基于LSTM能量預測的LoRaWAN水質自適應監測系統

李 青，羅 盈，張明亮

（1.江西省煤田地質勘察研究院，江西 南昌 330001；2.南昌工程學院，江西 南昌 330099）

0 引 言

隨著社會經濟發展的加快，江河湖周邊工廠傾倒廢水以及生活污水排放的情況時有發生，導致水質污染情況日益嚴峻，河湖水質的實時持續監測對提升水質監管具有重要意義。然而目前大多數河湖地處偏遠，存在供電設施缺乏、移動信號覆蓋不全、太陽能獲取管理和自適應監測優化不足等問題，導致普遍出現水質監測通信質量差、設備時常中斷監測等問題，無法實現長期有效監測，造成污染排放不能及時被發現并預警，使得環境遭受嚴重破壞。

目前，為了保護環境，面對日益增長的水質監測需求，市場已經有一些水質監測的解決方案，主要分為兩類：一是本地水質監測方案[1]，在監測設備上搭載液晶顯示屏幕、SD卡和水質采集傳感器，液晶顯示屏幕和SD卡可以查看水質的實時和歷史監測數據；二是遠程水質監測方案[2-3]，水質監測設備搭載傳感器和通信模塊，將傳感器采集的數據通過通信模塊上報給遠程監控中心。方案一不適合偏遠水域水質監測，水質監測數據需要人工定時查看，費時費力，水質監測有較大延時性，無法及時獲取數據，不適合偏遠地區水質監測。方案二中，如果水質監測設備采用GPRS、4G等通信技術，直接上報數據至遠程監控中心，會因野外移動信號較差導致數據上報失敗。同時，野外供電設施缺乏，水質監測設備供電難以保證。當前有些水質監測方案雖然采用太陽能為監測設備供電，但是野外天氣變化無常，如果出現連續陰雨天氣，水質監測設備將供電不足，導致水質監測工作中斷。

當前市場的水質監測方案基本符合遠程實時水質監測的需求，但是野外水質監測的供電問題和通信問題仍存在，使得監測工作時常發生中斷，無法完全滿足全覆蓋、實時穩定、長期持續的野外水質監測需求。從現有水質監測方案存在的面向偏遠地區水質監測問題著手，本文提出基于LSTM能量預測的LoRaWAN水質自適應監測系統。本文利用LoRa[4]的長距離、低功耗技術優勢，自主構建基于LoRaWAN協議[5-6]的大范圍監測網絡通信方案。為了實現野外水質監測設備長期持續工作，在監測云服務管理平臺部署深度神經網絡LSTM能量預測模型[7]，通過訓練歷史太陽能能量數據和未來天氣數據，預測水質監測設備未來太陽能能量獲取情況，并且下發未來太陽能量預測值至水質監測設備，水質監測設備根據未來太陽能預測值自適應調整監測頻率，緩解惡劣天氣對水質監測設備的太陽能供電影響，實現偏遠區域水質持續性監測。

1 監測系統架構設計與工作原理

整個水質監測網絡系統包括四部分，即水質監測設備、網關數據轉發裝置、LoRaWAN管理服務器和監測云服務管理平臺，如圖1所示。該系統通過LoRaWAN協議快速組建大范圍監測網絡，實現低功耗遠程實時上報水質監測數據。水質監測設備作為監測節點，部署在待測區域采集水質數據，通過LoRa技術與網關轉發裝置通信，建立大范圍監測網絡；網關數據轉發裝置通過4G/以太網將采集數據轉發至LoRaWAN管理服務器，通過監測云服務管理平臺實時展示待測區域水質情況。同時，監測云服務管理平臺部署LSTM能量預測模型，通過訓練歷史太陽能能量數據和未來天氣數據集，預測未來太陽能能量情況，經由LoRaWAN服務器和網關，將能量預測值下發至水質監測設備，自適應調整水質監測設備工作頻率，有效延長水質監測設備續航能力，提升偏遠區域持續性水質監測性能。

圖1 LoRaWAN網絡系統架構

1.1 水質監測設備

水質監測設備包括微處理器、LoRa通信模塊、ADC電量采集模塊、水質采集傳感器和太陽能供電模塊，如圖2所示。微處理器用于接收水質采集傳感器采集的水質信息、ADC采集電池電量信息，并且對電量信息、水質信息進行加密組包處理，得到上傳數據包。微處理器通過LoRa通信模塊將上傳數據包上傳到網關數據轉發裝置。如果微處理器通過LoRa通信模塊接收到監測云服務管理平臺下發的能量預測值，便更改水質監測設備的傳感器采集頻率和數據上報頻率，實現通過未來天氣變化動態調整監測設備整體功耗。

圖2 水質監測設備實物和原理

1.2 網關數據轉發裝置

網關數據轉發裝置包括樹莓派核心板、以太網模塊、LoRa網關模塊和供電模塊，如圖3所示。LoRa網關通信模塊具有8個接收信道，結合LoRaWAN協議軟件可以并發接收多個水質監測設備的上傳數據包。樹莓派核心板通過SPI接口連接LoRa網關通信模塊接收上報數據包，并由以太網模塊或者4G模塊將數據轉發到LoRaWAN管理服務器。

圖3 網關硬件實物和原理圖

1.3 LoRaWAN管理服務器

LoRaWAN管理服務器包括網絡服務器和應用服務器。其中，應用服務器分別與網絡服務器和監測云服務管理平臺連接，應用服務器和網絡服務器用于對接收到的數據進行上報和解析處理。LoRaWAN管理服務器用于接收網關轉發的上傳數據包，根據LoRaWAN協議解析加密數據包，將數據包攜帶的關鍵入網參數與服務器存有的入網參數進行匹配，匹配成功則得到關鍵數據。最后，通過MQTT協議將關鍵數據以發布主題方式傳輸給監測云服務管理平臺。

1.4 監測云服務管理平臺

監測云服務管理平臺包括數據存儲服務器和Web水質管理系統。數據存儲服務器用于對接收的數據進行存儲，Web水質管理系統對接收的數據進行顯示。同時，監測云服務管理平臺上部署LSTM深度神經網絡模型用于預測水質監測設備未來能量獲取情況。LSTM模型通過歷史太陽能數據和未來天氣數據進行模型訓練，最后獲得能量預測值。監測云服務管理平臺將能量預測值下發到水質監測設備，達到水質監測設備智能調整監測頻率的目的。

2 基于LSTM模型的能量預測工作原理

為了預測未來天氣變化對水質監測設備能量的影響，分析這類輸入特征前后有關聯任務序列，采用LSTM深度神經網絡算法預測監測網絡的未來能量。

2.1 LSTM模型

LSTM算法優勢在于神經元長期保持上下文記憶。為此，LSTM模型算法加入“記憶細胞”概念，達到控制深度神經網絡記憶歷史信息的數量，并且每個LSTM單元引入門控機制[8]，分別是遺忘門、更新門和輸出門，用于記憶或遺忘當前信息和過去信息。

LSTM模型訓練分為三個階段。首先，忘記階段是遺忘門選擇性過濾上一個時刻LSTM單元輸出的歷史信息，只保存需要的信息到當前記憶狀態。其次，選擇記憶階段是避免當前無用信息進入，更新門根據當前輸入量和上一個時刻LSTM單元的輸出歷史信息過濾當前信息，保存有用信息到當前記憶狀態。最后，輸出階段是輸出門篩選出當前記憶狀態的有用信息作為當前時刻LSTM單元的輸出信息。

2.2 基于LSTM的監測節點能量預測

LSTM模型[9-10]如圖4所示，將監測設備的歷史太陽能剩余能量和未來天氣預報數據作為輸入數據集。其中，通過未來天氣情況對輸出的預測能量數據進行校準，進行多層LSTM模型訓練，最終輸出未來太陽能能量預測結果。監測網絡根據能量預測值動態調整水質監測設備的工作頻率。

圖4 LSTM模型網絡結構

3 平臺系統驗證與分析

為了驗證本系統的有效性，從現場環境考慮，在大范圍空間部署多個水質監測設備，組建基于LoRaWAN的水質監測網絡，對水質監測設備各個傳感器采集數據的準確性和穩定性、網關接收監測設備上報數據、LoRaWAN服務器接收上報數據解析處理、LSTM能量預測準確性、LSTM模型自適應能量系統與普通系統效果對比等多方面進行多次測驗及數據記錄。

3.1 各部分功能測試分析

（1）水質監測設備多傳感器采集分析數據測試。通過串口助手周期上報傳感器采集情況，進行單一傳感器采集數據有效性測試。微處理器通過RS 485接口發送ModBus協議格式的讀數據指令，若發送成功，傳感器返回采集數據，微處理器將數據轉發至串口助手顯示，如圖5所示。

圖5 傳感器采集數據測試

（2）水質監測設備上報數據測試。微處理器通過SPI連接LoRa射頻通信模組，將上報數據以LoRaWAN協議組建數據包，通過射頻的方式上報數據到網關。PC端和網關連接路由器形成局域網，PC端借助SSH遠程登錄網關系統，運行網關程序的接收測試指令，在網關系統顯示接收到的上報數據包的原始數據，如圖6所示。

圖6 網關接收原始數據包

（3）LSTM模型能量預測準確性的測試。建立基于LSTM深度學習神經網絡的太陽能能量預測模型后，輸入歷史太陽能能量和未來天氣數據集，經過數據預處理、神經網絡訓練，最終對比實際20天能量變化情況和預測20天的能量變化情況，如圖7所示。

圖7 預測與實際能量值對比

從實際對比結果可以看出，基于LSTM神經網絡的太陽能能量預測模型預測的結果與監測系統實際獲取的能量相似。因此，該能量預測模型有較高的能量預測準確率，可為監測網絡自適應調整工作頻率提供可靠的決策信息。

（4）LSTM模型自適應能量系統與普通系統效果對比。如圖8所示，隨著天氣的不斷變化，基于LSTM模型自適應能量系統的監測設備剩余能量明顯比普通能量系統要多。面對惡劣天氣的影響，LSTM能量模型動態調整監測設備數據上報和傳感器采集頻率，自適應能量系統對比普通能量系統整體剩余能量變化明顯更加平緩。如果沒有加入基于LSTM模型的自適應能量系統，水質監測設備在連續兩天未能獲取能量情況下，便會中斷監測工作。因此，基于LSTM模型的自適應能量系統極大地緩解了惡劣天氣對監測網絡能量的影響。

圖8 不同天氣的剩余能量情況

3.2 整體功能測試分析

對系統功能進行整體測試，實際水質監測系統的使用過程分為水質監測設備遠程上報數據和水質監測設備接收云服務器監測平臺輸出的能量預測值并根據能量預測值動態調整監測頻率。

水質監測設備通過LoRa上報數據至網關，網關收到數據包通過UDP轉發至LoRaWAN服務器解析處理數據，最終使用MQTT方式將數據遠程上報至監測云服務管理平臺。監測云服務管理平臺下發LSTM模型輸出的能量預測模型值至水質監測設備，監測設備根據能量預測值動態調整數據上報頻率。

如圖9所示，經過多次監控水質監測設備的遠程數據上報和接收能量預測值情況，驗證本系統能夠穩定可靠地遠程上報數據和接收監測云服務管理平臺下發的能量預測值，實時動態調節監測頻率。

圖9 系統整體測試

4 結 語

本文針對偏遠地區水質無法長期遠程監測的問題，利用LoRaWAN技術和LSTM深度學習算法，設計構建一套基于LSTM能量預測的智能自適應水質監測系統。考慮到偏遠區域水質監測區域存在移動信號覆蓋差和供電設施缺乏等難題，建立基于LoRaWAN的LoRa水質監測網絡；同時，在監測云服務管理平臺上部署LSTM模型，設計水質監測網絡自適應能量系統，水質監測設備監測節點能根據電池歷史剩余能量和監測區域未來天氣情況動態調整監測頻率，實現偏遠區域河湖長期、實時、全覆蓋水質監測，有效解決傳統水質監測模式帶來的設備供電難、監測效率低、耗費成本大的問題。