CN108601035A - 基于太阳能收集模型的WMSNs节点调度策略 - Google Patents

Abstract

本发明提出了基于太阳能收集模型的WMSNs节点调度策略，包括太阳能收集模块、WMSNs节点分簇算法和在两者基础上的一种WMSNs节点调度策略。太阳能收集模型综合考虑了天气情况、节点地理位置以及遮挡等因素的影响，结合并修正太阳能收集的理想能量变化规律，有利于更好的反映WMSNs节点的剩余能量以及太阳能的补充能量。WMSNs节点调度策略，结合了太阳能收集模型以及WMSNs节点分簇算法，通过工作区间结合节点的优先级的方式，调整节点的工作状态。该策略保证了网络覆盖度，降低了WMSNs节点的功耗，有利于保持网络的能量中性状态，使网络可以持续运行，提升网络的性能。

Description

基于太阳能收集模型的WMSNs节点调度策略

技术领域

本发明为基于太阳能收集模型的WMSNs节点调度策略，具体涉及能量收集无线多媒体传感器网络技术领域。

背景技术

无线多媒体传感器网络WMSNs(Wireless Multimedia Sensor Networks，WMSNs)是一种新型的传感器网络，其节点装备有摄像头、麦克风及其他传感器，可以产生多媒体信息。这些具有计算、存储和通信能力的多媒体传感器节点通过自组织的方式形成分布式感知网络，具备协同感知、采集、处理和传输网络覆盖区域内音频、视频、静态图像、数值数据等多媒体信息的能力。WMSNs 作为传感器网络的一种，除了具有其共性的特点,如节点能力和网络资源受限、大规模、自组织、多跳通信、动态性强、应用相关、以数据为中心等，还具有显著的个性特征：（1）具有音频、视频、图像等多媒体信息处理的能力，节点及网络能力增强；（2）感知媒体丰富，多种异构数据共存；（3）处理任务复杂；（4）可以对环境进行全面有效的感知。

WMSNs通常是由传感器节点上的微型电池提供能量，然而电池本身是一种有限的能量源，在特定的场景下，WMSNs节点的续航能力无法得到有效的保障。传统电池供电的WMSNs节点除了有限的能量存储空间之外，还存在着电池寿命难以预测的问题，以及特殊环境下，例如WMSNs节点部署在野外的恶劣环境中，电池是难以由人工进行维护的，维护成本也会相当的高，一旦电池能量耗尽，节点就失去了作用。因此，如何降低和均衡节点能耗，延长网络生存周期成为WMSNs应用的关键。

近年来，随着能量收集技术的日渐成熟，部署新型的可持续的能量收集WMSNs，克服传统的电池驱动的WMSNs固有的种种缺陷，已经成为了传感器领域内众多科研工作者研究的焦点问题，并且已经取得了巨大的进步，具有非常广阔的应用前景。

然而，太阳能收集技术在实际的工程项目应用中存在着无法避免的问题与挑战：太阳能收集的不确定性和不稳定性，从而导致了WMSNs节点的间歇性。由于白天和黑夜严重影响着太阳能的收集效率，基于太阳能收集的WMSNs节点应该采用什么样的策略度过夜晚时段，如何管理和分配能量保证WMSNs节点不会陷入瘫痪状态，成为了一个相当严峻的问题。此外，不同的季节以及气象因素也对太阳能的收集效率有着显著的影响，如何调整节点的工作状态，在保证WMSNs节点工作性能的前提下最大化降低能耗，也是一个亟需解决的问题。

发明内容

本发明的目的是设计一种WMSNs节点调度策略，解决WMSNs中能量有限、网络服务质量低的问题。

本发明采用的技术方案是，提出了基于太阳能收集模型的WMSNs节点调度策略，包括太阳能收集模块、WMSNs节点分簇算法和在两者基础上的一种WMSNs节点调度策略：

所述太阳能收集模块建立过程如下：

步骤1：根据当地天气情况和太阳能电池板尺寸设置最佳天气基数A_max；

步骤2：分别建立A、B、C、D四个子集，将所有的气象专业天气类型均依次顺序合并到这四个子集中，每个子集均包含不止一个气象专业天气类型；天气类型之间的转换可用概率转移矩阵P_a表示，P_a为4×4的方阵，a表示天气类型，a∈{A，B，C，D}；

P_a==

方阵P_a中的元素表示前一天为集合A中的天气的情况下，今天也为集合A中的 天气的条件概率，其他元素的含义依次类推。根据某地区的历史天气资料，利用马尔科夫链 建立P_a后，可以模拟天气变化的转移特性；根据该地区某光伏发电站的历史数据，求出不同 天气类型下，地表与地外辐照度的相关系数B_a；

步骤3：每天的随机影响因子为P_n=1-0.1Rand（0,1），随机函数保证每天的随机影响因子是随机的；

步骤4：根据理想状态下的太阳能收集的能量变化规律，提出简单太阳能收集量与一天内时间t的关系，能量随着太阳光的强度变化经历上升期、稳定期和下降期，符合梯形模型，满足以下公式：

E_（t）=

其中，E_（t）为太阳能收集量，k为上升的斜率，太阳能收集量最小值为0，E_max为单位1,t₁，t₂为太阳能收集模型中太阳能收集量上升到最大值的时刻和从最大值开始下降的时刻；(t∈{1,2,3,…,12})；

步骤5：量化每个时间段的太阳能收集量，把一天24小时划分为若干个时间片，例如以60分钟为单位，把一天24小时划分成24个时间片，第n天某一时刻的太阳能收集量为A_max×B_a×P_n×E_(t)；

所述WMSNs节点分簇算法的具体执行步骤如下：

步骤1：在WMSNs监测区域内随机部署n个传感器节点，用集合P={P₁，P₂，P₃，P₄,…,P_n}表示，其中每个节点都能确定自己的位置和方向，在WMSNs部署完成后向汇聚节点发送自己的位置信息和状态信息；用S_i表示WMSNs中所有节点的状态信息，S_i=0，表示节点未分簇，即节点不属于任何一个簇；S_i=1，表示节点已分簇，即节点至少属于一个簇；S_i=2，表示节点为簇头节点；S_i=3，表示节点为公共节点，即节点同时属于n个簇（n≥2）。簇用大写字母C表示，簇的标号记为k，k∈{1,2,3,…,N}。第一个簇记为C₁，以此类推；

步骤2：根据具体的应用需求设置节点的感知区域重叠度的阈值，即一个节点与簇头 节点之间的感知区域范围的最小重叠度，用来判断一个节点是否可以和簇头节点处于同一 个簇中；阈值在WMSNs节点分簇算法开始执行时被设置为一个定值；

步骤3：初始化S_i，假设WMSNs中所有节点的初始状态都为0，即S_i=0，i∈{1,2,3,4…n}；

步骤4：从节点列表中选择一个未分簇的节点P_i作为当前的簇头节点，建立一个簇C_k,对于任意的节点P_j，j∈{1,2,3，…n, n≠i}，计算节点P_i与节点P_j感知区域的重叠度P_ij，根据P_ij将节点P_j进行降序排列；

步骤5：若P_ij≥，将节点P_j加入到簇C_k中，置节点P_j的状态为已分簇，记S_j=1；若节点P_j 同时属于n个簇（n≥2），则节点P_j为公共节点，记S_j=3，节点P_j的隶属度为n；若节点P_j只属于 一个簇，则节点P_j不是公共节点，节点P_j的隶属度为1；

步骤6：若P_ij＜，置节点P_j的状态为未分簇，记S_j=0，将节点S_j重新进行分簇。当节点列 表P={P₁，P₂，P₃，P₄,…,P_n}中存在没有分簇的节点，则返回步骤4继续执行，直到节点列表P= {P₁，P₂，P₃，P₄,…,P_n}中的所有节点都分簇完毕，即S_i≠0，算法终止；

所述WMSNs节点调度策略的具体执行步骤如下：

步骤1：设置WMSNs节点的工作区间T₁、T₂和T₃，判断节点P_i是否处于工作区间T₁；若节点P_i处于工作区间T₁，对网络的性能要求高，则以网络性能表现为主，节点P_i采集高分辨率以及高帧率的视频，若节点P_i处于工作区间T₂或T₃，对网络的性能要求降低，则降低节点P_i采集视频的帧率以及分辨率，降低能耗，延长整个网络的工作时间；i∈{1,2,3,…,n}；

步骤2：为了防止网络中的某个节点长期处于高能耗的工作状态，使得能量快速耗尽而提前结束工作，根据节点P_i在网络分簇结构中的角色、节点P_i的剩余能量、太阳能的补给能量、节点P_i前一阶段的工作状态来综合选取节点P_i进行工作；

步骤3：为网络中所有的传感器节点P_i设立二类优先级，第一优先级Q_i1和第二优先级Q_i2，对于每一个传感器节点P_i，其第一优先级和第二优先级之和决定了该节点的总优先级Q_i。即Q_i=Q_i1+Q_i2；

步骤4：节点P_i的第一优先级Q_i1在每轮工作开始前确定，是一个静态的值，定义如下：Q_i1=（E_Ri+E_si）/E_Ti+W_i。其中，E_Ri表示节点S_i的当前剩余能量；E_si表示在一个监测周期内节点P_i所接收的太阳能补给能量；E_Ti表示在一个监测周期内节点P_i所消耗的能量，W_i表示节点P_i的隶属度，即节点S_i同时属于几个簇；

步骤5：节点P_i的第二优先级Q_i2初始值均为0，即Q_i2=0；第二优先级Q_i2在每轮监测周期内随着监测节点的选择而变化，当一个节点被选择为当前监测周期的监测节点后，其第二优先级降低，避免下回合再选择它；同时，与该节点在同一个簇中的其他节点的第二优先级也降低，避免下回合选择与上回合监测同一区域的节点，即Q_i2= Q_i2-1；

步骤6：节点P_i的第一优先级Q_i1和第二优先级Q_i2相结合，共同确定节点P_i的总优先级Q_i，通过Q_i的高低来调整节点P_i的工作状态，Q_i高的节点以网络性能表现为主，采集高帧率/高分辨率的视频；Q_i低的节点则降低视频采集的分辨率以及帧率，降低能耗；

步骤7：网络中所有的传感器节点P_i的最终工作方式是工作区间结合节点P_i的优先级来确定的，通过工作区间结合节点P_i的优先级的方式，调整节点P_i的工作状态，从而降低能耗，保持网络的能量中性状态，使网络可以持续运行。

进一步地，所述太阳能收集模块建立步骤2中，具体的气象专业天气类型划分为，

A：晴、晴间多云、多云间晴；

B：多云、阴、阴间多云、多云间阴、雾；

C：阵雨、雷阵雨、雷阵雨伴有冰雹、雨加雪、小雨、阵雪、小雪、冻雨、小到中雨、小到中雪；

D：中雨、大雨、暴雨、大暴雨、特大暴雨、中雪、大雪、暴雪、中到大雨、大到暴雨、暴雨到大暴雨、大暴雨到特大暴雨、中到大雪、大到暴雪、沙尘暴。

进一步地，所述太阳能收集模块建立步骤2中，相关系数B_a用来表示不同天气类型下太阳能的收集效率，具体为：天气类型为A时，B_a=0.9979；天气类型为B时，B_a=0.8640；天气类型为C时，B_a=0.7210；天气类型为D时，B_a=0.4372。

进一步地，基于太阳能收集的WMSNs节点的工作任务主要分布在白天，夜晚时段就可以让WMSNs节点处于低功耗的工作状态，降低WMSNs节点采集视频的帧率和分辨率。

有益效果

本发明提出了一种太阳能收集模型，该模型在经典的梯形模型的基础上，综合考虑了天气情况、节点地理位置以及遮挡等因素的影响，结合并修正太阳能收集的理想能量变化规律，有利于更好的反映WMSNs节点的剩余能量以及太阳能的补充能量。本发明提出了一种WMSNs节点调度策略，该策略结合了太阳能收集模型以及WMSNs节点分簇算法。我们把网络中节点的工作区间划分为T₁、T₂和T₃，当节点处于工作区间T₁时，对网络的性能要求高；当节点处于工作区间T₂或T₃时，对网络的性能要求降低。网络中节点的最终工作方式是工作区间结合节点的优先级来确定的，通过工作区间结合节点的优先级的方式，调整节点的工作状态。该策略保证了网络覆盖度，降低了WMSNs节点的功耗，有利于保持网络的能量中性状态，使网络可以持续运行，提升网络的性能。

附图说明

图1为本发明总体框架图。

图2为本发明太阳能收集模型图。

图3为本发明WMSNs节点分簇算法流程图。

图4为本发明WMSNs节点调度流程图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

总体框架图如图1所示，本发明中我们提出了一种太阳能收集模型，该模型是用来计算WMSNs节点所接收到的太阳能补给能量，结合节点当前的能量，计算出WMSNs节点总的剩余能量。WMSNs节点分簇算法是用来反映节点在网络分簇结构中的角色，从而计算出该节点的隶属度。本发明中我们提出的WMSNs节点调度策略是根据节点在网络分簇结构中的角色、太阳能的补给能量、节点的剩余能量和节点前一阶段的工作状态来综合选取节点进行工作，为网络中所有的传感器节点建立一个优先级，根据优先级的高低来选择节点，调整节点的工作状态。网络中节点的最终工作方式是工作区间结合节点的优先级来确定的，通过工作区间结合节点的优先级的方式，调整节点的工作状态，从而降低能耗，保持网络的能量中性状态，使网络可以持续运行。

太阳能收集模型图如图2所示，该模型的建立过程如下。

步骤1：根据当地天气情况和太阳能电池板尺寸设置最佳天气基数A_max。

步骤2：分别建立A、B、C、D四个子集，将所有气象专业天气类型均依次顺序合并到这四个子集中，每个子集均包含不止一个气象专业天气类型。具体的气象专业天气类型划分如表2所示：

表2：气象专业天气类型划分

天气类型之间的转换可用概率转移矩阵P_a表示，P_a为4×4的方阵，a表示天气类型，a∈{A，B，C，D}。

P_a==

方阵P_a中的元素表示前一天为集合A中的天气的情况下，今天也为集合A中的 天气的条件概率，其他元素的含义依次类推。根据某地区的历史天气资料，利用马尔科夫链 建立P_a后，可以模拟天气变化的转移特性。根据该地区某光伏发电站的历史数据，求出不同 天气类型下，地表与地外辐照度的相关系数B_a。如表3所示：

表3：地表与地外福照度的相关系数

天气类型	A	B	C	D
					Ba	0.9979	0.8640	0.7210	0.4372

相关系数B_a用来表示不同天气类型下太阳能的收集效率。

步骤3：每天的随机影响因子为P_n=1-0.1Rand（0,1），随机函数保证每天的随机影响因子是随机的。其含义为在相同的天气条件下，由于外界因素的影响，例如遮挡等因素的影响导致WMSNs节点收集到的能量值可能不同。

步骤4、根据太阳能收集的能量变化规律，能量随着太阳光的强度变化经历上升期、稳定期和下降期，符合梯形模型，满足以下公式：

E_（t）=

其中，E_（t）为太阳能收集量，k为上升的斜率，太阳能收集量最小值为0，E_max为单位1,t₁，t₂为太阳能收集模型中太阳能收集量上升到最大值的时刻和从最大值开始下降的时刻。(t∈{1,2,3,…,12})。

步骤5：量化每个时间段的太阳能收集量，把一天24小时划分为若干个时间片，例如以60分钟为单位，把一天24小时划分成24个时间片，第n天某一时刻的太阳能收集量为A_max×B_a×P_n×E_（t）。

WMSNs节点分簇算法流程图如图3所示，工作步骤如下。

步骤1：在WMSNs监测区域内随机部署n个传感器节点，用集合P={P₁，P₂，P₃，P₄,…,P_n}表示，其中每个节点都能确定自己的位置和方向，在WMSNs部署完成后向汇聚节点发送自己的位置信息和状态信息。用S_i表示WMSNs中所有节点的状态信息，S_i=0，表示节点未分簇，即节点不属于任何一个簇；S_i=1，表示节点已分簇，即节点至少属于一个簇；S_i=2，表示节点为簇头节点；S_i=3，表示节点为公共节点，即节点同时属于n个簇（n≥2）。簇用大写字母C表示，簇的标号记为k，k∈{1,2,3,…,N}。第一个簇记为C₁，以此类推。

步骤2：根据具体的应用需求设置节点的感知区域重叠度的阈值，即一个节点与 簇头节点之间的感知区域范围的最小重叠度，用来判断一个节点是否可以和簇头节点处于 同一个簇中。阈值在WMSNs节点分簇算法开始执行时被设置为一个定值。

步骤3：初始化S_i，假设WMSNs中所有节点的初始状态都为0，即S_i=0，i∈{1,2,3,4…n}。

步骤4：从节点列表中选择一个未分簇的节点P_i作为当前的簇头节点，建立一个簇C_k,对于任意的节点P_j，j∈{1,2,3，…n, n≠i}，计算节点P_i与节点P_j感知区域的重叠度P_ij，根据P_ij将节点P_j进行降序排列。

步骤5：若P_ij≥，将节点P_j加入到簇C_k中，置节点P_j的状态为已分簇，记S_j=1；若节 点P_j同时属于n个簇（n≥2），则节点P_j为公共节点，记S_j=3，节点P_j的隶属度为n；若节点P_j只 属于一个簇，则节点P_j不是公共节点，节点P_j的隶属度为1。

步骤6：若P_ij＜，置节点P_j的状态为未分簇，记S_j=0，将节点S_j重新进行分簇。当节 点列表P={P₁，P₂，P₃，P₄,…,P_n}中存在没有分簇的节点，则返回步骤4继续执行，直到节点列 表P={P₁，P₂，P₃，P₄,…,P_n}中的所有节点都分簇完毕，即S_i≠0，算法终止。

WMSNs节点调度流程图如图4所示，工作步骤如下。

步骤1：根据具体的应用需求，设置WMSNs节点P_i的工作区间T₁、T₂和T₃。

步骤2：判断节点P_i是否处于工作区间T₁。若节点P_i不处于工作区间T₁，对网络的性能要求降低，则降低节点P_i采集视频的帧率以及分辨率，处于低功耗的工作状态。

步骤3：若节点P_i处于工作区间T₁，对网络的性能要求高，则以网络性能表现为主，节点P_i采集高分辨以及高帧率的视频。

步骤4：为网络中所有的传感器节点P_i设立二类优先级，第一优先级Q_i1和第二优先级Q_i2，对于每一个传感器节点P_i，其第一优先级和第二优先级之和决定了该节点的总优先级Q_i。即Q_i=Q_i1+Q_i2。

步骤5：节点P_i的第一优先级Q_i1在每轮工作开始前确定，是一个静态的值，定义如下：Q_i1=（E_Ri+E_si）/E_Ti+W_i。其中，E_Ri表示节点S_i的当前剩余能量；E_si表示在一个监测周期内节点P_i所接收的太阳能补给能量；E_Ti表示在一个监测周期内节点P_i所消耗的能量，W_i表示节点P_i的隶属度，即节点S_i同时属于几个簇。

步骤6：节点P_i的第二优先级Q_i2初始值均为0，即Q_i2=0。第二优先级Q_i2在每轮监测周期内随着监测节点的选择而变化，当一个节点被选择为当前监测周期的监测节点后，其第二优先级降低，避免下回合再选择它；同时，与该节点在同一个簇中的其他节点的第二优先级也降低，避免下回合选择与上回合监测同一区域的节点，即Q_i2=Q_i2-1。

步骤7：节点P_i的第一优先级Q_i1和第二优先级Q_i2相结合，共同确定节点P_i的总优先级Q_i ，通过Q_i的高低来调整节点P_i的工作状态，Q_i高的节点以网络性能表现为主，采集高帧率/高分辨率的视频；Q_i低的节点则降低视频采集的分辨率以及帧率，降低能耗，延长网络的工作时间，提升网络的性能。

步骤8：网络中所有的传感器节点P_i的最终工作方式是工作区间结合节点P_i的优先级来确定的，通过工作区间结合节点P_i的优先级的方式，调整节点P_i的工作状态，从而降低能耗，保持网络的能量中性状态，使网络可以持续运行。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (4)

1.基于太阳能收集模型的WMSNs节点调度策略，包括太阳能收集模块、WMSNs节点分簇算法和在两者基础上的一种WMSNs节点调度策略，其特征在于：

所述太阳能收集模块建立过程如下：

步骤1：根据当地天气情况和太阳能电池板尺寸设置最佳天气基数A_max；

步骤2：分别建立A、B、C、D四个子集，将所有的气象专业天气类型均依次顺序合并到这四个子集中，每个子集均包含不止一个气象专业天气类型；天气类型之间的转换可用概率转移矩阵P_a表示，P_a为4×4的方阵，a表示天气类型，a∈{A，B，C，D}；

P_a==

方阵P_a中的元素表示前一天为集合A中的天气的情况下，今天也为集合A中的 天气的条件概率，其他元素的含义依次类推；

根据某地区的历史天气资料，利用马尔科夫链建立P_a后，可以模拟天气变化的转移特性；根据该地区某光伏发电站的历史数据，求出不同天气类型下，地表与地外辐照度的相关系数B_a；

步骤3：每天的随机影响因子为P_n=1-0.1Rand（0,1），随机函数保证每天的随机影响因子是随机的；

步骤4：根据理想状态下的太阳能收集的能量变化规律，提出简单太阳能收集量与一天内时间t的关系，能量随着太阳光的强度变化经历上升期、稳定期和下降期，符合梯形模型，满足以下公式：

E_（t）=

其中，E_（t）为太阳能收集量，k为上升的斜率，太阳能收集量最小值为0，E_max为单位1, t₁，t₂为太阳能收集模型中太阳能收集量上升到最大值的时刻和从最大值开始下降的时刻；(t∈{1,2,3,…,12})；

步骤5：量化每个时间段的太阳能收集量，把一天24小时划分为若干个时间片，例如以60分钟为单位，把一天24小时划分成24个时间片，第n天某一时刻的太阳能收集量为A_max×B_a×P_n×E_(t)；

所述WMSNs节点分簇算法的具体执行步骤如下：

步骤1：在WMSNs监测区域内随机部署n个传感器节点，用集合P={P₁，P₂，P₃，P₄,…,P_n}表示，其中每个节点都能确定自己的位置和方向，在WMSNs部署完成后向汇聚节点发送自己的位置信息和状态信息；用S_i表示WMSNs中所有节点的状态信息，S_i=0，表示节点未分簇，即节点不属于任何一个簇；S_i=1，表示节点已分簇，即节点至少属于一个簇；S_i=2，表示节点为簇头节点；S_i=3，表示节点为公共节点，即节点同时属于n个簇（n≥2）；簇用大写字母C表示，簇的标号记为k，k∈{1,2,3,…,N}；第一个簇记为C₁，以此类推；

步骤2：根据具体的应用需求设置节点的感知区域重叠度的阈值，即一个节点与簇头 节点之间的感知区域范围的最小重叠度，用来判断一个节点是否可以和簇头节点处于同一 个簇中；阈值在WMSNs节点分簇算法开始执行时被设置为一个定值；

步骤3：初始化S_i，假设WMSNs中所有节点的初始状态都为0，即S_i=0，i∈{1,2,3,4…n}；

步骤4：从节点列表中选择一个未分簇的节点P_i作为当前的簇头节点，建立一个簇C_k,对于任意的节点P_j，j∈{1,2,3，…n, n≠i}，计算节点P_i与节点P_j感知区域的重叠度P_ij，根据P_ij将节点P_j进行降序排列；

步骤5：若P_ij≥，将节点P_j加入到簇C_k中，置节点P_j的状态为已分簇，记S_j=1；若节点P_j 同时属于n个簇（n≥2），则节点P_j为公共节点，记S_j=3，节点P_j的隶属度为n；若节点P_j只属于 一个簇，则节点P_j不是公共节点，节点P_j的隶属度为1；

步骤6：若P_ij＜，置节点P_j的状态为未分簇，记S_j=0，将节点S_j重新进行分簇；当节点列 表P={P₁，P₂，P₃，P₄,…,P_n}中存在没有分簇的节点，则返回步骤4继续执行，直到节点列表P= {P₁，P₂，P₃，P₄,…,P_n}中的所有节点都分簇完毕，即S_i≠0，算法终止；

所述WMSNs节点调度策略的具体执行步骤如下：

步骤1：设置WMSNs节点的工作区间T₁、T₂和T₃，判断节点P_i是否处于工作区间T₁；若节点P_i处于工作区间T₁，对网络的性能要求高，则以网络性能表现为主，节点P_i采集高分辨率以及高帧率的视频，若节点P_i处于工作区间T₂或T₃，对网络的性能要求降低，则降低节点P_i采集视频的帧率以及分辨率，降低能耗，延长整个网络的工作时间；i∈{1,2,3,…,n}；

步骤2：为了防止网络中的某个节点长期处于高能耗的工作状态，使得能量快速耗尽而提前结束工作，根据节点P_i在网络分簇结构中的角色、节点P_i的剩余能量、太阳能的补给能量、节点P_i前一阶段的工作状态来综合选取节点P_i进行工作；

步骤3：为网络中所有的传感器节点P_i设立二类优先级，第一优先级Q_i1和第二优先级Q_i2，对于每一个传感器节点P_i，其第一优先级和第二优先级之和决定了该节点的总优先级Q_i，即Q_i=Q_i1+Q_i2；

步骤4：节点P_i的第一优先级Q_i1在每轮工作开始前确定，是一个静态的值，定义如下：Q_i1=（E_Ri+E_si）/E_Ti+W_i；其中，E_Ri表示节点S_i的当前剩余能量；E_si表示在一个监测周期内节点P_i所接收的太阳能补给能量；E_Ti表示在一个监测周期内节点P_i所消耗的能量，W_i表示节点P_i的隶属度，即节点S_i同时属于几个簇；

步骤5：节点P_i的第二优先级Q_i2初始值均为0，即Q_i2=0；第二优先级Q_i2在每轮监测周期内随着监测节点的选择而变化，当一个节点被选择为当前监测周期的监测节点后，其第二优先级降低，避免下回合再选择它；同时，与该节点在同一个簇中的其他节点的第二优先级也降低，避免下回合选择与上回合监测同一区域的节点，即Q_i2= Q_i2-1；

步骤6：节点P_i的第一优先级Q_i1和第二优先级Q_i2相结合，共同确定节点P_i的总优先级Q_i，通过Q_i的高低来调整节点P_i的工作状态，Q_i高的节点以网络性能表现为主，采集高帧率/高分辨率的视频；Q_i低的节点则降低视频采集的分辨率以及帧率，降低能耗；

步骤7：网络中所有的传感器节点P_i的最终工作方式是工作区间结合节点P_i的优先级来确定的，通过工作区间结合节点P_i的优先级的方式，调整节点P_i的工作状态，从而降低能耗，保持网络的能量中性状态，使网络可以持续运行。

2.根据权利要求1所述的基于太阳能收集模型的WMSNs节点调度策略，其特征在于：所述太阳能收集模块建立步骤2中，具体的气象专业天气类型划分为，

A：晴、晴间多云、多云间晴；

B：多云、阴、阴间多云、多云间阴、雾；

C：阵雨、雷阵雨、雷阵雨伴有冰雹、雨加雪、小雨、阵雪、小雪、冻雨、小到中雨、小到中雪；

D：中雨、大雨、暴雨、大暴雨、特大暴雨、中雪、大雪、暴雪、中到大雨、大到暴雨、暴雨到大暴雨、大暴雨到特大暴雨、中到大雪、大到暴雪、沙尘暴。

3.根据权利要求1所述的基于太阳能收集模型的WMSNs节点调度策略，其特征在于：所述太阳能收集模块建立步骤2中，相关系数B_a用来表示不同天气类型下太阳能的收集效率，具体为：天气类型为A时，B_a=0.9979；天气类型为B时，B_a=0.8640；天气类型为C时，B_a=0.7210；天气类型为D时，B_a=0.4372。

4.根据权利要求1所述的基于太阳能收集模型的WMSNs节点调度策略，其特征在于：基于太阳能收集的WMSNs节点的工作任务主要分布在白天，夜晚时段就可以让WMSNs节点处于低功耗的工作状态，降低WMSNs节点采集视频的帧率和分辨率。