[发明专利]基于灰色神经网络的太阳能收集功率预测方法

说明书

本发明公开了一种基于灰色神经网络的太阳能收集功率预测方法。首先选取若干天每天同一时刻原始太阳能收集功率和影响太阳能收集的因素数据序列，运用灰色预测方法对太阳能收集功率序列进行预测，得到初步预测结果；然后将灰色预测结果和原始影响太阳能因素数据序列归一化，作为神经网络的输入，原始太阳能数据序列作为神经网络的输出，建立神经网络模型，对神经网络进行训练，直至收敛；最后调用已训练好的神经网络来进行太阳能收集功率的最终预测。本发明结合灰色建模方法和神经网络方法建立灰色神经网络模型，与普通神经网络模型相比，引入灰色预测模型，减少了预测时的计算量，在少样本情况下也可达到较高精度；且预测准确率更高。

技术领域

本发明涉及传感器网络能量收集领域，具体是一种基于灰色神经网络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，是当前在国际国内备受关注的、涉及多学科高度交叉、知识高度集成的前沿热点研究领域，被认为是对21世纪最具影响力的技术之一。

现阶段的无线传感器网络节点通常使用微型电池供电，能量十分有限，有效地从外部环境获取能量，对于低功耗的无线传感器网络具有重要意义，可以大大延长节点寿命，减少网络维护成本。

目前，如何有效利用太阳能为无线传感器网络供能是无线传感器网络领域研究的热点。通过对无线传感器网络太阳能收集功率的预测，实现节点的工作调度，从而可以最大限度维持网络工作，因此研究无线传感器网络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。

考虑到太阳能收集功率受温度、湿度、风速等各种因素的影响，不确定因素较多，将影响太阳能收集功率的各种复杂因素联合起来看成一个大系统，这一系统兼有确定性和不确定性，可以看成一个典型的灰色系统。灰色预测模型可在“贫信息”情况下对非线性、不确定性系统的数据序列进行预测，但其预测误差偏高，而神经网络由于具有强大的学习功能，可以逼近任意复杂的非线性函数，信息利用率高，近年来神经网络在计算机视觉、神经生理学、雷达的多目标识别与跟踪、导弹的智能引导等领域得到了广泛的运用，若将两者结合构成灰色神经网络模型，则优点兼具，能较好解决小样本预测问题，提高精度。

发明内容

针对系统不稳定时灰色系统模型预测误差偏高和神经网络需要大量训练数据的缺点，本发明提出了一种基于灰色神经网络的太阳能预测方法，有效解决小样本预测问题，提高模型的预测精度和泛化能力。

为了解决以上问题，本发明采用了如下技术方案实现：一种基于灰色神经网络的太阳能收集功率预测方法，首先选取若干天每天同一时刻太阳能和影响太阳能因素数据序列，运用灰色模型对原始太阳能训练数据序列进行预测，得到中间预测结果；然后将预测结果序列和原始影响太阳能因素训练数据序列归一化，作为神经网络的输入，原始太阳能训练预测数据序列作为神经网络的输出，建立神经网络模型，对输入样本进行网络训练，直至收敛；最后调用已训练好的神经网络来进行预测。

具体建模过程如下：

(1)收集太阳能数据及影响太阳能因素数据，影响太阳能因素包括温度、湿度、风速等数据；

(2)建立灰色预测模型

具体步骤如下：

①设为原始训练序列，经过一次累加生成1-AGO序列记为

②将原始训练数列表示为x(t)，一次累加后的生成的数列表示为y(t)，预测的结果用z(t)表示，建立微分方程