李 珂 范永存 鄧冬梅 王 蕾 李金夫 周 建

(西南科技大學(xué)信息工程學(xué)院 四川綿陽 621010)

在微電網(wǎng)中，控制中心需要實(shí)時(shí)的監(jiān)控各個(gè)節(jié)點(diǎn)的電力信息和故障信息等數(shù)據(jù)[1]，無線傳感器網(wǎng)絡(luò)在其中工作時(shí)，就要求節(jié)點(diǎn)必須具備很強(qiáng)的數(shù)據(jù)處理能力和足夠的能量供應(yīng)供其在工作時(shí)使用[2]。而在無線傳感器網(wǎng)絡(luò)傳統(tǒng)工作方式中，節(jié)點(diǎn)普遍采用多跳傳遞的通信方式進(jìn)行數(shù)據(jù)傳輸[3]。因此，當(dāng)匯聚節(jié)點(diǎn)發(fā)出指令對(duì)微網(wǎng)中的某一個(gè)模塊所記錄的信息進(jìn)行采集時(shí)，會(huì)產(chǎn)生一條由匯聚節(jié)點(diǎn)出發(fā)，經(jīng)過目標(biāo)模塊再回到匯聚節(jié)點(diǎn)的傳輸路徑，所以匯聚節(jié)點(diǎn)收到的信息中會(huì)包含當(dāng)前路徑中所有節(jié)點(diǎn)的相關(guān)信息[4]。如果路徑選擇不當(dāng)，不僅會(huì)導(dǎo)致接收數(shù)據(jù)冗余，同時(shí)也無謂消耗了節(jié)點(diǎn)的能量[5]。因此，在保證精度的前提下，在數(shù)據(jù)開始傳輸前對(duì)無線傳感器節(jié)點(diǎn)采集到的數(shù)據(jù)進(jìn)行壓縮處理，從而降低通信消耗，逐漸成為目前針對(duì)微電網(wǎng)的無線傳感器網(wǎng)絡(luò)研究的熱點(diǎn)問題[6]。

對(duì)應(yīng)用于微網(wǎng)通信系統(tǒng)的大規(guī)模無線傳感網(wǎng)絡(luò)來說，如果每個(gè)傳感器節(jié)點(diǎn)都將采集感知得到的數(shù)據(jù)直接傳輸?shù)絽R聚節(jié)點(diǎn)，網(wǎng)絡(luò)內(nèi)各個(gè)節(jié)點(diǎn)所傳輸及轉(zhuǎn)發(fā)的數(shù)據(jù)傳輸量將會(huì)非常驚人[7]，對(duì)網(wǎng)絡(luò)的能量需求和節(jié)點(diǎn)的能量消耗將會(huì)非常巨大，不利于電網(wǎng)的運(yùn)行和維護(hù)。因此，對(duì)數(shù)據(jù)進(jìn)行壓縮以減少存儲(chǔ)和通信壓力對(duì)應(yīng)用于微網(wǎng)中的無線傳感器網(wǎng)絡(luò)來說顯得尤為重要[8-9]。

1 壓縮感知技術(shù)簡介

壓縮感知，又稱為壓縮采樣理論，是由Candes等科學(xué)家于2004年提出的一種新的數(shù)據(jù)采樣及壓縮方法[10]。

壓縮感知理論的提出為數(shù)據(jù)壓縮問題提供了一個(gè)新的參考方向[11]。壓縮感知技術(shù)通過稀疏矩陣對(duì)原始信號(hào)進(jìn)行稀疏，從而降低信號(hào)的維度，使其能夠在遠(yuǎn)小于原始信號(hào)奈奎斯特采樣率的條件下，采集到信號(hào)的離散樣本，以達(dá)到壓縮數(shù)據(jù)的目的，然后在接收時(shí)通過信號(hào)重構(gòu)算法重建信號(hào)，精確地恢復(fù)原始信號(hào)。壓縮傳感理論突破了傳統(tǒng)香農(nóng)定理的局限性，通過改變數(shù)據(jù)采集模式，改善了整個(gè)網(wǎng)絡(luò)的通信容量、延時(shí)以及網(wǎng)絡(luò)生存壽命等問題[12]。圖1詮釋了壓縮感知和傳統(tǒng)采樣在信號(hào)處理過程中的區(qū)別。

在大規(guī)模部署的無線傳感器網(wǎng)絡(luò)中，由于節(jié)點(diǎn)分布密集，因此相鄰的傳感器節(jié)點(diǎn)感知到的數(shù)據(jù)具有一定的冗余性[13]，因而可以通過壓縮感知技術(shù)對(duì)數(shù)據(jù)進(jìn)行合適的處理或者融合，降低網(wǎng)絡(luò)中傳輸信號(hào)的冗余性，并力求減少距離匯聚節(jié)點(diǎn)較近的傳感器節(jié)點(diǎn)的能量消耗[14]。

圖1 傳統(tǒng)采樣過程和壓縮感知采樣過程對(duì)比Fig.1 Comparison of traditional sampling process and compressed sensing sampling

歸納起來，在微網(wǎng)無線傳感器網(wǎng)絡(luò)中采用壓縮感知技術(shù)主要能夠起到以下幾點(diǎn)作用：(1)節(jié)省能量。數(shù)據(jù)壓縮技術(shù)就是傳感器網(wǎng)絡(luò)節(jié)點(diǎn)在發(fā)送數(shù)據(jù)之前，對(duì)數(shù)據(jù)進(jìn)行壓縮處理，然后在匯聚節(jié)點(diǎn)進(jìn)行數(shù)據(jù)恢復(fù)，從而減少冗余數(shù)據(jù)。數(shù)據(jù)壓縮技術(shù)可以在滿足應(yīng)用需求的前提下最大限度地減少網(wǎng)絡(luò)內(nèi)傳輸?shù)臄?shù)據(jù)量，進(jìn)而大幅降低節(jié)點(diǎn)因?yàn)閿?shù)據(jù)傳輸所消耗的能量。(2)減輕擁塞。數(shù)據(jù)壓縮技術(shù)的實(shí)施可以有效地減少網(wǎng)絡(luò)需要傳輸?shù)臄?shù)據(jù)量，因此減輕了網(wǎng)絡(luò)中的擁塞，提高了數(shù)據(jù)傳輸效率。(3)提升數(shù)據(jù)精度。傳感器節(jié)點(diǎn)對(duì)數(shù)據(jù)進(jìn)行采集和傳輸時(shí)容易受到外界因素的干擾，導(dǎo)致數(shù)據(jù)精度降低，而在數(shù)據(jù)壓縮技術(shù)中，傳感器節(jié)點(diǎn)通過在網(wǎng)內(nèi)對(duì)數(shù)據(jù)進(jìn)行壓縮處理，傳輸?shù)玫降慕Y(jié)果會(huì)更加精確。

綜上所述，在無線傳感器網(wǎng)絡(luò)中采用數(shù)據(jù)壓縮技術(shù)不僅能夠降低節(jié)點(diǎn)的能耗，同時(shí)還可以在一定程度上降低網(wǎng)絡(luò)通信的時(shí)延，降低網(wǎng)絡(luò)擁塞，保證無線傳感器網(wǎng)絡(luò)的高效、穩(wěn)定運(yùn)行[15]。

2 數(shù)學(xué)模型

對(duì)于信號(hào)x，假設(shè)N維矢量x∈RN,其分量為xi，i∈{1,2,……N}，RN空間中的任意向量都可以用N個(gè)規(guī)范正交基向量的線性組合表示。存在正交基yi，i∈{1,2,……N}，使得公式(1)成立。

(1)

若上式中非零項(xiàng)的系數(shù)個(gè)數(shù)為K，則稱θi是K稀疏的，則可用一個(gè)與上述正交基yi不相關(guān)的觀測矩陣Φ:M×N(M

y=Φx

(2)

在上式中,y是信號(hào)x的稀疏化投影，由于方程中未知數(shù)的個(gè)數(shù)大于方程個(gè)數(shù)，因此理論上由y解出x幾乎不可能。若信號(hào)x可由公式(1)稀疏表達(dá)，將式(1)帶入式(2)中，可得公式(3):

y=ΦYθ

(3)

由式(1)可知，θ是信號(hào)x的稀疏投影，其非零系數(shù)的個(gè)數(shù)遠(yuǎn)遠(yuǎn)小于原始信號(hào)的非零系數(shù)的個(gè)數(shù),這就使得未知數(shù)個(gè)數(shù)大大減少，使得公式(3)的解可能存在。若求出θ，則通過公式(1)即可重構(gòu)原始信號(hào)x。上式的圖形化過程如圖2所示。

圖2 壓縮感知的圖形化測量過程Fig.2 Graphical measurement process of compressed sensing

上述的壓縮感知數(shù)據(jù)模型可以用圖3所示的流程圖直觀表示。

圖3 一次壓縮感知執(zhí)行過程Fig.3 Process of compressed sensing

整個(gè)壓縮感知過程就是不斷重復(fù)上面的執(zhí)行過程，直至目標(biāo)數(shù)目達(dá)到設(shè)置的處理要求[16]。

3 算法介紹

3.1 系統(tǒng)模型

(4)

(5)

根據(jù)模型的定義，可知在向量vce(Y)中，非零項(xiàng)的個(gè)數(shù)遠(yuǎn)小于他的維數(shù)，因此在本模型中，向量vec(Y)就被看作是原始信號(hào)vec(X)的稀疏表示，將其帶入公式(3)，可以得到公式(6)：

vec(X)=Yvec(Y)

(6)

壓縮感知算法的重要特點(diǎn)是利用觀測向量來進(jìn)行原始信息的收集以獲得觀測值，然后利用觀測值進(jìn)行原始信號(hào)的重構(gòu)。假設(shè)模型中的觀測矩陣為Φ=[φ1,φ2…φk]T, 其中φ1,φ2…φk均為k維列向量，則其觀測值為原始信號(hào)和觀測向量的內(nèi)積，其表達(dá)式如公式(7)所示：

y=Φ·vec(X)=Yvec(Y)

(7)

其中，觀測矩陣Φ與路徑相對(duì)應(yīng)，不在路徑上的節(jié)點(diǎn)所對(duì)應(yīng)的觀測向量元素值為0，路徑上節(jié)點(diǎn)對(duì)應(yīng)的觀測向量元素值為一權(quán)值φij，于是所有路徑的權(quán)值就組成了算法的觀測矩陣Φ。

3.2 高能效壓縮感知算法

在一般性的壓縮感知算法中，所選擇的觀測矩陣是固定的，缺乏靈活性，容易造成觀測向量的冗余或不足，同時(shí)也容易造成固定路徑中節(jié)點(diǎn)能量消耗過快，影響整個(gè)無線傳感器網(wǎng)絡(luò)的存在時(shí)間，進(jìn)而影響微電網(wǎng)控制網(wǎng)的穩(wěn)定性。針對(duì)這個(gè)問題，有學(xué)者引入了熵的概念對(duì)算法進(jìn)行改進(jìn)，提出了自適應(yīng)壓縮感知算法[17]。改進(jìn)的算法通過計(jì)算原始信號(hào)的熵來選擇算法所使用的觀測向量。原始信號(hào)的熵可用公式(8)來計(jì)算：

(8)

式中，A=diag(1/r1,1/r2,…1/rN)，1/ri為第i個(gè)稀疏系數(shù)的高斯分布方差值，Φ為觀測矩陣，ω0為噪聲干擾。

當(dāng)觀測矩陣加入新的觀測向量后，信號(hào)新的熵可以用公式(9)表示：

(9)

其中，假設(shè)當(dāng)前狀態(tài)有K個(gè)觀測向量,hk(f)和M分別為當(dāng)前的原始信號(hào)熵及自相關(guān)矩陣，y(k+1)是新選擇的觀測向量，h(k+1)(f)為添加了y(k+1)之后的新的熵值。合適的觀測向量y(k+1)應(yīng)該是能夠使h(k+1)(f)的值盡可能小，這就使得系統(tǒng)能夠以較小的觀測向量數(shù)目進(jìn)行精確重構(gòu)。具體的算法過程可以用如圖4所示的流程圖來表示。

圖4 自適應(yīng)算法流程圖Fig.4 Flowchart of adaptive algorithm

上述算法在傳統(tǒng)壓縮感知算法的基礎(chǔ)上進(jìn)行了改進(jìn)，通過計(jì)算原始信號(hào)的信息熵作為觀測向量的選擇依據(jù)，這樣做的好處是提升觀測向量的靈活性，降低了數(shù)據(jù)的冗余，能夠提升數(shù)據(jù)量龐大的微網(wǎng)通信網(wǎng)絡(luò)的數(shù)據(jù)傳輸效率。不過，該算法在計(jì)算信息熵值時(shí)只考慮了使算法不確定性降至最低、達(dá)到最快的收斂速度的效用，卻沒有考慮節(jié)點(diǎn)的剩余能量因素?？紤]到其應(yīng)用于微網(wǎng)無線傳感器網(wǎng)絡(luò)中時(shí)，在遇到需要經(jīng)常探測的情況時(shí)，會(huì)出現(xiàn)某些節(jié)點(diǎn)由于長期處于最優(yōu)化觀測向量中而因?yàn)檫^多參與數(shù)據(jù)傳輸造成過快耗盡能量而停止工作的情況出現(xiàn)，對(duì)整個(gè)無線傳感器網(wǎng)絡(luò)的穩(wěn)定運(yùn)行產(chǎn)生消極影響，這與微網(wǎng)通信網(wǎng)絡(luò)傳輸穩(wěn)定性的需求不相符合，不利于保持電力系統(tǒng)的穩(wěn)定運(yùn)行。

針對(duì)這個(gè)問題，課題組對(duì)上述算法的第四步做出了一定的改動(dòng)，將節(jié)點(diǎn)能耗也納入選擇新的觀測向量時(shí)的一個(gè)考慮因素。改進(jìn)后的算法中，觀測向量判別標(biāo)準(zhǔn)除了(9)式之外，還要參考包含剩余能量的影響因式，其表達(dá)式如公式(10)所示：

(10)

其中，E(y(k+1))為新選擇的觀測向量y(k+1)所對(duì)應(yīng)的路徑信息傳輸能耗，傳輸路徑所包含的節(jié)點(diǎn)數(shù)目越多，則能耗越大；εmin(y(k+1))α是所選擇的傳輸路徑上所包含的傳感器節(jié)點(diǎn)中剩余能量最小的節(jié)點(diǎn)的能量值；α是權(quán)值，α值越大，剩余能量路徑選擇中所占的比重就越大，熵值在觀測向量選擇中所占的比重就相對(duì)越小。通過原始信號(hào)的信息熵來選擇觀測向量及傳輸路徑的過程中，在改進(jìn)的算法中設(shè)定節(jié)點(diǎn)剩余能量閾值E，通過E與εmin(yk)比較的結(jié)果決定觀測向量的選擇，從而實(shí)現(xiàn)自適應(yīng)算法的優(yōu)化。以上過程可用如圖5所示的流程圖來表示。

在改進(jìn)后的算法中，新觀測向量的選擇由單純的計(jì)算唯一解變?yōu)榱送ㄟ^最優(yōu)化理論來尋求最優(yōu)解，當(dāng)無線傳感器網(wǎng)絡(luò)中的某個(gè)節(jié)點(diǎn)由于過度參與信息傳輸而導(dǎo)致能耗降低并與其他節(jié)點(diǎn)能耗不均衡時(shí)，即使該路徑的熵值很小，算法也會(huì)放棄選擇這條路徑，保持節(jié)點(diǎn)的剩余能量值，延長整個(gè)網(wǎng)絡(luò)的生存時(shí)間。

圖5 改進(jìn)后算法第四步流程圖Fig.5 Flowchart of the forth procedure of adaptive algorithm

4 仿真實(shí)驗(yàn)

為檢驗(yàn)上述改進(jìn)算法的性能，在實(shí)驗(yàn)室搭建微網(wǎng)無線傳感器網(wǎng)絡(luò)獲取實(shí)測數(shù)據(jù)，由MATLAB軟件對(duì)傳統(tǒng)自適應(yīng)壓縮感知算法和改進(jìn)后的壓縮感知算法進(jìn)行對(duì)比仿真測試。測試分別從數(shù)據(jù)重構(gòu)精度、網(wǎng)絡(luò)生存時(shí)間和觀測向量數(shù)目3個(gè)方面對(duì)兩種算法的表現(xiàn)性能進(jìn)行對(duì)比，從而驗(yàn)證算法的能效性。

如圖6所示，本次仿真實(shí)驗(yàn)設(shè)置的微網(wǎng)系統(tǒng)中共有15個(gè)電量采集模塊，分別對(duì)設(shè)備和線路中的電壓、電流、有功功率、無功功率和負(fù)荷等數(shù)據(jù)進(jìn)行采集，并通過無線傳感器網(wǎng)絡(luò)將數(shù)據(jù)傳輸?shù)娇刂浦行?。在該系統(tǒng)中，當(dāng)市電開關(guān)打開時(shí)，微網(wǎng)可以作為大電網(wǎng)的局部配網(wǎng)系統(tǒng)進(jìn)行工作，而在無市電輸入時(shí)，微網(wǎng)可以通過三組分布式發(fā)電機(jī)組(15千瓦動(dòng)模發(fā)電、15千瓦模擬風(fēng)電機(jī)組和20千瓦光伏發(fā)電)產(chǎn)生電能，并經(jīng)過交直流穩(wěn)壓電源和逆變器處理后，將電能提給供儲(chǔ)能裝置和多組負(fù)載設(shè)備進(jìn)行使用。

同時(shí)，為了更清晰的展示改進(jìn)后算法性能，本次仿真中，將采用密集部署節(jié)點(diǎn)的方式來增加傳輸信息量、豐富觀測向量的可選擇策略，為算法在更大規(guī)模面向微網(wǎng)的無線傳感器網(wǎng)絡(luò)中的應(yīng)用提供理論參考。本次實(shí)驗(yàn)中模型的具體參數(shù)設(shè)置如下：假設(shè)該微網(wǎng)中的設(shè)備均分布在10 m×10 m的正方形區(qū)域中，并且該區(qū)域即為無線傳感器網(wǎng)絡(luò)的監(jiān)測區(qū)域，在該區(qū)域中設(shè)置均勻分布的100個(gè)無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)，用來對(duì)采集模塊接收到的數(shù)據(jù)進(jìn)行多跳傳輸。設(shè)定區(qū)域內(nèi)的信號(hào)收發(fā)強(qiáng)度均為1且系統(tǒng)受均值為零、均方差為0.002的高斯白噪聲干擾，區(qū)域內(nèi)節(jié)點(diǎn)部署如圖7所示。

圖6 微網(wǎng)結(jié)構(gòu)示意圖Fig.6 Sketch map of microgrid structure

圖7 微網(wǎng)中無線傳感器網(wǎng)絡(luò)部署圖Fig.7 Deployment diagram of wireless sensor network in microgrid

在初始時(shí)刻，該無線傳感器網(wǎng)絡(luò)中每個(gè)傳感器節(jié)點(diǎn)都建立了自己的鄰居節(jié)點(diǎn)列表，同時(shí)也知道自己以及鄰居節(jié)點(diǎn)距離匯聚節(jié)點(diǎn)的跳數(shù)。為了更直觀地突出本文改進(jìn)算法在能耗方面的表現(xiàn)，本次仿真中設(shè)定當(dāng)有傳感器節(jié)點(diǎn)的能量小于或者等于零時(shí)，就認(rèn)為無線傳感器網(wǎng)絡(luò)已經(jīng)遭到破壞，仿真過程立即停止。

仿真實(shí)驗(yàn)中數(shù)據(jù)壓縮率變化情況如圖8所示。壓縮率是數(shù)據(jù)壓縮效果的直觀體現(xiàn)，其定義是壓縮后數(shù)據(jù)量與壓縮前數(shù)據(jù)量的比值，用數(shù)學(xué)表達(dá)式表達(dá)如下:

壓縮率=壓縮后數(shù)據(jù)量/壓縮前數(shù)據(jù)量

由(3)式可知，數(shù)據(jù)壓縮后觀測值向量的維度和觀測向量的維度相等，因此，從理論上來說，壓縮感知算法所選擇的觀測向量數(shù)越多，則數(shù)據(jù)壓縮率越高。通過分析仿真實(shí)驗(yàn)數(shù)據(jù)壓縮率結(jié)果可以看出，隨著觀測向量數(shù)目的增加，算法的數(shù)據(jù)壓縮率呈緩慢上升的趨勢，這是由于觀測向量的維數(shù)上升所導(dǎo)致的，與前文理論描述相符?？傮w上來講，算法的平均數(shù)據(jù)壓縮率約為70%，這就意味著算法平均壓縮了約30%的冗余數(shù)據(jù)量，極大減輕了節(jié)點(diǎn)數(shù)據(jù)傳輸壓力，降低了節(jié)點(diǎn)能耗。

圖8 數(shù)據(jù)壓縮率Fig.8 Data compression ratio

自適應(yīng)壓縮感知算法和改進(jìn)后算法的觀測向量數(shù)目對(duì)比仿真實(shí)驗(yàn)結(jié)果如圖9所示。其中實(shí)線代表了傳統(tǒng)的自適應(yīng)壓縮感知算法，虛線代表了改進(jìn)后的算法?？梢钥闯?，考慮節(jié)點(diǎn)能耗的改進(jìn)算法中隨著權(quán)值的增加，算法的觀測向量數(shù)目也在不斷增加，而自適應(yīng)算法由于沒有考慮節(jié)點(diǎn)剩余能量，因而觀測向量的數(shù)目不會(huì)隨著權(quán)值改變而改變。總體上來說，隨著權(quán)值的增大，本文改進(jìn)的壓縮感知算法需要的平均觀測向量數(shù)目相較于傳統(tǒng)自適應(yīng)壓縮感知算法有所增加，因此在收斂速度上受到一定影響。不過，當(dāng)權(quán)值達(dá)到1時(shí)，改進(jìn)算法的觀測向量數(shù)目也將不再增加。因此，算法也將達(dá)到收斂狀態(tài)。

圖9 觀測向量數(shù)目Fig.9 Comparison of observation vectors

重構(gòu)數(shù)據(jù)精度是衡量算法性能的重要指標(biāo)之一。理論上來講，由于受到噪聲和重構(gòu)算法誤差等因素的干擾，在采用相同的數(shù)據(jù)重構(gòu)方式的前提下，觀測向量數(shù)目越少，壓縮比例越高，則重構(gòu)時(shí)受到的影響越大。圖10中橫坐標(biāo)代表了權(quán)值，從0.1～1進(jìn)行步進(jìn)式增加,縱坐標(biāo)代表了重構(gòu)數(shù)據(jù)的精度?？梢钥闯觯S著權(quán)值的增加，改進(jìn)后的算法因?yàn)橛^測向量數(shù)目的增加，使得觀測向量數(shù)目也隨之增加，意味稀疏化投影的階數(shù)也隨之增大，重構(gòu)向量的精度自然也就呈緩慢上升的趨勢。而自適應(yīng)算法的觀測向量數(shù)目不會(huì)隨著權(quán)值改變而改變，因此權(quán)值的增加對(duì)重構(gòu)向量的精度沒有影響。改進(jìn)后算法的平均數(shù)據(jù)重構(gòu)精度相比于原算法提升了5%。

圖10 重構(gòu)數(shù)據(jù)精度Fig.10 Reconstruction data accuracy

在微網(wǎng)中，由于節(jié)點(diǎn)能量有限，且部分情況下節(jié)點(diǎn)能量更新困難，因此，盡可能延長無線傳感器網(wǎng)絡(luò)的生存時(shí)間，對(duì)于提升無線傳感器網(wǎng)絡(luò)工作能效、維持微網(wǎng)通信網(wǎng)絡(luò)穩(wěn)定運(yùn)行，降低維護(hù)成本來說至關(guān)重要。自適應(yīng)壓縮感知算法和改進(jìn)后算法的網(wǎng)絡(luò)生存時(shí)間對(duì)比仿真實(shí)驗(yàn)結(jié)果如圖11所示。圖中實(shí)線代表了傳統(tǒng)的自適應(yīng)壓縮感知算法，虛線代表了改進(jìn)后的算法。圖中橫坐標(biāo)代表了權(quán)值，從0.1～1進(jìn)行步進(jìn)式增加，縱坐標(biāo)表示的是網(wǎng)絡(luò)生存時(shí)間。網(wǎng)絡(luò)生存時(shí)間的意義是從仿真開始算起，一直到由于無線傳感器網(wǎng)絡(luò)中出現(xiàn)傳感器節(jié)點(diǎn)的剩余能量值為零并停止仿真時(shí)所經(jīng)歷的時(shí)間。由前文分析可以得出，權(quán)值為0時(shí)，算法生存時(shí)間與自適應(yīng)算法相同，而隨著權(quán)值的增大，節(jié)點(diǎn)剩余能量值所起的作用越來越大，網(wǎng)絡(luò)生存時(shí)間也越來越長，傳統(tǒng)的自適應(yīng)壓縮感知算法由于沒有考慮單個(gè)節(jié)點(diǎn)能耗因素，因而網(wǎng)絡(luò)生存時(shí)間不會(huì)隨著權(quán)值改變而改變，而改進(jìn)后的算法由于考慮到節(jié)點(diǎn)能量的負(fù)載均衡，因而網(wǎng)絡(luò)生存時(shí)間較之傳統(tǒng)算法有明顯提升?？傮w上來說，在延長網(wǎng)絡(luò)生存時(shí)間方面，本文改進(jìn)后的負(fù)載均衡壓縮感知算法優(yōu)于傳統(tǒng)自適應(yīng)壓縮感知算法，將平均網(wǎng)絡(luò)生存時(shí)間提升了20%。

圖11 網(wǎng)絡(luò)生存時(shí)間Fig.11 Survival time of network

綜上所述，本文提出的改進(jìn)的自適應(yīng)壓縮算法能夠有效對(duì)數(shù)據(jù)進(jìn)行壓縮，平均消除約30%的冗余數(shù)據(jù)，能夠有效緩解節(jié)點(diǎn)傳輸壓力，同時(shí)，相較于自適應(yīng)壓縮感知算法，雖然在觀測向量選擇性方面有所不如，但是在重構(gòu)數(shù)據(jù)的精度方面卻有了5%的提升，同時(shí)，改進(jìn)后的算法使得網(wǎng)絡(luò)平均生存時(shí)間延長了20%。根據(jù)第一部分中介紹的本文對(duì)無線傳感器網(wǎng)絡(luò)能效的判定方式，改進(jìn)后的算法相較于改進(jìn)之前能效比提升了24%，為無線傳感器網(wǎng)絡(luò)長時(shí)間穩(wěn)定運(yùn)行做出了重要貢獻(xiàn)。仿真結(jié)果表明，改進(jìn)后的算法更能滿足微網(wǎng)中無線傳感器網(wǎng)絡(luò)追求穩(wěn)定、低能耗的通信需求，提升了電力系統(tǒng)的穩(wěn)定性。

5 結(jié)束語

降低節(jié)點(diǎn)能耗是目前應(yīng)用于微電網(wǎng)的無線傳感器網(wǎng)絡(luò)研究熱點(diǎn)問題，研究如何降低節(jié)點(diǎn)能耗，盡可能延長網(wǎng)絡(luò)生存時(shí)間對(duì)于保持電網(wǎng)穩(wěn)定運(yùn)行、降低網(wǎng)絡(luò)維護(hù)成本尤為重要。針對(duì)微電網(wǎng)的穩(wěn)定性以及能耗性要求，應(yīng)用于微電網(wǎng)的無線傳感器網(wǎng)絡(luò)的建設(shè)勢必也會(huì)遇到很多挑戰(zhàn)，而壓縮感知理論的應(yīng)用為解決這一問題提供了新的研究方向。

在本文中，首先介紹了壓縮感知的背景和理論分析，然后針對(duì)配電網(wǎng)中無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)傳輸精度與能耗性的特殊要求，根據(jù)文獻(xiàn)[17]提出的自適應(yīng)壓縮感知算法做出改進(jìn)，提出改進(jìn)的能量均衡自適應(yīng)壓縮感知算法，在自適應(yīng)壓縮感知算法通過計(jì)算熵來選擇觀測向量的基礎(chǔ)上，加入了對(duì)節(jié)點(diǎn)剩余能量的考量，使得算法在降低整體數(shù)據(jù)傳輸量的同時(shí)均衡了無線傳感器網(wǎng)絡(luò)中各節(jié)點(diǎn)的負(fù)載，從而使得無線傳感器網(wǎng)絡(luò)的工作時(shí)間得到增加。仿真結(jié)果表明，在微電網(wǎng)無線傳感器網(wǎng)絡(luò)中，本文提出的高能效壓縮算法能夠有效對(duì)數(shù)據(jù)進(jìn)行壓縮，平均消除約30%的冗余數(shù)據(jù)，也就是說，在相同的能耗情況下數(shù)據(jù)傳輸效率提升了30%左右，有效地緩解了節(jié)點(diǎn)傳輸壓力。此外，相較于自適應(yīng)壓縮感知算法，雖然在觀測向量選擇性方面有所不如，但是在重構(gòu)數(shù)據(jù)的精度方面卻有了近5%的提升，同時(shí)，改進(jìn)后的算法使得網(wǎng)絡(luò)平均生存時(shí)間延長了約20%。根據(jù)本文中對(duì)能效的定義，可以計(jì)算出改進(jìn)后的算法相較于傳統(tǒng)算法來說，能效比提升了約24%。綜上所述，研究中提出的改進(jìn)算法更能滿足微網(wǎng)中無線傳感器網(wǎng)絡(luò)的能耗性需求，提升無線傳感器網(wǎng)絡(luò)在微網(wǎng)通信系統(tǒng)中的能效性。

[1] 喬建華, 張雪英. 基于壓縮感知的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)收集研究綜述[J]. 計(jì)算機(jī)應(yīng)用, 2017,(5): 100-105.

[2] 李建中, 高宏. 無線傳感器網(wǎng)絡(luò)的研究進(jìn)展[J]. 計(jì)算機(jī)研究與發(fā)展, 2016, 45(1): 1-15.

[3] 徐朝農(nóng), 徐勇軍, 李曉維. 無線傳感器網(wǎng)絡(luò)時(shí)間同步新技術(shù)[J]. 計(jì)算機(jī)研究與發(fā)展, 2015, 45(1): 138-145.

[4] 蘇金樹, 郭文忠, 余朝龍, 等. 負(fù)載均衡感知的無線傳感器網(wǎng)絡(luò)容錯(cuò)分簇算法[J]. 計(jì)算機(jī)學(xué)報(bào), 2014, 37(2): 445-456.

[5] 楊浩, 王喜瑋. 基于區(qū)域化壓縮感知的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)收集方法[J]. 計(jì)算機(jī)學(xué)報(bào), 2017, 40(8): 1933-1945.

[6] 李哲濤, 臧浪, 田淑娟, 等. 基于混合壓縮感知的分簇式網(wǎng)絡(luò)數(shù)據(jù)收集方法[J]. 計(jì)算機(jī)研究與發(fā)展, 2017, 54(3): 493-501.

[7] GHOSH D, GHOSE T, MOHANTA D K. Communication feasibility analysis for smart grid with phasor measurement units[J]. Industrial Informatics, IEEE Transactions on, 2013, 9(3): 1486-1496.

[8] MAJUMDAR A, WARD R K. A matrix completion approach to energy efficient distributed sensor network[C]// Data Compression Conference. 2015, 545.

[9] PRATHAP U, SHENOY D P, VENUGOPAL K R, et al. Wireless sensor networks applications and routing protocols: survey and research challenges[C]//Cloud and Services Computing (ISCOS), 2012 International Symposium on. IEEE. 2012: 49-56.

[10] 李珂. 面向微電網(wǎng)的無線傳感器網(wǎng)絡(luò)能效和時(shí)滯特性研究[D]. 重慶：重慶大學(xué), 2015.

[11] CAIONE C, BRUNELLI D, BENINI L. Distributed compressive sampling for life time optimization in dense wireless sensor networks[J]. Industrial Informatics, IEEE Transactions on, 2012, 8(1): 30-40.

[12] Compressed sensing: theory and applications[M]. Cambridge University Press, 2012.

[13] 王泉, 張納溫, 張金成, 等. 壓縮感知在無線傳感器網(wǎng)絡(luò)數(shù)據(jù)采集中的應(yīng)用[J]. 傳感技術(shù)學(xué)報(bào), 2014, 27(11): 1562-1567.

[14] 孫鵬, 李貴楠, 吳連濤, 等. 基于雙層壓縮感知的有損無線鏈路稀疏信號(hào)傳輸[J]. 通信學(xué)報(bào), 2017, 38(4): 120-128.

[15] MALIOUTOV D, CETIN M, WILLSKY A S. A sparse signal reconstruction perspective for source localization with sensor arrays[J]. Signal Processing, IEEE Transactions on, 2005, 53(8): 3010-3022.

[16] 王泉, 張納溫, 張金成, 等. 壓縮感知在無線傳感器網(wǎng)絡(luò)數(shù)據(jù)采集中的應(yīng)用[J]. 傳感技術(shù)學(xué)報(bào), 2014, 27(11): 1562-1567.

[17] 黃海平, 陳九天, 王汝傳, 等. 無線傳感器網(wǎng)絡(luò)中基于數(shù)據(jù)融合樹的壓縮感知算法[J]. 電子與信息學(xué)報(bào), 2014, 36(10): 2364-2369.