基于BP神經(jīng)網(wǎng)絡(luò)的太陽能收集功率預(yù)測研究

李玲生+韓崇

摘 要：在太陽能收集應(yīng)用系統(tǒng)中，能量收集預(yù)測模塊是進(jìn)行合理的任務(wù)調(diào)度分配和系統(tǒng)平穩(wěn)運(yùn)行的重要保證。提出了基于BP神經(jīng)網(wǎng)絡(luò)的太陽能收集功率預(yù)測方法，優(yōu)化了算法的參數(shù)選擇，確定了算法預(yù)測性能指標(biāo)。在真實(shí)太陽能收集功率數(shù)據(jù)集上對提出的算法進(jìn)行了性能分析，驗(yàn)證了算法參數(shù)選擇的正確性；與現(xiàn)有其它數(shù)據(jù)預(yù)測算法進(jìn)行了一系列預(yù)測對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該預(yù)測算法具有良好的性能，在各算法預(yù)測性能指標(biāo)上均具有一定優(yōu)勢。

關(guān)鍵詞：太陽能；能量收集；BP神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)預(yù)測

DOIDOI：10.11907/rjdk.172153

中圖分類號：TP319

文獻(xiàn)標(biāo)識碼：A 文章編號文章編號：1672-7800（2017）008-0138-05

0 引言

太陽能是一種清潔能源，太陽能的利用主要是通過光電和光熱等轉(zhuǎn)換技術(shù)，將太陽能轉(zhuǎn)換成可集中利用和儲存的能源。太陽能是一種可再生能源，它資源豐富，對環(huán)境污染較小，特別是在當(dāng)前能源儲備受限，能源競爭壓力大、環(huán)境污染形勢嚴(yán)峻的背景下，研究太陽能的采集和應(yīng)用具有重要意義[1]。隨著太陽能光伏發(fā)電相關(guān)技術(shù)的快速發(fā)展，當(dāng)前太陽能收集技術(shù)已經(jīng)取得了長足進(jìn)展，太陽能的利用也日趨成熟。這些采集到的能量大到可以提供電網(wǎng)系統(tǒng)電力供應(yīng)，小到可以提供無線傳感器和微機(jī)電系統(tǒng)等的能量供給[2-3]。以太陽能收集技術(shù)在無線傳感器網(wǎng)絡(luò)中的應(yīng)用為例，傳感器節(jié)點(diǎn)配備太陽能收集器，如光伏太陽能板，進(jìn)行太陽能的收集，然后將收集的太陽能轉(zhuǎn)化為電池存儲在傳感器節(jié)點(diǎn)能量緩沖器中，如可充電鋰電池，然后在傳感器節(jié)點(diǎn)的能量管理模塊控制下，進(jìn)行節(jié)點(diǎn)工作的能量供應(yīng)[4]。

從無線傳感器網(wǎng)絡(luò)方面而言，無線傳感器網(wǎng)絡(luò)是由部署在監(jiān)測區(qū)域內(nèi)的大量傳感器以自組織和多跳等方式構(gòu)成的，以協(xié)作方式感知、采集、處理和傳輸網(wǎng)絡(luò)覆蓋區(qū)域內(nèi)監(jiān)測對象信息的無線網(wǎng)絡(luò)[5]，通過無線傳感器網(wǎng)絡(luò)與因特網(wǎng)的高效融合，可以實(shí)現(xiàn)人與物、物與物的互聯(lián)，從而形成“物聯(lián)網(wǎng)”[6]。無線傳感器網(wǎng)絡(luò)所感知的數(shù)據(jù)是物聯(lián)網(wǎng)海量信息的重要來源[7]。無線傳感器網(wǎng)絡(luò)將在軍事國防、工農(nóng)業(yè)控制、城市管理、生物醫(yī)療等領(lǐng)域有廣闊的應(yīng)用前景，并且取得了一定的應(yīng)用成果。然而無線傳感器網(wǎng)絡(luò)在實(shí)際應(yīng)用中同樣面臨許多挑戰(zhàn)，仍舊難以達(dá)到普遍應(yīng)用，其根本原因之一就是傳感器節(jié)點(diǎn)的有限能量供應(yīng)問題。當(dāng)前很多應(yīng)用場所出于地形復(fù)雜或環(huán)境惡劣等因素，傳感器節(jié)點(diǎn)是通過有限電池進(jìn)行供電，采用更換電池的方法實(shí)現(xiàn)能量補(bǔ)給較難，這嚴(yán)重制約了傳感器節(jié)點(diǎn)的生命時(shí)間，降低了整個(gè)生命周期。為了降低整個(gè)網(wǎng)絡(luò)的能耗、延長無線傳感器網(wǎng)絡(luò)壽命，相關(guān)節(jié)能措施被探討研究，例如研究各種能量有效的通信路由協(xié)議，設(shè)計(jì)周期性工作/休眠的低占空比及工作調(diào)度方式等，但是這些措施僅僅從能耗的角度達(dá)到節(jié)能效果，因此不能從根本上解決受限的電池能量問題[8]。環(huán)境能量收集技術(shù)，特別是太陽能收集技術(shù)，才是解決傳感器網(wǎng)絡(luò)節(jié)點(diǎn)能耗問題的根本有效技術(shù)，因而得到了研究者們的關(guān)注，是當(dāng)前的一個(gè)研究熱點(diǎn)[9-10]。

在太陽能收集利用系統(tǒng)中，能量預(yù)測模塊至關(guān)重要。在傳感器網(wǎng)絡(luò)中，節(jié)點(diǎn)需要根據(jù)預(yù)測到的太陽能進(jìn)行節(jié)點(diǎn)的功率控制，若預(yù)測接下來收到的能量較少，就要降低節(jié)點(diǎn)功耗，進(jìn)行休眠調(diào)度等，反之，則可以增大節(jié)點(diǎn)工作功率，完成更好質(zhì)量的節(jié)點(diǎn)監(jiān)測。傳感器節(jié)點(diǎn)功率管理是基于將要收集到的太陽能的預(yù)測之上，整個(gè)系統(tǒng)運(yùn)行的穩(wěn)定性很大部分上就是依賴于該能量預(yù)測模塊[11-12]。如果將來預(yù)測的能量大于收獲能量，則傳感器節(jié)點(diǎn)的電源將不足以支持預(yù)期的功能，導(dǎo)致節(jié)點(diǎn)能量過早耗盡，造成網(wǎng)絡(luò)意外中斷。如果預(yù)測值小于收獲值，則當(dāng)達(dá)到儲能限度時(shí)，會浪費(fèi)超出能量。

本文主要研究太陽能收集功率的預(yù)測問題。太陽能具有規(guī)律性和不規(guī)則性的混合特征：一方面，隨著太陽每天的升起和落下，太陽輻射每天都以脈沖的形式發(fā)生；另一方面，隨著天氣和時(shí)間的變化，接收到的太陽能在地球上的一天和跨天有顯著變化?，F(xiàn)有的太陽能預(yù)測方法中，比較典型的有EWMA[13]和WCMA[14]，主要是通過對歷史采集數(shù)據(jù)分析，預(yù)測未來短期的采集量。在天氣平穩(wěn)的地區(qū)，已經(jīng)可以將預(yù)測誤差控制在很小的范圍內(nèi)，特別是WCMA能夠適應(yīng)天氣的簡單變化，但天氣發(fā)生大的變化時(shí)，上述算法則很難保證預(yù)測的準(zhǔn)確性。本文提出采用BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行太陽能收集功率的預(yù)測。通過采用公用真實(shí)太陽能收集功率數(shù)據(jù)集[15]，對BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行參數(shù)修正，用于新數(shù)據(jù)的預(yù)測，提高預(yù)測效率。

1 BP神經(jīng)網(wǎng)絡(luò)方法概述

神經(jīng)網(wǎng)絡(luò)方法是從神經(jīng)心理學(xué)和認(rèn)知科學(xué)研究成果出發(fā)，應(yīng)用數(shù)學(xué)方法發(fā)展起來的一種具有高度并行計(jì)算能力、自學(xué)能力和容錯(cuò)能力的處理方法。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由一個(gè)輸入層、若干個(gè)中間隱含層和一個(gè)輸出層組成。神經(jīng)網(wǎng)絡(luò)分析法通過不斷學(xué)習(xí)，能夠從未知模式的大量復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律。神經(jīng)網(wǎng)絡(luò)方法克服了傳統(tǒng)分析過程的復(fù)雜性及選擇適當(dāng)模型函數(shù)形式的困難，是一種自然的非線性建模過程，不需分清存在何種非線性關(guān)系，給建模與分析帶來極大方便[16]，數(shù)據(jù)預(yù)測是其一個(gè)重要的應(yīng)用方向。BP（Back Propagation）算法又稱為誤差反向傳播算法，是人工神經(jīng)網(wǎng)絡(luò)中的一種監(jiān)督式學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)算法在理論上可以逼近任意函數(shù)，基本結(jié)構(gòu)由非線性變化單元組成，具有很強(qiáng)的非線性映射能力。而且網(wǎng)絡(luò)的中間層數(shù)、各層的處理單元數(shù)及網(wǎng)絡(luò)的學(xué)習(xí)系數(shù)等參數(shù)可根據(jù)具體情況設(shè)定，靈活性很大。因此，BP神經(jīng)網(wǎng)絡(luò)方法是一種典型的神經(jīng)網(wǎng)絡(luò)模型[17]。

BP神經(jīng)網(wǎng)絡(luò)算法包含兩個(gè)過程：信號的前向傳播和誤差的反向傳播。即當(dāng)傳入輸入信號通過隱含層作用于輸出節(jié)點(diǎn)，經(jīng)過非線性變換產(chǎn)生輸出信號。如果輸出值與期望值不相等，則轉(zhuǎn)入反向傳播過程。將輸出值與真實(shí)值之間的差通過隱含層向輸入層逐級反傳，并且將誤差分?jǐn)傇诟鱾€(gè)單元，各層單元依次來調(diào)整個(gè)單元的權(quán)值，從而使誤差越來越趨于零。endprint

如圖1所示，BP神經(jīng)網(wǎng)絡(luò)組成如下：①第一層是輸入層：作用是接收外部環(huán)境的輸入信號，并由它傳遞給相連的隱含層上的各個(gè)神經(jīng)元；②第二層是隱含層：是神經(jīng)網(wǎng)絡(luò)的內(nèi)部處理層，神經(jīng)網(wǎng)絡(luò)所具有的模式變換能力主要在隱含層的神經(jīng)元上，即作用是處理內(nèi)部中的信息變換；③第三層是輸出層：是用于產(chǎn)生神經(jīng)網(wǎng)絡(luò)的輸出模式，通過輸出層將隱含層內(nèi)部計(jì)算出來的信息輸出。

在圖1中，Xi指輸出層的第i個(gè)自變量，即樣本中自變量向量的第i個(gè)值；Wij為BP神經(jīng)網(wǎng)絡(luò)中輸入層與隱含層之間的連接權(quán)值；Wjk為隱含層與輸出層之間的連接權(quán)值；Yi為輸出層第i個(gè)神經(jīng)元的輸出值。其中i、j的取值為1，2…，n。由圖1可知，BP神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性的函數(shù)，輸入值和輸出值可分別看作函數(shù)的自變量和因變量。當(dāng)輸入的節(jié)點(diǎn)為n，輸出的節(jié)點(diǎn)為m時(shí)，就變成了一個(gè)n到m的映射過程。神經(jīng)網(wǎng)絡(luò)的建模過程中需要大量的數(shù)據(jù)進(jìn)行測試，在本文的模型應(yīng)用中，例如選擇2008-2017年每年4月份每天12點(diǎn)收集的太陽能的數(shù)據(jù)共300條。前270條（2008-2016年每年4月份）數(shù)據(jù)作為訓(xùn)練測試數(shù)據(jù)，后30條（2017年4月份）數(shù)據(jù)作為期望數(shù)據(jù)。若想利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，則需要先對前9年的數(shù)據(jù)進(jìn)行學(xué)習(xí)。在神經(jīng)網(wǎng)絡(luò)中，學(xué)習(xí)規(guī)則就是修正權(quán)值的一種算法，其目的是讓神經(jīng)網(wǎng)絡(luò)的輸出更符合實(shí)際值。具體而言，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步驟如下：步驟1：網(wǎng)絡(luò)初始化。根據(jù)系統(tǒng)輸入輸出序列（X， Y）確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)n、隱含層節(jié)點(diǎn)數(shù)m、輸出層節(jié)點(diǎn)數(shù)l，以及初始化權(quán)值與閾值Wij、Wjk，給定神經(jīng)元的激活函數(shù)給定計(jì)算精度值p或最大學(xué)習(xí)次數(shù)N。步驟2：隱含層的輸出計(jì)算：

Hj=f（∑ni=1WijXj-aj），j=1，2，…，l（1）

步驟3：輸出層的輸出計(jì)算：

f（x）=11+e-x（2）

步驟4：誤差計(jì)算：

Ok=∑lj=1HjWjk-bk，k=1，2，…，m（3）

步驟5：權(quán)值更新：

ek=Yk-Ok，k=1，2，…，m（4）

步驟6：閾值更新：

Wij=Wij+ηHj（1-Hj）x（i）∑mk=1Wjkek，i=1，2，…，n；j=1，2，…，lWjk=Wjk+ηHjek，j=1，2，…，l；k=1，2，…，m（5）

步驟7：判斷迭代過程是否結(jié)束，若沒有則需返回步驟2進(jìn)行繼續(xù)迭代。

aj=aj+ηHj（1-Hj）∑mk=1Wjkek，j=1，2，…，lbk=bk+ek，k=1，2，…，m（6）

2 基于BP神經(jīng)網(wǎng)絡(luò)的太陽能收集預(yù)測

2.1 數(shù)據(jù)來源

本文數(shù)據(jù)來源于National Renewable Energy Laboratory（美國國家可再生能源實(shí)驗(yàn)室，NREL）收集的太陽能數(shù)據(jù)[15]，數(shù)據(jù)真實(shí)可靠。由于收集的太陽能量受環(huán)境影響較大，且每種影響參數(shù)（溫度、濕度、天氣情況等）的影響程度不一。因此，忽略詳細(xì)環(huán)境因素，只獲取每天全球收集太陽能量的平均值（單位為W/m2）。數(shù)據(jù)中包含收集太陽能的日期、每天的時(shí)間段以及收集的太陽能量。通過對數(shù)據(jù)進(jìn)行預(yù)處理發(fā)現(xiàn)，太陽能的采集量受季節(jié)影響較大，為了能夠使得數(shù)據(jù)更加簡單精準(zhǔn)，在實(shí)際訓(xùn)練和預(yù)測過程中，選擇將每年4月份每天第12個(gè)小時(shí)內(nèi)（即1小時(shí)精度）收集的太陽能量作為輸入數(shù)據(jù)值。本文選用每天時(shí)間間隔為12的收集太陽能量平均數(shù)值作為實(shí)際的訓(xùn)練和預(yù)測數(shù)據(jù)。

2.2 算法預(yù)測性能指標(biāo)

在數(shù)據(jù)預(yù)測問題研究中，需要統(tǒng)一選取一些參數(shù)作為算法優(yōu)劣的評價(jià)指標(biāo)，從而使得評價(jià)更具公平性。本文擬采用的常用數(shù)據(jù)誤差分析指標(biāo)如下：

（1）絕對誤差（AE，Absolute Error）：是指預(yù)測值與期望值之間的差的絕對值，如式（7）所示。

AE=|Tpred-Treal|（7）

（2）相對誤差（RE，Relative Error）：是指預(yù)測值與期望值的差的絕對值與期望值的比值，如式（8）所示。

RE=|Tpred-Treal|Treal（8）

（3）平均絕對百分比誤差（MAPE，Mean Absolute Percentage Error）：是指相對誤差的絕對值的平均數(shù)，如式（9）所示。

MAPE=∑|Tpred-Treal|TrealN（9）

（4）均方根誤差（RMSE，Root Mean Square Error）：是指均方誤差的開方，也稱作為標(biāo)準(zhǔn)誤差，如式（10）所示。

RMSE=ε21+ε22+…ε2nN（10）

（5）均方根相對誤差（RMSRE，Root Mean Square Relative Error）：是指所有數(shù)量樣本的相對誤差的平方比上樣本數(shù)量的開方，如式（11）所示。

RMSRE=Σ（Tpred-TrealTreal）2N（11）

（6）RR（R2，擬合程度，也稱為擬合優(yōu)度判定系數(shù)）：表示數(shù)據(jù)的擬合程度，體現(xiàn)了回歸模型中自變量變異在因變量變異中所占的比例，可用來衡量預(yù)測的數(shù)值與真實(shí)值之間的相關(guān)關(guān)系，體現(xiàn)的是預(yù)測算法的預(yù)測擬合程度。預(yù)測算法的RR值越靠近1，說明算法的預(yù)測效果越好。

對上述列舉的數(shù)據(jù)預(yù)測常用指標(biāo)進(jìn)行分析可知，絕對誤差A(yù)E、相對誤差RE容易受到某個(gè)數(shù)據(jù)影響出現(xiàn)極端現(xiàn)象，因此用于顯示某個(gè)算法下各數(shù)據(jù)的預(yù)測情況。平均絕對百分比誤差MAPE、均方根誤差RMSE和均方根相對誤差RMSRE這3種誤差都是預(yù)測算法下多個(gè)預(yù)測結(jié)果的平均誤差，因此可以用于多個(gè)預(yù)測算法的性能對比，避免因?yàn)槟骋唤M數(shù)據(jù)異常而較大影響算法的預(yù)測結(jié)果。特別是平均絕對百分比誤差MAPE，通過其值能夠很直觀地看出模型對于整體數(shù)據(jù)樣本的相對誤差的數(shù)量，是對整體數(shù)據(jù)誤差求平均值；RR能夠表示算法模型的擬合程度，是預(yù)測領(lǐng)域常常被應(yīng)用到的一個(gè)評價(jià)指標(biāo)，對于算法預(yù)測結(jié)果的評價(jià)也有著非常重要的意義。endprint

2.3 BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)選擇

本文利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行太陽能預(yù)測的算法包括3個(gè)步驟：BP神經(jīng)網(wǎng)絡(luò)構(gòu)建、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練以及BP神經(jīng)網(wǎng)絡(luò)預(yù)測。算法流程如圖2所示。

在本文中，在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行太陽能收集功率預(yù)測具體操作時(shí)，將BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建輸入層設(shè)置為1個(gè)，輸出層設(shè)置為1個(gè)，隱藏層的設(shè)置按照式（13）確定。

l=n+m+α=1.414+αl=log2n=1l=nm=1（13）

式（13）中，l為隱含層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，α為1～10之間的常數(shù)。由上述隱含層l的取值可知，隱含層l的取值為1～1+α之間的數(shù)。以隱藏層數(shù)為l為例，將數(shù)據(jù)傳入BP神經(jīng)網(wǎng)絡(luò)算法中運(yùn)行得出相關(guān)結(jié)果。需要注意的是，在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算時(shí)，由于算法中網(wǎng)絡(luò)權(quán)值和閾值是隨機(jī)生成的，因而可能出現(xiàn)一組數(shù)據(jù)結(jié)果較好或較差的情況，因此需要多次模擬取平均值以避免陷入局部最優(yōu)而帶來結(jié)果的不準(zhǔn)確性。

表1顯示的是隱藏層數(shù)為1層時(shí)，在訓(xùn)練數(shù)據(jù)集上每次運(yùn)行BP神經(jīng)網(wǎng)絡(luò)算法時(shí)所獲取的各項(xiàng)評價(jià)指標(biāo)值。同樣地，將隱含層層數(shù)取值為1～10，得出不同隱藏層數(shù)下各項(xiàng)評價(jià)指標(biāo)的平均值，如表2所示。表2顯示，當(dāng)隱含層數(shù)為4時(shí)，各項(xiàng)評價(jià)指標(biāo)相對較小，此時(shí)預(yù)測模型最優(yōu)。因此，本文將神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)設(shè)置為4來構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

3 預(yù)測結(jié)果對比與分析

基于NERL太陽能收集真實(shí)數(shù)據(jù)集[15]，對本文提出的基于BP神經(jīng)網(wǎng)絡(luò)的太陽能收集功率預(yù)測方法進(jìn)行深入分析，并將其與現(xiàn)有其它典型的數(shù)據(jù)預(yù)測算法進(jìn)行預(yù)測結(jié)果對比，綜合評價(jià)本文中采用的基于BP神經(jīng)網(wǎng)絡(luò)的太陽能收集功率預(yù)測算法。本文的實(shí)驗(yàn)仿真在MATLAB平臺下實(shí)現(xiàn)。

3.1 BP神經(jīng)網(wǎng)絡(luò)不同隱含層下預(yù)測性能對比

在測試數(shù)據(jù)選擇上，選取2008-2017年每年4月份每天12點(diǎn)的數(shù)據(jù)共300條。前270條（2008-2016年每年4月份）數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后30條（2017年4月份）數(shù)據(jù)作為待預(yù)測數(shù)據(jù)。圖3和圖4是分別在BP神經(jīng)網(wǎng)絡(luò)（BPNN）算法隱含層分別為1、4和9時(shí)BPNN預(yù)測算法的絕對誤差和相對誤差比較結(jié)果。從圖3和圖4中可以看出，在隱含層為4的情況下，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效果最好，這與2.3節(jié)中的分析是一致的。

3.2 BP神經(jīng)網(wǎng)絡(luò)與其它預(yù)測算法性能對比

在BP神經(jīng)網(wǎng)絡(luò)隱含層為4的前提下，將BP神經(jīng)網(wǎng)絡(luò)方法分別與其它一些典型數(shù)據(jù)預(yù)測算法進(jìn)行對比。選取卡爾曼濾波算法（Kalman Filter）、自回歸移動平均算法（AutoRegressive Integrated Moving Alogrithm，ARIMA）與K最鄰近算法（K Nearest Neighbor，KNN），在相同數(shù)據(jù)集下，與BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法進(jìn)行深入對比分析。

圖5和圖6是BP神經(jīng)網(wǎng)絡(luò)算法（BPNN）、卡爾曼濾波算法（Kalman）、自回歸移動平均算法（ARIMA）和K最鄰近算法（KNN）在預(yù)測數(shù)據(jù)的絕對誤差和相對誤差上的對比?？梢钥闯?，本文采用的BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測效果最好，KNN算法的預(yù)測效果接近BP神經(jīng)網(wǎng)絡(luò)，但是仍不如BP神經(jīng)網(wǎng)絡(luò)方法。4種算法中，ARIMA算法的預(yù)測效果最差，這是因?yàn)锳RIMA是時(shí)間序列預(yù)測模型，而太陽能能量收集易受天氣、溫度等其它因素影響，處于易波動狀態(tài)，因此ARIMA預(yù)測效果不佳，而BP神經(jīng)網(wǎng)絡(luò)方法使用數(shù)據(jù)訓(xùn)練時(shí)的非線性變換和映射克服了這些不足，因此效果較好。

圖7是4個(gè)算法在平均絕對誤差（MAPE）、均方根相對誤差（RMSRE）和擬合程度（RR）上的對比。從圖7可以看出，本文采用的BP神經(jīng)網(wǎng)絡(luò)算法的誤差仍舊是最低的（RR值越趨近1表示預(yù)測性能越好）。這些對比實(shí)驗(yàn)充分說明了本文采用的BP神經(jīng)網(wǎng)絡(luò)方法在太陽能收集功率預(yù)測問題上的有效性。

4 結(jié)語

在太陽能能量收集和利用系統(tǒng)中，基于能量預(yù)測可以進(jìn)行系統(tǒng)任務(wù)的統(tǒng)一調(diào)度分配，提高系統(tǒng)工作效率和穩(wěn)定性，因此能量預(yù)測研究具有重要意義。本文采用BP神經(jīng)網(wǎng)絡(luò)方法在真實(shí)數(shù)據(jù)集上對太陽能收集功率預(yù)測問題進(jìn)行了研究，并與一些典型的數(shù)據(jù)預(yù)測算法進(jìn)行了對比，仿真結(jié)果表明了本文BP神經(jīng)網(wǎng)絡(luò)算法的有效性。在后續(xù)研究中，有必要對在能量預(yù)測基礎(chǔ)上的系統(tǒng)任務(wù)調(diào)度問題進(jìn)行研究，探索能量預(yù)測在提高系統(tǒng)工作效率等方面的作用。

Li LingSheng1，Han Chong

（1.College of Computer Engineering，Jinling Institute of Technology，Jiangsu Nanjing 211169；2.College of Computer，Nanjing University of Posts and Telecommunications，Jiangsu Nanjing 210003）

參考文獻(xiàn)：

[1] 江華.國內(nèi)外光伏產(chǎn)業(yè)發(fā)展現(xiàn)狀與趨勢[J].太陽能，2016（12）：15-17.

[2] 丁明，王偉勝，王秀麗，等.大規(guī)模光伏發(fā)電對電力系統(tǒng)影響綜述[J].中國電機(jī)工程學(xué)報(bào)，2014，34（1）：2-14.

[3] BHATTI N A，ALIZAI M H，SYED A A，et al.Energy harvesting and wireless transfer in sensor network applications：concepts and experiences[J].Acm Transactions on Sensor Networks，2016，12（3）：24.

[4] LIU Q，ZHANG Q J.Accuracy improvement of energy prediction for solar-energy-powered embedded systems[J].IEEE Transactions on Very Large Scale Integration Systems，2016，24（6）：2062-2074.endprint

[5] AKYILDIZ I F，VURAN M C.Wireless sensor networks[M].New York，NY，USA：Wiley，2010.

[6] 劉云浩.物聯(lián)網(wǎng)導(dǎo)論[M].北京：科學(xué)出版社，2010.

[7] 錢志鴻，王義君.面向物聯(lián)網(wǎng)的無線傳感器網(wǎng)絡(luò)綜述[J].電子與信息學(xué)報(bào)，2013，35（1）：215-227.

[8] 徐向南.具有能量補(bǔ)給的異構(gòu)傳感器網(wǎng)絡(luò)分簇路由算法研究[D].杭州：杭州電子科技大學(xué)，2015.

[9] BIASON A，ZORZI M.Joint transmission and energy transfer policies for energy harvesting devices with finite batteries[C].IEEE Journal on Selected Areas In Communications，2015，33（12）：2626-2640.

[10] SHU Y，SHIN K G，CHEN J，et al.Joint energy replenishment and operation scheduling in wireless rechargeable sensor networks[J].IEEE Transactions on Industrial Informatics，2017，13（1）：125-134.

[11] MOSER C，THIELE L，BRUNELLI D，et al.Adaptive power management for environmentally powered systems[J].IEEE Transactions on Computers，2010，59（4）：478-491.

[12] LIU Q，MAK T，ZHANG T，et al.Power-adaptive computing system design for solar-energy-powered embedded systems[J].IEEE Transactions on Very Large Scale Integration Systems，2015，23（8）：1402-1414.

[13] KANSAL A，HSU J，ZAHEDI S，et al.Power management in energy harvesting sensor networks[J].ACM Transactions on Embedded Computing System，2007，6（4）：32.

[14] PIORNO J R，BERGONZINI C，ATIENZA D，et al.Prediction and management in energy harvested wireless sensor nodes[C].In Proceeding of 1st International Conference on Wireless Communication，Vehicular Technology，Information Theory and Aerospace & Electronic Systems Technology，Aalborg，Denmark，2009：6-10.

[15] National renewable energy laboratory （NREL），oak ridge national laboratory.Irradiance and meteorological data[EB/OL].http：//midcdmz.nrel.gov/ornl_rsr/，2014.

[16] 周志華，陳世福.神經(jīng)網(wǎng)絡(luò)集成[J].計(jì)算機(jī)學(xué)報(bào)，2002，25（1）：1-8.

[17] 樊振宇.BP神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法[J].軟件導(dǎo)刊，2011，10 （7）：66-68.endprint