本發(fā)明涉及一種場景預測方法及裝置，屬于能量收集網(wǎng)絡技術(shù)領(lǐng)域，具體涉及一種基于消減技術(shù)的能量收集網(wǎng)絡單時段場景預測方法及裝置。

背景技術(shù)：

隨著能量轉(zhuǎn)化效率的提高和低功耗處理器的進步，人們對網(wǎng)絡生命周期和永久運行的需求日益增加，能量收集網(wǎng)絡應運而生。

能量收集是指通過搜尋諸如震動、人體能量、風光熱能等低等的環(huán)境能源，將其轉(zhuǎn)化成可用的電能供給電子設備進行網(wǎng)絡通訊，完成某些特殊任務。能量收集網(wǎng)絡是傳統(tǒng)計算機網(wǎng)絡的發(fā)展，它可以增加能量的自給和永久運行，為節(jié)點提供無限的流動性及特殊環(huán)境的部署。

能量收集網(wǎng)絡的出現(xiàn)由以下兩方面催生：一是ICT(Information and Communications Technology，信息與通信技術(shù))設備能耗及二氧化碳排放的增加受到更多的關(guān)注；二是特殊環(huán)境下對網(wǎng)絡的需求，如人體、混凝土、邊遠地區(qū)等，為醫(yī)療設備、環(huán)境監(jiān)測、安全監(jiān)控等領(lǐng)域帶來革新。這種新型的能量供給方式伴隨著隨機性、瞬時性和記憶性，為信道添加了新的約束；同時，能量收集過程對發(fā)送者而言是顯而易見的，接收者則不然。這些問題為能量收集網(wǎng)絡帶來了新的挑戰(zhàn)。

能量收集網(wǎng)絡從新的角度考慮了計算機網(wǎng)絡的節(jié)能問題，在傳統(tǒng)網(wǎng)絡中引入了新能源技術(shù)，減少傳統(tǒng)網(wǎng)絡能耗的同時，又大大拓展了網(wǎng)絡的應用范圍。然而新能源的引入帶來了新的問題和挑戰(zhàn)，如何模擬新能源的特性及能量收集過程的隨機性成為能量收集網(wǎng)絡首要解決的問題目前大多采用概率分布模擬能量收集過程，假設能量的到來服從某些概率分布函數(shù)。如誤差服從正態(tài)分布或數(shù)據(jù)集間滿足獨立同分布(i.i.d.)，但能量收集網(wǎng)絡數(shù)據(jù)和能量的突發(fā)性使得這種模擬方法對局部時段內(nèi)的能量管理策略幫助甚微。

目前針對能量收集網(wǎng)絡的模擬技術(shù)主要有：(1)二階馬爾科夫鏈模型，使用線性規(guī)劃方法求解，但模型建立過程含有能量獲取概率、能量消耗概率、數(shù)據(jù)產(chǎn)生概率和數(shù)據(jù)發(fā)送概率四個參數(shù)，需要假設這四個參數(shù)滿足某種先驗概率分布，并不合理；(2)排隊論模型，如使用G/G/1/N和G/G/1/∞來模擬有限容量電池和無限容量電池下的能量收集網(wǎng)絡，分別計算出節(jié)點的耗盡概率，但模型中的G/G部分需要已知概率分布，過于主觀。然而，研究表明電路元件的不確定性使得對電池狀態(tài)的估計誤差足有30％以上，同時知道能量收集狀態(tài)要優(yōu)于對電池電量的讀取狀態(tài)?？梢?，為了降低讀取與估算電池電量的能耗，同時提高系統(tǒng)能量規(guī)劃運行的準確度，則需要正確模擬能量收集過程。同時，設計者能夠準確模擬能量收集過程也有利于網(wǎng)絡的規(guī)劃運行。

作為系統(tǒng)運行的必要輸入，能量收集階段目前大多采用概率分布模擬，即假設能量的到來服從某些諸如正態(tài)分布或數(shù)據(jù)集間滿足獨立同分布等概率分布函數(shù)，然而能量收集網(wǎng)絡數(shù)據(jù)和能量的突發(fā)性使得這種模擬方法對局部時段內(nèi)的能量管理策略幫助甚微。

為此，本發(fā)明的設計者有鑒于上述缺陷，通過潛心研究和設計，綜合長期多年從事相關(guān)產(chǎn)業(yè)的經(jīng)驗和成果，研究設計出一種基于消減技術(shù)的能量收集網(wǎng)絡單時段場景預測方法及裝置，以克服上述缺陷。

技術(shù)實現(xiàn)要素：

本發(fā)明主要是解決現(xiàn)有技術(shù)所存在的能量收集網(wǎng)絡模擬困難且精度差，能量收集存在隨機性和不確定性的技術(shù)問題，提供了一種基于消減技術(shù)的能量收集網(wǎng)絡單時段場景預測方法及裝置。該方法及裝置能夠基于歷史數(shù)據(jù)預測能量收集網(wǎng)絡單時段的能量收集的最優(yōu)場景，從而優(yōu)化能量收集網(wǎng)絡的數(shù)據(jù)發(fā)送方式。

本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的：

一種基于消減技術(shù)的能量收集網(wǎng)絡單時段場景預測方法，基于消減技術(shù)生成單時段場景，具體包括：

參數(shù)初始步驟，設置場景集合初值J＝{R(S_tⁱ,p_tⁱ)}，i＝1,2,...,N，被刪除的場景集合S_tⁱ為場景數(shù)據(jù)值，p_tⁱ為該場景概率，R(S_tⁱ,p_tⁱ)為t時段的場景，N為總的場景個數(shù)；

場景加權(quán)步驟，根據(jù)J構(gòu)造場景的加權(quán)距離矩陣A_t，計算矩陣A_t中除對角線外每行最小元素c_ij＝min(A_ij·p_ij)，選擇l_i＝minc_ij；

場景更新步驟，更新場景集合J＝J\{S_tⁱ}，D＝D∪{S_tⁱ}，即將l_i對應的場景S_tⁱ從J中刪除并移入到刪除場景集合D中；

終止判斷步驟，判斷J中元素個數(shù)是否等于若相等，則退出并輸出最優(yōu)場景集合J；若不是，繼續(xù)二次更新步驟；其中，為單日每一時段的代表場景數(shù)目；

二次更新步驟，計算選擇l_i＝l_k，重復場景更新步驟和終止判斷步驟，直至輸出最優(yōu)場景集合。

其中，p_t^j＝1/N。

其中，加權(quán)距離矩陣A_t的構(gòu)造基于以下公式：

式中：

i≠j，j∈{1,2,...,N}。

一種能量收集網(wǎng)絡數(shù)據(jù)發(fā)送方法，采用上述任一場景預測方法來預測單時段收集的能量值，并基于預測的能量值來規(guī)劃單時段內(nèi)的數(shù)據(jù)吞吐量。

一種基于消減技術(shù)的能量收集網(wǎng)絡單時段場景預測裝置，包括：

參數(shù)初始模塊，設置場景集合初值J＝{R(S_tⁱ,p_tⁱ)}，i＝1,2,...,N，被刪除的場景集合S_tⁱ為場景數(shù)據(jù)值，p_tⁱ為該場景概率，R(S_tⁱ,p_tⁱ)為t時段的場景，N為總的場景個數(shù)；

場景加權(quán)模塊，根據(jù)J構(gòu)造場景的加權(quán)距離矩陣A_t，計算矩陣A_t中除對角線外每行最小元素c_ij＝min(A_ij·p_ij)，選擇l_i＝minc_ij；

場景更新模塊，更新場景集合J＝J\{S_tⁱ}，D＝D∪{S_tⁱ}，即將l_i對應的場景S_tⁱ從J中刪除并移入到刪除場景集合D中；

終止判斷模塊，判斷J中元素個數(shù)是否等于若相等，則退出并輸出最優(yōu)場景集合J；若不是，繼續(xù)二次更新步驟；其中，為單日每一時段的代表場景數(shù)目；

二次更新模塊，計算選擇l_i＝l_k，重復場景更新步驟和終止判斷步驟，直至輸出最優(yōu)場景集合。

其中，p_t^j＝1/N。

其中，加權(quán)距離矩陣A_t的構(gòu)造基于以下公式：

式中：

i≠j，j∈{1,2,...,N}。

一種能量收集網(wǎng)絡數(shù)據(jù)發(fā)送系統(tǒng)，采用上述任一場景預測裝置來預測單時段收集的能量值，并基于預測的能量值來規(guī)劃單時段內(nèi)的數(shù)據(jù)吞吐量。

因此，本發(fā)明具有如下優(yōu)點：本發(fā)明與真實數(shù)據(jù)之間的測量誤差在-30％～30％之間，且不需要假設概率分布函數(shù)，提高了能量收集網(wǎng)絡模擬的精度。將本方法應用在能量收集網(wǎng)絡中進行測試，測試能夠?qū)崿F(xiàn)更高的網(wǎng)絡吞吐量。

附圖說明

圖1為能量收集網(wǎng)絡模擬技術(shù)路線；

圖2原始數(shù)據(jù)分布情況；

圖3為各時段消減后場景；

圖4為各時段場景對應的概率；

圖5為適應度函數(shù)值變化曲線；

圖6為500個能量收集場景的示意圖；

圖7為500個能量收集場景概率圖；

圖8為500個能量收集場景誤差；

圖9為預測的功率序列場景；

圖10為采用本技術(shù)對網(wǎng)絡吞吐量的有益效果(策略一為單日吞吐量上界，策略二為不采用任何模擬技術(shù)的吞吐量曲線，策略三為采用本模擬技術(shù)的吞吐量曲線)。

具體實施方式

下面通過實施例，并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進一步具體的說明。

實施例：

如圖1所示，本發(fā)明基于消減技術(shù)的單時段場景生成技術(shù)，用以模擬單時段的數(shù)據(jù)特性，同時提出基于時齊模擬退火方法的能量收集網(wǎng)絡模擬技術(shù)，用以模擬能量收集網(wǎng)絡能量獲取的隨機過程。具體描述如下：

1、消減技術(shù)實施過程

STEP 0：初始化過程

采用最優(yōu)消減技術(shù)產(chǎn)生出單日每一時段的代表場景O_t(S_tⁱ,p_tⁱ)，其中為代表場景數(shù)目，S_tⁱ為第t(t＝1,2,...,T)時段的一個代表場景。p_tⁱ為t時刻代表場景S_tⁱ的發(fā)生概率。

假設第t時段原始場景集{R(S_t^j,p_t^j)}，其中j＝1,2,...,N，N為總的場景個數(shù)也即歷史數(shù)據(jù)的總天數(shù)，S_t^j為場景數(shù)據(jù)值，p_t^j為該場景概率。此處認為每天數(shù)據(jù)發(fā)生的概率相等，即p_t^j＝1/N。

以t時段為例，計算該時段兩兩場景的歐式距離，即

得到加權(quán)距離矩陣

STEP 1：設置場景集合初值J＝{R(S_tⁱ,p_tⁱ)}，i＝1,2,...,N，被刪除的場景集合依據(jù)矩陣A_t，求的除對角線外每行最小元素c_ij＝min(A_ij·p_ij)，i≠j，i＝1,2,...,N，j∈{1,2,...,N}。

STEP 2：選擇l_i＝minc_ij。

STEP 3：更新場景集合J＝J\{S_tⁱ}，D＝D∪{S_tⁱ}。

STEP 4：判斷J中元素個數(shù)是否等于若相等，則退出并輸出最優(yōu)場景集合J；若不是，繼續(xù)一下步驟。

STEP 5：計算并定義

STEP 6：選擇l_i＝l_k，重復STEP 3和STEP 4，直至輸出最優(yōu)場景集合。

2、時齊模擬退火方法實施過程

首先進行參數(shù)設置，具體如下：

初始解：依據(jù)每一時段的代表場景集O_t(S_tⁱ,p_tⁱ)及時間t序列，此時可產(chǎn)生的最大序列場景數(shù)為個，每一場景序列的長度為T，概率為其中

假設最終需要的代表場景序列為個，則隨機從場景序列中選取個作為一個初始解集其中a＝1,2,...表示隨機生成的第a個初始解集

適應度函數(shù)：選取當前最優(yōu)解集內(nèi)兩兩場景序列的距離加權(quán)之和的均值作為適應度函數(shù)，即

鄰域結(jié)構(gòu)：假設當前最優(yōu)解集A_a，最優(yōu)解集的鄰域構(gòu)造方法為隨機選取解集內(nèi)每一場景序列的n個時段，n∈[1,2,...,T]為預設值；然后隨機改變這n個時段的取值作為鄰域場景。取值的改變遵循如下鄰域構(gòu)造方法

是一個0-1碼且k≥1的整數(shù)}

S_tⁱ’表示場景S_tⁱ的鄰域場景，bit為場景S_tⁱ的值用二進制表示的最大位數(shù)。

初始溫度：理論來說，初始溫度t₀的選取應保證平穩(wěn)分布中每一狀態(tài)的概率相等，即

其中Δf＝max{f(A_a)}-min{f(A_a)}為解集內(nèi)最大最小的適應度差值。因此，取t₀＝KΔf，K為一充分大的數(shù)，可選K＝100，200...等。

同一溫度迭代規(guī)則：即內(nèi)循環(huán)終止條件。實現(xiàn)方法為給定一個充分大的步長上限U和接受次數(shù)指標R，當在同一溫度下的接受次數(shù)達到指標R時，則停止迭代；如達到步長上限U時接受次數(shù)仍小于R，則停止迭代。

溫度下降方法：下降方法如下，其中r是一個充分小的正數(shù)，V是f(A_a)-f(A_opt)的上界，A_opt為最優(yōu)狀態(tài)集。

方法終止：給定充分小的正數(shù)ε和δ，達到終止條件滿足下式，|D|表示狀態(tài)集合(解集合)中狀態(tài)的個數(shù)。

在進行以上參數(shù)設置后，方法實施過程如下：

初始化：從個場景序列中選定個作為最優(yōu)場景解集；設定初始溫度。

STEP 1：隨機選擇n個初始解集A₁,A₂,...,A_n(n的大小可依據(jù)原始數(shù)據(jù)量及目標精度選擇)；k：＝0；t_max＝t₀(初始溫度)。

其中，K代表的是算法的迭代次數(shù)，算法終止有兩種情況：1、溫度下降到終止溫度；2、為避免過大的計算代價，當K值達到一定上限時，終止計算。因此使用了K值。

溫度值t是模擬退火算法的一個變量，屬于模擬退火算法通用的一個變量，用來衡量算法進展的程度。初始溫度的計算基于式計算，使得應保證平穩(wěn)分布中每一狀態(tài)的概率相等。

STEP 2：使用上節(jié)中的鄰域構(gòu)造方法，生成初始解集A₁,A₂,...,A_n的鄰域解集A₁ⁱ,A₂^k,...,A_n^k，k表示第k次生成的鄰域解。若f(A_n^k)>f(A_n-1^k)，則接受新的解集作為最優(yōu)解；否則保留上代最優(yōu)解。

若溫度達到內(nèi)循環(huán)終止條件，則轉(zhuǎn)STEP3；若溫度未達到內(nèi)循環(huán)終止條件，則：從鄰域解集中隨機選取一解集A_n^j，計算Δf_kj＝f(A_n^k)-f(A_n^j)；

①若Δf_kj≤0，則k：＝j，

②若Δf_kj>0，其Δf_kj>0時候，以一定的概率讓k：＝j，這個概率就是當exp(-Δf_kj/t_k)>random(0，1)時，此時有則k：＝j；如果exp(-Δf_kj/t_k)random≤(0，1)時，則k值不變，不用k：＝j；然后重復重復STEP 2。

STEP 3：t_k+1：＝d(t_k)；k＝k+1；其中，d是溫度下降函數(shù)；若滿足溫度停止條件，終止計算；否則，回到STEP 2。

3、具體實施例

能量管理的目標就是依據(jù)每一時段中的平均充電速率P_i，在數(shù)據(jù)通訊之前求得能量平均消耗速率Q_i，從而確定該時段中的碼字平均功率。因此，優(yōu)化問題轉(zhuǎn)化為依據(jù)能量因果約束分配能量，從而使得L個時段的平均吞吐量最大。即：

通過能量管理策略的數(shù)學模型可以得出，最優(yōu)能量管理算法，將能量收集序列[P₁,P₂,...,P_L]作為輸入，輸出是最優(yōu)功率向量[Q₁’,Q₂’,...Q_n’]。此處，我們對比如下三種能量管理策略所能實現(xiàn)的系統(tǒng)吞吐量。應注意的是由于文中一直使用了功率的標幺值，因此求解出的系統(tǒng)吞吐量，也是標幺化的。

1、策略一：假設系統(tǒng)知道能量收集的真實數(shù)據(jù)，也就是說策略設計者知道每一時段的真實的能量收集功率，從而每一時段系統(tǒng)完成數(shù)據(jù)任務消耗的能量等于系統(tǒng)收集的真實能量，該策略提供了系統(tǒng)能夠?qū)崿F(xiàn)的最大吞吐量，即吞吐量上界；

2、策略二：無能量管理算法，即每一時段的數(shù)據(jù)通信功率等于該時段能量收集功率預測值，即Q_i＝P_i，該算法提供了系統(tǒng)吞吐量的下界；

3、策略三：最優(yōu)能量管理算法，使用能量場景生成技術(shù)作為優(yōu)化算法的輸入，通過前一節(jié)式(13)求解得出最優(yōu)功率向量，從而計算每天的平均吞吐量。

具體計算步驟為：

(1)基于原始數(shù)據(jù)，數(shù)據(jù)采集于某電網(wǎng)公司2016年5月8日至2016年7月31日期間的風電功率值，本文所有功率數(shù)據(jù)均對于裝機容量進行了標幺化處理。一共85天的數(shù)據(jù)，數(shù)據(jù)的采樣間隔為15分鐘，即每天數(shù)據(jù)量為96個，原始數(shù)據(jù)的分布如圖2所示。此處假設對于原始數(shù)據(jù)而言，每一時段數(shù)據(jù)出現(xiàn)的概率是相等的。采用前文所述消減技術(shù)生成單時段最優(yōu)場景集。圖3所示的是進行消減算法后的每一時段的場景集合，將每一時段85個場景數(shù)據(jù)消減為10個。從數(shù)據(jù)分布的形態(tài)上可以看出消減后的數(shù)據(jù)分布大致保持了原數(shù)據(jù)的分布形態(tài)。圖4為消減后各時段場景對應的概率，圖中柱狀圖的長度代表了對應場景值概率的大小，且每一時段10個場景數(shù)據(jù)的概率和為1。

(2)經(jīng)過消減算法后，我們將每一時段的85個數(shù)據(jù)消減為10個數(shù)據(jù)，此時的數(shù)據(jù)量剩下96時段*10代表場景。而當我們需要日場景序列時，就是要將96個時段連成一個串，每隔時段10個代表場景，因此連成串的話是10的96次方個串。時齊模擬退火算法就相當于在總共(10⁹⁶個串+10⁹⁶個串的鄰域結(jié)構(gòu))中，找出200個或者500個最能代表日場景序列的串。在此，本實施例基于單時段生成的10個代表場景，使用時齊的模擬退火算法分別生成序列個數(shù)為100、200、500的能量收集場景序列集，用于模擬單日能量收集情況。圖5給出了模擬退火算法適應度函數(shù)值隨溫度的變化過程。為了避免運算時間過長，算法的終止條件增加了最大迭代次數(shù)1000次的限制，即在1000次迭代中，如果溫度下降至終止條件，則終止并輸出最優(yōu)解；否則終止算法，輸出1000次迭代后當前最優(yōu)解。為了方便顯示，圖中200和500個場景序列的適應度函數(shù)值被分別放大了5倍和10倍。圖6、圖7、圖8分別是生成的500個場景序列及其概率，以及與原始數(shù)據(jù)的誤差。

(3)依據(jù)上述的能量場景生成技術(shù)，得出單日能量場景預測值。以2016年5月8日的風電功率預測值為例，利用前文得到的500場景序列誤差，得出2016年5月8日可能發(fā)生的500個場景序列，如圖9所示。

(4)案例中日平均吞吐量的計算。

考慮將一天分為L個時段，每一時段的長度為T，第i個時段的平均充電速率與平均消耗速率分別為P_i和Q_i。因此在第i個時段中，系統(tǒng)收集了P_iT單位的能量，消耗了Q_iT單位的能量。其中T是足夠大的，使得T0.5log(1+Q_i)字節(jié)的數(shù)據(jù)可以被發(fā)送出去。電池的初始電量為零，則系統(tǒng)的能量因果約束可寫作

能量管理的目標就是依據(jù)每一時段中的平均充電速率P_i，在數(shù)據(jù)通訊之前求得Q_i，從而確定該時段中的碼字平均功率。因此，優(yōu)化問題轉(zhuǎn)化為依據(jù)能量因果約束分配能量，從而使得L個時段的平均吞吐量最大。

使用能量場景生成技術(shù)作為優(yōu)化算法的輸入(如使用圖9中生成的5月8日場景預測序列P_i，則可通過數(shù)學模型(2)的計算，求出5月8日的吞吐量)，通過前一節(jié)式(2)求解得出最優(yōu)功率向量，從而計算每天的平均吞吐量。使用從2016年6月19日至2016年7月1日的風電功率數(shù)據(jù)進行驗證，通過計算，得出每一天三種算法能夠?qū)崿F(xiàn)的系統(tǒng)吞吐量，如圖10所示。從圖中可以看出，基于能量收集網(wǎng)絡模擬技術(shù)的能量管理策略能夠?qū)崿F(xiàn)大于無能量管理策略的系統(tǒng)吞吐量，更好地利用了系統(tǒng)收集的能量，提高了新能源的利用率。

本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。