基于机器学习的室内光伏能量收集估计低成本传感器
信号处理
2022-01-04 v1 材料科学
摘要
随着接入物联网（IoT）生态系统的通信传感器数量急剧增加，亟需设计良好的室内光能量收集方案。实现该发展的第一步是确定真实室内环境中可收集的能量。但可收集能量随多光源的光（光谱）性质和强度随时间变化，必须收集足够长时间的照明数据。此外，对于真实的现场部署，研究必须能够在多个地点同时开展，以确定能量收集潜力最高的位置。在此背景下，本文提出了一种基于商用光电二极管（而非昂贵光谱仪）的极低成本原型，其仅测量极少量的光谱数据。借助 Matlab 中的监督机器学习分类（算法学习对新观测进行分类），以及为柔性 GaAs 太阳能电池开发的叠加近似模型这一简单原理，在超过两周的观测后，我们的可收集能量估计误差小于 5%。为衡量该误差，将由收集数据得出的可收集能量估计值与真实 IoT 系统中 Li-ion 电池实验收集到的能量进行比较，并与同期使用昂贵光谱仪估计的值进行比较。我们的原型应能促进新一代低成本室内光能量收集传感器的开发与大规模部署，用于未来可靠的室内能量收集器。
引用
@article{arxiv.2201.00629,
title = {Low-cost sensors for indoor PV energy harvesting estimation based on machine learning},
author = {Bastien Politi and Alain Foucaran and Nicolas Camara},
journal= {arXiv preprint arXiv:2201.00629},
year = {2022}
}