無線傳感器網絡太陽能利用探索與研究*

張華南 劉勇奎 金 紅 王 峰

（1.廣東培正學院數據科學與計算機學院 廣州 510830）（2.湖北大學計算機與信息工程學院 武漢 430062）（3.湖北文理學院計算機工程學院 襄陽 441053）

1 引言

傳感器網絡用于獲取溫度、濕度、壓力等環境信息。無線傳感器網絡（WSN）適用于不易到達的區域，如擴展的開放空間、戰場或深水。無線傳感器網絡中的節點通常由電池供電，當它們的電池耗盡時，通常會被簡單丟棄［1］。為了降低能源消耗延長網絡壽命，采用收集環境能源是一種有效的方式，如收集太陽能、風能等。其中太陽能容易獲取，能量密度比較高，最受歡迎。

在文獻［2］中，分析了收集環境能源（太陽能）及能量管理策略，通過超級電容實現能量的存儲，能量管理主要通過能量預算讓傳感器節點處于能量中性區間。為了降低無線傳感器節點能量消耗，采用超低功耗喚醒接收器在低能耗的情況下連續偵聽信道，降低與通信相關的功耗，通過星型異步MAC 協議結合超低功耗喚醒接收器，提高傳感器網絡的能源效率［3～4］。

在文獻［5］中，通過利用連接支配集減少傳輸來提高網絡洪泛的能源效率，提出了基于連通支配集的洪泛協議錐，在網絡洪泛過程中，禁止未在連通支配集中的節點重播數據包，提高了網絡洪泛端到端的可靠性，降低了網絡洪泛的占空比，有效降低平均能耗。

在WSN 中的每個節點發送自己的能量數據，并將其他節點的數據轉發給匯聚節點。因此，靠近匯聚節點會消耗更多的能量，這可能會導致比其他節點更頻繁地暫時停止工作或停電。這個問題可以通過數據聚合方案解決，其中中繼節點將自己從其他節點接收到的數據合并在一起，可以提高數據傳輸的能量效率，但由于中繼節點需要等待合適的數據與自己的數據進行聚合，增加了傳輸延遲。因此，聚合方案僅在數據到達時間不重要的網絡中使用。

另一種降低能源消耗的方案是數據壓縮。這需要相當長的處理時間，因此需要大量的能量，但如果遠離匯聚節點壓縮自己的數據，那么靠近匯聚的節點在轉發數據時會消耗更少的能量，然后這些節點通過不壓縮自己的數據而節省能源。因此，整個網絡的能源消耗變得更加合理有效。

在傳統的聚合和壓縮方案中，簇頭通常會丟棄冗余數據，本次研究通過一種自適應的太陽能無線傳感器網絡數據聚合和壓縮方案來解決數據冗余等問題，其中所有數據都應該傳輸到匯聚節點。通過在能量可用時對數據進行壓縮來增加安全到達匯聚節點的數據量。每個節點周期性地估計其電池的狀態，并預測它在接下來的時期將獲得的太陽能量。如果能獲得更多的能量，則傳輸聚集數據［3］。相反，如果在接下來的一段時間能量耗盡，就會進入睡眠模式，關閉無線模塊。通過減少斷電節點的數量來增加收集的數據量。

2 無線傳感器網絡能量管理策略

2.1 數據聚合

數據聚合已被證明可以有效地降低無線傳感器網絡（WSNs）的能耗，因為它可以減少從一個節點傳輸到另一個節點的數據量。

聚類是數據聚合的一種方法，每個節點只將數據傳輸給指定簇頭節點。每個簇頭將從其所屬簇的成員接收到的數據進行聚合，并直接或通過其他簇頭將其傳輸給匯聚節點。在目前研究的大多數聚合方案中，都是采用聚類，節點去除不必要的數據，只傳輸一些樣本，使匯聚節點能夠估計原始數據。通過聚合策略可以應用于所有數據在沒有集群的平面拓撲中傳輸，以及一種可以應用許多現有聚合方案的能量管理策略。

2.2 數據壓縮

數據壓縮是減少數據傳輸所需能量的另一種方法。然而，通用計算機中使用的數據壓縮算法不適用于無線傳感器節點中有限的硬件，因此引入低開銷的壓縮算法。

通常從多個節點收集的數據中存在冗余，減少傳輸從而減少了能源消耗。聚合數據在不解壓的情況下被有效地重新壓縮。節點聚合一定數量的感知數據以達到最大的壓縮比，并對數據進行壓縮和傳輸。在這種情況下，使用S-LZW（Sensor Lem?pel Ziv Welch）算法作為壓縮方法，這是一種廣泛應用于無線傳感器網絡的無損壓縮算法。其他的無線傳感器網絡壓縮方案都是基于聚合方案設計的，可以應用于S-LZW等多種壓縮算法。

2.3 能量利用

為了延長無線傳感器網絡的壽命，除了數據聚合和壓縮方案外，還需提高能量利用率。通過收集的太陽能在能源消耗或過剩的情況下進行數據聚合和壓縮來提高能源利用率［6］。

在能量采集傳感器網絡中，一種確定傳輸路徑的路由方案，該方案考慮了太陽能傳感器網絡中收獲的能量。根據太陽能傳感器網絡中收獲的能量來決定是否壓縮數據，從而減少數據傳輸延遲［7］。通過利用太陽能預測和太陽能節點的消耗模型來管理數據聚合、壓縮和傳輸所需的能量。

3 自適應聚合壓縮方案

如圖1 所示方案為網絡節點定期從其環境中收集數據。

圖1 數據傳輸和節點操作

3.1 傳感器節點的操作

每個節點感知其環境，壓縮結果數據，并將其傳輸到匯聚節點，如圖1（b）所示。每個節點還在一段固定的時間（稱為一輪）結束時檢查其狀態，并確定在下一輪中它將以何種模式運行。下面是這些操作的更多細節［8］。

感知：數據采集間隔為psense，即感知周期。

壓縮：當收集到足夠的數據以實現最大壓縮時，就對數據進行壓縮。壓縮后的數據和從其他節點接收到的數據然后排隊傳輸。

傳播：節點以pTx為間隔決定是否傳輸其傳輸隊列中的數據。如果節點期望在下一個pTx期間接收到比它所能存儲的更多的能量，那么數據就會被傳輸。

模式選擇：在每一輪結束時，節點評估是否繼續與其他節點通信，其電池中的能量是否會耗盡來選擇自己的模式。如果剩余能量將在下一輪中耗盡，則選擇睡眠模式。在這種模式下，節點只執行感知和壓縮，關閉無線模塊，以降低能耗。因此，在隨后的期間發送給它的任何數據都將丟失［9］。為了避免這種情況發生，節點路由應排除處于睡眠模式的節點。

3.2 模式選擇

為了確定節點傳輸的數據量，需要計算出收集到的數據并將其放入傳輸隊列所需的時間［10］。如果一個節點在每個周期psense中獲取數據的ssense位，并將其累加到位并進行壓縮，則數據壓縮所需的pcomp長度可確定為

因此，如圖2 所示，如果當前時間為t，最近一次數據壓縮在tcomp完成，則下一輪壓縮后的數據必須加入傳輸隊列的次數可表示為

圖2 方案的過程與狀態

利用能耗模型確定獲得太陽能ETx可以傳輸的數據量：

式中，S為要傳輸的數據位數，d為傳輸距離，單位為m，α為 路 徑 損 耗 指 數 (2 ≤α≤5) ；常 數β(J/(bits·dα))由設計的節點確定。由式（5），可以確定收獲能量可以傳輸的數據量Sh：

其中Eh(t,pround)是下一輪預計獲得的能量，Ec(t,pround)是pround期間估計的能量消耗，包括空閑和接收能量，而Ecomp(Sround(t,pround)）是壓縮Sround(t,pround)位數據時消耗的能量。

3.3 數據傳輸

如果一個節點需要的能量超過了它的存儲能力，它就用這些能量來傳輸數據。接下來，確定在pTx期間是否可能有足夠的可用存儲能量。

若節點電池容量為C，則輪詢過程中可能獲得的剩余能量為

如果Eexcess(t,pTx)>0 表示節點進行數據傳輸。利用Eexcess(t,pTx)傳輸的(t,pTx)比特數可以由式（5）推導：

因此，如果Eexcess(t,pTx)>0，則該節點傳輸Savail(t,pTx)位數據。該方案允許節點在太陽能不可用時獲取數據。

4 實驗評估

4.1 實驗仿真

在實驗中用到的參數如表1所示。

利用SolarCastalia 比較各方案的性能：1）沒有數據聚合和壓縮（No aggregation）；2）定時聚合數據（Aggregation-time）；3）定期聚合數據量（Aggrega?tion-size）；4）定 時 壓 縮 聚 合 數 據（compres?sion-time）；5）壓縮固定數量的聚合數據（compres?sion-size）。通過節點中的平均剩余能量、停電節點的數量和到達匯聚節點的數據量進行性能比較。模擬無線傳感器網絡由能量收集節點和一個匯聚節點組成，隨機放置。節點收獲的能量由實測數據建模，采用S-LZW 作為壓縮算法［11］。每個節點感知后，按照上述方案進行聚合、壓縮和傳輸。

4.2 仿真結果

4.2.1 剩余能量和停電節點

圖3 顯示了剩余能量隨時間變化，遵循一天循環規律。節點根據能量預測進入睡眠模式，夜間能量損失較小。

圖3 剩余能量周期變化

圖4 顯示了關閉節點的數量如何隨時間變化。在No aggregation、Aggregation-time和Aggrega?tion-size方案中，中斷節點的數量增長更快。歸因于中間節點必須傳輸的數據量的增加。在使用壓縮的方案中，這一比例更低，因為壓縮會導致更少的節點斷電。

圖4 停電節點數量的變化

圖5 顯示了發生中斷節點總數（每一輪中斷節點時增加的總數）隨著ssense值的變化而變化［12］。在ssense達到64 字節之前，中斷節點輪數可以忽略不計。

圖5 累計停電節點數

4.2.2 到達匯聚節點的數據量

圖6 顯示了所有節點感知數據量如何隨ssense變化。這些結果與中斷節點的數量相關，如圖6 所示，因為中斷節點不收集數據。

圖6 感知數據總量的比較

圖7 顯示了到達匯聚節點的數據量如何隨ssense而變化。這些結果與圖5 所示相似，匯聚節點的感知數據的比例逐漸下降。因于網絡傳輸數據能力的能量限制［13］。其他方案沒有受到影響，因為它們不能產生足夠的數據傳輸。

圖7 傳感數據比較

圖8 顯示了到達匯聚節點的數據量如何隨節點密度（單位面積節點數）而變化。隨著密度的增加，當一些節點中斷時，它更容易找到替代路徑［14］，因此到達匯聚節點的移動數據隨著密度的增加而增加。

圖8 到達匯聚節點的數據量隨節點密度的變化

圖9 顯示了到達匯聚節點獲得太陽能量的變化。通過對能量模型應用一個因子，可以減少可用的能量。隨著可用能量的下降，該方案的相對性能顯著下降［13］。這是合理的，因為該方案只允許節點在預期有多余能量時傳輸數據，而當能量供應減少時，處于這種情況的節點就會更少。圖10顯示了到達匯聚節點的數據量隨的變化情況。隨著的降低，現有方案的性能下降，而其他方案的性能不受影響。這種效應歸因于數據的低壓縮比。由于壓縮數據量會隨著壓縮比的減小而增加，因此節點必須傳輸更多的數據。

圖9 太陽能獲得的數據量比較

圖10 聚合數據量比較

圖11 顯示了根據感知周期獲得的數據量的對比。隨著psense的增加，傳輸的數據越少。它減少了停電節點的數量，所有方案的性能基本一致。相反，當psense減少時，節點必須傳輸更多的數據，增加了感知數據量，從而增加了能量消耗。該方案由于能量消耗而降低了感知能力，優于其他方案。

圖11 根據傳感周期獲得的數據量的比較

圖12 最大傳輸數據量比較

圖13 顯示了到達匯聚節點的數據量隨節點密度的變化情況。當使用MDT（Minimum Depth Tree）算法時，這個結果類似于圖8。然而，當使用GPSR（Greedy Perimeter Stateless Routing）時［15］，在匯聚節點收集的數據較少，因為與MDT 相比，必須向一個包添加更多的路由信息。

圖13 到達匯聚節點的數據量隨節點密度的變化

隨著密度的降低，不使用壓縮的方案的性能會變差，因為在更多的中繼節點上消耗能量。隨著密度的增加，由于傳輸路由的縮短，中繼節點的能耗降低。此外，由于路由隨每次傳輸而更新，因此更容易找到到匯聚節點的替代路徑。因此，可以看到GPSR 的偏差比MDT 小。但是，無論采用何種路由算法，該方案的性能都優于其他方案。

5 結語

利用太陽能傳感器網絡自適應聚合壓縮方案不斷聚合和壓縮感知數據，當預計接收到的能量超過其存儲能力時，才會將數據傳輸。當只有很少或沒有太陽能可用時，特別是在晚上，節點停止傳輸，只進行傳感。該方案減少了停電節點的數量，從而可以獲得更多的數據。該方案的不足是夜間獲取的數據在第二天早上傳輸時，網絡工作負載可能達到峰值。由于轉發節點能量不足，可能導致部分數據丟失?？梢酝ㄟ^更精確地預測能源獲取和消耗的模式來降低網絡負載高峰。