Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Q-learning Energy Management Strategy for TEG-powered Environmental Monitoring IoT Devices: A Pilot Study

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F22%3A10251746" target="_blank" >RIV/61989100:27240/22:10251746 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://ieeexplore.ieee.org/abstract/document/10022025" target="_blank" >https://ieeexplore.ieee.org/abstract/document/10022025</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/SSCI51031.2022.10022025" target="_blank" >10.1109/SSCI51031.2022.10022025</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Q-learning Energy Management Strategy for TEG-powered Environmental Monitoring IoT Devices: A Pilot Study

  • Popis výsledku v původním jazyce

    In this pilot study, we describe self-learning energy management principles for energy harvesting environmental monitoring nodes using Internet of Things (IoT) communications technology. The solution is powered with ambient energy harvested by a thermoelectric generator (TEG) and stored in an internal supercapacitor. We present a hardware-based model derived from a DC/DC converter, microcontroller and LoRaWAN IoT interface, which is detailed in the paper. The simulation applied historical temperature data obtained at several soil depths. The study&apos;s contribution is a reinforcement learning (Q-learning) method to achieve an optimal energy management strategy to maximize data collection and minimize failure. The results demonstrate that the designed approach was capable of operating more effectively (up to approx. 96 % ratio between complete and missed cycles) than reference solutions with a fixed duty-cycle configuration. We support our conclusions with results from 10 candidate Q-learning controllers which apply various learning and discount factor configurations and demonstrate superior complete/missed cycles ratios than the reference solutions. (C) 2022 IEEE.

  • Název v anglickém jazyce

    Q-learning Energy Management Strategy for TEG-powered Environmental Monitoring IoT Devices: A Pilot Study

  • Popis výsledku anglicky

    In this pilot study, we describe self-learning energy management principles for energy harvesting environmental monitoring nodes using Internet of Things (IoT) communications technology. The solution is powered with ambient energy harvested by a thermoelectric generator (TEG) and stored in an internal supercapacitor. We present a hardware-based model derived from a DC/DC converter, microcontroller and LoRaWAN IoT interface, which is detailed in the paper. The simulation applied historical temperature data obtained at several soil depths. The study&apos;s contribution is a reinforcement learning (Q-learning) method to achieve an optimal energy management strategy to maximize data collection and minimize failure. The results demonstrate that the designed approach was capable of operating more effectively (up to approx. 96 % ratio between complete and missed cycles) than reference solutions with a fixed duty-cycle configuration. We support our conclusions with results from 10 candidate Q-learning controllers which apply various learning and discount factor configurations and demonstrate superior complete/missed cycles ratios than the reference solutions. (C) 2022 IEEE.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    20202 - Communication engineering and systems

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/EF16_019%2F0000867" target="_blank" >EF16_019/0000867: Centrum výzkumu pokročilých mechatronických systémů</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    2022 IEEE Symposium Series on Computational Intelligence, SSCI 2022 : proceedings : 4-7 december 2022, Singapore

  • ISBN

    978-1-66548-769-6

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    211-216

  • Název nakladatele

    IEEE - Institute of Electrical and Electronics Engineers

  • Místo vydání

    Piscataway

  • Místo konání akce

    Singapur

  • Datum konání akce

    4. 12. 2022

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku