CN110048483B - 高功耗WRSNs中基于SOM神经网络的多基站协同充电方法 - Google Patents

高功耗WRSNs中基于SOM神经网络的多基站协同充电方法 Download PDF

Info

Publication number
CN110048483B
CN110048483B CN201910360271.0A CN201910360271A CN110048483B CN 110048483 B CN110048483 B CN 110048483B CN 201910360271 A CN201910360271 A CN 201910360271A CN 110048483 B CN110048483 B CN 110048483B
Authority
CN
China
Prior art keywords
charging
charger
mobile charger
node
path
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910360271.0A
Other languages
English (en)
Other versions
CN110048483A (zh
Inventor
韩光洁
廖泽钦
刘立
刘国高
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201910360271.0A priority Critical patent/CN110048483B/zh
Publication of CN110048483A publication Critical patent/CN110048483A/zh
Application granted granted Critical
Publication of CN110048483B publication Critical patent/CN110048483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/67—Controlling two or more charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/68—Off-site monitoring or control, e.g. remote control
    • H02J7/0027—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开一种高功耗WRSNs中基于SOM神经网络的多基站协同充电方法，步骤如下：利用SOM神经网络对WRSNs划分类别；在各个类别内添加一级移动充电器，直到所有传感器节点均被添加到充电列表内；根据一级移动充电器充电列表内传感器节点的连通性贡献形成充电序列，并生成一级移动充电器充电路径；利用遗传算法根据一级充电器的驻留点规划最短路径，在该路径上配备二级移动充电器和设立基站；每个充电周期内，一级移动充电器对传感器节点充电，二级充电器对一级充电器充电。两者同时运行，通过无线充电电池作为媒介进行充电。本发明具有的有益效果：算法复杂度小，能够准确划分传感器类别，实现传感网全覆盖充电，降低移动能量损耗和充电损耗。

Description

高功耗WRSNs中基于SOM神经网络的多基站协同充电方法
技术领域
本发明属于无线传感器网络技术领域，具体涉及一种工业物联网背景下的高功耗的WSNs中基于SOM神经网络的多基站协同充电方法。
背景技术
工业物联网中，传感器网络应用广泛。但是，给旋转设备加上传感器以监视设备的工作状况，大型工业环境监测等，都不可能使用有线连接。因此无线传感器网络蓬勃发展，统一部署的高功耗高密度无线传感网(工业酒厂发酵桶智能测控，工业食醋发酵桶管理等)，传感器节点长期处于工作状态，能耗较高，相同跳数节点具有接近的能耗，接近分布在一个个圆环上，具有大型高密度高功耗等特点。推动工业物联网中无线传感网发展关键在于解决传感器节点能源有限问题。
无线充电传感器网络在近来的研究中得到了关注，包括规划移动充电车路径，进行充电决策，并设计移动充电车的协调。在一些研究中，移动充电器周期性在无线传感器网络中移动，并对其范围内的传感器进行充电。研究大都规划移动充电器路径来最大化移动充电器停留在基站(BS)的时间。一些研究也提出按需移动充电策略来最大限度地提高移动充电器工作效率。此外，这些方案都使用单个基站配备一个或多个移动充电器来给传感器充电。然而，工业物联网背景下的无线传感网节点数目众多，它们可能无法覆盖足够的传感器，特别是对于能量有限的。在工业物联网背景下，大型无线传感网中传感器节点长期处于工作状态，能耗较高，保证所有传感器节点能量得到及时补充极为重要。此外，大型高功耗无线传感网充电周期短，发生充电故障时难以及时修复，连通性贡献大的节点需要被优先充电，放在充电序列前端，减少充电故障发生时对无线传感网的影响
在最近的研究中，2017年，《Collaborative mobile charging policy forperpetual operation in large-scale wireless rechargeable sensor networks》提出，网络被划分为多个区域，每个区域内节点具有相近能量消耗。为了提高充电效率，作者提出了一种自适应的充电算法，在这个算法中，移动充电器的变化基于每个区域的能量消耗。但是，工业物联网背景下，无线传感网密度很大，该算法划分区域办法难以实现准确划分。
2015年，Sheng Zhang等在《Collaborative Mobile Charging》提出，移动充电器不仅可以给传感器充电，而且还可以相互充电。作者提出了一种名为PushWait的理论协同充电方案，以最大限度地提高充电效率。但该算法涉及充电车之间频繁充电，每次充电车之间充电都会造成充电损耗。
2018年，Haolin Liu等在《Recharging Schedule for Mitigating Data Loss inWireless Rechargeable Sensor Network》提出，可按照连通性贡献生成充电序列，保证无线传感器网络关键节点被及时快速充电，保障无线传感器网络平稳安全运行。
综上所述，虽然无线可充电网络取得了很大进展。但是，由于工业物联网背景下的无线可充电网络具有大型高密度的特点，仍有一些问题需要针对性研究：
(1)大型无线可充电传感网络难以实现所有的传感器充电覆盖问题；
(2)大型高功耗无线传感网中能耗较高的传感器节点造成传感器节点能量难以得到及时补充问题；
(3)高密度无线传感网的区域划分难以实现准确划分问题；
(4)大型无线传感网涉及充电车之间频繁充电，会造成大量充电损耗问题；
发明内容
本发明的目的在于克服现有技术中的不足，提供一种工业物联网背景下的高功耗WRSNs中基于SOM神经网络的多基站协同充电方法，能够通过多基站多充电器的协同配合来实现所有的传感器充电覆盖并保证传感器节点能量得到及时补充，通过规划部分充电器停留在驻留点而不必返回基站来实现降低移动能量损耗，通过SOM神经网络对传感器节点的准确分类来实现高密度无线传感网的准确划分，通过减少充电车之间频繁充电实现降低充电损耗。
为解决现有技术问题，本发明公开了一种工业物联网背景下的高功耗WRSNs中基于SOM神经网络的多基站协同充电方法，包括如下步骤：
(1)利用SOM神经网络根据传感器节点能耗，剩余能量和位置等特征对无线可充电传感网划分类别；
(2)在各个类别内添加一级移动充电器，一级移动充电器工作在一个个扇形区域内，以Δθ由内向外添加节点，θ表示角度,直到每个类别的所有传感器节点均被添加到充电列表内。
(3)根据一级移动充电器充电列表内传感器节点的连通性贡献，按照递减的顺序形成充电序列N1N2N3...Nk，并结合一级移动充电器充电完成后回到驻留点的原则生成一级移动充电器充电路径N1N2N3...NkN1；
(4)利用遗传算法根据一级移动充电器路径上的驻留点规划二级移动充电器的最短路径，在该最短路径上配备二级移动充电器和设立基站；
(5)每个充电周期T内，一级移动充电器和二级移动充电器同时运行，通过无线充电电池作为媒介进行充电。一级移动充电器对传感器节点充电，二级移动充电器对一级移动充电器充电。
进一步地，步骤(1)中SOM神经网络训练数据集可获得如下：向无线传感网全网发送广播包，收集无线传感网全网所有节点的能耗速率，节点剩余能量，节点位置对应的横坐标和纵坐标。选取具有典型跳数和节点剩余能量特征的节点(如关键路径上的节点)，确定它们的类别，结合这些节点对应的能耗速率，剩余能量和到sink距离，制成SOM神经网络学习数据。
进一步地，步骤(2)中添加节点的规则如下：添加节点Nk+1后，根据一级移动充电器当前充电列表内传感器节点的连通性贡献，按照递减的顺序形成充电序列N1N2N3...NkNk+1，并结合一级移动充电器充电完成后回到驻留点的原则生成其添加节点后的充电路径N1N2N3...NkNk+1N1，长度为L1。若L1<L1Tmax则添加节点Nk+1成功，反之放入下一个一级充电器充电列表。按照连通性贡献递减的顺序形成充电序列，确保了连通性贡献大的节点被优先充电，放在充电序列前端，减少充电故障发生时对无线传感网的影响。上述的L1Tmax为周期T内速度一定的一级移动充电器的最大移动距离。
传感器节点的连通性贡献计算如下：
Nb i＝{j∈N|d(i,j)≤dr,i≠j}
Figure BDA0002046619240000031
Figure BDA0002046619240000032
其中，Nb i表示表示节点i邻居集；ψij为不相似率，用来度量节点i和节点j的邻居集之间的差异；ri为节点i的连通性贡献，dr为常数，Nb j表示节点j邻居集。
进一步地，步骤(3)中一级移动车驻留点选取规则如下：选取一级移动充电器的充电序列第一个点作为驻留点。一级移动充电器从驻留点出发，按照充电序列遍历传感器节点并进行充电，充电结束后回到驻留点。此时，一级移动充电器遍历路径起点和终点重合。
进一步地，步骤(4)中的二级移动充电器遍历驻留点并对一级移动充电器充电。
进一步地，步骤(4)中的配备二级移动充电器规则如下：根据一级移动充电器数量和二级移动充电器可以充电一级充电器的数量，将得到的最短路径按照一级移动充电器数量相等的原则进行划分，作为二级移动充电器初始路径，从而保证一级移动充电器能被完全充电。
进一步地，上述的二级移动充电器路径长度L2>L2Tmax时，需要在二级移动充电器上配置辅助充电器。通过辅助充电器充电离散偏远的传感器节点，减少二级移动充电车充电传感器节点数量，从而减少二级移动充电器路径长度L2。L2Tmax为周期T内速度一定的二级移动充电器的最大移动距离。
辅助充电器添加规则如下:
①辅助充电限制：辅助充电器需要比二级移动充电器更快抵达等候点(不满足时，不能在该节点添加辅助充电器)；辅助充电器移动路径有限。
②根据辅助充电器重复利用优先的原则剔除多余辅助充电器。
③添加辅助充电器后，二级移动充电器仍然不能到达分配节点，在二级移动充电器到达的最远节点处设置充电基站。此时，经过调整得到二级移动充电器的最终路径。
④优化迭代：大型无线传感网中，相邻基站之间的路径弧度很小，添加辅助充电器时，辅助充电器移动路径的起点和终点可以在添加节点附近很小范围内选择，而不必迭代所有节点。
进一步地，步骤(4)中的设立基站规则如下：在任意两个二级移动充电器路径交点处设立充电基站，充电基站在一个周期内对到达的二级移动充电器完全充电一次。
进一步地，步骤(5)中的充电周期开始时，二级充电器在充电路径一端的基站内充电，二级移动充电器沿着充电路径对一级移动充电器充电，最后到达充电路径另一端的基站内。同理，在下一个充电周期，二级移动充电器从充电路径另一端的基站内出发，沿着充电路径回到这一端。
进一步地，充电方式是通过无线充电电池作为媒介进行充电的。网络部署完成后，位于传感器节点处的充电电池通过无线充电方式对传感器节点充电；一级移动充电器周期性地在各个传感器节点处放置新的充电电池并回收电量不足的充电电池，并将回收的充电电池送到驻留点处更换；与此同时，二级移动充电器周期性地在各个驻留点处放置新的充电电池并回收电量不足的充电电池，并将回收的充电电池送到基站处更换；基站对回收的能量不足的充电电池充电。
本发明具有的有益效果：
1.能够通过多基站多充电器的协同配合来实现工业物联网背景下大型无线传感网所有传感器节点充电覆盖并保证传感器节点能量得到及时补充；
2.按照连通性贡献递减的顺序形成充电序列，确保了连通性贡献大的节点被优先充电，放在充电序列前端，减少充电故障发生时对无线传感网的影响；
3.通过规划部分充电器停留在驻留点而不必返回基站来实现降低移动能量损耗；
4.通过SOM神经网络对传感器节点的准确分类来实现高密度无线传感网的准确合理划分；
5.通过减少充电车之间频繁充电实现降低充电损耗；
6.本充电策略采用遗传算法获得二级移动充电器路径的近似最优解，降低算法复杂度。
附图说明
图1为步骤(1)所述的划分类别示意图；
图2为步骤(2)所述的添加一级移动充电器示意图；
图3为步骤(1)所述的SOM神经网络优选实施例原理示意图；
图4为步骤(4)所述的规划二级移动充电器遍历路径和设立充电基站示意图；
图5为所述的辅助充电器需要比二级移动充电器更快抵达等候点示意图；
图6为所述的辅助充电器移动路径有限示意图；
图7为所述的剔除多余辅助充电器。
附图标记：
2-1一级移动充电车路径规划；2-2未被添加节点放入下一个一级充电器充电列表。
4-1一级移动充电车驻留点；4-2充电基站。
5-1二级移动充电器；5-2辅助充电器。
6-1二级移动充电器；6-2辅助充电器。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1至5所示，一种工业物联网背景下的高功耗WRSNs中基于SOM神经网络的多基站协同充电方法，包括如下步骤：
(1)利用SOM神经网络根据传感器节点能耗，剩余能量和位置等特征对无线可充电传感网划分类别，如图1所示。
(2)在各个类别内添加一级移动充电器，一级移动充电器工作在一个个扇形区域内，以Δθ由内向外添加节点，θ表示角度,直到每个类别的所有传感器节点均被添加到充电列表内，如图2所示。
(3)根据一级移动充电器充电列表内传感器节点的连通性贡献，按照递减的顺序形成充电序列N1N2N3...Nk，并结合一级移动充电器充电完成后回到驻留点的原则由此生成一级移动充电器充电路径N1N2N3...NkN1。
(4)利用遗传算法根据一级移动充电器路径上的驻留点规划二级移动充电器的最短路径，如图4所示，在该路径上配备二级移动充电器和设立基站。
(5)每个充电周期T内，一级移动充电器和二级移动充电器同时运行，通过无线充电电池作为媒介进行充电。一级移动充电器对传感器节点充电，二级充电器对一级充电器充电。
作为优选方案，如图5所示，步骤(1)选用典型SOM神经网络，其拓扑结构由输入层和映射层组成。其中，输入层由m个神经元构成，映射层的ab个神经元构成了二维平面阵列，输入层神经元与竞争层各神经元实现全连接。SOM神经网络的网络模型由以下4个部分组成：
处理单元阵列：用于接收事件输入，并且形成对这些信号的“判别函数”；
比较选择机制：用于比较“判别函数”，并选择一个具有最大函数输出值的处理单元；
局部互联作用：用于同时激励被选择的处理单元及其邻近的处理单元；
自适应过程：用于修正被激励的处理单元的参数，以增加其对应于特定输入“判别函数”的输出值。
向无线传感网全网发送广播包，收集无线传感网全网所有节点的能耗速率，节点剩余能量，节点位置对应的横坐标和纵坐标。选取具有典型跳数和节点剩余能量特征的节点(如关键路径上的节点)，确定它们的类别，结合这些节点对应的能耗速率，剩余能量和到sink距离，制成SOM神经网络学习数据(显然训练集输入向量为三维，m＝3)。
作为更具体的优选方案，根据获得的SOM神经网络学习数据集，选用Kohonen自组织特征映射算法，找出输入数据之间的相似度，对相似度高的输入在网络上就近配置。其学习算法步骤如下：
1.网络初始化：对输入层和映射层之间连接的权值赋予初始值，初始值赋值过程是随机的。也就是说，赋值对象是对输入层神经元到竞争层神经元的全连接的所有权值，且赋予的权值较小。输出神经元的j个邻接神经元的集合为Sj，令Sj(t)表示t时刻的“邻接神经元”的集合，且随时间的增加而减少。
2.输入向量的输入：输入向量为X＝(x1,x2,x3,...xm)T，输入层神经元接收输入。
3.根据输入向量和映射层的权值向量计算欧式距离，如下式所示：
Figure BDA0002046619240000071
其中，dj为竞争层第j个神经元与输入向量之间的距离，wij为输入层的i神经元和映射层的j神经元之间的权值。筛选得到欧式距离最短的神经元，作为胜出神经元，即确定出某个单元k,使得对于任意的j，都有
Figure BDA0002046619240000084
4.权值的学习：更新输出神经元和邻接神经元的权值，如下式所示：
Δwij＝wij(t+1)-wij(t)＝η(t)(xi(t)-wij(t))
其中，函数η(t)值域在0到1之间，且随时间的增加逐渐减小到0。可取下式：
Figure BDA0002046619240000081
5.计算输出ok
ok＝f(min||X-Wj||)。
6.判别是否达到学习要求：若满足要求则学习结束；否则，则返回步骤(2)，进行下一轮学习。
作为优选方案，如图2所示，步骤(2)中的添加节点的规则如下：添加节点Nk+1后，根据一级移动充电器当前充电列表内传感器节点的连通性贡献，按照递减的顺序形成充电序列N1N2N3...NkNk+1，并结合一级移动充电器充电完成后回到驻留点的原则生成其添加节点后的充电路径N1N2N3...NkNk+1N1，长度为L1。若L1<L1Tmax则添加节点Nk+1成功，反之放入下一个一级充电器充电列表。L1Tmax为周期T内速度一定的一级移动充电器的最大移动距离。如2-2所示，有三个传感器节点未被第二个一级移动充电器添加，被放入第三个一级移动充电器充电列表。按照连通性贡献递减的顺序形成充电序列，确保了连通性贡献大的节点被优先充电，放在充电序列前端，减少充电故障发生时对无线传感网的影响。
作为优选方案，上述的传感器节点的连通性贡献计算如下：
Nb i＝{j∈N|d(i,j)≤dr,i≠j}
Figure BDA0002046619240000082
Figure BDA0002046619240000083
其中，Nb i表示表示节点i邻居集；ψij为不相似率，用来度量节点i和节点j的邻居集之间的差异；ri为节点i的连通性贡献，dr为常数，Nb j表示节点j邻居集。
作为优选方案，步骤(3)中一级移动充电器驻留点选取规则如下：选取一级移动充电器的充电序列第一个点作为驻留点。一级移动充电器从驻留点出发，按照充电序列遍历传感器节点并进行充电，充电结束后回到驻留点。此时，一级移动充电器遍历路径起点和终点重合。
作为优选方案，步骤(4)中的遗传算法的模型建立如下：
Step1编码策略
本发明选用十进制编码策略。编码得到的序列和种群中的个体要保证一一对应。即用随机十进制数列W1W2...Wn(n为充电车遍历的节点或驻留点的数量)表示种群中的个体的染色体，其中0<Wi<1，W1＝0，Wn＝1。
Step2初始种群
使用改良圈法求得一个较好的初始种群，即对于初始圈
C＝W1...Wu-1WuWu+1...Wv-1WvWv+1...Wn
2≤u≤v≤n
变换u与v之间的顺序，此时新路径为：
W1...Wu-1WvWv-1...Wu+1WuWv+1...Wn
令
Figure BDA0002046619240000091
当且仅当Δ<0，以新路径修改旧路径。
Step3适应度函数
适应度函数为遍历所有节点的路径长度，即：
Figure BDA0002046619240000092
Step4交叉操作
对于选定的两个父代个体，我们随机选取第t个基因处为交叉点，则经过交叉运算后得到的子代编码为s1和s2，s1的基因由f1的前t个基因和f2的后n-t个基因构成，s2的基因同理。
交叉操作的方法有很多种选择，我们应该尽可能选取好的交叉方式，保证子代能继承父代的优良特性，同时这里的交叉操作也蕴含了变异操作。
Step5变异操作
变异也是实现群体多样性的一种手段，同时也是全局寻优的保证。按照给定的变异率，对选定的变异个体，随机地取三个整数，满足
1<u<v<w<n
把u，v之间的基因段插到w后面。
Step6选择
采用确定性的选择策略，也就是说选择目标函数值最小的进化到下一代，这样可以保证父代的优良特性被保存下来。
进一步地，步骤(4)中的二级移动充电器遍历驻留点并对一级移动充电器充电。
作为优选方案，步骤(4)中的配备二级移动充电器规则如下：根据一级移动充电器数量和二级移动充电器可以充电一级充电器的数量，将得到的最短路径划分为一级充电器数量接近相等的几段，作为二级移动充电器初始路径，从而保证一级移动充电器能被完全充电。
作为优选方案，上述的二级移动充电器路径长度L2>L2Tmax时，需要在二级移动充电器上配置辅助充电器。L2Tmax为周期T内速度一定的二级移动充电器的最大移动距离。
通过辅助充电器充电离散偏远的传感器节点，减少二级移动充电器充电传感器节点数量，从而减少二级移动充电器路径长度L2。辅助充电器添加规则如下:
①辅助充电限制：
辅助充电器需要比二级移动充电器更快抵达等候点：
作为优选方案，如图3所示，在传感器节点B附近的小范围内选择辅助充电器的出发点A和等候点C，辅助充电器通过路径L辅(AB+BC)的时间要小于二级移动充电器通过路径Ls(AD+DC)的时间，即：
Figure BDA0002046619240000111
v辅是辅助充电器的移动速度，v2是二级移动充电器的移动速度。
辅助充电器移动路径有限：
L辅<L辅max
优选的，如图6所示，AB+AF>AB+BE，即L辅>L辅max时，不能在该节点添加辅助充电器，二级移动充电器必须到达该节点充电。
②根据辅助充电器重复利用优先的原则剔除多余辅助充电器：作为优选方案，如图7所示，辅助充电器C1的等候点C(终点)位于辅助充电器C2的出发点K(起点)之前，辅助充电器C1可以在等候点C(终点)回到二级充电器更换充电电池后，根据辅助充电器C2的路径继续完成充电任务。故辅助充电器C2可以被剔除(同理，也能选择剔除辅助充电器C3)。
③添加辅助充电器后，二级充电车仍然不能到达分配节点，在二级充电器到达的最远节点处设置充电基站。此时，经过调整得到二级移动充电器的最终路径。
优选的，添加辅助充电器后，仍然有L2>L2Tmax(二级移动充电器路径长度仍然大于充电周期内二级移动充电器的最大移动距离)，即充电周期内，二级充电车仍然不能到达预分配节点。在二级充电车到达的最远节点处设置充电基站，并经过调整得到二级移动充电器的最终路径。
④优化迭代：大型无线传感网中，相邻基站之间的路径弧度很小，添加辅助充电器时，移动路径的起点和终点可以在添加节点附近很小范围内选择，而不必迭代所有节点。
作为优选方案，步骤(4)中的设立基站规则如下：在任意两个二级移动充电器路径交点处设立充电基站，充电基站在一个周期内对到达的二级移动充电器完全充电一次。
作为优选方案，步骤(5)中的充电周期开始时，二级移动充电器在充电路径一端的基站内充电，二级移动充电器沿着充电路径对一级移动充电车充电，最后到达充电路径另一端的基站内。同理，在下一个充电周期，二级移动充电器从充电路径另一端的基站内出发，沿着充电路径回到这一端。
作为优选方案，充电方式是通过无线充电电池作为媒介进行充电的。网络部署完成后，位于传感器节点处的充电电池通过无线充电方式对传感器节点充电；一级移动充电器周期性地在各个传感器节点处放置新的充电电池并回收电量不足的充电电池，并将回收的充电电池送到驻留点处更换；与此同时，二级移动充电器周期性地在各个驻留点处放置新的充电电池并回收电量不足的充电电池，并将回收的充电电池送到基站处更换；基站对回收的能量不足的充电电池充电。
作为优选方案，多充电车和基站首次部署过程如下：sink向无线传感网全网发送广播包，制成SOM神经网络学习数据。此后，sink利用训练完成的SOM神经网络，对无线传感网分类并划分区域，发送给一级充电车对应区域内的遍历传感器的路径和对应驻留点位置信息以及周期性充电信息。紧接着，sink发送给二级充电车对应的路径和两端基站的位置信息以及周期性充电信息。随后，sink发送设立多个基站的位置信息到管理员处。最后，待基站设立完成后，经过四个充电周期，完成充电电池部署，过程如下：
①第一个充电周期，二级移动充电器运行，将一套充电电池部署到驻留点处；
②第二个充电周期，二级移动充电器和一级移动充电器同时运行。此时，驻留点处和传感器节点处各部署有一套充电电池，无线传感网开始工作；
③第三个充电周期，二级移动充电器和一级移动充电器同时运行，一级移动充电器开始更换充电电池；
④第四个充电周期，二级移动充电器和一级移动充电器同时运行，二级移动充电器开始更换充电电池。
部署完成后，系统共有四套充电电池，分别部署于二级移动充电器，驻留点，一级移动充电器和传感器节点处。

Claims (6)

1.一种高功耗WRSNs中基于SOM神经网络的多基站协同充电方法，其特征在于：包括如下步骤：
(1)利用SOM神经网络根据传感器节点能耗，剩余能量和位置的特征对无线可充电传感网划分类别；
所述步骤(1)中SOM神经网络，其训练数据集获得如下：向无线传感网全网发送广播包，收集无线传感网全网所有节点的能耗速率，节点剩余能量，节点位置对应的横坐标和纵坐标，选取具有典型跳数和节点剩余能量特征的节点，确定它们的类别，结合这些节点对应的能耗速率，剩余能量和到sink距离，制成SOM神经网络学习数据；
(2)在各个类别内添加一级移动充电器，一级移动充电器工作在一个个扇形区域内，以△θ由内向外添加节点，θ表示角度,直到每个类别的所有传感器节点均被添加到充电列表内；
(3)根据一级移动充电器充电列表内传感器节点的连通性贡献，按照递减的顺序形成充电序列N1N2N3...Nk，并结合一级移动充电器充电完成后回到驻留点的原则生成一级移动充电器充电路径N1N2N3...NkN1；
所述步骤(3)中的一级移动器驻留点选取规则如下：选取一级移动充电器的充电序列第一个点作为驻留点，一级移动充电器从驻留点出发，按照充电序列遍历传感器节点并进行充电，充电结束后回到驻留点，此时，一级移动充电器遍历路径起点和终点重合；
(4)利用遗传算法根据一级移动充电器路径上的驻留点规划二级移动充电器的最短路径，在该最短路径上配备二级移动充电器和设立基站；
所述步骤(4)中的配备二级移动充电器规则如下：根据一级移动充电车数量和二级移动充电器可以充电一级充电器的数量，将得到的最短路径按照一级移动充电器数量相等的原则进行划分，作为二级移动充电器初始路径，从而保证一级移动充电器能被完全充电；
当二级移动充电器路径L2>L2Tmax时，L2Tmax为周期T内速度一定的二级移动充电器的最大移动距离；需要在二级移动充电器上配置辅助充电器，辅助充电器添加规则如下:
①辅助充电限制：辅助充电器需要比二级移动充电器更快抵达等候点；辅助充电器移动路径有限；不满足时，不能在该节点添加辅助充电器；
②根据辅助充电器重复利用优先的原则剔除多余辅助充电器；
③添加辅助充电器后，二级移动充电器仍然不能到达分配节点，在二级移动充电器到达的最远节点处设置充电基站；此时，经过调整得到二级移动充电器的最终路径；
④优化迭代：大型无线传感网中，相邻基站之间的路径弧度很小，添加辅助充电器时，辅助充电器的路径的起点和终点在添加节点附近很小范围内选择，而不必迭代所有节点；
(5)每个充电周期T内，一级移动充电器和二级移动充电器同时运行，通过无线充电电池作为媒介进行充电，一级移动充电器对传感器节点充电，二级移动充电器对一级移动充电器充电。
2.根据权利要求1中所述的高功耗WRSNs中基于SOM神经网络的多基站协同充电方法，其特征在于所述步骤(2)中的添加节点的规则如下：添加节点Nk+1后，根据一级移动充电器当前充电列表内传感器节点的连通性贡献，按照递减的顺序形成充电序列N1N2N3...NkNk+1，并结合一级移动充电器充电完成后回到驻留点的原则生成其添加节点后的充电路径N1N2N3...NkNk+1N1，长度为L1；若L1<L1Tmax则添加节点Nk+1成功，反之放入下一个一级充电器充电列表；所述L1Tmax为周期T内速度一定的一级移动充电器的最大移动距离；
所述传感器节点的连通性贡献计算如下：
Nb i＝{j∈N|d(i,j)≤dr,i≠j}
Figure FDA0003722304100000021
Figure FDA0003722304100000022
其中，Nb i表示节点i邻居集；ψij为不相似率，用来度量节点i和节点j的邻居集之间的差异；ri为节点i的连通性贡献，dr为常数，Nb j表示节点j邻居集。
3.根据权利要求1中所述的高功耗WRSNs中基于SOM神经网络的多基站协同充电方法，其特征在于所述步骤(4)中的二级移动充电器，其遍历驻留点并对一级移动充电器充电。
4.根据权利要求1中所述的高功耗WRSNs中基于SOM神经网络的多基站协同充电方法，其特征在于所述步骤(4)中的基站，其设立规则如下：在任意两个二级移动充电器路径交点处设立充电基站，充电基站在一个周期内对到达的二级移动充电器完全充电一次。
5.根据权利要求1中所述的高功耗WRSNs中基于SOM神经网络的多基站协同充电方法，其特征在于所述步骤(5)中的充电周期的特征如下：
充电周期开始时，二级移动充电器在充电路径一端的基站内充电，二级移动充电器沿着充电路径对一级移动充电车充电，最后到达充电路径另一端的基站内，同理，在下一个充电周期，二级移动充电器从充电路径另一端的基站内出发，沿着充电路径回到这一端。
6.根据权利要求1中所述的高功耗WRSNs中基于SOM神经网络的多基站协同充电方法，其特征在于所述步骤(5)中的充电方式如下：
通过无线充电电池作为媒介进行充电，网络部署完成后，位于传感器节点处的充电电池通过无线充电方式对传感器节点充电；一级移动充电器周期性地在各个传感器节点处放置新的充电电池并回收电量不足的充电电池，并将回收的充电电池送到驻留点处更换；与此同时，二级移动充电器周期性地在各个驻留点处放置新的充电电池并回收电量不足的充电电池，并将回收的充电电池送到基站处更换；基站对回收的能量不足的充电电池充电。
CN201910360271.0A 2019-04-30 2019-04-30 高功耗WRSNs中基于SOM神经网络的多基站协同充电方法 Active CN110048483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910360271.0A CN110048483B (zh) 2019-04-30 2019-04-30 高功耗WRSNs中基于SOM神经网络的多基站协同充电方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910360271.0A CN110048483B (zh) 2019-04-30 2019-04-30 高功耗WRSNs中基于SOM神经网络的多基站协同充电方法

Publications (2)

Publication Number Publication Date
CN110048483A CN110048483A (zh) 2019-07-23
CN110048483B true CN110048483B (zh) 2022-08-19

Family

ID=67280534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910360271.0A Active CN110048483B (zh) 2019-04-30 2019-04-30 高功耗WRSNs中基于SOM神经网络的多基站协同充电方法

Country Status (1)

Country Link
CN (1) CN110048483B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085564B (zh) * 2020-09-07 2023-04-07 电子科技大学 一种电动汽车电源共享系统及充电方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105979488A (zh) * 2016-07-26 2016-09-28 河海大学常州校区 无线传感器网络中基于区域划分的协同充电算法
CN107835499A (zh) * 2017-10-26 2018-03-23 河海大学常州校区 一种WSNs中基于分簇和能量中继的移动充电方法
CN108448731A (zh) * 2018-03-07 2018-08-24 南京邮电大学 一种协作式无线传感网能量补充方法及其无线传感网

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105979488A (zh) * 2016-07-26 2016-09-28 河海大学常州校区 无线传感器网络中基于区域划分的协同充电算法
CN107835499A (zh) * 2017-10-26 2018-03-23 河海大学常州校区 一种WSNs中基于分簇和能量中继的移动充电方法
CN108448731A (zh) * 2018-03-07 2018-08-24 南京邮电大学 一种协作式无线传感网能量补充方法及其无线传感网

Also Published As

Publication number Publication date
CN110048483A (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
CN110034596B (zh) WRSNs中基于SOM神经网络的多基站充电方法
Qian et al. Enhanced coordinated operations of electric power and transportation networks via EV charging services
Xu et al. A soft actor-critic-based energy management strategy for electric vehicles with hybrid energy storage systems
Deb et al. A novel chicken swarm and teaching learning based algorithm for electric vehicle charging station placement problem
CN109583665B (zh) 一种无线传感器网络中的无人机充电任务调度方法
Zeng et al. QoE-aware power management in vehicle-to-grid networks: A matching-theoretic approach
CN109495945A (zh) 一种WSNs中基于聚类分簇的协同充电方法
Konstantinidis et al. An evolutionary algorithm to a multi-objective deployment and power assignment problem in wireless sensor networks
Nandi et al. Genetic algorithm based optimization of clustering in ad hoc networks
CN110276517A (zh) 一种基于mopso算法的电动汽车充电站选址方法
Tandon et al. A Bio-inspired Hybrid Cross-Layer Routing Protocol for Energy Preservation in WSN-Assisted IoT.
CN110048483B (zh) 高功耗WRSNs中基于SOM神经网络的多基站协同充电方法
Zhou et al. Intelligent path planning strategy for electric vehicles combined with urban electrified transportation network and power grid
CN104883388A (zh) 一个基于遗传算法的车联网路边单元部署方法
Li et al. A many-objective optimization charging scheme for wireless rechargeable sensor networks via mobile charging vehicles
Vijayalakshmi et al. Simultaneous allocation of EV charging stations and renewable energy sources: An Elite RERNN‐m2MPA approach
Xu et al. Cooperative charging as service: Scheduling for mobile wireless rechargeable sensor networks
Du et al. Optimization of magnetically coupled resonant wireless power transfer based on improved whale optimization algorithm
CN107295081B (zh) 一种联合路由优化的能量补充装置及其能量补充方法
CN104219682A (zh) 农田混合供电无线传感器网络的网络层次构建方法及系统
CN117872763A (zh) 一种多无人机路网交通流监控路径优化方法
Yi et al. Energy balancing and path plan strategy for rechargeable underwater sensor network
Wang et al. Charging path optimization for wireless rechargeable sensor network
CN109447233B (zh) 电动汽车充放电调度方法及系统
Tang et al. Multi-objective coordination optimisation method for DGs and EVs in distribution networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant