| dc.description.abstract | Monteringen av et lite solcellepanel på kommuniserenede enheter i et utendørs IoT-system, ville gjort det mulig for fjerntliggende sensorenheter å lade energi bufferne selvstendig. Å lade opp tomme buffere uten menneskelig interaksjon øker bærekraftighet og gir en høyere grad av langvarig, vedlikeholdsfri drift. Til tross kan perioder uten energikilde fremdeles oppstå.
I denne oppgaven ønsker vi å få kunnskap om effekten av å implementere fjerntliggende IoT-enheter med en algoritme som planlegger forbruk på forhånd. For å få denne kunnskapen undersøker vi energi-planleggings algoritmer og hvordan vi kan bruke dem i en IoT-applikasjon. Vi valgte å fokusere tiden på en algoritme. Den valgte algoritmen Stochastic Power Management (SPM) bruker historiske værdata for å konstruere statistiske energimodeller. Disse modellene av forventet energi brukes deretter til å utføre statistisk analyse og beregne algoritmens outputs. Algoritmen har som mål å minimere risikoen for feil og øke bruken ved å utnytte potensielt energioverskudd. Den første egenskapen for å oppfylle målene er Maximized Minimum Consumption, som fungerer som minimum servicenivå for å sikre uavbrutt drift. Den andre egenskapen er de ukentlige Safe Charges som definerer terskler gjennom tidshorisonten. I løpetid sammenlignes det faktiske batterinivået for en gitt uke med den respektive safe charge for å justere forbruket. Skulle det faktiske batterinivået være høyere enn den forhåndsberegnede terskelen, definerer vi det som et energioverskudd og øker forbruket tilsvarende. Hvis det ikke er definert noe energioverskudd, faller enheten tilbake til minimumsforbruket.
Etter å ha forstått algoritmen bedre, ønsket vi å vite hvilke brukstilfeller algoritmens egenskaper kan være best egnet for. Hovedfunnene viser at algoritmens minimumsnivå er hensiktsmessig for brukstilfeller som prioriterer tilgjengelighet. Safe Charges er imidlertid mer avhengig av applikasjonen. Ulike brukstilfeller krever drift i forskjellige perioder (f.eks. vinter, sommer) der vi kan forvente forskjellige mengder solenergi. Skulle brukstilfelle kreve høyere bruksgrad i en periode med mindre solenergi, ville det vært lite sannsynlig å kunne øke forbruket ved bruk av disse forhåndsberegnede terskelene. | |
| dc.description.abstract | Fitting devices in an outdoor IoT system with an energy harvester, such as a small solar panel, would enable remote sensing devices to recharge their buffers autonomously. Recharging depleted buffers without human interaction increases sustainability and allows for a higher degree of long-term, maintenance-free operation. However, periods without an energy source may still arise.
In this thesis, we want to gain knowledge about the effects of implementing remote IoT devices with an algorithm that plans consumption ahead of deployment. To gain this knowledge, we research energy planning algorithms and how to apply them in a real-world use case. We chose to focus our efforts on one state-of-the-art algorithm. The chosen algorithm, Stochastic Power Management (SPM), uses historical weather data to construct statistical energy models. These models of expected energy are constructed to perform statistical analysis and compute the algorithm's output properties. The algorithm's objectives are to minimize the risk of failure and increase utility by leveraging any potential energy surplus. The first output property to meet the objectives is the Maximized Minimum Consumption, which serves as the minimum service level to ensure uninterrupted operation. The second output property is the weekly Safe Charges which define thresholds throughout the time horizon. During run-time, the actual battery level for a given week is compared against the respective safe charge to adjust consumption. Should the actual battery level be higher than the pre-computed threshold, we define it as an energy surplus and increase consumption accordingly. If no energy surplus is defined, the device falls back to the minimum consumption.
After understanding the algorithm, we wanted to know which use cases the algorithm's output properties may be suitable for. The main findings show that for use cases that prioritize availability, the algorithm's minimum service level is applicable. The safe charges, however, are more case dependent. Different use cases require operation in different periods (e.g. winter, summer) where we can expect different amounts of solar energy. Should the use case require a higher degree of utility in a period with less solar energy, it would be unlikely to increase consumption using the safe charges. | |
