logo móvil
Contáctanos

Gestión de energía rentable para hogares inteligentes: técnicas de programación innovadoras e integración de optimización de baterías en redes 6G

Autores: Al-Taie, Rana Riad; Hesselbach, Xavier

Idioma: Inglés

Editor: MDPI

Año: 2024

Descargar PDF

Acceso abierto

Artículo científico
2024

Gestión de energía rentable para hogares inteligentes: técnicas de programación innovadoras e integración de optimización de baterías en redes 6G


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Eléctrica y Electrónica

Palabras clave

Sistema de gestión de energía
Hogares inteligentes
Internet verde de todo
Decisión óptima
Disponibilidad de energía renovable
Computación en el borde de múltiples accesos

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 29

Citaciones: Sin citaciones


Descripción
Este documento presenta un Sistema de Gestión de Energía Óptima (OPMS) para hogares inteligentes en entornos 6G, diseñados para mejorar la sostenibilidad de las aplicaciones del Internet de Todo Verde (GIoT). El sistema emplea una búsqueda de fuerza bruta utilizando una solución exacta para identificar la decisión óptima para adaptar el consumo de energía a la disponibilidad de energía renovable. Se adoptarán técnicas clave, incluida la asignación basada en prioridades, el desplazamiento en el tiempo, la degradación de la calidad, la utilización de la batería y el rechazo del servicio. Dada la naturaleza NP-difícil de este problema, el enfoque de fuerza bruta es factible para escenarios más pequeños, pero sienta las bases para futuros métodos heurísticos en aplicaciones a gran escala como las ciudades inteligentes. El OPMS, desplegado en nodos de Computación en el Borde de Múltiple Acceso (MEC), integra una novedosa estrategia de respuesta a la demanda (DR) para gestionar eficazmente el uso de energía en tiempo real. Las pruebas con datos sintéticos lograron una tasa de aceptación del 100% sin depender de la energía no renovable, mientras que las pruebas del mundo real redujeron el consumo de energía no renovable en más del 90%, demostrando la flexibilidad del sistema. Estos resultados sientan las bases para futuras técnicas de optimización heurística basadas en IA para mejorar la escalabilidad y la eficiencia energética en despliegues de ciudades inteligentes más amplios.

Otros recursos que podrían interesarte

Temas Virtualpro