基于ARIMA-TCN-LSTM-AM-CatBoost的WSN太阳辐照度预测算法

摘要

在无线传感器网络中，节点的供能问题是制约其实际应用的重要因素，将太阳能转化成电能为节点供电是一种有效的解决方案.对可收集的太阳能进行预测，有助于提高无线传感器网络的使用寿命.针对太阳能的不稳定性和波动性，提出了一种混合模型来预测太阳能.该模型首先利用自回归差分移动平均模型(ARIMA)对序列中线性成分的敏感性来对太阳辐照度中的线性成分进行提取，保留非线性成分于残差序列中；融合时间卷积网络(TCN)、长短期记忆神经网络(LSTM)和注意力机制(AM),提取光伏数据和由ARIMA生成的残差数据中更深层次的时间依赖关系和复杂模式；最后，利用Catboost决策树算法对预测结果进行集成和综合分析.实验结果表明，在太阳辐照度预测中，所提出的方案在精度、鲁棒性和泛化能力上相较于其他方法具有明显优势.

关键词

无线传感器网络 / 太阳辐照度 / 自回归差分移动平均模型 / 长短期记忆网络 / CatBoost