論文の概要: ECO: Enabling Energy-Neutral IoT Devices through Runtime Allocation of
Harvested Energy
- arxiv url: http://arxiv.org/abs/2102.13605v1
- Date: Fri, 26 Feb 2021 17:21:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-01 13:59:20.967057
- Title: ECO: Enabling Energy-Neutral IoT Devices through Runtime Allocation of
Harvested Energy
- Title（参考訳）: ECO: ハーベステッドエネルギーのランタイム割り当てによるエネルギーニュートラルIoTデバイスの実現
- Authors: Yigit Tuncel, Ganapati Bhat, Jaehyun Park, Umit Ogras
- Abstract要約: 本稿では,エネルギー制約下での目標デバイスの有用性を最適化するランタイムベースのエネルギー配分フレームワークを提案する。
提案フレームワークは, 効率的な反復アルゴリズムを用いて, 初期エネルギー割り当てを1日の初めに計算する。
このフレームワークは、太陽と運動エネルギーの収穫モードと、4772の異なるユーザーからのアメリカンタイムユースサーベイデータを使用して評価します。
- 参考スコア（独自算出の注目度）: 0.8774604259603302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Energy harvesting offers an attractive and promising mechanism to power
low-energy devices. However, it alone is insufficient to enable an
energy-neutral operation, which can eliminate tedious battery charging and
replacement requirements. Achieving an energy-neutral operation is challenging
since the uncertainties in harvested energy undermine the quality of service
requirements. To address this challenge, we present a rollout-based runtime
energy-allocation framework that optimizes the utility of the target device
under energy constraints. The proposed framework uses an efficient iterative
algorithm to compute initial energy allocations at the beginning of a day. The
initial allocations are then corrected at every interval to compensate for the
deviations from the expected energy harvesting pattern. We evaluate this
framework using solar and motion energy harvesting modalities and American Time
Use Survey data from 4772 different users. Compared to state-of-the-art
techniques, the proposed framework achieves 34.6% higher utility even under
energy-limited scenarios. Moreover, measurements on a wearable device prototype
show that the proposed framework has less than 0.1% energy overhead compared to
iterative approaches with a negligible loss in utility.
- Abstract（参考訳）: エネルギー収穫は低エネルギーデバイスを動かすための魅力的で有望なメカニズムを提供する。
しかし、エネルギー中立的な動作を可能にするには不十分であり、面倒なバッテリー充電や交換要求を排除できる。
エネルギー中立運転の達成は、収穫エネルギーの不確実性がサービスの質を損なうため困難である。
この課題に対処するために、エネルギー制約下でターゲットデバイスの有用性を最適化するロールアウトベースのランタイムエネルギーアロケーションフレームワークを紹介します。
提案フレームワークは, 効率的な反復アルゴリズムを用いて, 初期エネルギー割り当てを1日の初めに計算する。
初期割り当ては、期待されるエネルギー収穫パターンからのずれを補うために、各間隔で補正される。
このフレームワークは、太陽と運動エネルギーの収穫モードと、4772の異なるユーザーからのアメリカンタイムユースサーベイデータを使用して評価します。
最先端技術と比較して、提案手法はエネルギー制限シナリオの下でも34.6%高い実用性を達成する。
さらに, ウェアラブルデバイスのプロトタイプを用いた測定結果から, 実用性が無視できる反復的アプローチと比較して, 提案フレームワークのエネルギーオーバーヘッドが0.1%未満であることが判明した。
関連論文リスト
- Energy-Aware Dynamic Neural Inference [39.04688735618206]
エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。
環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。
我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
論文 参考訳（メタデータ） (2024-11-04T16:51:22Z) - ecoBLE: A Low-Computation Energy Consumption Prediction Framework for
Bluetooth Low Energy [9.516475567386768]
Bluetooth Low Energy (BLE) はモノのインターネット(IoT)アプリケーションのためのデファクト技術であり、非常に低エネルギー消費を約束している。
本稿では,Long Short-Term Memory Projection (LSTMP)ベースのBLEエネルギー消費予測フレームワークを提案する。
提案手法は, 平均絶対パーセンテージ誤差 (MAPE) を最大12%とすることで, 異なるBLEノードのエネルギー消費を予測する。
論文 参考訳（メタデータ） (2023-08-02T13:04:23Z) - A Safe Genetic Algorithm Approach for Energy Efficient Federated
Learning in Wireless Communication Networks [53.561797148529664]
フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。
FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。
現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
論文 参考訳（メタデータ） (2023-06-25T13:10:38Z) - Sustainable Edge Intelligence Through Energy-Aware Early Exiting [0.726437825413781]
EHエッジインテリジェンスシステムにおいて,エネルギー適応型動的早期退避を提案する。
提案手法は, サンプルごとの最適計算量を決定する, エネルギー対応のEEポリシーを導出する。
その結果, エネルギーに依存しない政策と比較して, 精度は25%, サービスレートは35%向上した。
論文 参考訳（メタデータ） (2023-05-23T14:17:44Z) - Energy Loss Prediction in IoT Energy Services [0.43012765978447565]
クラウドソース型エネルギーサービスを共有する際のエネルギー損失を推定する新しいエネルギー損失予測フレームワークを提案する。
我々は,IoTデバイスのバッテリレベルを予測する新しいアテンションベースのアルゴリズムであるEaseformerを提案する。
提案手法の有効性と有効性を示すための一連の実験を行った。
論文 参考訳（メタデータ） (2023-05-16T09:07:08Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Memory-Aware Partitioning of Machine Learning Applications for Optimal
Energy Use in Batteryless Systems [17.072240411944914]
電池レスアプリケーションの総エネルギーコストを最適化する自動化手法であるJulinningを提案する。
本手法では, エネルギー負荷を0.12%に抑えながら, 必要なエネルギー貯蔵量を94%以上削減できる。
論文 参考訳（メタデータ） (2021-08-05T09:49:42Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。