面向无线传感器网络的混合BiLSTM–1D CNN与特征增强输入的太阳辐照度时间序列预测

《Engineering Science and Technology, an International Journal》：Solar irradiation time series forecasting for Wireless Sensor Networks via hybrid BiLSTM–1D CNN and feature-enriched inputs

　　

针对偏远或难以到达环境中无线传感器网络（Wireless Sensor Networks, WSNs）电池更换困难导致的能源可持续性问题，研究人员提出了一种基于20年小时级数据的综合太阳辐照度预测框架。鉴于太阳能固有的间歇性和波动性，准确的预测对于实现高效的能源管理和保障系统可靠性至关重要。研究人员首先采用简单移动平均（Simple Moving Average, SMA）、指数移动平均（Exponential Moving Average, EMA）、加权移动平均（Weighted Moving Average, WMA）及赫尔移动平均（Hull Moving Average, HMA）等多种互补的时间序列平滑技术对原始数据进行预处理，以提升信号质量并捕捉多尺度时间特征。该工作的核心贡献在于构建了混合BiLSTM–1D CNN–XGBoost架构，旨在联合挖掘长期时间依赖性、短期局部模式及非线性残差关系：其中一维卷积神经网络（1D-CNN）负责提取局部时间特征，双向长短期记忆网络（BiLSTM）捕捉双向长距离依赖，而极限梯度提升树（XGBoost）则在习得的特征空间上通过梯度提升回归优化预测结果。研究人员将该模型与ARIMA、1D-CNN、LSTM、BiLSTM及GRU等多种基准方法进行了广泛评估，实验结果表明该混合框架在多项评价指标上均显著提升了预测的准确性和鲁棒性。该研究通过引入面向太阳能供电WSN的特征增强型混合预测策略，为物联网（Internet of Things, IoT）及边缘计算系统的主动式能源感知管理提供了一种实用且可扩展的解决方案。

研究背景与意义

无线传感器网络（WSN）在环境监测、智慧农业及智慧城市等领域应用广泛，但节点能量受限是制约其长期部署的核心瓶颈。在偏远地区，频繁更换电池不仅成本高昂且操作不切实际。太阳能收集作为一种可再生能源解决方案极具吸引力，然而太阳辐照度的间歇性和随机性导致能源供应不稳定，严重影响网络的服务质量（QoS）。因此，准确的太阳辐照度预测是实现自适应占空比调节、动态功率分配及智能任务调度的前提，对于延长节点寿命、维持网络覆盖至关重要。

研究方法与技术路线

研究人员利用欧洲委员会联合研究中心PVGIS数据库，获取了法国图卢兹地区2005年1月至2023年12月的小时级历史太阳辐照度数据作为样本队列。核心技术方法包括：首先对原始数据进行线性插值补全缺失值及Z-score阈值法剔除异常值处理；其次进行特征工程，计算SMA、EMA、WMA及HMA（窗口大小为19）四种平滑特征，并结合时间编码（小时、年积日正弦余弦变换）及滞后特征构建输入矩阵；随后构建混合深度学习架构，利用1D-CNN提取局部时序模式，BiLSTM捕捉双向长程依赖，并将习得的特征输入XGBoost进行残差回归优化。训练采用Nadam优化器，按时间顺序划分训练集（75%）与测试集（25%），并使用RMSE、MAE及R²等指标进行评估。

研究结果

1. 1D-CNN与2D-CNN的理论与实证比较

研究人员论证了在多变量时间序列预测中，特征维度（如风速、温度、辐照度）之间不存在图像中的空间连续性。1D卷积沿时间轴滑动，符合数据的自然归纳偏置；而2D卷积会强加无效的空间关系假设。实验表明，2D-CNN在100个训练周期下的RMSE为2.3793，R²仅为0.9087；相比之下，所提1D-CNN–BiLSTM混合模型在相同条件下RMSE降至1.0599，R²提升至0.9819，证明了1D架构的优越性。

2. 模型性能对比

在与独立深度学习模型的横向对比中，混合模型表现出色。在使用Nadam优化器训练500个周期后，混合BiLSTM–1D CNN模型取得了最佳性能：平均绝对误差（MAE）为0.5248，均方根误差（RMSE）为0.956，决定系数（R²）达到98.95%，解释方差（Explained Variance）为94.87%。相比之下，单独的LSTM模型R²为90.18%，GRU为87.82%，1D CNN仅为89.66%。这表明混合架构能有效结合卷积层的局部特征提取能力与循环层的时序建模能力。

3. 与现有研究的对比

通过与近期文献对比，该混合模型展现了竞争力。在小时级平面总辐照度（Global Irradiance on the Plane of Array, G_POA，即GTI）预测任务中，该模型RMSE为0.871 W/m²，优于Michael等人报道的CNN–LSTM模型（61.24 W/m²）及Mbah等人的XGBoost回归模型（2.11 W/m²），验证了其在WSN能源管理场景下的适用性。

讨论与结论

研究结论指出，混合BiLSTM–1D CNN–XGBoost框架通过融合深度学习的表征能力与梯度提升树的回归精度，成功解决了太阳辐照度预测中的非线性和非平稳性问题。Nadam优化器的使用进一步加速了模型收敛并提升了泛化性能。尽管该模型在低辐照度时段因分母效应导致平均绝对百分比误差（MAPE）偏高，且计算成本高于单一模型，但其高精度特性使其非常适合计算资源相对充足的边缘网关或基站侧预测。该研究为太阳能驱动的WSN提供了一种可靠的能源预测方案，未来工作将聚焦于模型轻量化及在嵌入式系统中的实时部署。该论文发表于《Engineering Science and Technology, an International Journal》。