基于自适应的季节性ARIMA模型的太阳能收集功率预测方法技术

本发明专利技术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。

Prediction Method of Solar Energy Collection Power Based on Adaptive Seasonal ARIMA Model

【技术实现步骤摘要】
基于自适应的季节性ARIMA模型的太阳能收集功率预测方法
本专利技术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。
技术介绍
无线传感器网络(WirelessSensorNetworks,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。随着太本文档来自技高网...

【技术保护点】
1.一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，其特征在于，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。

【技术特征摘要】
1.一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，其特征在于，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。2.根据权利要求1所述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，其特征在于，所述步骤S1具体为：选取若干个参考天，将每个参考天等分为24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：其中，xi(t)表示第i参考天t时刻的太阳能功率值(i＝1,2,...,D；t＝1,2,...,24)。3.根据权利要求2所述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，其特征在于，所述步骤S2具体包括：S21：收集当天若干个参考时刻的太阳能功率值，计算当天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：其中，S(i)表示第i参考天与当天的相似度，x(t-j)表示当天已收集到的(t-j)时刻的太阳能功率值，xi(t-j)表示第i参考天(t-j)时刻的太阳能功率值，j表示第j个参考时刻，D表示有D个参考天，K表示有K个参考时刻；S22：对S(1),S(2),...,S(D)进行排序，S(i)越大，对应的第i参考天的太阳能功率值就越接近当天：[S1,S2,...,SD]＝sort[S(1),S(2),...,S(D)]，其中，sort[]表示对其中的元素进行排序，即S1＞S2＞...＞SD，返回排序后对应的参考天矩阵R＝[k,l,m,...]，即有S1＝S(k),S2＝S(l),S3＝S(m),...；S23：根据矩阵R＝[k,l,m,..].自适应调整初始训练集T0中各元素的位置，得到新的训练集T1：S24：将训练集T1转换为序列形式的训练集Train：其中T1(i)表示T1矩阵的第i行，z(u)表示时间序列。4.根据权利要求3所述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，其特征在于，所述步骤S3具体包括：S31：画出训练集Train的时间序列图，找到季节性周期N；S32：对时间序列z(u)进行季节性差分，得到季节性周期时间序列：y(u-N)＝z(u)-z(u-N)(u＝N+1,N+2,...,24D)；S33：对季节性周期时间序列进行ADF平稳性检验，若季节性周期时间序列是不平稳的，则进行差分，直至差分后的序列是平稳的；若经过d...

【专利技术属性】
技术研发人员：韩崇，刘晓宇，李继萍，陈鹏宇，孙力娟，肖甫，徐鹤，郭剑，周剑，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32