CN106792749B - 基于cfd和聚类算法的无线传感器网络节点部署方法 - Google Patents

Abstract

本发明涉及一种基于CFD和聚类算法的无线传感器网络节点部署方法，属于无线传感器网络部署及建筑节能技术领域。该方法包括以下步骤：步骤一：从实际建筑环境中，采用实验和调研方法获取建筑物的环境参数；步骤二：利用CFD(Computational Fluid Dynamics，计算流体动力学)相关技术建立建筑空间的环境信息分布云图模型；步骤三：基于聚类算法对建筑空间的环境信息分布云图模型的数据进行聚类；步骤四：结合数理分析界定敏感性的等级约束；步骤五：运用敏感性分析确定最终的节点部署策略。本发明融合CFD、聚类算法和敏感性分析等技术方法进行的感知层布局策略优化，以此方法可准确反映建筑环境的感知层信息，进而对环境控制系统的稳定性和低能耗具有积极的作用。

Description

基于CFD和聚类算法的无线传感器网络节点部署方法

技术领域

本发明属于无线传感器网络部署及建筑节能技术领域，涉及一种基于CFD和聚类算法的无线传感器网络节点部署方法。

背景技术

无线传感器网络正成为全球关注的热点领域，节点部署是无线传感器网络工作的基础，它直接关系到网络监测信息的准确性、完整性和时效性。

无线传感器网络的节点部署是在具体应用时首先需要解决的问题，是网络正常工作的基础，只有把传感器节点在监测区域布置好，才能进一步进行其它的工作。合理的节点部署不仅可以提高网络工作效率、优化利用网络资源，还可以根据应用需求的变化改变活跃节点的数目，以动态调整网络的节点密度。此外，在某些节点发生故障或能量耗尽失效时，通过一定策略重新部署节点，可保证网络性能不受大的影响，使网络具有较强的鲁棒性。

节点部署的好坏直接影响着网络的寿命和性能。有效的部署方案，依赖于一套完整的节点部署评价体系。结合WSN的应用特点和系统特性，现有WSN的节点部署主要考虑以下3个方面：

1)采集信息的完整性和精确性。要求节点能够覆盖监测区域，并且综合考虑节点的冗余和信息的容错。

2)信息可传输性。要求采集到的信息能够准确及时的传递到信息的使用终端。

3)系统能耗(网络寿命)。由于WSN与其它网络的最大区别之一就是能量受限的问题，在完成任务的前提下需要最大限度的延长整个网络的寿命。

相应的，评价节点部署算法的性能主要包括覆盖、连通和能耗三类指标。

但是，对于无线传感器网络的节点部署问题忽略了最相关的环境问题，尤其是在建筑领域，建筑环境对WSN节点部署具有最为直接的指导意义。仅考虑覆盖、连通和能耗等方面的因素来部署传感层节点，并不能准确反映实际的建筑环境，进而带来环境控制系统的不稳定性和高能耗等问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于CFD和聚类算法的无线传感器网络节点部署方法，该方法能够解决建筑空间中难以确定实际WSN环境监测点，不能准确反映实际环境情况，影响控制系统的稳定性与能耗等问题。该方法基于计算流体动力学(CFD)技术研究建筑环境内温湿度场的分布特性，构建建筑环境的温湿度场分布云图，运用聚类算法对温湿度场分布云的数据模型进行分析，得到建筑环境的需求特征点，解决无线传感器网络节点的精准监测部署问题，进而对提高控制系统稳定性和降低生产能耗有一定的积极作用。

为达到上述目的，本发明提供如下技术方案：

一种基于CFD和聚类算法的无线传感器网络节点部署方法，该方法包括以下步骤：

步骤一：从实际建筑环境中，采用实验和调研方法获取建筑物的环境参数；

步骤二：利用CFD(Computational Fluid Dynamics，计算流体动力学)相关技术建立建筑空间的环境信息分布云图模型；

步骤三：基于聚类算法对建筑空间的环境信息分布云图模型的数据进行聚类；

步骤四：结合数理分析界定敏感性的等级约束；

步骤五：运用敏感性分析确定最终的节点部署策略。

进一步，在步骤一中，所述建筑物的环境参数包括地理位置信息、建筑物进出口大小、建筑朝向、建筑高度、窗墙比、制冷(热)量、风量、出风温度以及建筑物内部冷热源布局。

进一步，在步骤二中，建立建筑物热湿环境有限元模型，设置模型仿真参数，确定边界条件，选取合适的湍流模型算法，对建筑物进行温湿度场建模与仿真，得到三维温湿度分布云图模型。

进一步，在步骤四中，结合数据统计方法，包括但不限于均值、标准差、变异系数、众数分析各类的数据特征，根据不同环境以敏感性程度为基准划分各类的敏感等级。

进一步，在步骤五中，根据步骤四中的敏感性等级约束情况，结合建筑环境需求，确定以敏感性区域为基准或者是以非敏感性区域为标准，得到最终的节点部署区域。

本发明的有益效果在于：本发明针对无线传感器网络的节点部署过程中忽略最相关的环境问题，融合CFD、聚类算法和敏感性分析等技术方法进行的感知层布局策略优化，在建筑领域中，对只考虑覆盖、连通和能耗等方面因素来部署传感层节点具有颠覆性的实际意义和实用价值，以此策略可准确反映建筑环境的感知层信息，进而对环境控制系统的稳定性和低能耗具有积极的作用。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述方法的流程示意图；

图2为实施例中三维温湿度分布云图；

图3为温度数据聚类后各个类别的温差图；

图4为实施例中建筑物的节点部署区域图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明所述方法的流程示意图，如图所示，本发明提供的基于CFD和聚类算法的无线传感器网络节点部署方法具体包括以下步骤：

步骤一：从实际建筑环境中，采用实验和调研方法获取建筑的环境参数；

在本实施例中，建筑的环境参数包含地理位置信息、建筑物进出口大小、建筑朝向、建筑高度、窗墙比、制冷(热)量、风量、出风温度等，同时还需要获取建筑内部冷热源布局。

步骤二：利用CFD相关技术建立建筑空间的环境信息分布云图；

在本步骤中，建立建筑热湿环境有限元模型，设置模型仿真参数，确定边界条件，选取合适的湍流模型算法，对建筑物进行温湿度场建模与仿真，得出初步的三维温湿度分布云图。

湍流模型的种类众多，有Spalart-Allmaras模型、k-ε模型、k-ω模型、雷诺应力模型(RSM)和大涡模拟模型(LES)。

一般来说，DES和LES是最为精细的湍流模型，但是它们需要的网格数量大，计算量和内存需求都比较大，计算时间长，目前工程应用较少。

S-A模型适用于翼型计算、壁面边界层流动，不适合射流等自由剪切流问题。

标准K-Epsilon模型有较高的稳定性、经济性和计算精度，应用广泛，适用于高雷诺数湍流，在建筑环境模拟中经常使用。

RNG K-Epsilon模型可以计算低雷诺数湍流，其考虑到旋转效应，对强旋流计算精度有所提供。

Realizable K-Epsilon模型较前两种模型的有点是可以保持雷诺应力与真实湍流一致，可以更加精确的模拟平面和圆形射流的扩散速度，同时在旋流计算、带方向压强梯度的边界层计算和分离流计算等问题中，计算结果更符合真实情况，同时在分离流计算和带二次流的复杂流动计算中也表现出色。但是此模型在同时存在旋转和静止区的计算中，比如多重参考系、旋转滑移网格计算中，会产生非物理湍流粘性。因此需要特别注意。

标准K-W模型包含了低雷诺数影响、可压缩性影响和剪切流扩散，适用于尾迹流动、混合层、射流、以及受壁面限制的流动附着边界层湍流和自由剪切流计算。

SST K-W模型综合了K-W模型在近壁区计算的有点和K-Epsilon模型在远场计算的优点，同时增加了横向耗散导数项，在湍流粘度定义中考虑了湍流剪切应力的输运过程，适用更广，可以用于带逆压梯度的流动计算、翼型计算、跨声速带激波计算等。

雷诺应力模型没有采用涡粘性各向同性假设，在理论上比前面的湍流模型要精确的多，直接求解雷诺应力分量输运方程，适用于强旋流动，如龙卷风、旋流燃烧室计算等。

在本实施例中以某建筑空间的温度模拟为例，建立建筑空间的环境信息，选取标准K-Epsilon模型进行计算，得到初步的三维温度分布云图，如图2所示。

步骤三：基于聚类算法对建筑环境云模型的数据进行聚类；

运用相应的聚类算法对环境云模型数据进行聚类，在本实施例中以环境的温湿度为例，利用K均值聚类算法，将温度和湿度的数据分别聚为M类和N类，若有其他参数可追加更多的类别，在本实施例中将温度的数据聚为5类，如图3所示。

K-means算法的工作原理为：算法首先随机从数据集中选取K个点作为初始聚类中心，然后计算各个样本到聚类中的距离，把样本归到离它最近的那个聚类中心所在的类。计算新形成的每一个聚类的数据对象的平均值来得到新的聚类中心，如果相邻两次的聚类中心没有任何变化，说明样本调整结束，聚类准则函数已经收敛。

该算法的特点是在每次迭代中都要考察每个样本的分类是否正确。若不正确，就要调整，在全部样本调整完后，再修改聚类中心，进入下一次迭代。如果在一次迭代算法中，所有的样本被正确分类，则不会有调整，聚类中心也不会有任何变化，这标志着已经收敛，因此算法结束。具体描述如下：

算法输入：类的数目K和包含X个对象的数据库。

1)从X个样本数据中随机选取K个对象作为初始的聚类中心；

2)分别计算其余每个样本与K个中心的距离(这里距离的求法可以多样的，如欧几里得距离、曼哈顿距离等，较常用的还是第一种)，然后进行对比，将对象分配到距离最近的类别中去；

3)所有对象分配完成后，重新计算K个聚类的中心，计算方法是取每类中所有元素各自维度的算术平均数作为新的中心；

4)与前一次计算得到得K个聚类中心比较，如果聚类中心发生变化，则转到步骤2)步骤继续，否则转到5)；

5)当中心不再发生变化时停止并输出聚类结果。

步骤四：结合数理分析界定敏感性的等级约束；

结合数据统计方面的各种方法，均值、标准差、变异系数、众数等分析各类的数据特征，根据不同环境以敏感性程度为基准划分各类的敏感等级。本实施例中以环境的温湿度为例，将其M类和N类分别归为以敏感性为约束的不同的集合中，其中本实施例使用的法则如下：

法则1：首先对温度分类进行区分，某类温度标准差最高，判定为敏感点；

法则2：剩余类别以平均值为基准，某类温度的均值最高，判定为敏感点；

法则3：其次对湿度分类进行区分，某类湿度标准差最高，判定为敏感点；

法则4：剩余类别以平均值为基准，某类湿度的均值最高，判定为敏感点；

注：法则以不同建筑环境而改变，此为简单举例。

步骤五：运用敏感性分析确定最终的节点部署策略；

根据上述的敏感性分析情况，结合建筑环境需求，是以敏感性区域为基准还是以非敏感性区域为标准。在本实施例中以建筑中非敏感区域为例，将上述各种敏感性区域去除后，得到最终的非敏感性区域，即最终的节点部署区域，如图4所示。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种基于CFD和聚类算法的无线传感器网络节点部署方法，其特征在于：该方法包括以下步骤：

步骤一：从实际建筑环境中，采用实验和调研方法获取建筑物的环境参数；

步骤二：利用计算流体动力学CFD相关技术建立建筑空间的环境信息分布云图模型；

步骤三：基于聚类算法对建筑空间的环境信息分布云图模型的数据进行聚类；

步骤四：结合数理分析界定敏感性的等级约束；

步骤五：运用敏感性分析确定最终的节点部署策略。

2.根据权利要求1所述的基于CFD和聚类算法的无线传感器网络节点部署方法，其特征在于：在步骤一中，所述建筑物的环境参数包括地理位置信息、建筑物进出口大小、建筑朝向、建筑高度、窗墙比、制冷量、制热量、风量、出风温度以及建筑物内部冷热源布局。

3.根据权利要求1所述的基于CFD和聚类算法的无线传感器网络节点部署方法，其特征在于：在步骤二中，建立建筑物热湿环境有限元模型，设置模型仿真参数，确定边界条件，选取湍流模型算法，对建筑物进行温湿度场建模与仿真，得到三维温湿度分布云图模型。

4.根据权利要求1所述的基于CFD和聚类算法的无线传感器网络节点部署方法，其特征在于：在步骤四中，结合数据统计方法，包括但不限于均值、标准差、变异系数、众数分析各类的数据特征，根据不同环境以敏感性程度为基准划分各类的敏感等级。

5.根据权利要求1所述的基于CFD和聚类算法的无线传感器网络节点部署方法，其特征在于：在步骤五中，根据步骤四中的敏感性等级约束情况，结合建筑环境需求，确定以敏感性区域为基准或者是以非敏感性区域为标准，得到最终的节点部署区域。