CN113176387A - 基于广域无线传感器网络的水质监测智能评估系统及方法 - Google Patents

基于广域无线传感器网络的水质监测智能评估系统及方法 Download PDF

Info

Publication number
CN113176387A
CN113176387A CN202110418538.4A CN202110418538A CN113176387A CN 113176387 A CN113176387 A CN 113176387A CN 202110418538 A CN202110418538 A CN 202110418538A CN 113176387 A CN113176387 A CN 113176387A
Authority
CN
China
Prior art keywords
water quality
wireless sensor
area
data
water
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.)
Pending
Application number
CN202110418538.4A
Other languages
English (en)
Inventor
杨明霞
方凯
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.)
Quzhou University
Original Assignee
Quzhou 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 Quzhou University filed Critical Quzhou University
Priority to CN202110418538.4A priority Critical patent/CN113176387A/zh
Publication of CN113176387A publication Critical patent/CN113176387A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明涉及水质监测技术领域，提供一种基于广域无线传感器网络的水质监测智能评估系统及方法，该系统包括：节点部署模块，用于将水质感知设备节点部署到目标水域，并基于CMA‑ES算法优化无线传感器网络覆盖得到最优的部署方案；水质信息采集模块，用于采集目标水域的水质信息进行汇聚融合，并对数据进行处理；水质评估模块，用于对水质信息进行分析，将目标水域进行划分和水质评估，并实时提供预警信息；水质预测模块，用于利用Kriging插值算法对未部署水质感知设备节点的位置进行水质预测，并根据预测结果构建水质状况分布图。本发明的技术方案能够实现大范围水域的低成本、高可靠性、高准确性的水质监测与评估，将全面提高河湖水质在线自动监测的质量。

Description

基于广域无线传感器网络的水质监测智能评估系统及方法
技术领域
本发明涉及水质监测技术领域，特别涉及一种基于广域无线传感器网络的水质监测智能评估系统及方法。
背景技术
随着工业化、城镇化和农业现代化的快速发展，我国水资源短缺加剧，水污染问题突出、水生态损害严重，这些问题已成为制约经济社会发展的主要瓶颈之一。针对我国水资源现状，国家出台了一系列水资源保护政策和法规，提出加强环境监测技术规范制定以及环境监测仪器技术要求，而随着国家对水质保护的日益重视，对生活饮用水、工业废水、地表水质等监测指标均进行了调整，各种水体监测指标也在不断增加，水质监测方法及技术也正朝着多样化的方向发展，同时水污染防治新规也将带来大量水质监测仪器需求。
目前的水质自动监测主要使用大型监测设备：在一些重要水断面河道上设立浮台，岸上建设管理房，管理房中PLC控制电机定时抽水，然后检测设备自动检测并上报。这种方式规模大，成本高，无法灵活地按需求布点。另一方面，当前使用较多的基于短距离通信的水质感知设备网络监测方法，在大范围水域监测中也存在监测范围窄等问题，并不能满足大范围水质监测的需求。虽然国内外在基于水质感知设备网络的水质监测领域已经做了大量的工作，且已取得了不错的成果。但是传统水质感知设备网络在河湖监测中仍然存在一些需要研究的问题：(1)数据传输可靠性。针对大范围、远距离的河湖水质信息采集和传输，传统的传感器网络需要依靠多跳传输技术，才能将水质信息传输汇聚。而数据经过转发的跳数越多，则丢包和误包的概率越大，因此导致数据采集和传输网络不稳定。(2)网络部署合理性。如何用尽可能少的传感器节点完成对目标水域的全面覆盖，从而保证低成本的前提下实现对目标水域的全面监测。(3)分析结果准确性。在大范围的目标水域中，并非所有位置的水质情况都相同，尤其是距离监测点较远的位置，其水质情况肯定存在较大差异，倘若忽视了不同位置水质的差异性，势必会造成监测结果的误差。
发明内容
有鉴于此，本发明旨在提出一种基于广域无线传感器网络的水质监测智能评估系统及方法，该基于广域无线传感器网络的水质监测智能评估系统能够基于低功耗广域无线传感器网络进行河湖水质信息采集，可以方便地在需要监测的位置进行布点，直接采集水质信息远距离传输，进行灵活且低成本部署和高可靠性、高准确率的水质监测和评估，解决大范围水质监测的难点问题。该系统将全面提高河湖水质在线自动监测的质量，为环保监督部门提供信息化管理依据，降低水资源治理的成本。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于广域无线传感器网络的水质监测智能评估系统，包括：
节点部署模块，用于将水质感知设备节点部署到目标水域，并基于CMA-ES算法优化无线传感器网络覆盖，得到部署方案；
水质信息采集模块，用于采集目标水域的水质信息进行汇聚融合，并对数据进行处理；
水质评估模块，用于对水质信息进行分析，将目标水域进行划分和对目标水域进行水质评估，并实时提供预警信息；
水质预测模块，利用Kriging插值算法对未部署水质感知设备节点的位置进行水质预测，并根据预测结果构建水质状况分布图。
进一步地，所述水质信息采集模块包括：水质感知设备、网关和服务器；所述水质感知设备用于对目标水域的水质信息进行采集，所述网关用于对数据进行汇聚与融合，所述服务器用于对数据进行处理与应用。
进一步地，所述水质感知设备包括无线传感器，所述无线传感器包括pH值传感器、电导率传感器、氧化还原反应传感器和浊度传感器；所述服务器包括网络服务器和应用服务器，所述网络服务器用于负责接收网关发送的数据，进行数据的加密解密和数据的存储，所述应用服务器用于从所述网络服务器获取数据，进行数据的处理、分析与可视化。
一种基于广域无线传感器网络的水质监测智能评估方法，所述方法包括以下步骤：
S1，基于CMA-ES算法，通过节点部署模块将无线传感器节点部署到目标水域，并优化无线传感器网络覆盖得到最优的部署方案；
S2，基于LoRaWAN协议的无线传感器网络技术，通过水质信息采集模块对目标水域的水质信息进行采集并汇聚融合，再对融合后的数据进行处理；
S3，根据步骤S2采集的水质信息并基于区域生长法，通过水质评估模块将目标水域分割为若干个子区域，并对子区域内的水质进行精细化的评估，得到目标水域的水质等级；
S4，基于Kriging插值算法，通过水质预测模块对目标水域中未部署无线传感器节点的位置进行水质预测，并根据预测结果构建水质状况分布图。
进一步地，所述步骤S1还包括以下子步骤：
S1.1，将单个无线传感器节点看作个体，并以无线传感器节点坐标(x，y)表示；
S1.2，通过优化节点的分布来寻求无线传感器网络区域覆盖率最大化方案，利用区域覆盖率函数作为CMA-ES算法的适应度函数进行迭代搜寻，区域覆盖率函数如公式(1)所示：
Figure BDA0003026953160000041
S1.3，设置算法初始均值m、初始全局步长σ、种群规模(即无线传感器节点数量)、最大迭代次数；
S1.4，通过采样多维正态分布产生种群个体分布；
S1.5，根据适应度函数FC评价并选择适应度最好的个体组成当前最优子群；
S1.6，计算移动均值、更新协方差矩阵、更新全局步长；
S1.7，判断是否结束算法，若是，则停止并输出覆盖率和节点集位置，否则返回步骤S1.4继续迭代。
进一步地，所述S1.6中计算移动均值、更新协方差矩阵、更新全局步长的公式如公式(2)-公式(4)所示：
移动平均：
Figure BDA0003026953160000042
其中，
Figure BDA0003026953160000043
表示第g+1代中排名第i的个体。
步长控制：
Figure BDA0003026953160000044
其中，
Figure BDA0003026953160000045
和
Figure BDA0003026953160000046
表示步长，μeff表示父代个体数，σ(g)表示全局步长。
协方差矩阵自适应：
Figure BDA0003026953160000047
其中，C(g)和C(g+1)表示协方差矩阵。
进一步地，所述步骤S2还包括以下子步骤：
S2.1，通过若干个无线传感器对目标水域的水质信息进行采集，并将采集到的数据发送至网关；
S2.2，通过网关对数据进行汇聚与融合，并将融合后的数据发送至服务器端；
S2.3，接收网关发送的数据、进行数据的加密解密、数据的存储，并进行数据的处理、分析与可视化。
进一步地，步骤S2.1中，通过pH值传感器、电导率传感器、氧化还原反应传感器和浊度传感器对目标水域的水质信息进行采集；步骤23中，通过网络服务器接收网关发送的数据，进行数据的加密解密和数据的存储，通过应用服务器从网络服务器获取数据，进行数据的处理、分析与可视化。
进一步地，所述步骤S3还包括以下子步骤：
S3.1，选择若干个无线传感器节点作为起始生长节点；
S3.2，确定生长规则，当两个无线传感器节点之间距离小于阈值D且两个无线传感器节点采集的水质信息小于阈值T时，则认为是相邻且相似节点，区域可以往该节点方向生长；
S3.3，更新区域生长法的种子节点；
S3.4，判断是否生长结束，若是，则输出生长结果(区域分割结果)，若否，则返回步骤S3.2继续迭代；
S3.5，对区域分割后的水质进行精细化的评估，得到目标水域的水质等级。
进一步地，所述步骤S4包括以下子步骤：
S4.1，将部署在水域内的无线传感器节点之间进行两两配对；
S4.2，将配对的结果根据拟合函数构建经验半变异曲线，拟合函数如公式(5)所示；
Figure BDA0003026953160000051
其中di,j表示无线传感器节点之间的欧氏距离，vi和vj表示传感器节点i、j采集的水质相关信息。
S4.3，根据无线传感器节点采集的水质信息并利用Kriging插值算法对未部署无线传感器节点位置的水质进行插值预测，并构建水质状况分布图。
相对于现有技术，本发明的基于广域无线传感器网络的水质监测智能评估系统及方法的有益效果为：
(1)基于LoRaWAN协议的无线传感器网络技术，提出一种基于CMA-ES算法的网络覆盖方法，与现有技术相比能够在部署尽可能少的无线传感器节点的情况下实现监测水域的全面覆盖；
(2)提出一种基于区域生长法的精细化水质评估方法，与现有技术相比能够按水质情况对水域进行分割，并有针对性的进行区域分析；
(3)提出一种基于Kriging插值算法的水质预测与可视化方法，与现有技术相比能够利用插值算法预测未部署无线传感器节点位置的水质情况，同时利用该方法构建水质分布图能够有效展示水质的整体分布情况。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的基于广域无线传感器网络的水质监测智能评估系统的一种实施方式的结构示意图；
图2为图1中水质信息采集模块的结构示意图；
图3为本发明的用于执行基于广域无线传感器网络的水质监测智能评估系统的方法的一种实施方式的结构流程图；
图4为无线传感器节点随机部署的示意图；
图5为基于CMA-ES算法将无线传感器节点优化部署的示意图；
图6为基于区域生长法对目标水域进行划分的目标水域分割图；
图7为通过Kriging插值算法仿真得到的水污染指标分布。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
根据本发明的一个方面，提供一种基于广域无线传感器网络的水质监测智能评估系统，如图1至图2所示，所述基于广域无线传感器网络的水质监测智能评估系统包括：
节点部署模块，用于将水质感知设备节点部署到目标水域，并基于CMA-ES算法优化无线传感器网络覆盖，得到部署方案；
水质信息采集模块，用于采集目标水域的水质信息进行汇聚融合，并对数据进行处理；
水质评估模块，用于对水质信息进行分析，将目标水域进行划分和对目标水域进行水质评估，并实时提供预警信息；
水质预测模块，利用Kriging插值算法对未部署水质感知设备节点的位置进行水质预测，并根据预测结果构建水质状况分布图。
本发明实施例中，所述基于广域无线传感器网络的水质监测智能评估系统通过节点部署模块将水质感知设备节点部署到目标水域，并基于CMA-ES算法优化无线传感器网络覆盖，使得在部署尽可能少的无线传感器节点的情况下实现监测水域的全面覆盖，并以低功耗广域无线传感器网络为水质信息采集框架，以无线传感器节点部署技术、多传感器协同技术、数据融合技术等研究大范围水质监测与评估技术，对目标水域的水质信息进行采集，不仅降低了信息采集成本，还提高了数据传输的可靠性。水质评估模块对目标水域进行分割并进行精细化评估，得到水质等级，这样还能够在水域水质情况较差的情况下及时提供实时预警信息，且通过水质预测模块能够对目标水域中未部署无线传感器节点的位置进行水质预测，从而构建水质状况分布图，使得更加清楚地掌控目标水域整体的水质分布情况。
其中，CMA-ES算法中的“CMA-ES”为Covariance Matrix AdaptationEvolutionary Strategies的缩写，中文名称是协方差矩阵自适应进化策略,主要用于解决连续优化问题，尤其在病态条件下的连续优化问题。
需要指出的是，水质信息是指水质的PH值、电导率情况、氧化还原反应情况和浊度等信息。提供预警信息是通过网络方式发送警示信息至移动终端或者PC端，无线传感器网络是指基于LoRaWAN协议的无线传感器网络，包括终端传感器节点、网关节点和服务器端。其中，LoRa是当前最成熟、稳定的窄带物联网通讯技术。LoRa技术具有远距离、低功耗、低成本等特性，它在同样的功耗下比传统的无线射频通信距离扩大3-5倍，实现了低功耗和远距离的统一。同时，LoRa数据都是双重加密的，符合水质监测中的安全性要求。
为了能够方便对目标水域中的水质信息进行采集、传输并处理，在本发明优选的情况下，所述水质信息采集模块包括：水质感知设备、网关和服务器；所述水质感知设备用于对目标水域的水质信息进行采集，所述网关用于对数据进行汇聚与融合，所述服务器用于对数据进行处理与应用。在本发明优选情况下，所述网关与服务器通过4G/5G网络连接。所述服务器处理后的数据通过4G/5G网络发送至移动终端或PC机。
为了能够采集到更加详细的水质信息，所述水质感知设备包括无线传感器，所述无线传感器包括pH值传感器、电导率传感器、氧化还原反应传感器和浊度传感器。而使得采集到的水质信息数据能够更有效的被储存和处理，所述服务器包括网络服务器和应用服务器，所述网络服务器用于负责接收网关发送的数据，进行数据的加密解密和数据的存储，所述应用服务器用于从所述网络服务器获取数据，进行数据的处理、分析与可视化。
为了更加能够更加了解基于广域无线传感器网络的水质监测智能评估系统，并能够进行灵活且低成本部署和高可靠性、高准确率的水质监测和评估，解决大范围水质监测的难点问题，根据本发明的另一个方面，提供一种用于执行基于广域无线传感器网络的水质监测智能评估系统的方法，如图3所示，所述基于广域无线传感器网络的水质监测智能评估方法包括以下步骤：
S1，基于CMA-ES算法，通过节点部署模块将无线传感器节点部署到目标水域，并优化无线传感器网络覆盖得到最优的部署方案；
S2，基于LoRaWAN协议的无线传感器网络技术，通过水质信息采集模块对目标水域的水质信息进行采集并汇聚融合，再对融合后的数据进行处理；
S3，根据步骤S2采集的水质信息并基于区域生长法，通过水质评估模块将目标水域分割为若干个子区域，并对子区域内的水质进行精细化的评估，得到目标水域的水质等级；
S4，基于Kriging插值算法，通过水质预测模块对目标水域中未部署无线传感器节点的位置进行水质预测，并根据预测结果构建水质状况分布图。
本发明实施例中，所述基于广域无线传感器网络的水质监测智能评估方法基于窄带广域的LoRa无线传感器网络技术，能够方便灵活地进行部署，进行大范围、远距离的水质信息采集和传输；基于CMA-ES算法能够优化无线传感器网络覆盖，降低网络部署成本；而基于区域生长法将目标水域进行划分，实现对目标水域的精细化评估；基于优化Kriging插值算法构建水质状况分布图，直观展示目标水域的水质整体分布情况。该方法实现大范围水域的低成本、高可靠性、高准确性的水质监测与评估，将全面提高河湖水质在线自动监测的质量，为环保监督部门提供信息化管理依据，降低水资源治理的成本。
为了能够采用尽可能少的无限传感器节点完成对目标水域的全面覆盖，从而保证低成本的前提下实现对目标水域的全面监测，在本发明优选的情况下，所述步骤S1还包括以下子步骤：
S1.1，将单个无线传感器节点看作个体，并以无线传感器节点坐标(x，y)表示；
S1.2，通过优化节点的分布来寻求无线传感器网络区域覆盖率最大化方案，利用区域覆盖率函数作为CMA-ES算法的适应度函数进行迭代搜寻，区域覆盖率函数如公式(1)所示：
Figure BDA0003026953160000101
S1.3，设置算法初始均值m、初始全局步长σ、种群规模(即无线传感器节点数量)、最大迭代次数；
S1.4，通过采样多维正态分布产生种群个体分布；
S1.5，根据适应度函数FC评价并选择适应度最好的个体组成当前最优子群；
S1.6，计算移动均值、更新协方差矩阵、更新全局步长；
S1.7，判断是否结束算法，若是，则停止并输出覆盖率和节点集位置，否则返回步骤S1.4继续迭代。
上述中，首先以最大化网络区域覆盖率为目标，建立问题的求解模型，然后采用协方差矩阵自适应进化策略(CMA-ES)对模型求解，得到无线传感器网络最佳的节点部署方案。其中，适应度最好的个体组成当前最优子群如图5所示，选择了网络覆盖面积尽可能接近目标水域面积且个体数量尽可能少的子群。
上述中，所述S1.6中计算移动均值、更新协方差矩阵、更新全局步长的公式如公式(2)-公式(4)所示：
移动平均：
Figure BDA0003026953160000111
其中，
Figure BDA0003026953160000112
表示第g+1代中排名第i的个体。
步长控制：
Figure BDA0003026953160000113
其中，
Figure BDA0003026953160000114
和
Figure BDA0003026953160000115
表示步长，μeff表示父代个体数，σ(g)表示全局步长。
协方差矩阵自适应：
Figure BDA0003026953160000116
其中，C(g)和C(g+1)表示协方差矩阵。
例如，对随机部署和基于CMA-ES算法优化部署做了初步的仿真，其对比结果如图4和5所示。仿真结果表明基于CMA-ES算法的网络部署优化方法能够较好地完成目标水域的全覆盖。
为了解决传统无线传感器网络存在传输距离短、数据丢包率高等问题，在本发明优选的情况下，基于LoRaWAN协议的无线传感器网络技术，所述步骤S2还包括以下子步骤：
S2.1，通过若干个无线传感器对目标水域的水质信息进行采集，并将采集到的数据发送至网关；
S2.2，通过网关对数据进行汇聚与融合，并将融合后的数据发送至服务器端；
S2.3，接收网关发送的数据、进行数据的加密解密、数据的存储，并进行数据的处理、分析与可视化。
为了能够采集到更加详细的水质信息，步骤S2.1中，通过pH值传感器、电导率传感器、氧化还原反应传感器和浊度传感器对目标水域的水质信息进行采集；而使得采集到的水质信息数据能够更有效的被储存和处理，步骤23中，通过网络服务器接收网关发送的数据，进行数据的加密解密和数据的存储，通过应用服务器从网络服务器获取数据，进行数据的处理、分析与可视化。
为了针对不同位置水质的差异性进行评估，实现精细化的水质评估，在本发明优选的情况下，所述步骤S3还包括以下子步骤：
S3.1，选择若干个无线传感器节点作为起始生长节点；
S3.2，确定生长规则，当两个无线传感器节点之间距离小于阈值D且两个无线传感器节点采集的水质信息小于阈值T时，则认为是相邻且相似节点，区域可以往该节点方向生长；
S3.3，更新区域生长法的种子节点；
S3.4，判断是否生长结束，若是，则输出生长结果(区域分割结果)，若否，则返回步骤S3.2继续迭代；
S3.5，对区域分割后的水质进行精细化的评估，得到目标水域的水质等级。
例如，利用区域生长法对目标水域进行分割，如图6所示，分割为A～G共7个子区域，然后分别采集每个区域内的水质信息，并根据地表水环境质量标准进行水质的评估，将水质划分为I-V类水。同时可以通过系统实时将水质情况通知给相关部门和附近居民。
为了能够掌握目标水域内各个位置的水质情况以及变化趋势，并能够对未部署传感器节点的位置进行水质预测，所述步骤S4包括以下子步骤：
S4.1，将部署在水域内的无线传感器节点之间进行两两配对；
S4.2，将配对的结果根据拟合函数构建经验半变异曲线，拟合函数如公式(5)所示；
Figure BDA0003026953160000131
其中di,j表示无线传感器节点之间的欧氏距离，vi和vj表示传感器节点i、j采集的水质相关信息。
S4.3，根据无线传感器节点采集的水质信息并利用Kriging插值算法对未部署无线传感器节点位置的水质进行插值预测，并构建水质状况分布图。
根据上述的水质预测步骤，选择一片正方形的目标水域，在其中部署了4个传感器节点，首先将目标水域进行细分，得到若干个子区域，每个子区域代表一个目标预测位置，根据四个传感器节点采集的水质信息并利用Kriging插值算法对所有子区域的水质信息进行插值预测，从而构建一张完整的水质状况分布图。
当目标水域内部署的传感器节点数量较多时，每次都选择与待预测位置最近的四个传感器节点采集的水质信息进行预测，如公式(6)所示。公式(6)中m表示预测未知点值时用到的传感器节点数量，一般取4，zi表示权重值，可由公式(7)计算得到，vi表示节点i采集的水质相关参数。
Figure BDA0003026953160000132
Figure BDA0003026953160000133
水污染指标Pi,j计算如公式(8)所示，其中Ci,j表示无线传感器节点j采集的水质信息i的浓度，Si表示水质评价参数i的标准指标。
Figure BDA0003026953160000134
基于Kriging插值算法能够得到整个目标水域的水质分布情况。在50m×50m的水域内部署16个传感器节点，通过Kriging插值算法仿真得到的水污染指标分布如图7所示。
本发明的技术方案能够实现大范围水域的低成本、高可靠性、高准确性的水质监测与评估，将全面提高河湖水质在线自动监测的质量。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于广域无线传感器网络的水质监测智能评估系统，其特征在于，包括：
节点部署模块，用于将水质感知设备节点部署到目标水域，并基于CMA-ES算法优化无线传感器网络覆盖，得到部署方案；
水质信息采集模块，用于采集目标水域的水质信息进行汇聚融合，并对数据进行处理；
水质评估模块，用于对水质信息进行分析，将目标水域进行划分和对目标水域进行水质评估，并实时提供预警信息；
水质预测模块，利用Kriging插值算法对未部署水质感知设备节点的位置进行水质预测，并根据预测结果构建水质状况分布图。
2.根据权利要求1所述的基于广域无线传感器网络的水质监测智能评估系统，其特征在于，所述水质信息采集模块包括：水质感知设备、网关和服务器；所述水质感知设备用于对目标水域的水质信息进行采集，所述网关用于对数据进行汇聚与融合，所述服务器用于对数据进行处理与应用。
3.根据权利要求2所述的基于广域无线传感器网络的水质监测智能评估系统，其特征在于，所述水质感知设备包括无线传感器，所述无线传感器包括pH值传感器、电导率传感器、氧化还原反应传感器和浊度传感器；所述服务器包括网络服务器和应用服务器，所述网络服务器用于负责接收网关发送的数据，进行数据的加密解密和数据的存储，所述应用服务器用于从所述网络服务器获取数据，进行数据的处理、分析与可视化。
4.一种用于执行权利要求1-3中任意一项所述的基于广域无线传感器网络的水质监测智能评估系统的方法，其特征在于，所述方法包括以下步骤：
S1，基于CMA-ES算法，通过节点部署模块将无线传感器节点部署到目标水域，并优化无线传感器网络覆盖得到最优的部署方案；
S2，基于LoRaWAN协议的无线传感器网络技术，通过水质信息采集模块对目标水域的水质信息进行采集并汇聚融合，再对融合后的数据进行处理；
S3，根据步骤S2采集的水质信息并基于区域生长法，通过水质评估模块将目标水域分割为若干个子区域，并对子区域内的水质进行精细化的评估，得到目标水域的水质等级；
S4，基于Kriging插值算法，通过水质预测模块对目标水域中未部署无线传感器节点的位置进行水质预测，并根据预测结果构建水质状况分布图。
5.根据权利要求4所述的方法，其特征在于，所述步骤S1还包括以下子步骤：
S1.1，将单个无线传感器节点看作个体，并以无线传感器节点坐标(x，
y)表示；
S1.2，通过优化节点的分布来寻求无线传感器网络区域覆盖率最大化方案，利用区域覆盖率函数作为CMA-ES算法的适应度函数进行迭代搜寻，区域覆盖率函数如公式(1)所示：
Figure FDA0003026953150000021
S1.3，设置算法初始均值m、初始全局步长σ、种群规模(即无线传感器节点数量)、最大迭代次数；
S1.4，通过采样多维正态分布产生种群个体分布；
S1.5，根据适应度函数FC，评价并选择适应度最好的个体组成当前最优子群；
S1.6，计算移动均值、更新协方差矩阵、更新全局步长；
S1.7，判断是否结束算法，若是，则停止并输出覆盖率和节点集位置，否则返回步骤S1.4继续迭代。
6.根据权利要求5所述的方法，其特征在于，所述S1.6中计算移动均值、更新协方差矩阵、更新全局步长的公式如公式(2)-公式(4)所示：
移动平均：
Figure FDA0003026953150000031
其中，
Figure FDA0003026953150000032
表示第g+1代中排名第i的个体；
步长控制：
Figure FDA0003026953150000033
其中，
Figure FDA0003026953150000034
和
Figure FDA0003026953150000035
表示步长，μeff表示父代个体数，σ(g)表示全局步长；
协方差矩阵自适应：
Figure FDA0003026953150000036
其中，C(g)和C(g+1)表示协方差矩阵。
7.根据权利要求4所述的方法，其特征在于，所述步骤S2还包括以下子步骤：
S2.1，通过若干个无线传感器对目标水域的水质信息进行采集，并将采集到的数据发送至网关；
S2.2，通过网关对数据进行汇聚与融合，并将融合后的数据发送至服务器端；
S2.3，接收网关发送的数据、进行数据的加密解密、数据的存储，并进行数据的处理、分析与可视化。
8.根据权利要求7所述的方法，其特征在于，步骤S2.1中，通过pH值传感器、电导率传感器、氧化还原反应传感器和浊度传感器对目标水域的水质信息进行采集；步骤S2.3中，通过网络服务器接收网关发送的数据，进行数据的加密解密和数据的存储，通过应用服务器从网络服务器获取数据，进行数据的处理、分析与可视化。
9.根据权利要求4所述的方法，其特征在于，所述步骤S3还包括以下子步骤：
S3.1，选择若干个无线传感器节点作为起始生长节点；
S3.2，确定生长规则，当两个无线传感器节点之间距离小于阈值D且两个无线传感器节点采集的水质信息小于阈值T时，则认为是相邻且相似节点，区域可以往该节点方向生长；
S3.3，更新区域生长法的种子节点；
S3.4，判断是否生长结束，若是，则输出生长结果(区域分割结果)，若否，则返回步骤S3.2继续迭代；
S3.5，对区域分割后的水质进行精细化的评估，得到目标水域的水质等级。
10.根据权利要求4所述的方法，其特征在于，所述步骤S4包括以下子步骤：
S4.1，将部署在水域内的无线传感器节点之间进行两两配对；
S4.2，将配对的结果根据拟合函数构建经验半变异曲线，拟合函数如公式(5)所示：
Figure FDA0003026953150000041
其中di,j表示无线传感器节点之间的欧氏距离，vi和vj表示传感器节点i、j采集的水质相关信息；
S4.3，根据无线传感器节点采集的水质信息并利用Kriging插值算法对未部署无线传感器节点位置的水质进行插值预测，并构建水质状况分布图。
CN202110418538.4A 2021-04-19 2021-04-19 基于广域无线传感器网络的水质监测智能评估系统及方法 Pending CN113176387A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110418538.4A CN113176387A (zh) 2021-04-19 2021-04-19 基于广域无线传感器网络的水质监测智能评估系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110418538.4A CN113176387A (zh) 2021-04-19 2021-04-19 基于广域无线传感器网络的水质监测智能评估系统及方法

Publications (1)

Publication Number Publication Date
CN113176387A true CN113176387A (zh) 2021-07-27

Family

ID=76923791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110418538.4A Pending CN113176387A (zh) 2021-04-19 2021-04-19 基于广域无线传感器网络的水质监测智能评估系统及方法

Country Status (1)

Country Link
CN (1) CN113176387A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414753A (zh) * 2021-12-28 2022-04-29 无锡环净检测技术有限公司 一种智慧水污染检测预警方法及系统
CN115015502A (zh) * 2022-05-23 2022-09-06 阳泉市郊区温河灌区管理站 一种水质数据的监测方法及其系统
CN116227363A (zh) * 2023-04-25 2023-06-06 湖南省水务规划设计院有限公司 一种传感分布优化的洪灾预警方法
CN116819029A (zh) * 2023-08-09 2023-09-29 水利部珠江水利委员会水文局 一种河道水污染监测方法及系统
CN117007762A (zh) * 2023-09-21 2023-11-07 南通香境生物医药科技有限公司 一种基于数据可视化的多水域水质监测方法
CN117320192A (zh) * 2023-11-28 2023-12-29 无锡浩渺生态环境科技有限公司 一种基于无线通信的水污染监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103792330A (zh) * 2014-01-25 2014-05-14 安徽理工大学 无线传感水质监测预警系统
CN107466057A (zh) * 2017-08-16 2017-12-12 浙江工业大学 一种基于区域生长法的wsn数据采集方法
CN109379780A (zh) * 2018-10-23 2019-02-22 华南理工大学 基于自适应差分进化算法的无线传感器网络定位方法
CN110070144A (zh) * 2019-04-30 2019-07-30 云南师范大学 一种湖泊水质预测方法及系统
CN111308039A (zh) * 2020-03-19 2020-06-19 无锡德林海环保科技股份有限公司 一种网格化水质实时监测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103792330A (zh) * 2014-01-25 2014-05-14 安徽理工大学 无线传感水质监测预警系统
CN107466057A (zh) * 2017-08-16 2017-12-12 浙江工业大学 一种基于区域生长法的wsn数据采集方法
CN109379780A (zh) * 2018-10-23 2019-02-22 华南理工大学 基于自适应差分进化算法的无线传感器网络定位方法
CN110070144A (zh) * 2019-04-30 2019-07-30 云南师范大学 一种湖泊水质预测方法及系统
CN111308039A (zh) * 2020-03-19 2020-06-19 无锡德林海环保科技股份有限公司 一种网格化水质实时监测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张梦蓓等: "WSN中节点分布的协方差矩阵自适应优化策略", 《仪表技术与传感器》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414753A (zh) * 2021-12-28 2022-04-29 无锡环净检测技术有限公司 一种智慧水污染检测预警方法及系统
CN115015502A (zh) * 2022-05-23 2022-09-06 阳泉市郊区温河灌区管理站 一种水质数据的监测方法及其系统
CN116227363A (zh) * 2023-04-25 2023-06-06 湖南省水务规划设计院有限公司 一种传感分布优化的洪灾预警方法
CN116227363B (zh) * 2023-04-25 2023-08-15 湖南省水务规划设计院有限公司 一种传感分布优化的洪灾预警方法
CN116819029A (zh) * 2023-08-09 2023-09-29 水利部珠江水利委员会水文局 一种河道水污染监测方法及系统
CN116819029B (zh) * 2023-08-09 2024-02-09 水利部珠江水利委员会水文局 一种河道水污染监测方法及系统
CN117007762A (zh) * 2023-09-21 2023-11-07 南通香境生物医药科技有限公司 一种基于数据可视化的多水域水质监测方法
CN117007762B (zh) * 2023-09-21 2023-12-29 南通香境生物医药科技有限公司 一种基于数据可视化的多水域水质监测方法
CN117320192A (zh) * 2023-11-28 2023-12-29 无锡浩渺生态环境科技有限公司 一种基于无线通信的水污染监测方法
CN117320192B (zh) * 2023-11-28 2024-03-15 无锡浩渺生态环境科技有限公司 一种基于无线通信的水污染监测方法

Similar Documents

Publication Publication Date Title
CN113176387A (zh) 基于广域无线传感器网络的水质监测智能评估系统及方法
Chen et al. Water quality monitoring in smart city: A pilot project
CN107831285B (zh) 一种基于物联网的河湖污染监测系统及其方法
CN108171259A (zh) 一种基于NB-IoT的智慧末梢水质监测系统及方法
CN105300909A (zh) 基于直接光谱法的全天候长流域水质监测与预警系统
CN102289585A (zh) 基于数据挖掘的公共建筑能耗实时监测方法
CN101718775A (zh) 围垦地土壤中重金属含量的空间变异分布图生成方法
CN106297252B (zh) 一种工业园区大气污染监测系统
Singh et al. [Retracted] Energy‐Efficient Clustering and Routing Algorithm Using Hybrid Fuzzy with Grey Wolf Optimization in Wireless Sensor Networks
Marais et al. A review of the topologies used in smart water meter networks: A wireless sensor network application
CN111815184A (zh) 一种耕地土壤环境质量类别划分方法
CN102944656A (zh) 一种在线水质监测系统
CN103727983B (zh) 一种核电厂的无线水文监测装置
CN206038668U (zh) 一种水质实时在线监测及远程传输处理系统
CN113970627B (zh) 一种水质监测及预警方法、系统
Jindal et al. A sustainable multi-parametric sensors network topology for river water quality monitoring
KR20200063317A (ko) Lstm을 이용한 순환식 수경재배의 양액 다량이온 추정 장치 및 그 방법
CN108696833A (zh) 基于水下无线传感器网络的水污染监测系统
CN104618149A (zh) 一种异构网络son智能运维管理方法
CN111174905B (zh) 低功耗物联网振动异常检测装置及其检测方法
Abdulwahid IoT based water quality monitoring system for rural areas
CN201352263Y (zh) 地下水自动监测测报系统
Zixuan et al. Research on marine environmental monitoring system based on the Internet of Things technology
CN115224794A (zh) 一种基于物联网技术的配电网监测方法
Shodamola et al. Towards addressing the spatial sparsity of MDT reports to enable zero touch network automation

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