一种传感器网络的能量收集模型

马东超 张灿灿

摘要：本设计针对无线传感器网路，设计出一种太阳能充电传感器网络模型，基于该网络，我们建立了兼顾节能与网络可靠性优化目标的凸优化模型DFS-WSN。对DFS-WSN进行仿真实验以验证模型的性能。通过对绿色因子的调节，验证了模型对于节能与网络可靠性的调节效果。

关键词：太阳能充电；节能；传感器网络

中图分类号：TM383.6 文献标识码：A 文章编号：1007-9416（2018）07-0090-02

无线传感器网络被广泛用于工业控制、智能家居、医疗保健[1]、智能农业[2]等诸多领域，受到我国研究学者普遍的重视。无线传感器网络中的节点通过自组织的方式进行组网，它是一个智能化的网络系统。传感器节点是一种具有通信能力的小型设备，传统的传感器电量来源为蓄电池，电量消耗完毕则节点死亡。光伏发电方便快捷，利用资源丰富的太阳能，不需要担心资源枯竭、短缺的现象。因此本文引入光伏电池进行能量补给，综合分析传感器网络的应用场景、研究现状，提出一种基于凸优化、可调节的路由模型。

1 基于凸优化的传感器理论模型

在太阳能充电无线传感器网络的研究中，综合节能和网络可靠性两个优化目标，我们提出了一种适应于大多数太阳能充电传感器网络的凸优化模型DFS-WSN，综合考虑了太阳能充电传感器节点的充电特性，引入光伏电池充电功率。该模型能够在节能与网络可靠性之间进行动态调节，适用于大多数太阳能充电传感器网络应用场景。下面给出DFS-WSN模型的优化目标函数如（1-1）所示。式左侧为网络可靠性的优化目标，以节点传输耗能与充电功率的比为标准，最小化“最大能量利用率”，防止因节点负载过多而死亡。左侧针对节能的优化目标，诉求是最小化全网链路总数据量。单位时间全网采集数据量是一定的，最小化全网链路总数据量，即最小化网络层数，使得数据经过的转发次数最小。

式（1-2）约束条件—（a）为节点流量负载设置上限值，节点聚集所有孩子节点的流量总量不能比链路的容量大；（1-2）式（b）描述节点间传输的流量必须为正值；（1-2）式（c）描述节点发送至其它节点的流量为正，也即每个节点都至少有一个父节点。式（1-3）描述的是流量工程中常见的流量平衡方程， 指任一非Sink节点自身所采集的数据量，该式表明节点s发送出的全部流量只包括s节点自身采集的数据量与接收全部孩子节点的数据量组成，。当s为Sink节点时，它接收所有节点采集的数据量而不发送任何流量，。

2 理论模型的优化和求解

由于太阳能充电传感器节点的充电功率受到天气、阴影、时间等各种因素的影响，不同的条件下对网络寿命和网络可靠性有不同的要求，因此本文引入绿色因子，对网络可靠新性与网络寿命进行调节，以满足不同条件下的性能要求，因此模型得到进一步优化为：

式（2-1）在用MATLAB进行求解的过程中，需要对每一个节点的接收耗能进行求和，即，还需要对每一对节点间的数据量进行求和，即，计算复杂度为n2。节点不间断的进行数据的采集和发送工作。在实际应用中由于距离的限制，绝大部分节点间并无数据量的传输，对全网所有节点进行遍历式的计算不单会增大计算量还会影响实验性能，因此我们希望能在计算中剔除因实际传输距离而导致的无效计算。

在进行仿真实验时，我们发现如果一个节点传输流量不足一个分片，且分发给多个父节点会造成大量的能量损耗。为了使不足一个分片的流量仅传输给一个父节点。本文为每个节点引入一个权重，规定在其他条件相同的情况下，节点会优先选择权重更大的父节点进行数据传输。本文的模型就变成如下所示：

众所周知，网络中节点负载过多会造成节点死亡，网络出现不稳定的状态。因一个节点拥有过多子孙节点过多而死亡会。因此本文规定，每个节点仅能拥有5个子节点，这样可以有效避免子節点过多或者层数过多导致子孙节点过多的情况产生。

3 仿真实验

本章对DFS-WSN进行了仿真实验，对模型在节能及网络可靠性的不同方面进行了实验对比，已验证模型在两个优化目标下的有效性，并通过绿色因子的调节作用调节网络状态以适应不同的网络需求。仿真实验利用MATLAB进行求解。

图1所示为在网络在不同通信半径下叶子节点数量随绿色因子的变化而变化，可见绿色因子对叶子节点的调节具有显著的效果，在15米通信半径下，网络中叶子节点百分比由90%下降到65%左右，调节幅度达到了25%～30%，在10米与5米通信半径下叶子节点变化幅度均在20%以上。绿色因子极小的情况下网络中叶子节点数目都处于比较大的情况，这是因为此时网络处于单纯节能状态，节点间通过数据的汇聚节省了数据收发次数，同时也省去大量等待ACK、状态切换、空闲等待等的时间。

图2展示了网络在不同绿色因子的配置下网络总能耗，可以看出绿色因子在极小值的情况下（a=0，b=1）网络能耗显著小于绿色因子较大的情况（a=1000，b=1），这与图1中的情况一致，当传感器网络处于较节能状态（绿色因子较小）网络总能耗较低。而当绿色因子逐渐增大，网路中叶子节点降低、能耗降低，网络此时更偏重于可靠性的调节。

图3展示了在不同的阴影覆盖面积之下网络的功率对比。从图中可以看到，当阴影率不断升高的过程中网络功率与之前所述趋势相一致。由于EP-LEACH[3]不存在对节能与网络可靠性的调节工作，因此网络在一定的充电功率下功率一定。而当绿色因子大于1×103时，DFS-WSN对于网络节能调节的能力达到最大，网络功率低于EP-LEACH模型。

图4展示了在不同的太阳能光照强度下两种模型网络寿命的对比。可以看到，网络通过对太阳能光照强度的预测建立能量潜力函数，但是在网络阴影覆盖面积较多的情况下，网络中节点光照强度变化较大，容易由较高充电功率突然下降，而此时由于基于过去功率预测的能量潜力函数的存在，使得此节点依然负担较大网络负载，因此节点死亡。由于这种不稳定光照强度的影响，EP-WSN在阴影率较大时，网络寿命明显低于本文模型。

实验验证了模型在节能与可靠性调节方面的效果，绿色因子对叶子节点的调节具有显著的效果，在15米通信半径下，网络中叶子节点百分比由90%下降到65%左右，调节幅度达到了25%～30%。当传感器网络处于较节能状态（绿色因子较小）网络总能耗较低。而当绿色因子逐渐增大，网络中叶子节点数降低、能耗降低，网络此时更偏重于可靠性的调节。随着绿色因子的增大网络中数据损失量逐渐降低，不同的通信半径下，数据损失量分别降低了49.5%、64.8%、67.6%。

我们对模型随着太阳能光照变化进行能耗调节的效果进行了验证。随着网络阴影率的增大网络中叶子节点的数目呈现增大的趋势，网络能耗随阴影率的增大而升高，同时随着阴影率的增高網络能耗随之减少。能量采集对传感器网寿命延长具有显著的效果。本文与EP-LWACH模型进行了对比，EP-LEACH模型追求较均匀的链路负载，没有重视对于节点数据的聚集。实验得到，在绿色因子调节到1×103时，DFS-WSN模型网络功率将迅速低于EP-LWACH模型。而在网络阴影覆盖率达到60%的情况下，DFS-WSN模型在绿色因子低于3×103时寿命明显高于EP-LWACH模型寿命。

参考文献

[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.