Accuracy Improvement of Predictive Neural Networks for Managing Energy in Solar Powered Wireless Sensor Nodes
Total Page：16
File Type：pdf, Size：1020Kb
Accuracy Improvement of Predictive Neural Networks for Managing Energy in Solar Powered Wireless Sensor Nodes DISSERTATION zur Erlangung des akademischen grades Doktor – Ingenieur (Dr.-Ing) vorgelegt der Fakultät für Elektrotechnik und Informationstechnik der Technischen Universität Chemnitz von M.Sc. Murad AL_Omary geboren am 09.08.1987 in As Sarih, Jordanien Tag der Einreichung : 14. Oktober 2019 Tag der Verteidigung : 1 6. Dezember 2019 Gutachter : Prof. Dr.-Ing. Olfa Kanoun Prof. Dr.-Ing. Nabil Derbel Acknowledgement It is a great feeling, after finishing the Ph.D. to look backward to all stations I have been through. All the memories passes in front of my eyes as a movie. Oh I’m free now, I have finished my Ph.D. lastly. However, this work was impossible to be done without the support of many people, whom I need to thanks sincerely and from my heart. Above all, I would like to thank God for my success with this chapter of my life. I express my deep sense of gratitude and thanking to Prof. Dr.-Ing. Olfa Kanoun for supervising me all the time, for the extremely motivational conversations as well as the valuable directions and advices. Working with you was and will remain an honor and pride for me all my life. Also, I thank all my colleagues from the MST institute for the unlimited cooperation during the working hours. In particular, the members of energy harvesting group, each according to his own name for granting me a part of their experiences and for the precious feedbacks during our meetings. All the students who worked with me continuously and hardly deserve a thanking words too. I would like to thank German Jordanian University, not only for their partial financial support during my Ph.D. study. But also for giving me the opportunity to be one of its members after obtaining the title (Dr.-Ing). I don’t forget also my lovely university, TU Chemnitz for funding me as a teaching and research assistant and for the beautiful moments I lived in. The financial support from the German Academic Exchange Service (DAAD) through “InProTUC”, “PROMOS” and “STIBET” scholarships are gratefully acknowledged. Last, and certainly not least, I am vastly indebted to my wonderful wife “Eman”. I would like to thank her for understanding me during my Ph.D. work. I would like to thank my mother “Moyasser”, whose love and prayers always strengthen me and push me forward. Many thanks for my brothers, “Yazan” and “Malek”, for their continuous encouragement especially at the difficult times. Murad AL_Omary Chemnitz, Oct. 2019 III Dedication To the spirit of my late father, “Abdullah” To my lovely twins, “Reman” & “Lilian” V Abstract Wireless Sensor Network (WSN) is a technology that measures an environmental or physical parameters in order to use them by decision makers with a possibility of remote monitoring. Normally, sensor nodes that compose these networks are powered by batteries which are no longer feasible, especially when they used as fixed and standalone power source. This is due to the costly replacement and maintenance. Ambient energy harvesting systems can be used with these nodes to support the batteries and to prolong the lifetime of these networks. Due to the high power density of solar energy in comparison with different environmental energies, solar cells are the most utilized harvesting systems. Although that, the fluctuating and intermittent nature of solar energy causes a real challenge against fulfilling a functional and reliable sensor node. In order to operate the sensor node effectively, its energy consumption should be well managed. One interesting approach for this purpose is to control the future node’s activities according to the prospective energy available. This requires performing a prior prediction of the harvestable solar energy for the upcoming operation periods including the sun’s free times. A few prediction algorithms have been created using stochastic and statistical principles as well as artificial intelligence (AI) methods. A considerable prediction error of 5-70% is realized by these algorithms affecting the reliable operation of the nodes. For example, the stochastic ones use a discrete energy states which are mostly do not fit the actual readings. The statistical methods use a weighting factors for the previous registered readings. Thus, they are convenient only to predict energy profiles under consistent weather conditions. AI methods require large observations to be used in the training process which increase the memory space needed. Accordingly, the performance concerning the prediction accuracy of these algorithms is not sufficient. In this thesis, a prediction algorithm using a neural network has been proposed and implemented in a microcontroller for managing energy consumption of solar cell driven sensor nodes. The utilized neural network has been developed using a combination of meteorological and statistical input parameters. This is to meet a required design criteria for the sensor nodes and to fulfill a performance exceeds in its accuracy the performance of aforementioned traditional algorithms. The prediction accuracy represented by the correlation coefficient has been registered for the developed neural network to be 0.992, which increases the most accurate traditional network which has a value 0.963. VII The developed neural network has been embedded into a sensor node prototype to adjust the operating states or modes over a simulation period of one week. During this period, the sensor node has worked 6 hours more towards normal operation mode. This in its role helped to fulfill an effective use of available energy approximately 3.6% better than the most accurate traditional network. Thus, longer lifetime and more reliable sensor node. Keywords: Wireless Sensor Network (WSN), Energy Harvesting, Energy Management, Artificial Neural Network (ANN), Prediction Algorithms, Global Solar Radiation (퐺푆푅). VIII Kurzfassung Das drahtlose Sensornetzwerk (WSN) ist eine Technologie, die Umgebungsbedingungen oder physikalische Parameter misst, weiterleitet und per Fernüberwachung zur Verfügung stellt. Normalerweise werden die Sensorknoten, die diese Netzwerke bilden, von Batterien gespeist. Diese sollen aus verschiedenen Gründen nicht mehr verwendet werden, sondern es wird auf eine eigenständige Stromversorgung gesetzt. Dies soll den aufwendigen Austausch und die Wartung minimieren. Energy Harvesting kann mit den Knoten verwendet werden, um die Batterien zu unterstützen und die Lebensdauer der Netzwerke zu verlängern. Aufgrund der hohen Leistungsdichte der Solarenergie im Vergleich zu verschiedenen anderen Umweltenergien sind Solarzellen die am häufigsten eingesetzten Wandler, allerdings stellt die schwankende und intermittierende Natur der Solarenergie eine Herausforderung dar, einen funktionalen und zuverlässigen Sensorknoten zu versorgen. Um den Sensorknoten effektiv zu betreiben, sollte sein Energieverbrauch sinnvoll gesteuert werden. Ein interessanter Ansatz zu diesem Zweck ist die Steuerung der Aktivitäten des Knotens in Abhängigkeit von der zukünftig verfügbaren Energie. Dies erfordert eine Vorhersage der wandelbaren Sonnenenergie für die kommenden Betriebszeiten einschließlich der freien Zeiten der Sonne. Einige Vorhersagealgorithmen wurden mit stochastischen und statistischen Prinzipien sowie mit Methoden der künstlichen Intelligenz (KI) erstellt. Durch diese Algorithmen bleibt ein erheblicher Vorhersagefehler von 5-70%, der den zuverlässigen Betrieb der Knoten beeinträchtigt. Beispielsweise verwenden die stochastischen Methoden einen diskreten Energiezustand, der meist nicht zu den tatsächlichen Messwerten passt. Die statistischen Methoden verwenden einen Gewichtungsfaktor für die zuvor registrierten Messwerte. Daher sind sie nur geeignet, um Energieprofile bei konstanten Wetterbedingungen vorherzusagen. KI-Methoden erfordern große Beobachtungen im Trainingsprozess, die den benötigten Speicherplatz erhöhen. Dementsprechend ist die Leistung hinsichtlich der Vorhersagegenauigkeit dieser Algorithmen nicht ausreichend. In dieser Arbeit wird ein Vorhersagealgorithmus mit einem neuronalen Netzwerk entwickelt und eingebunden in einen Mikrocontroller, um die Verwaltung des Energieverbrauchs von solarzellengesteuerten Sensorknoten zu optimieren. Das verwendete neuronale Netzwerk wurde mit einer Kombination aus meteorologischen und statistischen Eingangsparametern realisiert. Dies hat zum Ziel, die erforderlichen Designkriterien für Sensorknoten zu erfüllen und eine Leistung zu erreichen, die in IX ihrer Genauigkeit die Leistung der oben genannten traditionellen Algorithmen übersteigt. Die Vorhersagegenauigkeit die durch den Korrelationskoeffizienten repräsentiert wird, wurde für das entwickelte neuronale Netzwerk auf 0,992 bestimmt. Das genaueste traditionelle Netzwerk erreicht nur einen Wert von 0,963. Das entwickelte neuronale Netzwerk wurde in einen Prototyp eines Sensorknotens integriert, um die Betriebszustände oder -modi über einen Simulationszeitraum von einer Woche anzupassen. Während dieser Zeit hat der Sensorknoten 6 Stunden zusätzlich im Normalbetrieb gearbeitet. Dies trug dazu bei, eine effektive Nutzung der verfügbaren Energie um ca. 3,6% besser zu erfüllen als das genaueste traditionelle Netz. Dadurch wird eine längere Lebensdauer und Zuverlässigkeit des Sensorknotens erreicht. Schlagwörter: Drahtlose Sensornetzwerke (Wireless Sensor Network, WSN), Energiegewinnung, Energiemanagement, Künstliche Neuronale Netz (Artificial Neural Network, ANN), Vorhersagealgorithmen, Globale Sonnenstrahlung,