无线传感器网络太阳能利用探索与研究*

张华南 刘勇奎 金 红 王 峰

（1.广东培正学院数据科学与计算机学院 广州 510830）（2.湖北大学计算机与信息工程学院 武汉 430062）（3.湖北文理学院计算机工程学院 襄阳 441053）

1 引言

传感器网络用于获取温度、湿度、压力等环境信息。无线传感器网络（WSN）适用于不易到达的区域，如扩展的开放空间、战场或深水。无线传感器网络中的节点通常由电池供电，当它们的电池耗尽时，通常会被简单丢弃［1］。为了降低能源消耗延长网络寿命，采用收集环境能源是一种有效的方式，如收集太阳能、风能等。其中太阳能容易获取，能量密度比较高，最受欢迎。

在文献［2］中，分析了收集环境能源（太阳能）及能量管理策略，通过超级电容实现能量的存储，能量管理主要通过能量预算让传感器节点处于能量中性区间。为了降低无线传感器节点能量消耗，采用超低功耗唤醒接收器在低能耗的情况下连续侦听信道，降低与通信相关的功耗，通过星型异步MAC 协议结合超低功耗唤醒接收器，提高传感器网络的能源效率［3～4］。

在文献［5］中，通过利用连接支配集减少传输来提高网络洪泛的能源效率，提出了基于连通支配集的洪泛协议锥，在网络洪泛过程中，禁止未在连通支配集中的节点重播数据包，提高了网络洪泛端到端的可靠性，降低了网络洪泛的占空比，有效降低平均能耗。

在WSN 中的每个节点发送自己的能量数据，并将其他节点的数据转发给汇聚节点。因此，靠近汇聚节点会消耗更多的能量，这可能会导致比其他节点更频繁地暂时停止工作或停电。这个问题可以通过数据聚合方案解决，其中中继节点将自己从其他节点接收到的数据合并在一起，可以提高数据传输的能量效率，但由于中继节点需要等待合适的数据与自己的数据进行聚合，增加了传输延迟。因此，聚合方案仅在数据到达时间不重要的网络中使用。

另一种降低能源消耗的方案是数据压缩。这需要相当长的处理时间，因此需要大量的能量，但如果远离汇聚节点压缩自己的数据，那么靠近汇聚的节点在转发数据时会消耗更少的能量，然后这些节点通过不压缩自己的数据而节省能源。因此，整个网络的能源消耗变得更加合理有效。

在传统的聚合和压缩方案中，簇头通常会丢弃冗余数据，本次研究通过一种自适应的太阳能无线传感器网络数据聚合和压缩方案来解决数据冗余等问题，其中所有数据都应该传输到汇聚节点。通过在能量可用时对数据进行压缩来增加安全到达汇聚节点的数据量。每个节点周期性地估计其电池的状态，并预测它在接下来的时期将获得的太阳能量。如果能获得更多的能量，则传输聚集数据［3］。相反，如果在接下来的一段时间能量耗尽，就会进入睡眠模式，关闭无线模块。通过减少断电节点的数量来增加收集的数据量。

2 无线传感器网络能量管理策略

2.1 数据聚合

数据聚合已被证明可以有效地降低无线传感器网络（WSNs）的能耗，因为它可以减少从一个节点传输到另一个节点的数据量。

聚类是数据聚合的一种方法，每个节点只将数据传输给指定簇头节点。每个簇头将从其所属簇的成员接收到的数据进行聚合，并直接或通过其他簇头将其传输给汇聚节点。在目前研究的大多数聚合方案中，都是采用聚类，节点去除不必要的数据，只传输一些样本，使汇聚节点能够估计原始数据。通过聚合策略可以应用于所有数据在没有集群的平面拓扑中传输，以及一种可以应用许多现有聚合方案的能量管理策略。

2.2 数据压缩

数据压缩是减少数据传输所需能量的另一种方法。然而，通用计算机中使用的数据压缩算法不适用于无线传感器节点中有限的硬件，因此引入低开销的压缩算法。

通常从多个节点收集的数据中存在冗余，减少传输从而减少了能源消耗。聚合数据在不解压的情况下被有效地重新压缩。节点聚合一定数量的感知数据以达到最大的压缩比，并对数据进行压缩和传输。在这种情况下，使用S-LZW（Sensor Lem⁃pel Ziv Welch）算法作为压缩方法，这是一种广泛应用于无线传感器网络的无损压缩算法。其他的无线传感器网络压缩方案都是基于聚合方案设计的，可以应用于S-LZW等多种压缩算法。

2.3 能量利用

为了延长无线传感器网络的寿命，除了数据聚合和压缩方案外，还需提高能量利用率。通过收集的太阳能在能源消耗或过剩的情况下进行数据聚合和压缩来提高能源利用率［6］。

在能量采集传感器网络中，一种确定传输路径的路由方案，该方案考虑了太阳能传感器网络中收获的能量。根据太阳能传感器网络中收获的能量来决定是否压缩数据，从而减少数据传输延迟［7］。通过利用太阳能预测和太阳能节点的消耗模型来管理数据聚合、压缩和传输所需的能量。

3 自适应聚合压缩方案

如图1 所示方案为网络节点定期从其环境中收集数据。

图1 数据传输和节点操作

3.1 传感器节点的操作

每个节点感知其环境，压缩结果数据，并将其传输到汇聚节点，如图1（b）所示。每个节点还在一段固定的时间（称为一轮）结束时检查其状态，并确定在下一轮中它将以何种模式运行。下面是这些操作的更多细节［8］。

感知：数据采集间隔为psense，即感知周期。

压缩：当收集到足够的数据以实现最大压缩时，就对数据进行压缩。压缩后的数据和从其他节点接收到的数据然后排队传输。

传播：节点以pTx为间隔决定是否传输其传输队列中的数据。如果节点期望在下一个pTx期间接收到比它所能存储的更多的能量，那么数据就会被传输。

模式选择：在每一轮结束时，节点评估是否继续与其他节点通信，其电池中的能量是否会耗尽来选择自己的模式。如果剩余能量将在下一轮中耗尽，则选择睡眠模式。在这种模式下，节点只执行感知和压缩，关闭无线模块，以降低能耗。因此，在随后的期间发送给它的任何数据都将丢失［9］。为了避免这种情况发生，节点路由应排除处于睡眠模式的节点。

3.2 模式选择

为了确定节点传输的数据量，需要计算出收集到的数据并将其放入传输队列所需的时间［10］。如果一个节点在每个周期psense中获取数据的ssense位，并将其累加到位并进行压缩，则数据压缩所需的pcomp长度可确定为

因此，如图2 所示，如果当前时间为t，最近一次数据压缩在tcomp完成，则下一轮压缩后的数据必须加入传输队列的次数可表示为

图2 方案的过程与状态

利用能耗模型确定获得太阳能ETx可以传输的数据量：

式中，S为要传输的数据位数，d为传输距离，单位为m，α为 路 径 损 耗 指 数 (2 ≤α≤5) ；常 数β(J/(bits·dα))由设计的节点确定。由式（5），可以确定收获能量可以传输的数据量Sh：

其中Eh(t,pround)是下一轮预计获得的能量，Ec(t,pround)是pround期间估计的能量消耗，包括空闲和接收能量，而Ecomp(Sround(t,pround)）是压缩Sround(t,pround)位数据时消耗的能量。

3.3 数据传输

如果一个节点需要的能量超过了它的存储能力，它就用这些能量来传输数据。接下来，确定在pTx期间是否可能有足够的可用存储能量。

若节点电池容量为C，则轮询过程中可能获得的剩余能量为

如果Eexcess(t,pTx)>0 表示节点进行数据传输。利用Eexcess(t,pTx)传输的(t,pTx)比特数可以由式（5）推导：

因此，如果Eexcess(t,pTx)>0，则该节点传输Savail(t,pTx)位数据。该方案允许节点在太阳能不可用时获取数据。

4 实验评估

4.1 实验仿真

在实验中用到的参数如表1所示。

利用SolarCastalia 比较各方案的性能：1）没有数据聚合和压缩（No aggregation）；2）定时聚合数据（Aggregation-time）；3）定期聚合数据量（Aggrega⁃tion-size）；4）定 时 压 缩 聚 合 数 据（compres⁃sion-time）；5）压缩固定数量的聚合数据（compres⁃sion-size）。通过节点中的平均剩余能量、停电节点的数量和到达汇聚节点的数据量进行性能比较。模拟无线传感器网络由能量收集节点和一个汇聚节点组成，随机放置。节点收获的能量由实测数据建模，采用S-LZW 作为压缩算法［11］。每个节点感知后，按照上述方案进行聚合、压缩和传输。

4.2 仿真结果

4.2.1 剩余能量和停电节点

图3 显示了剩余能量随时间变化，遵循一天循环规律。节点根据能量预测进入睡眠模式，夜间能量损失较小。

图3 剩余能量周期变化

图4 显示了关闭节点的数量如何随时间变化。在No aggregation、Aggregation-time和Aggrega⁃tion-size方案中，中断节点的数量增长更快。归因于中间节点必须传输的数据量的增加。在使用压缩的方案中，这一比例更低，因为压缩会导致更少的节点断电。

图4 停电节点数量的变化

图5 显示了发生中断节点总数（每一轮中断节点时增加的总数）随着ssense值的变化而变化［12］。在ssense达到64 字节之前，中断节点轮数可以忽略不计。

图5 累计停电节点数

4.2.2 到达汇聚节点的数据量

图6 显示了所有节点感知数据量如何随ssense变化。这些结果与中断节点的数量相关，如图6 所示，因为中断节点不收集数据。

图6 感知数据总量的比较

图7 显示了到达汇聚节点的数据量如何随ssense而变化。这些结果与图5 所示相似，汇聚节点的感知数据的比例逐渐下降。因于网络传输数据能力的能量限制［13］。其他方案没有受到影响，因为它们不能产生足够的数据传输。

图7 传感数据比较

图8 显示了到达汇聚节点的数据量如何随节点密度（单位面积节点数）而变化。随着密度的增加，当一些节点中断时，它更容易找到替代路径［14］，因此到达汇聚节点的移动数据随着密度的增加而增加。

图8 到达汇聚节点的数据量随节点密度的变化

图9 显示了到达汇聚节点获得太阳能量的变化。通过对能量模型应用一个因子，可以减少可用的能量。随着可用能量的下降，该方案的相对性能显著下降［13］。这是合理的，因为该方案只允许节点在预期有多余能量时传输数据，而当能量供应减少时，处于这种情况的节点就会更少。图10显示了到达汇聚节点的数据量随的变化情况。随着的降低，现有方案的性能下降，而其他方案的性能不受影响。这种效应归因于数据的低压缩比。由于压缩数据量会随着压缩比的减小而增加，因此节点必须传输更多的数据。

图9 太阳能获得的数据量比较

图10 聚合数据量比较

图11 显示了根据感知周期获得的数据量的对比。随着psense的增加，传输的数据越少。它减少了停电节点的数量，所有方案的性能基本一致。相反，当psense减少时，节点必须传输更多的数据，增加了感知数据量，从而增加了能量消耗。该方案由于能量消耗而降低了感知能力，优于其他方案。

图11 根据传感周期获得的数据量的比较

图12 最大传输数据量比较

图13 显示了到达汇聚节点的数据量随节点密度的变化情况。当使用MDT（Minimum Depth Tree）算法时，这个结果类似于图8。然而，当使用GPSR（Greedy Perimeter Stateless Routing）时［15］，在汇聚节点收集的数据较少，因为与MDT 相比，必须向一个包添加更多的路由信息。

图13 到达汇聚节点的数据量随节点密度的变化

随着密度的降低，不使用压缩的方案的性能会变差，因为在更多的中继节点上消耗能量。随着密度的增加，由于传输路由的缩短，中继节点的能耗降低。此外，由于路由随每次传输而更新，因此更容易找到到汇聚节点的替代路径。因此，可以看到GPSR 的偏差比MDT 小。但是，无论采用何种路由算法，该方案的性能都优于其他方案。

5 结语

利用太阳能传感器网络自适应聚合压缩方案不断聚合和压缩感知数据，当预计接收到的能量超过其存储能力时，才会将数据传输。当只有很少或没有太阳能可用时，特别是在晚上，节点停止传输，只进行传感。该方案减少了停电节点的数量，从而可以获得更多的数据。该方案的不足是夜间获取的数据在第二天早上传输时，网络工作负载可能达到峰值。由于转发节点能量不足，可能导致部分数据丢失。可以通过更精确地预测能源获取和消耗的模式来降低网络负载高峰。