基于LSTM能量预测的LoRaWAN水质自适应监测系统.pdf

物联网技术 2023年/第11期 全面感知 Comprehensive Perception80 引 言随着社会经济发展的加快，江河湖周边工厂倾倒废水以及生活污水排放的情况时有发生，导致水质污染情况日益严峻，河湖水质的实时持续监测对提升水质监管具有重要意义。然而目前大多数河湖地处偏远，存在供电设施缺乏、移动信号覆盖不全、太阳能获取管理和自适应监测优化不足等问题，导致普遍出现水质监测通信质量差、设备时常中断监测等问题，无法实现长期有效监测，造成污染排放不能及时被发现并预警，使得环境遭受严重破坏。目前，为了保护环境，面对日益增长的水质监测需求，市场已经有一些水质监测的解决方案，主要分为两类：一是本地水质监测方案1，在监测设备上搭载液晶显示屏幕、SD卡和水质采集传感器，液晶显示屏幕和 SD 卡可以查看水质的实时和历史监测数据；二是远程水质监测方案2-3，水质监测设备搭载传感器和通信模块，将传感器采集的数据通过通信模块上报给远程监控中心。方案一不适合偏远水域水质监测，水质监测数据需要人工定时查看，费时费力，水质监测有较大延时性，无法及时获取数据，不适合偏远地区水质监测。方案二中，如果水质监测设备采用 GPRS、4G 等通信技术，直接上报数据至远程监控中心，会因野外移动信号较差导致数据上报失败。同时，野外供电设施缺乏，水质监测设备供电难以保证。当前有些水质监测方案虽然采用太阳能为监测设备供电，但是野外天气变化无常，如果出现连续阴雨天气，水质监测设备将供电不足，导致水质监测工作中断。当前市场的水质监测方案基本符合远程实时水质监测的需求，但是野外水质监测的供电问题和通信问题仍存在，使得监测工作时常发生中断，无法完全满足全覆盖、实时稳定、长期持续的野外水质监测需求。从现有水质监测方案存在的面向偏远地区水质监测问题着手，本文提出基于 LSTM 能量预测的 LoRaWAN 水质自适应监测系统。本文利用 LoRa4的长距离、低功耗技术优势，自主构建基于 LoRaWAN 协 议5-6的大范围监测网络通信方案。为了实现野外水质监测设备长期持续工作，在监测云服务管理平台部署深度神经网络 LSTM 能量预测模型7，通过训练历史太阳能能量数据和未来天气数据，预测水质监测设备未来太阳能能量获取情况，并且下发未来太阳能量预测值至水质监测设备，水质监测设备根据未来太阳能预测值自适应调整监测频率，缓解恶劣天气对水质监测设备的太阳能供电影响，实现偏远区域水质持续性监测。1 监测系统架构设计与工作原理整个水质监测网络系统包括四部分，即水质监测设备、网关数据转发装置、LoRaWAN 管理服务器和监测云服务管理平台，如图 1 所示。该系统通过 LoRaWAN 协议快速组建大范围监测网络，实现低功耗远程实时上报水质监测数据。水质监测设备作为监测节点，部署在待测区域采集水质数据，通过 LoRa 技术与网关转发装置通信，建立大范围监测网络；网关数据转发装置通过 4G/以太网将采集数据转发至LoRaWAN 管理服务器，通过监测云服务管理平台实时展示待测区域水质情况。同时，监测云服务管理平台部署 LSTM能量预测模型，通过训练历史太阳能能量数据和未来天气数据集，预测未来太阳能能量情况，经由 LoRaWAN 服务器和网关，将能量预测值下发至水质监测设备，自适应调整水质基于 LSTM 能量预测的 LoRaWAN 水质自适应监测系统李 青1，罗 盈1，张明亮2（1.江西省煤田地质勘察研究院，江西 南昌 330001；2.南昌工程学院，江西 南昌 330099）摘 要：偏远区域河湖水质污染监测是水生态文明保护的重点任务。但现有供电设施无法满足水质监测设备在偏远地区全天候不间断地工作。为此，提出一种基于 LSTM 能量预测的 LoRaWAN 水质自适应监测系统。该系统中设计基于 LoRaWAN 协议的 LoRa 水质监测网络，结合 LSTM 能量预测模型，智能调整水质监测节点的水质监测频率，构建面向偏远地区的高能效、智能、实时水质监测平台。通过实验测试，该系统具有自主组网、自适应调整监测频率、低功耗等优点，为偏远地区河湖水质污染监测与预警提供了新的解决方案。关键词：水质监测；LoRaWAN 协议；监测网络；LSTM 模型；能量预测；物联网技术中图分类号：TP368.1 文献标识码：A 文章编号：2095-1302（2023）11-0008-05DOI：10.16667/j.issn.2095-1302.2023.11.002收稿日期：2022-12-08 修回日期：2023-01-04基金项目：江西省地质局科技研究项目（2022JXDZKJKY04）2023年/第11期 物联网技术全面感知 Comprehensive Perception9监测设备工作频率，有效延长水质监测设备续航能力，提升偏远区域持续性水质监测性能。图 1 LoRaWAN 网络系统架构1.1 水质监测设备水质监测设备包括微处理器、LoRa 通信模块、ADC 电量采集模块、水质采集传感器和太阳能供电模块，如图 2所示。微处理器用于接收水质采集传感器采集的水质信息、ADC 采集电池电量信息，并且对电量信息、水质信息进行加密组包处理，得到上传数据包。微处理器通过 LoRa 通信模块将上传数据包上传到网关数据转发装置。如果微处理器通过 LoRa 通信模块接收到监测云服务管理平台下发的能量预测值，便更改水质监测设备的传感器采集频率和数据上报频率，实现通过未来天气变化动态调整监测设备整体 功耗。1.2 网关数据转发装置网关数据转发装置包括树莓派核心板、以太网模块、LoRa 网关模块和供电模块，如图 3 所示。LoRa 网关通信模块具有 8 个接收信道，结合 LoRaWAN 协议软件可以并发接收多个水质监测设备的上传数据包。树莓派核心板通过 SPI接口连接 LoRa 网关通信模块接收上报数据包，并由以太网模块或者 4G 模块将数据转发到 LoRaWAN 管理服务器。1.3 LoRaWAN 管理服务器 LoRaWAN 管理服务器包括网络服务器和应用服务器。其中，应用服务器分别与网络服务器和监测云服务管理平台连接，应用服务器和网络服务器用于对接收到的数据进行上报和解析处理。LoRaWAN 管理服务器用于接收网关转发的上传数据包，根据 LoRaWAN 协议解析加密数据包，将数据包携带的关键入网参数与服务器存有的入网参数进行匹配，匹配成功则得到关键数据。最后，通过 MQTT 协议将关键数据以发布主题方式传输给监测云服务管理平台。1.4 监测云服务管理平台监测云服务管理平台包括数据存储服务器和 Web 水质管理系统。数据存储服务器用于对接收的数据进行存储，Web水质管理系统对接收的数据进行显示。同时，监测云服务管理平台上部署 LSTM 深度神经网络模型用于预测水质监测设备未来能量获取情况。LSTM 模型通过历史太阳能数据和未来天气数据进行模型训练，最后获得能量预测值。监测云服务管理平台将能量预测值下发到水质监测设备，达到水质监测设备智能调整监测频率的目的。图 2 水质监测设备实物和原理物联网技术 2023年/第11期 全面感知 Comprehensive Perception102 基于 LSTM 模型的能量预测工作原理为了预测未来天气变化对水质监测设备能量的影响，分析这类输入特征前后有关联任务序列，采用 LSTM 深度神经网络算法预测监测网络的未来能量。2.1 LSTM 模型 LSTM 算法优势在于神经元长期保持上下文记忆。为此，LSTM 模型算法加入“记忆细胞”概念，达到控制深度神经网络记忆历史信息的数量，并且每个 LSTM 单元引入门控机制8，分别是遗忘门、更新门和输出门，用于记忆或遗忘当前信息和过去信息。LSTM 模型训练分为三个阶段。首先，忘记阶段是遗忘门选择性过滤上一个时刻 LSTM 单元输出的历史信息，只保存需要的信息到当前记忆状态。其次，选择记忆阶段是避免当前无用信息进入，更新门根据当前输入量和上一个时刻 LSTM 单元的输出历史信息过滤当前信息，保存有用信息到当前记忆状态。最后，输出阶段是输出门筛选出当前记忆状态的有用信息作为当前时刻 LSTM 单元的输出 信息。2.2 基于 LSTM 的监测节点能量预测LSTM 模型9-10如图 4 所示，将监测设备的历史太阳能剩余能量和未来天气预报数据作为输入数据集。其中，通过未来天气情况对输出的预测能量数据进行校准，进行多层LSTM 模型训练，最终输出未来太阳能能量预测结果。监测网络根据能量预测值动态调整水质监测设备的工作频率。图 3 网关硬件实物和原理图图 4 LSTM 模型网络结构2023年/第11期 物联网技术全面感知 Comprehensive Perception113 平台系统验证与分析为了验证本系统的有效性，从现场环境考虑，在大范围空间部署多个水质监测设备，组建基于 LoRaWAN 的水质监测网络，对水质监测设备各个传感器采集数据的准确性和稳定性、网关接收监测设备上报数据、LoRaWAN 服务器接收上报数据解析处理、LSTM 能量预测准确性、LSTM 模型自适应能量系统与普通系统效果对比等多方面进行多次测验及数据记录。3.1 各部分功能测试分析（1）水质监测设备多传感器采集分析数据测试。通过串口助手周期上报传感器采集情况，进行单一传感器采集数据有效性测试。微处理器通过 RS 485 接口发送 ModBus 协议格式的读数据指令，若发送成功，传感器返回采集数据，微处理器将数据转发至串口助手显示，如图 5 所示。图 5 传感器采集数据测试（2）水质监测设备上报数据测试。微处理器通过 SPI 连接 LoRa 射频通信模组，将上报数据以 LoRaWAN 协议组建数据包，通过射频的方式上报数据到网关。PC 端和网关连接路由器形成局域网，PC 端借助 SSH 远程登录网关系统，运行网关程序的接收测试指令，在网关系统显示接收到的上报数据包的原始数据，如图 6 所示。图 6 网关接收原始数据包（3）LSTM 模型能量预测准确性的测试。建立基于LSTM 深度学习神经网络的太阳能能量预测模型后，输入历史太阳能能量和未来天气数据集，经过数据预处理、神经网络训练，最终对比实际 20 天能量变化情况和预测 20 天的能量变化情况，如图 7 所示。从实际对比结果可以看出，基于 LSTM 神经网络的太阳能能量预测模型预测的结果与监测系统实际获取的能量相似。因此，该能量预测模型有较高的能量预测准确率，可为监测网络自适应调整工作频率提供可靠的决策信息。（4）LSTM 模型自适应能量系统与普通系统效果对比。如图 8 所示，随着天气的不断变化，基于 LSTM 模型自适应能量系统的监测设备剩余能量明显比普通能量系统要多。面对恶劣天气的影响，LSTM 能量模型动态调整监测设备数据上报和传感器采集频率，自适应能量系统对比普通能量系统整体剩余能量变化明显更加平缓。如果没有加入基于 LSTM模型的自适应能量系统，水质监测设备在连续两天未能获取能量情况下，便会中断监测工作。因此，基于 LSTM 模型的自适应能量系统极大地缓解了恶劣天气对监测网络能量的 影响。图 7 预测与实际能量值对比图 8 不同天气的剩余能量情况3.2 整体功能测试分析对系统功能进行整体测试，实际水质监测系统的使用过程分为水质监测设备远程上报数据和水质监测设备接收云服务器监测平台输出的能量预测值并根据能量预测值动态调整监测频率。水质监测设备通过 LoRa 上报数据至网关，网关收到数据包通过 UDP 转发至 LoRaWAN 服务器解析处理数据，最终使用 MQTT 方式将数据远程上报至监测云服务管理平台。监测云服务管理平台下发 LSTM 模型输出的能量预测模型值至水质监测设备，监测设备根据能量预测值动态调整数据上报频率。如图 9 所示，经过多次监控水质监测设备的远程数据上报和接收能量预测值情况，验证本系统能够稳定可靠地远程上报数据和接收监测云服务管理平台下发的能量预测值，实时动态调节监测频率。4 结 语本文针对偏远地区水质无法长期远程监测的问题，利用 LoRaWAN 技术和 LSTM 深度学习算法，设计构建一套基于 LSTM 能量预测的智能自适应水质监测系统。考虑到偏远物联网技术 2023年/第11期 全面感知 Comprehensive Perception12区域水质监测区域存在移动信号覆盖差和供电设施缺乏等难题，建立基于 LoRaWAN 的 LoRa 水质监测网络；同时，在监测云服务管理平台上部署 LSTM 模型，设计水质监测网络自适应能量系统，水质监测设备监测节点能根据电池历史剩余能量和监测区域未来天气情况动态调整监测频率，实现偏远区域河湖长期、实时、全覆盖水质监测，有效解决传统水质监测模式带来的设备供电难、监测效率低、耗费成本大的问题。图 9 系统整体测试参考文献1 马银鑫，郭来功，朱明智，等.基于微控制器的水质监测系统设计 J.洛阳理工学院学报（自然科学版），2022，37（3）：53-57.2 杨浩康，何航宇，孟详丁.一种基于 4G-DTU 的水质监测系统 J.中国科技信息，2022，34（15）：77-80.3 孔兵，余梅，乔欣，等.基于 LoRa 技术的巢湖水质监测系统设计 J.新余学院学报，2022，27（2）：18-26.4 PETJJRVI J，MIKHAYLOV K，YASMIN R，et al.Evaluation of LoRa LPWAN technology for indoor remote health and wellbeing monitoring J.International journal of wireless information networks，2017，24（2）：153-165.5 WIXTED A J，KINNAIRD P，LARIJANI H，et al.Evaluation of LoRa and LoRaWAN for wireless sensor networks C/2016 IEEE SENSORS.Orlando，FL，USA：IEEE，2016：1-3.6 王剑文.基于 LoRaWAN 协议的大容量自组网研究与实现 D.武汉：武汉邮电科学研究院，2022.7 AL-HAJJ R，ASSI A，FOUAD M，et al.A hybrid LSTM-based genetic programming approach for short-term prediction of global solar radiation using weather data J.Processes，2021，9（7）：1187.8 赵晓阳.基于神经网络的空气质量预测模型构建研究 D.包头：内蒙古科技大学，2020.9 李春平.基于改进 LSTM 的风电功率预测模型研究 D.南昌：华东交通大学，2021.10 陈傲文，杨林，涂家毓，等.基于 LSTM 车速预测的在线优化能量管理策略研究 J.机电一体化，2022，28（Z1）：37-48.作者简介：李 青（1990），男，硕士研究生，工程师，研究方向为地下水环境状况调查与污染防治。罗 盈（1984），女，硕士研究生，研究方向为地下水与湿地环境。张明亮（1997），男，硕士研究生，研究方向为嵌入式软件开发、物联网应用。参考文献1 付家根.供热管网负荷平衡优化算法的研究 D.大连：大连理工大学，2021.2 贾星月.供热管网智慧平衡及调控方法研究 D.包头：内蒙古科技大学，2021.3 钟崴，陆烁玮，刘荣.智慧供热的理念、技术与价值 J.区域供 热，2018，37（2）：1-5.4 韩文征，姚晓东，黄煊赫.基于 LoRa 的光伏电站监控系统 J.仪表技术与传感器，2020，57（6）：59-62.5 徐善智，张晓荣，乔凌霄，等.基于窄带物联网的电动执行器监控系统设计 J.仪表技术与传感器，2022，59（2）：75-78.6 STOJKOSKA B R，AVRAMOVA A P，CHATZIMISIOS P.Application of wireless sensor networks for indoor temperature regulation J.International journal of distributed sensor networks，2014，10（5）：1-10.7 费祥，张梅.基于 LoRa 的温湿度监测节点设计 J.物联网技术，2019，9（3）：34-36.8 谭丹，田仲平，张文涛.浅析 NB-IoT 技术和 LoRa 技术在智能抄表中的应用 J.物联网技术，2018，8（4）：76-78.9 修伟通，李娟，王如龙.智慧供热室温监控平台研究与设计 J.传感器世界，2021，27（4）：20-25.10庞铄.浅谈GPRS远程抄表及NB-IoT技术应用J.数字通信世界，2019，15（10）：193.11 李苑，陶怡，周珺成，等.基于 NB 的远程测控终端设计与应用J.工业仪表与自动化装置，2021，51（5）：61-66.12 褚嘉雯，王亚飞，李学华，等.基于 NB-IoT 的新冠肺炎健康监测系统设计 J.北京信息科技大学学报（自然科学版），2021，36（1）：45-50.13 李文清.一种基于 MSP430 的锂电池电量检测系统 J.中国科技信息，2022，34（4）：92-93.14 郭昌松，陈家金，陈淼，等.基于 Android 设施农业气象服务APP 的研究与实现 J.计算机技术与发展，2020，30（6）：216-220.作者简介：薛 峰（1996），男，硕士研究生，研究方向为检测技术与自动化装置。李 娟（1972），女，博士，教授，研究方向为先进传感检测技术及应用。王如龙（1964），男，硕士，高级工程师，研究方向为信息技术。（上接第7页）