Návrh pokročilých řídicích algoritmů pro IoT senzory napájené termoelektrickým generátorem

Abstract

Alternativní zdroje energie jsou hojně využívány pro napájení zařízení nasazených v sítích Internetu věcí (IoT) kvůli snaze snížit používání baterií, s čímž souvisí zvýšení udržitelnosti a omezení pravidelné údržby zařízení. Termoelektrické generátory (TEGy) jsou zařízení, které dokážou přeměnit tepelnou energii na elektrickou energii spolehlivým a obnovitelným způsobem. Disertační práce přináší rešerši současného stavu techniky zaměřené na přístupy strojového učení používané pro predikci a správu dostupné energie u senzorů napájených TEGy. Práce také přináší přehled aplikačních oblastí zařízení napájených TEGy, která získávají teplotní diferenci z různých zdrojů tepla, jako je prostředí, biologické struktury, stroje nebo technologie. Na základě podrobného výzkumu současného stavu byly navrženy cíle disertační práce, které se zaměřují na metody strojového učení, které by mohly umožnit odhad a správu příchozí energie a mohly by tak vést k adaptivnímu a dynamickému provozu senzorů napájených TEGy. Kontroléry jsou založeny na přístupech zpětnovazebního učení, kontrétně na metodách Q-learning (QL) a Double Q-learning (DQL). Hardware modelu IoT zařízení zahrnuje podsystém pro sběr energie z TEGu s DC/DC měničem, modul pro zátěž s mikrokontrolérem a rozhraní pro komunikaci LoRaWAN. Zařízení je řízeno na základě adaptivních měření a časových úseků pro přenos dat. Strategie odměňování kontrolérů vyhodnocuje úroveň nabití zařízení. Využitím čtyřletých historických dat o teplotě půdy v experimentální simulaci několika konfigurací parametrů metody QL a DQL předvedly kontroléry správnou provozní schopnost, vysokou spolehlivost, flexibilitu a vysokou efektivitu využití získané energie.

Alternative power sources became a big challenge in powering devices deployed in Internet of Things (IoT) networks due to effort to reduce using of batteries, focus on sustainability and reduce regular maintenance. Thermoelectric generators (TEGs) are solid state energy harvesters which can convert thermal energy into electrical energy in a reliable and renewable manner. Based on the state of the art, this dissertation thesis presents a comprehensive review focused on machine learning approaches used in TEG-powered IoT sensors for available energy prediction or energy management. The dissertation thesis also brings an overview of application areas of TEG-powered IoT devices which obtain the temperature difference from various heat sources such as an environment, biological structures, machines or technologies. The presented dissertation thesis objectives at new applications with a energy prediction and management based on machine learning methods where supervised algorithms could allow better estimation of incoming energy and unsupervised and semi-supervised approaches lead to adaptive and dynamic operation. The device’s controllers are based on a reinforcement learning approaches, such as a Q-learning (QL) and a Double Q-learning (DQL) method. The model hardware incorporates a TEG energy harvesting subsystem with a DC/DC converter, a load module with a microcontroller, and a LoRaWAN communications interface. The model is controlled according to adaptive measurements and transmission periods. The controllers reward policy evaluate the level of charge available to the device. Using four years of historical soil temperature data in an experimental simulation of several controllers configurations, the QL and DQL controller demonstrated correct operation, high reliability, flexibility, and high efficiency in the use of the harvested energy.