1.一种基于无线传感器网络的闸门远程控制方法，其特征在于，包括以下过程：
步骤1，基于水位传感器、流量传感器以及雷达测距传感器，以某一时间间隔采集各闸门当前的水位信息，包括水位高度 、水流流速 和淤泥高度 ；一共采集N组数据，构成初始输入特征数据；
步骤2，对初始输入特征数据进行经验模态分解EMD及数据拼接，从而对各阀闸门的初始输入特征数据进行噪声过滤，得到标准输入特征数据；具体过程为：
S21，确定被分解的输入时序信号，并定义为 ，其中 ；
S22，确定输入时序信号 的所有局部极大和极小值，并利用三次样条插值Cubic splines方法得到信号的上下包络线分别为 和 ，计算信号平均值 如下
所示：
；
S23，根据时序信号 及平均值 计算分量 ：
；
S24，判断 是否满足条件：信号 的极值和交叉零点的数量最多相差1； 的上下包络线的平均值为零；
S25，如果 满足两个条件，则将 作为 的一次分解信号 ，并计算残
差信号 ：
；
S26，将残差信号 重新作为输入时序信号，重复步骤S22至S25进行多次信号分解，逐步得到从高频到低频的 分量信号，并将分量信号进行通道拼接得到降噪后的数据信号 为：
；
其中 ；
S27，将当前闸门中每一组水位高度 、水流流速 和淤泥高度 数据分别
作为S201的输入时序信号 ，其中 ；并重复进行S21至S26的EMD信号分解及分量数据拼接的实施流程，得到去噪后的特征数据为 、水流流速 和淤泥高度，即对应一组标准输入特征数据 为：
；
该组数据对应的输出闸门开度数据为 ，且k∈[1,8760]，所有去噪后的数据构成完整输入数据 ，对应的输出数据为 ；
S28，将N道闸门的所有输入水位数据进行噪声过滤，最终得到N道闸门的标准输入输出训练数据集为：
；
步骤3，构建并训练得到基于孪生回声状态网络TESN的多闸门开度协同预测模型，采用多闸门开度协同预测模型进行实施闸门开度预测，并将步骤2中的各闸门标准输入特征数据作为模型输入，得到各闸门的开度预测结果；该模型共包含N级TESN子模型，且前一级闸门的预测结果同时作为后一级闸门的输入；
基于TESN的闸门开度预测模型初始化；TESN模型由两个并行且相同的ESN模型组成，两个ESN共享隐藏层到输出层的权重矩阵；对于每个ESN模型均由输入层、内部储层和输出层三部分组成，包括 个输入节点， 个储层神经元和 个输出节点；对于每个ESN在时间步长t时，输入数据 ，网络内部储层状态数据 和输出数据 分别为：
；
其中输入层通过输入权值 与内部储层连接，储层神经元通过内部权值 连接，输出层通过输出权值 与内部储层连接；并且内部储层数据更新如下式所示：
；
其中， 表示下一时刻的网络内部储层状态数据， 采用对数Sigmoid激活函数， 受稀疏度SD和全局尺度因子γ的限制，以满足 的谱半径小于1的条件，因此在该条件下预测输出方程定义为：
；
其中， 表示保持 和 行数不变，将列进行堆叠拼接得到的结果矩阵；
因此，TESN中两个ESN模型的预测输出分别为 和 ，将两个ESN模型的预测输出 和 进行平均获得TESN的最终预测结果 ；
最后，在闸门开度预测中，通过随机初始化网络内部储层状态数据 ，并将输入水位数据信息作为 ，最终得到两个ESN模型的综合预测输出数据 即为闸门的预测开度；
步骤4，将各个闸门的开度预测结果作为电动闸门执行器的控制信号，实现每个闸门的开度控制；
步骤5，以步骤1中所述的某一时间间隔为时间单位循环采集各个闸门的水位信息，逐渐将新采集的时序数据信息替换历史时刻数据，并循环步骤2至步骤4，实现多闸门的远程实时协同控制和闸门开度的自动化调节。
2.如权利要求1所述的一种基于无线传感器网络的闸门远程控制方法，其特征在于，所述步骤3中，构建并训练得到基于孪生回声状态网络TESN的多闸门开度协同预测模型的具体过程为：
S1，初始闸门控制时序数据集的收集与制作，包括多个闸门对应的水位高度 、水流流速 和淤泥高度 初始特征信息，以及相对应的最佳闸门开度信息；
S2，针对初始特征信息进行经验模态分解EMD及数据拼接，得到标准输入特征数据，并结合闸门开度信息得到模型的数据集，划分训练集和测试集；
S3，构建基于孪生回声状态网络TESN的多闸门开度预测模型，该模型可协调多组特征信息实现多个闸门开度的预测；
S4，建立多闸门开度协同预测模型的训练策略，并采用S2中的训练集和测试集进行模型训练与测试，得到最终的多闸门开度协同预测模型。
3.如权利要求2所述的一种基于无线传感器网络的闸门远程控制方法，其特征在于，所述S1的具体过程为：
S11，首先采用水位传感器、流量传感器以及雷达测距,传感器采集并保存几处闸门一年内的水位信息，包括水位高度 、水流流速 和淤泥高度 ，并记录相应人工操作闸门的开度信息 ，其中 表示闸门关闭， 表示闸门全开，开度信息 介于0到1之间；
S12，由于水位的变化是一个动态连续的过程，设计时序特征数据的划分方法：针对每小时内的水位高度 信息，进行30次均匀时间采样，得到该时间段对应的水位高度时序数据 为：
；
其中， 为第i个采样时刻点的水位高度，且 ；
并且将水流流速 、淤泥高度 和闸门开度 分别进行同样的均匀采样，得到对应的时序数据为：
；
；
；
其中， 、 和 分别为第i个采样时刻点的水流流速、淤泥高度和闸门开度，且；
S13，循环数据划分：基于S12的数据采样划分方法将一年内的水位信息数据进行划分，并得到共24*365=8760组水位数据：
；
；
；
；
将水位高度、水流流速和淤泥高度作为输入参考特征数据，闸门开度 作为输出结果数据，模型根据输入特征数据预测从而得到控制闸门的理想结果，即完整的输入数据 为：
；
S14，所有闸门水位数据制作；采用多道闸门控制水位，且上一道闸门的开度信息直接影响下一道闸门的开度，基于设计的可协同控制多道大坝闸门的多闸门开度协同预测模型，采用S12、S13步骤得到N个闸门输入水位数据信息为：
；
其中， 为第j个闸门对应的输入水位数据信息， ， 和 为其中相应的水位高度、水流流速和淤泥高度数据信息，第j个闸门对应的闸门开度数据信息为 ，且 ；
从而得到N道闸门对应的水位数据信息和最佳闸门开度数据，完成闸门控制时序数据集的收集与制作。
4.如权利要求1所述的一种基于无线传感器网络的闸门远程控制方法，其特征在于：所述S26中重复步骤S22至S25进行多次信号分解，次数为5次，即 。
5.如权利要求1所述的一种基于无线传感器网络的闸门远程控制方法，其特征在于：基于TESN初始化模型，设置一级TESN闸门开度预测模型中每个基础ESN的输入节点 ，包含水位高度、水流流速和淤泥高度三维数据；设置二至N级TESN闸门开度预测模型中每个基础ESN的输入节点 ，包含水位高度、水流流速和淤泥高度三维数据及上一级模型的闸门开度预测输出；统一设置N个TESN模型中每个ESN模型的储层神经元个数 ；设置N个TESN模型中每个ESN模型的输出节点数 输出当前的闸门开度预测结果。
6.如权利要求2所述的一种基于无线传感器网络的闸门远程控制方法，其特征在于，所述S4中建立多闸门开度协同预测模型的训练策略，具体为：
采用均方误差MSE设计闸门开度协同预测的损失函数，即第j级TESN模型中每个ESN模型的损失函数定义为：
；
其中， 和 分别为第j级模型在时刻t的闸门目标开度和预测开度，且 ；
将得到的N道闸门的标准输入输出训练数据集同时用于N个TESN模型的训练过程，其中TESN模型中一个ESN模型采用正向顺序的训练数据集，另一个ESN模型采用逆向顺序的训练数据集进行训练；
基于损失函数的计算方法得到N个TESN模型中的预测损失
，其中 代表第N个TESN模型中的预测
损失， 为第N个TESN模型中第一个ESN的预测损失， 为第N个TESN模型中第二个ESN的预测损失；之后利用随机梯度下降算法对每个TESN模型的权值参数 进行调整更新，更新规则为：对于第N个TESN模型，如果 ，则第N个TESN模型中两个ESN模型共享的隐藏层到输出层权重矩阵采用第一个ESN隐藏层到输出层的权重矩阵，反之采用第二个ESN隐藏层到输出层的权重矩阵；设置优化迭代次数为300，最终得到N级基于TESN的闸门开度预测子模型，这些子模型共同构成多闸门开度协同预测模型。
7.如权利要求1所述的一种基于无线传感器网络的闸门远程控制方法，其特征在于：以
2min时间间隔采集各闸门当前的水位信息，包括水位高度 、水流流速 和淤泥高度 ，其中，一共采集N组数据，N为30。
8.一种基于无线传感器网络的闸门远程控制系统，其特征在于：应用于如权利要求1至
7任意一项所述的闸门远程控制方法，并包括水位传感器、流量传感器和雷达传感器，用于测量初始数据信息；包括A/D转换模块，用于将所测数据转换为可直接处理的数字信号；还包括单片机主控制器和存储器，所述单片机主控制器用于执行存储器中存储的训练完成的基于孪生回声状态网络TESN的多闸门开度协同预测模型，实现多闸门的预测控制；还包括电动闸门执行器，将单片机控制器输出的数字信号用于电动闸门的控制信号输入，实现多闸门的电气控制；并包括报警模块，用于及时反馈异常信号；此外，存储器中保存传感器采集的历史数据和执行器的历史控制信号；所述系统通过电源供电模块对所有模块进行相应供电。