基于WSN监测的水质预报系统模型
陈振伟+凌海波
摘要：近年来，在社会发展过程中，环境也在进行着改变，工业及生活用水的大量未经处理的排放导致我国河流水质状况的不断恶化，成了一个亟待解决的问题，本文针对该问题，建立了一个基于无线传感器网络的水质预报系统模型，通过无线传感器监测水质参数，通过多跳方式将信息传递到监控终端服务器，通过服务器的预处理，将预处理数据输入改进的神经网络模型，得出水质变化曲线，给监测人员带来直观的水质状况的判断方法。通过模型的仿真，该水质预报系统模型效果良好，达到了监测的效果。
关键词：WSN；水质监测；神经网络
中图分类号：TP393 文献标识码：A 文章编号：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
近年来，随着环境的变化，水质的状况越来越受到人们的关注，由于工业的发展以及生活用水的大量未经处理的排放，导致我国河流的水质状况不断的恶化，严重影响了河流中各类生物的生存和河流周边居民的饮水安全，从而造成大量疾病的产生。这种形势也越来越严峻，正在引起各级政府部门的高度重视。为了重建生态文明河流水质，政府投入了大量的资金和人力进行环境的治理，但河流水质环境一旦污染，再进行治理，对于我们社会付出的代价将是巨大的，因此，亟待建立一个建立一个切实可行的水质监测预报系统迫在眉睫。近年来，由于无线传感器网络（Wireless Sensor Networks， WSN）网络的兴起，为实时对河流状况进行检测提供了更加可靠的手段，无线传感器网络是一种分布式传感网络，它的末梢是可以感知和检查外部世界的传感器。WSN中的传感器通过无线方式通信，因此网络设置灵活，设备位置可以随时更改，还可以跟互联网进行有线或无线方式的连接。通过无线通信方式形成的一个多跳自组织的网络，数据可以通过末端传感器检测数据，然后通过多跳网络传递到监控终端，通过终端对数据的分析和预测，达到水质状况的很好的判断目的。本文试图建立了一个基于无线传感器网络（WSN）的水质监测预报系统模型，通过该模型，实时对水质指标进行监测，使得管理人员可以及时掌握各个监测点的水质环境状况，及时获取水质环境数据，为采取及时措施和指定相关策略提供有力的依据。
2水质影响因子分析
由于不同河流的污染源不同，影响河流的主要指标各不相同，如锰酸盐指数、五日生化需氧量、化学需氧量、氨氮、石油类、挥发酚、总磷和汞等，影响这些指标的因素主要有以下几个方面决定：1）上游水源的水质状况；2）该河流流经地区的地质状况；3）该河流沿岸工业状况；4）该河流流域的环境质量；5）该河流沿岸的居民的活动；因此，不同的河流的污染源不同，影响因子也各不相同，因此针对不同的河流，首先分析该河流的主要污染源，找出最主要我几项影响水质的关键因子，利用不同的传感器进行检测，建立检测预警系统，以达到对关键影响因子数据的监测的目的。
3无线传感器网络监测模型
该无线传感器监测网络根据不同监测位置部署若干个监测区域，每个监测区域主要由以下部分组成：
1） 传感器采集节点：该传感器采用多参数水质传感器，周期性采集各项水质指标参数，将采集到的水质信息，以多跳的方式传递到该监测区域的汇聚传感器节点。
2） 汇聚传感器节点：将传感器采集节点采集的数据汇总到该汇聚节点，由汇聚节点传递到监测服务器，并且该节点实现传感器网络协议到互联网协议的转换，并充当网关的作用。
3） 终端监测服务器：负责将汇聚传感器节点传递过来的数据进行信息的存储、预处理、 然后将数据以一定的规格输入神经网络算法，得出水质状况的未来走向曲线，使得管理人员可以更加直观地看出水质状况的变化，以达到对水质监控的目的。通常一个监测服务器可同时管理多个监测区域。通过网络配置，监测人员可通过智能终端 远程监控水质曲线变化。
4监测数据预测模型
监测数据预测模型是在三层BP神经网络模型基础上，把中间隐含层的传递函数改为morlet小波函数[ψt=cos1.75te-t2/2]，优化BP神经网络预测结果，如图2所示：
根据各项指标预测曲线和真实曲线相比较，预测曲线与真实曲线吻合度较高，实验进行了三次，对每次实验中的各项指标的预测误差进行比较，可以看出，针对每项指标，误差在可接受范围内，模型具有一定的实用价值。
参考文献：
[1] 马正华，王腾，杨彦等.BP神经网络模型在太湖出入湖河流水质预测中的应用[J].计算机应用与软件，2013（11）.
[2] 石子泊，邹志红.基于小波变换的ARIMA模型在水质预测中的应用研究[J].环境工程学报，2014（10）.
[3] 闵振辉，张志强.基于灰色神经网络的污水处理厂水质预测研究[J].自动化与仪器仪表，2013（3）.
[4] 许立平，罗明志.基于ARIMA 模型的黄金价格短期分析预测[J].财经科学，2011（1）：26-34
[5] 操建华，林宏伟，张实诚.基于BP 神经网络的丹江口库区水质指标预测[J].电子设计工程，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.
