Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
MACEDO, Wilson Antonio Cosmo
 |
| Orientador(a): |
BARROS, Fabrício José Brito
|
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Pará
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Elétrica
|
| Departamento: |
Instituto de Tecnologia
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufpa.br/jspui/handle/2011/16760
|
Resumo: |
O aumento das aplicações de redes IoT (Internet das Coisas) destaca a necessidade de otimizar a gestão de energia nestes sistemas, pois a eficiência energética é crucial para a adaptabilidade das implementações que referem-se à IoT. Este estudo analisa as curvas de descarga de uma bateria recarregável em um contexto de rede IoT que utiliza comunicação LoRa (Long Range) e vários sensores, com o objetivo de gerar múltiplas curvas de descarga para estimar o comportamento da bateria nesse cenário. Essas curvas foram utilizadas para treinar uma Rede Neural Artificial (RNA) de várias camadas, implementando técnicas de Deep Learning, na qual a arquitetura da RNA foi delineada usando o algoritmo de Otimização Multiobjetivo NSGA-II (Non-dominated Sorting Genetic Algorithm II), o que resultou em modelos com capacidade de estimar o tempo de descarga da bateria ao analisar um segmento do processo de descarga observado pelo modelo com erro médio quadrático de aproximadamente dois minutos para o modelo mais eficiente encontrado. Este resultado representa uma margem muito positiva, visto que a extensão dos testes de descarga são de até aproximadamente setenta e uma horas e a taxa de amostragem de coleta dos dados é de um minuto. |
