基于LSTM能量预测的LoRaWAN水质自适应监测系统

李 青，罗 盈，张明亮

（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）

0 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LoRa[4]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。

图2 水质监测设备实物和原理

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。

图3 网关硬件实物和原理图

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。

2 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4 LSTM模型网络结构

3 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。

图7 预测与实际能量值对比

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。

图9 系统整体测试

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。