一種傳感器網絡的能量收集模型

馬東超 張燦燦

摘要：本設計針對無線傳感器網路，設計出一種太陽能充電傳感器網絡模型，基于該網絡，我們建立了兼顧節能與網絡可靠性優化目標的凸優化模型DFS-WSN。對DFS-WSN進行仿真實驗以驗證模型的性能。通過對綠色因子的調節，驗證了模型對于節能與網絡可靠性的調節效果。

關鍵詞：太陽能充電；節能；傳感器網絡

中圖分類號：TM383.6 文獻標識碼：A 文章編號：1007-9416（2018）07-0090-02

無線傳感器網絡被廣泛用于工業控制、智能家居、醫療保健[1]、智能農業[2]等諸多領域，受到我國研究學者普遍的重視。無線傳感器網絡中的節點通過自組織的方式進行組網，它是一個智能化的網絡系統。傳感器節點是一種具有通信能力的小型設備，傳統的傳感器電量來源為蓄電池，電量消耗完畢則節點死亡。光伏發電方便快捷，利用資源豐富的太陽能，不需要擔心資源枯竭、短缺的現象。因此本文引入光伏電池進行能量補給，綜合分析傳感器網絡的應用場景、研究現狀，提出一種基于凸優化、可調節的路由模型。

1 基于凸優化的傳感器理論模型

在太陽能充電無線傳感器網絡的研究中，綜合節能和網絡可靠性兩個優化目標，我們提出了一種適應于大多數太陽能充電傳感器網絡的凸優化模型DFS-WSN，綜合考慮了太陽能充電傳感器節點的充電特性，引入光伏電池充電功率。該模型能夠在節能與網絡可靠性之間進行動態調節，適用于大多數太陽能充電傳感器網絡應用場景。下面給出DFS-WSN模型的優化目標函數如（1-1）所示。式左側為網絡可靠性的優化目標，以節點傳輸耗能與充電功率的比為標準，最小化“最大能量利用率”，防止因節點負載過多而死亡。左側針對節能的優化目標，訴求是最小化全網鏈路總數據量。單位時間全網采集數據量是一定的，最小化全網鏈路總數據量，即最小化網絡層數，使得數據經過的轉發次數最小。

式（1-2）約束條件—（a）為節點流量負載設置上限值，節點聚集所有孩子節點的流量總量不能比鏈路的容量大；（1-2）式（b）描述節點間傳輸的流量必須為正值；（1-2）式（c）描述節點發送至其它節點的流量為正，也即每個節點都至少有一個父節點。式（1-3）描述的是流量工程中常見的流量平衡方程， 指任一非Sink節點自身所采集的數據量，該式表明節點s發送出的全部流量只包括s節點自身采集的數據量與接收全部孩子節點的數據量組成，。當s為Sink節點時，它接收所有節點采集的數據量而不發送任何流量，。

2 理論模型的優化和求解

由于太陽能充電傳感器節點的充電功率受到天氣、陰影、時間等各種因素的影響，不同的條件下對網絡壽命和網絡可靠性有不同的要求，因此本文引入綠色因子，對網絡可靠新性與網絡壽命進行調節，以滿足不同條件下的性能要求，因此模型得到進一步優化為：

式（2-1）在用MATLAB進行求解的過程中，需要對每一個節點的接收耗能進行求和，即，還需要對每一對節點間的數據量進行求和，即，計算復雜度為n2。節點不間斷的進行數據的采集和發送工作。在實際應用中由于距離的限制，絕大部分節點間并無數據量的傳輸，對全網所有節點進行遍歷式的計算不單會增大計算量還會影響實驗性能，因此我們希望能在計算中剔除因實際傳輸距離而導致的無效計算。

在進行仿真實驗時，我們發現如果一個節點傳輸流量不足一個分片，且分發給多個父節點會造成大量的能量損耗。為了使不足一個分片的流量僅傳輸給一個父節點。本文為每個節點引入一個權重，規定在其他條件相同的情況下，節點會優先選擇權重更大的父節點進行數據傳輸。本文的模型就變成如下所示：

眾所周知，網絡中節點負載過多會造成節點死亡，網絡出現不穩定的狀態。因一個節點擁有過多子孫節點過多而死亡會。因此本文規定，每個節點僅能擁有5個子節點，這樣可以有效避免子節點過多或者層數過多導致子孫節點過多的情況產生。

3 仿真實驗

本章對DFS-WSN進行了仿真實驗，對模型在節能及網絡可靠性的不同方面進行了實驗對比，已驗證模型在兩個優化目標下的有效性，并通過綠色因子的調節作用調節網絡狀態以適應不同的網絡需求。仿真實驗利用MATLAB進行求解。

圖1所示為在網絡在不同通信半徑下葉子節點數量隨綠色因子的變化而變化，可見綠色因子對葉子節點的調節具有顯著的效果，在15米通信半徑下，網絡中葉子節點百分比由90%下降到65%左右，調節幅度達到了25%～30%，在10米與5米通信半徑下葉子節點變化幅度均在20%以上。綠色因子極小的情況下網絡中葉子節點數目都處于比較大的情況，這是因為此時網絡處于單純節能狀態，節點間通過數據的匯聚節省了數據收發次數，同時也省去大量等待ACK、狀態切換、空閑等待等的時間。

圖2展示了網絡在不同綠色因子的配置下網絡總能耗，可以看出綠色因子在極小值的情況下（a=0，b=1）網絡能耗顯著小于綠色因子較大的情況（a=1000，b=1），這與圖1中的情況一致，當傳感器網絡處于較節能狀態（綠色因子較小）網絡總能耗較低。而當綠色因子逐漸增大，網路中葉子節點降低、能耗降低，網絡此時更偏重于可靠性的調節。

圖3展示了在不同的陰影覆蓋面積之下網絡的功率對比。從圖中可以看到，當陰影率不斷升高的過程中網絡功率與之前所述趨勢相一致。由于EP-LEACH[3]不存在對節能與網絡可靠性的調節工作，因此網絡在一定的充電功率下功率一定。而當綠色因子大于1×103時，DFS-WSN對于網絡節能調節的能力達到最大，網絡功率低于EP-LEACH模型。

圖4展示了在不同的太陽能光照強度下兩種模型網絡壽命的對比。可以看到，網絡通過對太陽能光照強度的預測建立能量潛力函數，但是在網絡陰影覆蓋面積較多的情況下，網絡中節點光照強度變化較大，容易由較高充電功率突然下降，而此時由于基于過去功率預測的能量潛力函數的存在，使得此節點依然負擔較大網絡負載，因此節點死亡。由于這種不穩定光照強度的影響，EP-WSN在陰影率較大時，網絡壽命明顯低于本文模型。

實驗驗證了模型在節能與可靠性調節方面的效果，綠色因子對葉子節點的調節具有顯著的效果，在15米通信半徑下，網絡中葉子節點百分比由90%下降到65%左右，調節幅度達到了25%～30%。當傳感器網絡處于較節能狀態（綠色因子較小）網絡總能耗較低。而當綠色因子逐漸增大，網絡中葉子節點數降低、能耗降低，網絡此時更偏重于可靠性的調節。隨著綠色因子的增大網絡中數據損失量逐漸降低，不同的通信半徑下，數據損失量分別降低了49.5%、64.8%、67.6%。

我們對模型隨著太陽能光照變化進行能耗調節的效果進行了驗證。隨著網絡陰影率的增大網絡中葉子節點的數目呈現增大的趨勢，網絡能耗隨陰影率的增大而升高，同時隨著陰影率的增高網絡能耗隨之減少。能量采集對傳感器網壽命延長具有顯著的效果。本文與EP-LWACH模型進行了對比，EP-LEACH模型追求較均勻的鏈路負載，沒有重視對于節點數據的聚集。實驗得到，在綠色因子調節到1×103時，DFS-WSN模型網絡功率將迅速低于EP-LWACH模型。而在網絡陰影覆蓋率達到60%的情況下，DFS-WSN模型在綠色因子低于3×103時壽命明顯高于EP-LWACH模型壽命。

參考文獻

[1]Hadjidj A， Souil M， Bouabdallah A， et al. Wireless sensor networks for rehabilitation applications： Challenges and opportunities [J].Journal of Network and Computer Applications，2013，36（1）：1-15.

[2]Yassine Jiber， Hamid Harroud， Ahmed Karmouch. Precision Agriculture Monitoring Framework Based on WSN [C].7th International Wireless Communications and Mobile Computing Conference，July 4-8，2011：2015-2020.

[3]An Energy Harvesting Aware Routing Algorithm for Hierarchical Clustering Wireless Sensor Networks [J].Ksii Transactions on Internet & Information Systems，2016，10（2）：684-686.