基于WSN監測的水質預報系統模型

陳振偉+凌海波

摘要：近年來，在社會發展過程中，環境也在進行著改變，工業及生活用水的大量未經處理的排放導致我國河流水質狀況的不斷惡化，成了一個亟待解決的問題，本文針對該問題，建立了一個基于無線傳感器網絡的水質預報系統模型，通過無線傳感器監測水質參數，通過多跳方式將信息傳遞到監控終端服務器，通過服務器的預處理，將預處理數據輸入改進的神經網絡模型，得出水質變化曲線，給監測人員帶來直觀的水質狀況的判斷方法。通過模型的仿真，該水質預報系統模型效果良好，達到了監測的效果。

關鍵詞：WSN；水質監測；神經網絡

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2016）12-0225-03

Abstract： in recent years， in the process of social development， the environment is in change， industrial and domestic water without the emissions of lead to worsening the condition of the water quality of the rivers in China， has become a problem to be solved， to the problem， The water quality prediction model based on WSN monitoring system is established， through wireless sensor for monitoring the water quality parameters， through multi hop manner the information transmission to the monitoring terminal server， through pretreatment of server， the pre-processing of input data improved neural network model， draw water quality curve， bring the water quality condition of intuitive judgment method to the monitoring personnel. Through the simulation of the model， the water quality forecasting system model has good effect， and it achieve the monitoring results.

Key words： WSN； water quality prediction； neural network

1概述

近年來，隨著環境的變化，水質的狀況越來越受到人們的關注，由于工業的發展以及生活用水的大量未經處理的排放，導致我國河流的水質狀況不斷的惡化，嚴重影響了河流中各類生物的生存和河流周邊居民的飲水安全，從而造成大量疾病的產生。這種形勢也越來越嚴峻，正在引起各級政府部門的高度重視。為了重建生態文明河流水質，政府投入了大量的資金和人力進行環境的治理，但河流水質環境一旦污染，再進行治理，對于我們社會付出的代價將是巨大的，因此，亟待建立一個建立一個切實可行的水質監測預報系統迫在眉睫。近年來，由于無線傳感器網絡（Wireless Sensor Networks， WSN）網絡的興起，為實時對河流狀況進行檢測提供了更加可靠的手段，無線傳感器網絡是一種分布式傳感網絡，它的末梢是可以感知和檢查外部世界的傳感器。WSN中的傳感器通過無線方式通信，因此網絡設置靈活，設備位置可以隨時更改，還可以跟互聯網進行有線或無線方式的連接。通過無線通信方式形成的一個多跳自組織的網絡，數據可以通過末端傳感器檢測數據，然后通過多跳網絡傳遞到監控終端，通過終端對數據的分析和預測，達到水質狀況的很好的判斷目的。本文試圖建立了一個基于無線傳感器網絡（WSN）的水質監測預報系統模型，通過該模型，實時對水質指標進行監測，使得管理人員可以及時掌握各個監測點的水質環境狀況，及時獲取水質環境數據，為采取及時措施和指定相關策略提供有力的依據。

2水質影響因子分析

由于不同河流的污染源不同，影響河流的主要指標各不相同，如錳酸鹽指數、五日生化需氧量、化學需氧量、氨氮、石油類、揮發酚、總磷和汞等，影響這些指標的因素主要有以下幾個方面決定：1）上游水源的水質狀況；2）該河流流經地區的地質狀況；3）該河流沿岸工業狀況；4）該河流流域的環境質量；5）該河流沿岸的居民的活動；因此，不同的河流的污染源不同，影響因子也各不相同，因此針對不同的河流，首先分析該河流的主要污染源，找出最主要我幾項影響水質的關鍵因子，利用不同的傳感器進行檢測，建立檢測預警系統，以達到對關鍵影響因子數據的監測的目的。

3無線傳感器網絡監測模型

該無線傳感器監測網絡根據不同監測位置部署若干個監測區域，每個監測區域主要由以下部分組成：

1） 傳感器采集節點：該傳感器采用多參數水質傳感器，周期性采集各項水質指標參數，將采集到的水質信息，以多跳的方式傳遞到該監測區域的匯聚傳感器節點。

2） 匯聚傳感器節點：將傳感器采集節點采集的數據匯總到該匯聚節點，由匯聚節點傳遞到監測服務器，并且該節點實現傳感器網絡協議到互聯網協議的轉換，并充當網關的作用。

3） 終端監測服務器：負責將匯聚傳感器節點傳遞過來的數據進行信息的存儲、預處理、 然后將數據以一定的規格輸入神經網絡算法，得出水質狀況的未來走向曲線，使得管理人員可以更加直觀地看出水質狀況的變化，以達到對水質監控的目的。通常一個監測服務器可同時管理多個監測區域。通過網絡配置，監測人員可通過智能終端 遠程監控水質曲線變化。

4監測數據預測模型

監測數據預測模型是在三層BP神經網絡模型基礎上，把中間隱含層的傳遞函數改為morlet小波函數[ψt=cos1.75te-t2/2]，優化BP神經網絡預測結果，如圖2所示：

根據各項指標預測曲線和真實曲線相比較，預測曲線與真實曲線吻合度較高，實驗進行了三次，對每次實驗中的各項指標的預測誤差進行比較，可以看出，針對每項指標，誤差在可接受范圍內，模型具有一定的實用價值。

參考文獻：

[1] 馬正華，王騰，楊彥等.BP神經網絡模型在太湖出入湖河流水質預測中的應用[J].計算機應用與軟件，2013（11）.

[2] 石子泊，鄒志紅.基于小波變換的ARIMA模型在水質預測中的應用研究[J].環境工程學報，2014（10）.

[3] 閔振輝，張志強.基于灰色神經網絡的污水處理廠水質預測研究[J].自動化與儀器儀表，2013（3）.

[4] 許立平，羅明志.基于ARIMA 模型的黃金價格短期分析預測[J].財經科學，2011（1）：26-34

[5] 操建華，林宏偉，張實誠.基于BP 神經網絡的丹江口庫區水質指標預測[J].電子設計工程，2010，18（3）：17-24.

[6] Hong L.，Yu L.，Lin L.Study on application of exponential smoothing method to water environment safety forecasting[C].International Conference on E-Product E-Service and E-Entertainment （ ICEEE）.Henan：IEEE，2010：1-3.

[7] Sun Guohong，Shen Yue，Xu Yingming，et al.Time series analysis and forecast model for water quality of Yellow River based on Box-Jenkins method.Journal of Agro-Environment Science，2011，30（ 9）：1888-1895.