基于Attention與改進(jìn)SCINet模型的無(wú)線傳感器網(wǎng)絡(luò)能量預(yù)測(cè)與分簇路由算法

近年來(lái)，物聯(lián)網(wǎng)技術(shù)快速發(fā)展，使得無(wú)線傳感器網(wǎng)絡(luò)得到了廣泛的應(yīng)用，如環(huán)境監(jiān)測(cè)、智慧農(nóng)業(yè)、智慧交通等.對(duì)于傳統(tǒng)的無(wú)線傳感器網(wǎng)絡(luò)，當(dāng)傳感器節(jié)點(diǎn)中的電池能量耗盡時(shí)，節(jié)點(diǎn)將進(jìn)人死亡狀態(tài)進(jìn)而使得網(wǎng)絡(luò)性能下降甚至停止工作.有限的電池容量限制了傳感器節(jié)點(diǎn)的壽命，使得無(wú)線傳感器網(wǎng)絡(luò)的維護(hù)成本大大增加.

為了滿足未來(lái)無(wú)線傳感器網(wǎng)絡(luò)日益增長(zhǎng)的應(yīng)用需求，學(xué)者們不斷尋求合適的能量源以及便捷的供能方案給傳感器節(jié)點(diǎn)提供能量.能量收集無(wú)線傳感器網(wǎng)絡(luò)可以通過(guò)周圍環(huán)境汲取能量，并維持網(wǎng)絡(luò)的正常運(yùn)行，因此得到了廣泛的關(guān)注.目前，能量收集無(wú)線傳感器網(wǎng)絡(luò)可采集的能源有太陽(yáng)能、熱能、風(fēng)能、機(jī)械能等.

太陽(yáng)能具有高效、清潔、易獲取等優(yōu)勢(shì)，從而被廣泛應(yīng)用于EH-WSNs中.利用太陽(yáng)能的能量供給延長(zhǎng)無(wú)線傳感器網(wǎng)絡(luò)的生命周期涉及能量管理[1]、自適應(yīng)功率調(diào)整[2」、智能路由[3]等技術(shù).然而，太陽(yáng)能受晝夜、天氣、季節(jié)等變化影響較大，具有隨機(jī)性和不穩(wěn)定性，為了適應(yīng)不斷變化的太陽(yáng)能能量，提高能量利用率[4]，學(xué)者們對(duì)能量預(yù)測(cè)算法進(jìn)行了大量研究.目前，能量預(yù)測(cè)算法有基于統(tǒng)計(jì)學(xué)原理：指數(shù)加權(quán)移動(dòng)平均算法（ex-ponential weighted moving average，EWMA）[5]、WCMA[6]、Pro-Energy[7]等與基于機(jī)器學(xué)習(xí)原理：知識(shí)神經(jīng)網(wǎng)絡(luò)[8]、循環(huán)神經(jīng)網(wǎng)絡(luò)[9]、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（long short term memory，LSTM）[10]等，上述能量預(yù)測(cè)方法面臨復(fù)雜天氣和長(zhǎng)期預(yù)測(cè)情況下精度不佳的問(wèn)題，能量預(yù)測(cè)精度不佳會(huì)造成無(wú)線傳感器網(wǎng)絡(luò)能量利用率低和節(jié)點(diǎn)提前死亡.

為延長(zhǎng)無(wú)線傳感器網(wǎng)絡(luò)的生命周期，本文提出了一種基于注意力機(jī)制與改進(jìn)SCINet模型的能量預(yù)測(cè)模型，和一種基于能量預(yù)測(cè)模型的分簇路由算法.改進(jìn)SCINet模型以殘差融合結(jié)構(gòu)替代殘差鏈接結(jié)構(gòu)，并引人注意力機(jī)制，自適應(yīng)地調(diào)整輸人和輸出在最終結(jié)果中的貢獻(xiàn)度，提高模型的預(yù)測(cè)精度與泛化能力.在精確的能量預(yù)測(cè)的基礎(chǔ)之上，根據(jù)每個(gè)節(jié)點(diǎn)自身的剩余能量和未來(lái)可以收集的能量，提出一種分簇路由協(xié)議，能量水平較高的節(jié)點(diǎn)具有更大的概率當(dāng)選簇頭.仿真實(shí)驗(yàn)證明，本文方法能有效延長(zhǎng)無(wú)線傳感網(wǎng)絡(luò)的生命周期.

1相關(guān)研究

文獻(xiàn)[5]提出了EWMA，它假設(shè)一天中給定時(shí)間內(nèi)收獲的能量與前幾天同一時(shí)間的收獲能量相似，并用加權(quán)平均的方式預(yù)測(cè)當(dāng)天同一時(shí)間的能量.文獻(xiàn)[6]在EWMA的基礎(chǔ)上，將天氣變化作為太陽(yáng)能能量預(yù)測(cè)的重要因素，提出了天氣條件移動(dòng)平均算法（weather conditioned moving average，WCMA）.文獻(xiàn)[7]提出了輪廓能量預(yù)測(cè)模型，它進(jìn)一步拓展了WCMA，通過(guò)將當(dāng)天的太陽(yáng)能數(shù)據(jù)與前幾天相同時(shí)段的太陽(yáng)能數(shù)據(jù)進(jìn)行比較，選擇與當(dāng)天太陽(yáng)能數(shù)據(jù)最相似的一天，將前一個(gè)時(shí)間段觀測(cè)到的能量與最相似天的當(dāng)前時(shí)間段的能量相結(jié)合，以實(shí)現(xiàn)更準(zhǔn)確的預(yù)測(cè).

相比于上述基于統(tǒng)計(jì)學(xué)原理，基于機(jī)器學(xué)習(xí)原理的算法在復(fù)雜多變的環(huán)境中，能夠有效處理和分析大規(guī)模、多變量的數(shù)據(jù)集，更能捕捉太陽(yáng)能時(shí)間序列中的非線性變化.循環(huán)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)[8]等方法相繼被應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)中的太陽(yáng)能能量預(yù)測(cè)研究.文獻(xiàn)[9]提出一種基于自回歸積分移動(dòng)平均（au-toregressive intergrated moving average，ARIMA）-長(zhǎng)短期記憶組合模型的能量預(yù)測(cè)方法，融合了 ARIMA與LSTM的優(yōu)勢(shì)，提高了預(yù)測(cè)結(jié)果.由于誤差累積，以上預(yù)測(cè)模型的準(zhǔn)確性隨著預(yù)測(cè)時(shí)長(zhǎng)增加而降低，因此這些模型都只適用于短期能量預(yù)測(cè).針對(duì)上述問(wèn)題，文獻(xiàn)[10]提出了樣本卷積交互神經(jīng)網(wǎng)絡(luò)（sample convo-lution and interaction network，SCINet），通過(guò)豐富的卷積濾波器捕捉多分辨率下的動(dòng)態(tài)時(shí)間依賴性來(lái)增強(qiáng)原始時(shí)間序列的可預(yù)測(cè)性，有效提高了長(zhǎng)期能量預(yù)測(cè)的性能，

在分簇路由協(xié)議方面，文獻(xiàn)[11]提出的LEACH協(xié)議首次通過(guò)引入簇的概念有效降低了無(wú)線傳感器網(wǎng)絡(luò)（WSN）的能耗，但該協(xié)議采用隨機(jī)選舉簇頭的方式，使得部分能量較低的節(jié)點(diǎn)當(dāng)選簇頭造成節(jié)點(diǎn)死亡.文獻(xiàn)[12]提出太陽(yáng)能能量感知分簇路由協(xié)議，該協(xié)議優(yōu)化了LEACH的簇頭選舉策略，由當(dāng)前簇頭來(lái)決定下一個(gè)簇頭的產(chǎn)生，避免了同一節(jié)點(diǎn)多次連續(xù)當(dāng)選簇頭造成的節(jié)點(diǎn)死亡.文獻(xiàn)[13]提出了自適應(yīng)能量收集感知分簇路由協(xié)議，該協(xié)議根據(jù)短期內(nèi)節(jié)點(diǎn)收集能量的速度選擇簇頭，收集能量的速度越快，當(dāng)選簇頭的概率就越大.

2方案設(shè)計(jì)

本節(jié)首先對(duì)原始數(shù)據(jù)的處理;之后提出 ATT-Fuse-SCINet（SCINet with attention and residual fusionstructure）能量預(yù)測(cè)模型和基于高精度能量預(yù)測(cè)模型下的分簇路由算法 EP-LEACH（energy prediction-based leach algorithm）.

2.1 數(shù)據(jù)處理

的收斂速度.式中， X_Πi，max，X_Πi，min 分別為特征 i 中最大值和最小值.

采用澳大利亞太陽(yáng)能中心（DKASC）的 Tennant Creek 電站的公開輻照度數(shù)據(jù)集.該數(shù)據(jù)集除了太陽(yáng)能直接輻照度，還有水平輻照度、傾斜輻照度、氣溫、濕度、風(fēng)速、風(fēng)向、降雨量等環(huán)境特征，但其中一些特征可能存在冗余或者與預(yù)測(cè)任務(wù)無(wú)關(guān)，為了減少計(jì)算資源，提高訓(xùn)練效率，采用皮爾森相關(guān)系數(shù)法分析其余特征與太陽(yáng)能直接輻照度之間的相關(guān)性[14].相關(guān)系數(shù)

其中， 為目標(biāo)值和平均值， 為其他特征序列值及其平均值.

2.2 ATT-Fuse-SCINet預(yù)測(cè)模型

首先，引入概率稀疏注意力機(jī)制對(duì) SCI-Block交互學(xué)習(xí)的方式生成的2個(gè)新的子序列自適應(yīng)地分配注意力權(quán)重，使模型更專注于重要特征.經(jīng)過(guò)多層 SCI-Block后，重新組裝成一個(gè)新的序列，通過(guò)殘差融合（re-sidual fusion）替代殘差連接的方式將其加入到原序列中，進(jìn)行預(yù)測(cè)，可以自適應(yīng)地調(diào)整輸入和輸出在最終結(jié)果中的貢獻(xiàn)度，提高模型的泛化能力.ATT-Fuse-SCINet模型結(jié)構(gòu)圖如圖1所示.

圖1ATT-Fuse-SCINet整體結(jié)構(gòu)

Fig.1 Overall structure of ATT-Fuse-SCINet

2.2.1 SCI-Block

SCI-Block是 SCINet 的基本單元.將輸入數(shù)據(jù)或特征降采樣為一個(gè)奇序列 F_odd 和一個(gè)偶序列 F_even ，然后用一組一維卷積模塊 φ 和 ψ 將 F_odd 和 F_even 轉(zhuǎn)換為以e為底的指數(shù)函數(shù)，并 F_odd 和 F_even 與進(jìn)行元素層面的交互 Hadamard乘積操作，得到 和 ，其中， ? 表示 Had-amard 乘積.

再通過(guò)另一組一維卷積模塊 ρ 和 η 將 F_odd^s 和 F_even^s 子序列映射到隱藏狀態(tài)，并和 F_odd^s 和 F_even^s 進(jìn)行交互式的加減操作，最終得到新的子特征 F^′_odd=F_odd^s±ρ（F_even^s） 和 F_even^′=F_even^s±η（F_odd^s） .用這種交互學(xué)習(xí)的策略可以補(bǔ)償降采樣中的信息損失[15].

SCINet由多個(gè)SCI-Block以二叉樹的結(jié)構(gòu)搭建而成，第 i 層就有 2i-1（i=1，2，3，…，L） 個(gè) SCI-Block.通過(guò)對(duì)輸人時(shí)間序列進(jìn)行 L 層的降采樣-卷積-交互學(xué)習(xí)操作后，再對(duì)所有子序列中的元素按逆奇偶分裂進(jìn)行排列并連接成新的序列表示，用殘差連接[16]的方式將其添加到原序列中，最后經(jīng)過(guò)全連接層解碼得到最終的預(yù)測(cè)結(jié)果 .這種設(shè)計(jì)的一個(gè)顯著優(yōu)勢(shì)是每個(gè) SCI-Block 都對(duì)整個(gè)時(shí)間序列有局部和全局視角，從而有助于提取有用的時(shí)間特征，有利于長(zhǎng)期預(yù)測(cè)的穩(wěn)定.

2.2.2 概率稀疏自注意力機(jī)制

注意力機(jī)制通過(guò)在每個(gè) SCI-Block 的輸出 F^′_odd 和 F_even^′ 上動(dòng)態(tài)地調(diào)整重視程度，以此突顯關(guān)鍵信息并提高網(wǎng)絡(luò)對(duì)重要信息的關(guān)注，從而提高預(yù)測(cè)精度.傳統(tǒng)的自注意力機(jī)制本質(zhì)上是對(duì)樣本進(jìn)行權(quán)重分配，利用注意力函數(shù)將一個(gè)查詢向量和一組鍵值向量映射到輸出向量上[17].

概率稀疏自注意力機(jī)制（probsparse self-attention）是對(duì)傳統(tǒng)自注意力機(jī)制（self-attention）的發(fā)展，稀疏的自注意力機(jī)制呈現(xiàn)出長(zhǎng)尾效應(yīng)，其中主要的注意力集中于少數(shù)幾個(gè)點(diǎn)積上，而其他點(diǎn)積的貢獻(xiàn)相對(duì)較小，甚至可以被忽略.因此，通過(guò)減少一些元素間的聯(lián)系，可以有效減少計(jì)算的復(fù)雜性[18].文獻(xiàn)[19]作者首先提出一個(gè)query 稀疏程度的度量方法，然后篩選出重要的query，第 i 個(gè)query 的稀疏性

其中， q_i 為 中第 i 個(gè)元素； k_j 為 K 中第 j 個(gè)元素， L_κ 為 κ 的長(zhǎng)度.

對(duì)于輸入序列 X={x₁，x₂，x₃，…，x_n} ，有如下計(jì)算：

其中， A 為自注意力分?jǐn)?shù)矩陣； 為query向量； d_?k 為輸入鍵值向量的維度； K_sparse 為概率稀疏化的鍵值向量；

V_sparse 為對(duì)應(yīng) K_sparse 的值向量 W_q，W_k，W_v 為可訓(xùn)練的投影矩陣.

輸入元素 x_i 對(duì)應(yīng)的輸出 x_i^' 是所有 V_sparse 的加權(quán)和，權(quán)重由相應(yīng)的注意力分?jǐn)?shù)注意力分?jǐn)?shù)矩陣給出

其中， V_j，sparse 是概率稀疏化的值向量的第 j 個(gè)元素， Ψ_m 為概率稀疏自注意力機(jī)制下被選中參與計(jì)算的元素?cái)?shù)量.

2.2.3 ATT-Fuse-SCINet

經(jīng)過(guò) L 層SCI-Block的輸出序列，SCINet模型采用殘差連接結(jié)構(gòu)，殘差連接是一種常見的神經(jīng)網(wǎng)絡(luò)架構(gòu)，將輸入直接加到網(wǎng)絡(luò)的輸出上.可以在深層網(wǎng)絡(luò)的反向傳播時(shí)，梯度更有效地回流，減少誤差積累，緩解梯度消失.殘差連接公式 H（X）=F（X）+X ，其中， H（X）={h（x₁），h（x₂），…，h（x_t）} 為殘差連接后的序列； X（X={x₁，x₂，x₃，…，x_t}） 為輸入序列； F（X）={f（x₁），f（x₂），…，f（x_t）} 為經(jīng)過(guò)層處理的輸出序列.而殘差融合（ResidualFusion）則是一種更加靈活的結(jié)構(gòu)，對(duì)輸入 X 和網(wǎng)絡(luò)輸出 F（X） 進(jìn)行網(wǎng)絡(luò)訓(xùn)練，根據(jù)數(shù)據(jù)特性和誤差尋找最優(yōu)權(quán)重進(jìn)行加權(quán)融合（fuse），自適應(yīng)地調(diào)整輸人和輸出在最終結(jié)果中的貢獻(xiàn)度，以提高模型的表示能力，即

c（x_i）=w_norm，1f（x_i）+w_norm，2x_i，

其中，歸一化處理的權(quán)重 norm，i ，Swish激活函數(shù) 1+e，w為權(quán)重參數(shù)，（24初始值為1，在網(wǎng)絡(luò)訓(xùn)練的迭代過(guò)程中計(jì)算損失并通過(guò)反向傳播自動(dòng)更新權(quán)重參數(shù)； ε 為一個(gè)很小的數(shù)，防止分母為0，保證訓(xùn)練過(guò)程中數(shù)值穩(wěn)定.融合序列 C（X）={c（x₁），c（x₂），…，c（x_i）}，

2.3基于能量預(yù)測(cè)的分簇路由算法

2.3.1 分簇路由算法

文獻(xiàn)[12]提出的LEACH協(xié)議通過(guò)引入簇的概念有效降低了無(wú)線傳感器網(wǎng)絡(luò)的能耗.在形成簇的過(guò)程中，該協(xié)議采取了循環(huán)的簇頭選舉機(jī)制，確保每個(gè)節(jié)點(diǎn)有相同的概率成為簇頭.具體來(lái)說(shuō)，網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)會(huì)生成[0，1隨機(jī)數(shù)，如果這個(gè)數(shù)小于設(shè)定的閾值 T ，該節(jié)點(diǎn)便被選為簇頭.對(duì)于每個(gè)非簇頭的節(jié)點(diǎn)，在第r 輪中，其簇頭選舉閾值

其中， P 為預(yù)期簇頭在所有節(jié)點(diǎn)中所占的比例.

文獻(xiàn)[13]對(duì)LEACH協(xié)議做了改進(jìn)，將剩余能量加人簇頭選舉的考慮因素中，增加剩余能量多的節(jié)點(diǎn)當(dāng)選簇頭的概率，新的簇頭選舉閾值

T（r）=PE_i^res/（（1-P（rmod（1/P）））E_av），

式中， E_i^res 為節(jié)點(diǎn)剩余能量， 為網(wǎng)絡(luò)平均能量.

2.3.2 EP-LEACH協(xié)議算法

對(duì)于環(huán)境能量收集無(wú)線傳感器網(wǎng)絡(luò)而言，路由協(xié)議如果只考慮節(jié)點(diǎn)剩余能量而不考慮節(jié)點(diǎn)未來(lái)能量收集，會(huì)造成能量的浪費(fèi)和效率的低下.因此，基于高精度的能量預(yù)測(cè)模型，提出了一種分簇型路由協(xié)議 EP-LEACH.該協(xié)議將節(jié)點(diǎn)剩余能量、以及預(yù)測(cè)的未來(lái)可收集的能量作為簇頭選舉的關(guān)鍵因素，能量水平越高的

節(jié)點(diǎn)擁有更大的概率當(dāng)選簇頭，避免能量水平較低的節(jié)點(diǎn)當(dāng)選簇頭消耗過(guò)多的能量，延長(zhǎng)節(jié)點(diǎn)存活時(shí)間.改進(jìn)后的簇頭選舉閾值

其中， E_i^res 為當(dāng)前節(jié)點(diǎn)剩余能量； E_i^pre 為當(dāng)前節(jié)點(diǎn)在本輪結(jié)束時(shí)的預(yù)測(cè)能量 .E_i^init 為當(dāng)前節(jié)點(diǎn)的初始能量.

3 實(shí)驗(yàn)分析

3.1 數(shù)據(jù)集

采用澳大利亞太陽(yáng)能中心（DKASC）的 Tennant Creek電站的公開輻照度數(shù)據(jù)集.以 2O23-O9-29—2023-12-07的數(shù)據(jù)為實(shí)驗(yàn)樣本，設(shè)定數(shù)據(jù)集的前 80% 為訓(xùn)練集，后 10% 為測(cè)試集，中間 10% 為驗(yàn)證集.并采用皮爾森相關(guān)系數(shù)法分析水平輻照度、傾斜輻照度、氣溫、濕度、風(fēng)速、風(fēng)向等氣象特征與直接輻照度之間的關(guān)聯(lián)性，皮爾森相關(guān)系數(shù)大小分別為 0.9583;0.9444;0.7124;-0.5002;0.1259;0.0833. 選用關(guān)聯(lián)性絕對(duì)值較高的前4個(gè)組成一組新特征.

3.2 ATT-Fuse-SCINet模型性能評(píng)估

太陽(yáng)能能量預(yù)測(cè)實(shí)驗(yàn)采用均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、決定系數(shù) （R² ）平均絕對(duì)百分比誤差（MAPE）來(lái)評(píng)判模型的預(yù)測(cè)精度.

選用LSTM、ARIMA-LSTM、SCINet、ATT-SCINet、Fuse-SCINet模型作為比較對(duì)像，對(duì)未來(lái)連續(xù)多天進(jìn)行滾動(dòng)預(yù)測(cè)驗(yàn)證模型長(zhǎng)期預(yù)測(cè)的效果，并選取3種不同的天氣條件（晴天、多云、陰雨）下驗(yàn)證模型的泛化能力，如圖2所示.評(píng)價(jià)指標(biāo)實(shí)驗(yàn)結(jié)果見附錄表 S1～S4

圖2預(yù)測(cè)結(jié)果對(duì)比

Fig.2 The comparison of prediction results

在8天連續(xù)預(yù)測(cè)的對(duì)比實(shí)驗(yàn)中，ATT-Fuse-SCINet模型取得了最高的精度，RMSE、MAE、MAPE 分別為 0.052 1，0.020 2，10.580 4% ，相比于SCINet，RMSE減小了 5.96% ，MAE減小了 11.79% ，MAPE減小了13.70% R² 值達(dá)到了最高值0.9733，實(shí)驗(yàn)表明ATT-Fuse-SCINet模型在長(zhǎng)期預(yù)測(cè)領(lǐng)域有著明顯的優(yōu)勢(shì).

由于平穩(wěn)天氣缺少?gòu)?fù)雜的非線性關(guān)系，所以在晴天的天氣條件下，大部分模型都有著較高的精度.在晴天天氣下，ATT-Fuse-SCINet取得了最高的預(yù)測(cè)精度，RMSE、MAE、MAPE分別為 0.0106.0.0076， 2.081% ，均為所有模型中的最小誤差值， R² 達(dá)到了最高值O.9991，相比于SCINet，RMSE減小了 42.70% ，

MAE減小了 47.59% ，MAPE減小了 27.49% . R² 比SCINet提升了0.0018.由于ARIMA時(shí)間滯后性的問(wèn)題，使得 ARIMA-LSTM 模型在平穩(wěn)天氣下的精度受到了影響，RMSE、MAE、MAPE 達(dá)到了0.037 6、0.0327.8.9983%，R² 僅為0.988 9.

在非平穩(wěn)的天氣條件下如多云天氣和陰雨天氣，LSTM的表現(xiàn)最差，ATT-Fuse-SCINet在所有指標(biāo)中取得了最優(yōu)的表現(xiàn)，F(xiàn)use-SCINet模型次之.以天氣復(fù)雜度最高的陰雨天氣為例，ATT-Fuse-SCINet 的RMSE、MAE、MAPE僅為 0.075 8…0.047 7…15.698 5% ，依然是所有模型中的最小誤差值，相比于SCINet分別減小了 18.05%.25.71%.26.50%，l R² 為最高值0.9017.

由表1可知，ATT-Fuse-SCINet 和 ATT-SCINet 由于引入注意力機(jī)制訓(xùn)練時(shí)間高于Fuse-SCINet、SCINet、ARIMA-LSTM和LSTM.ATT-Fuse-SCINet相比于ATT-SCINet訓(xùn)練時(shí)長(zhǎng)延長(zhǎng)了 0.15% .推斷時(shí)長(zhǎng)即單次預(yù)測(cè)時(shí)長(zhǎng)6種算法基本相同.實(shí)驗(yàn)結(jié)果表明本文所提的ATT-Fuse-SCINet能量預(yù)測(cè)模型以較小的時(shí)間開銷為代價(jià)，獲得了最高的預(yù)測(cè)精度和最好的泛化能力，

表1模型預(yù)測(cè)時(shí)間開銷

Tab.1 Prediction timeoverhead ofmodels

3.3 網(wǎng)絡(luò)壽命比較

本實(shí)驗(yàn)采用 MATLAB 仿真，仿真參數(shù)見附錄表 S5.將 EP-LEACH分簇路由協(xié)議與LSTM、SCINet、ATT-Fuse-SCINet預(yù)測(cè)模型相結(jié)合，從存活節(jié)點(diǎn)數(shù)、網(wǎng)絡(luò)剩余能量和死亡節(jié)點(diǎn)數(shù)3個(gè)方面與LEACH算法進(jìn)行分析比較，評(píng)估 EP-LEACH算法對(duì)網(wǎng)絡(luò)壽命的延長(zhǎng)效果，以及不同的能量預(yù)測(cè)模型對(duì) EP-LEACH 性能的影響.

圖3為L(zhǎng)EACH算法與3種不同預(yù)測(cè)模型下的EP-LEACH算法的節(jié)點(diǎn)存活數(shù)對(duì)比，前158輪4種算法都沒(méi)有出現(xiàn)死亡節(jié)點(diǎn)，隨著輪數(shù)的增加存活節(jié)點(diǎn)數(shù)不斷減少.在第 400輪時(shí)，LEACH算法、EP-LEACH-LSTM、EP-LEACH-SCINet算法的存活節(jié)點(diǎn)數(shù)分別是EP-LEACH-ATT-Fuse-SCINet的 79.3%.89.7% 93.1% ;在第 80O 輪時(shí)，LEACH 算法、EP-LEACH-LSTM、EP-LEACH-SCINet 算法的存活節(jié)點(diǎn)數(shù)分別是EP-LEACH-ATT-Fuse-SCINet 的 27.8%.50.0%.90.7%

圖4為L(zhǎng)EACH算法與3種不同預(yù)測(cè)模型下的EP-LEACH算法的網(wǎng)絡(luò)剩余能量對(duì)比，隨著輪數(shù)不斷增加，網(wǎng)絡(luò)剩余能量不斷減小.LEACH算法的網(wǎng)絡(luò)剩余能量下降速度最快，EP-LEACH-ATT-Fuse-SCINet算法下的網(wǎng)絡(luò)剩余能量下降速度最慢，在第 4OO 輪時(shí)，LEACH算法、EP-LEACH-LSTM、EP-LEACH-SCI-Net算法的網(wǎng)絡(luò)剩余能量分別為EP-LEACH-ATT-Fuse-SCINet算法的 63.6%.80.3%.89.1% ；在第800輪時(shí)，LEACH算法、EP-LEACH-LSTM、EP-LEACH-SCINet 算法的網(wǎng)絡(luò)剩余能量分別為 EP-LEACH-ATT-Fuse-SCINet算法的 15.4%.34.6%.76.9%

圖3存活節(jié)點(diǎn)數(shù)

圖4網(wǎng)絡(luò)剩余能量 Fig.4Network residual energy

圖5為L(zhǎng)EACH算法與3種不同預(yù)測(cè)模型下的EP-LEACH算法在不同節(jié)點(diǎn)數(shù)量下的網(wǎng)絡(luò)壽命對(duì)比.蘭節(jié)點(diǎn)數(shù)量為2OO時(shí)，EP-LEACH-ATT-Fuse-SCINet算法的網(wǎng)絡(luò)壽命比LEACH、EP-LEACH-LSTM、EP-LEACH-SCINet算法分別提高了39.32%.21.24%.13.85% ;當(dāng)節(jié)點(diǎn)數(shù)量為300時(shí)，EP-LEACH-ATT-Fuse-SCINet算法的網(wǎng)絡(luò)壽命比 LEACH、EP-LEACH-LSTM、EP-LEACH-SCI-Net算法分別提高了 53.59%.19.58%.8.46%

實(shí)驗(yàn)結(jié)果證明，結(jié)合能量預(yù)測(cè)模型的EPLEACH算法比傳統(tǒng)的LEACH算法的能量消耗速率更低，節(jié)點(diǎn)死亡速度更慢，其中，結(jié)合ATT-fuse-SCINet能量預(yù)測(cè)模型的EP-LEACH算法對(duì)延長(zhǎng)網(wǎng)絡(luò)壽命的效果要明顯優(yōu)于結(jié)合其他預(yù)測(cè)模型的EP-LEACH算法.

圖5不同節(jié)點(diǎn)數(shù)量的網(wǎng)絡(luò)壽命比較

Fig.5Comparison of network lifetime for different number of nodes

4結(jié)論

為更好地利用太陽(yáng)能，延長(zhǎng)無(wú)線傳感器網(wǎng)絡(luò)生命周期，本文提出了一種基于Attention與改進(jìn) SCINet模型的無(wú)線傳感器網(wǎng)絡(luò)能量預(yù)測(cè)與分簇路由算法，結(jié)合實(shí)驗(yàn)分析，可以得出以下結(jié)論：

1）ATT-Fuse-SCINet模型和其他預(yù)測(cè)模型相比，具有更好的穩(wěn)定性和泛化能力，不論在長(zhǎng)期預(yù)測(cè)方面還是對(duì)非平穩(wěn)天氣情況下的太陽(yáng)能能量預(yù)測(cè)方面，都得到了極大的改善.

2）通過(guò)在網(wǎng)絡(luò)中引入精確的能量預(yù)測(cè)機(jī)制，EP-LEACH能夠有效優(yōu)化能量資源利用，減緩節(jié)點(diǎn)死亡速率和網(wǎng)絡(luò)剩余能量消耗速率，并延長(zhǎng)網(wǎng)絡(luò)的整體壽命，

附錄見電子版（DOI：10.16366/j.cnki.1000-2367.2024.04.20.0001）.

參考文獻(xiàn)

[1] SAHDK，AOHTRenewableergarvestinghesinirelesssrtwrks：aureyJformationFusio： 223-247.

[2] KHAN M N，RAHMAN HU，ALMAIAH MA，etalImproving energy eficiency withcontent-based adaptive anddynamic scheduling in wireless sensor networks[J].IEEE Access，2020，8：176495-176520.

[3]AL-TOUSH，BARHUMILReinforcementlearningframeworkfordelaysensitiveenergyharvestingwirelessensornetworks.EEE Sensors Journal，2021，21（5）：7103-7113.

[4]王元翔，徐震.太陽(yáng)能無(wú)線傳感器網(wǎng)絡(luò)的能量預(yù)測(cè)與管理[J].河南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，52（3）：80-87. WANGYX，XUZEnergypredictionandmanagementofsolarwirelessensornetworksJJouralofHenanNormalUniversityNatu ral Science Edition），2024，52（3）：80-87.

[5]KANSALA，HSUJ，ZAHEDIS，etalPowermanagementinenergyharvestingsensornetworksJ]ACMTransactionsonEmbeded Computing Systems，2007，6（4） ：32.

[6]RECAS PIORNOJ，BERGONZINIC，ATIENZA D，et al.Prediction and management in energy harvested wirelessensornodesC]// 2009lstInternationalConferenceoirelessCommuicatioVeicularTchologyforationeorynderospaceamp;lectroic Systems Technology.May 17-20，2009.Aalborg，Denmark.IEEE，2009：6-10.

[7] CAMMARANO A，PETRIOLIC，SPENZA D.Pro-Energy：a novel energy predictionmodelforsolarandwind energy-harvesting wirele sensor networksC]/012IEEE9th International ConferenceonMobileAd-Hocand SensorSystems（MAS2l2）.October8-，012. [S.1.]：IEEE，2012：75-83.

[8] 崔粟晉，王雪.基于長(zhǎng)短時(shí)記憶太陽(yáng)能無(wú)線傳感節(jié)點(diǎn)能量預(yù)測(cè)[J].儀器儀表學(xué)報(bào)，2018，39（11）：147-154. CUISJ，WANGX.SolarwirelesssensornodeenergypredictionbasedonlongshorttermmemoryJ].ChineseJournalofScientificIstrument，2018，39（11） ：147-154.

[9]沈露露，梁嘉樂(lè)，周雯.基于 ARIMA-LSTM的能量預(yù)測(cè)算法[J].無(wú)線電通信技術(shù)，2023，49（1）：150-156. SHEN LL，LIANGJL，ZHOU W.Energy prediction algorithm based on ARIMA-LSTM model[J].Radio Communications Technology， 2023，49（1）：150-156.

[10]LIUM，ZENGACHENM，etalSinet：TimeserismodelingandforecastingithsampleonvolutionandinteractionJAdvaesin Neural Information Processing Systems，2022，35：5816-5828.

[11]HEINZELMAN W B，CHANDRAKASAN A P，BALAKRISHNAN H.Anaplication-specfic protocol architecture for wirelessmicrosensor networks[J].IEEE Transactions on Wireless Communications，2oo2，1（4）：660-670.

[12]VOIGTTDUNKELSA，ALONOJ，etalSolar-awarecustering inwirelesssornetworks[C]/roceingsISCC2NintIter national Symposiumon Computers and Communications（IEEE Cat.No.04TH8769）.July 28，2004.[S.1.]：IEEE，2004：238-243.

[13]ZAHID KAUSAR A SM，REZA AW，SALEHMU，et alEnergizing wirelessensor networks byenergy harvesting systems：copes， challenges and approaches[J].Renewable and Sustainable Energy Reviews，2O14，38：973-989.

[14]徐柔，章杰，賴松林，等.結(jié)合改進(jìn)的DCGAN和Atention-LSTM的光伏功率預(yù)測(cè)[J].福州大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，51（4）：498-504. XUR，ZHANGJ，LAISL，etalPhotovotaicpowerpredictioncombiningimproved DCGANndAtention-LSTJ]JouralofFuzou University（Natural Science Edition），2023，51（4） ：498-504.

[15］閆偉曦，陳鵬，唐鵬，等.基于 EEMD 和 SCINet 的高速公路交通流量預(yù)測(cè)[J].武漢理工大學(xué)學(xué)報(bào)，2022，44（10）：30-39. YAN W X，CHENP，TANG P，et al.Traffcflow predictionof expresswaybasedonEEMDandSCINet[J].Journalof Wuhan University of Technology，2022，44（10）：30-39.

[16]AL-FALLUJIR A，YOUIF AAA，GUIRGUISS K.Singleimage superresolution model usinglearable weightfactorinresidualskip connection[J].IEEE Access，2019，7：58676-58684.

[17]鐘智偉，王譽(yù)翔，黃亦翔，等.基于概率稀疏自注意力的IGBT模塊剩余壽命跨工況預(yù)測(cè)[J].上海交通大學(xué)學(xué)報(bào)，2023，57（8）：1005-1015. ZHONG Z W，WANG Y X，HUANG Y X，et al.Remaining usefulife predictionof IGBT modulesacross working conditions based on ProbSparse self-attention[J].Journal of Shanghai Jiao Tong University，2023，57（8）：1005-1015.

[18]ZHOUHY，ZHANGSH，ENGJQetalInfrmer：beyodeficient transfoerfolngsequenetimeseriesforecastingProed ings of the AAAI Conference on Artificial Intelligence，2021，35（12） ：11106-11115.

[19]韓寶慧，陸玲霞，包哲靜，等.基于多頭概率稀疏自注意力模型的綜合能源系統(tǒng)多元負(fù)荷短期預(yù)測(cè)[J].電力建設(shè)，2024，45（2）：127-136. HANBH，LULX，BAOZJ，et l.Short-terforecastingof multienergyloadsofintegratedenergysystembasedonultieadrobabilistic sparse self-attention model[J].Electric Power Construction，2024，45（2）：127-136.

Energy prediction and cluster routing algorithm for wireless sensor networks based on attention and improved SCINet modeling

Jin Chongqiang1，Xu Zhen1，Wang Xueshan2 （1.School of Electrical and Electronic Enginering，Wuhan Polytechnic University，Wuhan 43oo48，China： 2. Zhumadian Cigarette Factory，Henan China Tobacco Industry Co.，Ltd.，Zhumadian 463ooo，China）

Abstract：To address the issues such as poor energy prediction accuracy，low energy utilization eficiency of nodes，and dificulty insustainingoperations inenergy-harvestingwirelessensor networks，animprovedsampleconvolutionalandnterac tionnetwork（SCINet）predictionmodelisproposed.This model incorporates theProbabilistic SparseSelf-Attentionmechanism，which calculates atention weights at each time stepofthenew feature sequence to capture important features and enhance model predictionacuracy.Finally，theclustering routing algorithm is improved based ontheremaining energyof the nodesandthepredictedsolarenergythatcanbecolectedinthefuture.Simulationresultsdemonstratethatthisenergyprediction modelhas higher predictionaccuracyand generalizationcapability.Basedon theenergyprediction model，the improved clustering routing algorithm can effectively extend the lifespan of wireless sensor networks.

Keywords：energy prediction；sample convolutional and interaction network；probabilistic sparse self-attention mecha nism；clustering routing algorithm

附錄

表 S18d預(yù)測(cè)結(jié)果評(píng)估

表 S2晴天預(yù)測(cè)結(jié)果評(píng)估

表S3多云預(yù)測(cè)結(jié)果評(píng)估

表 S4 陰雨天預(yù)測(cè)結(jié)果評(píng)估

Tab.S4Evaluation of rainy day prediction results

表S5 仿真參數(shù)

Tab.S5 Simulationparameters