发展的重要因素。

目前如何有效地利用环境能量解决传感器能量受限问题成为众多专家学者研究的热点。随着太阳能收集技术的成熟，无线传感器网络大都采用太阳能收集技术。因此准确地对无线传感器网络的太阳能收集功率进行预测，不仅能实现功能节点的工作调度，还能最大限度维持无线传感器网络工作，因此研究无线传感器网络的太阳能收集功率预测方法对于实现无线传感器网络具有重要意义。

现有的太阳能收集功率预测方法主要分为两大类：一类是传统的基于时间序列的算法，如EWMA算法、Pro-Energy算法、UD-WCMA算法等，这一类算法往往只考虑时间因素，而较少的引入其他太阳能变化的影响因素，例如：温度、湿度、风能等因素；另一类是结合神经网络的算法，这一类算法通过对历史数据的训练实现预测，可以引入诸多影响因素。现有的季节性ARIMA模型只对历史数据进行简单选取作为训练集，缺少对天气相似性的分析，导致天气交错现象发生时的预测精度不高。

因此，有必要设计一种基于自适应的季节性ARIMA模型的太阳能收集功率预测方法来解决上述问题。

发明内容

本发明的目的在于提供一种适应性好、精度较高的基于自适应的季节性ARIMA模型的太阳能收集功率预测方法。

为实现上述目的，本发明采用如下技术方案：一种基于自适应的季节性ARIMA模型的太阳能收集功率预测方法，其主要包括以下步骤：

S1：选取若干个参考天，并将每个参考天等分为若干个时刻，收集参考天中各个时刻的太阳能功率值，得到初始训练集T₀；

S2：收集当天若干个参考时刻的太阳能功率值，根据当天参考时刻与参考天的太阳能功率值的相似度，调整初始训练集T₀中各元素的位置，得到新的训练集T₁，并转换为序列形式的训练集Train；

S3：对训练集Train进行季节性差分和平稳性检验；

S4：根据训练集Train的时间序列性质确定最佳季节性ARIMA模型；

S5：利用最佳季节性ARIMA模型预测当天的若干个时刻的太阳能功率值。