산이나 숲과 같은 광범위한 영역을 모니터링하기 위해 설치된 센서 노드들은 배터리 교체할 때 시간과 비용이 많이드는 단점이 있다. 이에 무선 센서 네트워크 주위에 존재하는 신재생 에너지를 이용하여 사용 기간을 최대로 늘릴 필요가 있는데, 태양 에너지는 365일 항상 수집할 수 있는 무한한 에너지원이 된다. 이러한 센서 네트워크를 최적으로 설계하기 위해서는 센서 네트워크가 실제 구축되는 환경에서 수집되는 태양 에너지의 양을 예측하고 분석해주는 에너지 모델이 필요하다. 이는 설치 환경에서 필요로 하는 태양광 패널의 크기나 성능 등의 요구 사항을 미리 파악할 수 있도록 필요한 데이터를 제공해줄 수 있기 때문이다. 그러나 이를 분석하는 기존의 태양 에너지 하베스팅 모델들은 수집되는 에너지 양에 영향을 주는 여러 요소 중 일부만 고려하여 에너지를 예측하였다. 이에 본 논문에서는 기존 모델에서 고려하지 않는 태양전지 패널의 발열 손실, 월별 각도 손실, 월별 배터리 발열/냉각까지 모두 고려하여 기존 모델을 개선한 모델을 제안하였다. 그리고 이 모델에 대해 패널 각도, 기온, 패널 표면 온도에 따른 에너지 수집양을 실험을 통하여 분석한 결과, 이러한 요소들이 태양 에너지 수집 양에 영향을 준다는 것을 확인할 수 있다.
산이나 숲과 같은 광범위한 영역을 모니터링하기 위해 설치된 센서 노드들은 배터리 교체할 때 시간과 비용이 많이드는 단점이 있다. 이에 무선 센서 네트워크 주위에 존재하는 신재생 에너지를 이용하여 사용 기간을 최대로 늘릴 필요가 있는데, 태양 에너지는 365일 항상 수집할 수 있는 무한한 에너지원이 된다. 이러한 센서 네트워크를 최적으로 설계하기 위해서는 센서 네트워크가 실제 구축되는 환경에서 수집되는 태양 에너지의 양을 예측하고 분석해주는 에너지 모델이 필요하다. 이는 설치 환경에서 필요로 하는 태양광 패널의 크기나 성능 등의 요구 사항을 미리 파악할 수 있도록 필요한 데이터를 제공해줄 수 있기 때문이다. 그러나 이를 분석하는 기존의 태양 에너지 하베스팅 모델들은 수집되는 에너지 양에 영향을 주는 여러 요소 중 일부만 고려하여 에너지를 예측하였다. 이에 본 논문에서는 기존 모델에서 고려하지 않는 태양전지 패널의 발열 손실, 월별 각도 손실, 월별 배터리 발열/냉각까지 모두 고려하여 기존 모델을 개선한 모델을 제안하였다. 그리고 이 모델에 대해 패널 각도, 기온, 패널 표면 온도에 따른 에너지 수집양을 실험을 통하여 분석한 결과, 이러한 요소들이 태양 에너지 수집 양에 영향을 준다는 것을 확인할 수 있다.
Replacement of sensor nodes for monitoring a wide range area such as mountains and forests needs a lot of time and cost. Using new and renewable energy around them can maximize the lifetime of wireless sensor networks, in which solar energy is infinite energy source that is available in 365 days. To...
Replacement of sensor nodes for monitoring a wide range area such as mountains and forests needs a lot of time and cost. Using new and renewable energy around them can maximize the lifetime of wireless sensor networks, in which solar energy is infinite energy source that is available in 365 days. To design these sensor networks, solar energy model is essential and to estimate and analyze the overall photovoltaic energy. Using this, we can figure out important data such as the size and performance of solar panel needed. However, existing researches for solar energy harvesting consider parts of many factors to influence the quantity of solar energy gathered. In this paper, we suggest advanced solar energy harvesting model considering angular loss (solar cell panel), overheat loss (solar cell), rechargeable battery heat and cooling for each monthly properties. From our experimental results according to outdoor temperature, panel angle and the surface temperature of solar panel, we show these impact factors are correctly configured.
Replacement of sensor nodes for monitoring a wide range area such as mountains and forests needs a lot of time and cost. Using new and renewable energy around them can maximize the lifetime of wireless sensor networks, in which solar energy is infinite energy source that is available in 365 days. To design these sensor networks, solar energy model is essential and to estimate and analyze the overall photovoltaic energy. Using this, we can figure out important data such as the size and performance of solar panel needed. However, existing researches for solar energy harvesting consider parts of many factors to influence the quantity of solar energy gathered. In this paper, we suggest advanced solar energy harvesting model considering angular loss (solar cell panel), overheat loss (solar cell), rechargeable battery heat and cooling for each monthly properties. From our experimental results according to outdoor temperature, panel angle and the surface temperature of solar panel, we show these impact factors are correctly configured.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 기존의 에너지 하베스팅 논문에서 부분적으로 고려했던 성능 인자들을 모두 고려하여 보다 개선된 태양 에너지 하베스팅 모델을 설계하였다. 이 모델은 월별 일사량, 각도 손실, 패널 발열, 이차 전지 과열/냉각 등의 요소를 모두 적용한 하베스팅 모델이다.
본 논문에서는 기존의 연구들을 적용하고 개선된 태양에너지 하베스팅 모델을 제시한다. 표 1에서 기존의 연구들과 제안 모델은 태양 에너지 하베스팅 모델을 설계하기 위해 (보정)고려해야 할 사항들을 적용한 것을 나타냈다.
본 논문에서는 무선 센서 네트워크에서의 기존의 태양에너지 하베스팅 모델의 고려되지 않은 부분들을 고려하여 개선된 태양에너지 하베스팅 모델을 제안하였다.
본 절에서는 주변 온도의 변화에 따른 생산전압의 변화를 측정해보았다. 본 실험에서는 TH-ME-025 항온항습기, 적외선 온도계, HBE-Green-Energy, 태양광 모듈을 사용하여 실험을 진행하였다.
이 실험은 패널의 각도 변화가 에너지 생산량에 미치는 영향을 확인한다. HBE-Green-Energy 실습장비에 설치되어 있는 태양전지 패널의 각도를 1초마다 1.
제안 방법
- 제안 모델은 기존의 연구(A)에서 언급되지 않은 부분들을 고려하여 개선된 태양 에너지 하베스팅 모델을 제안하였으며 기존의 연구 (A)를 기반으로 하였다.
이 실험은 패널의 각도 변화가 에너지 생산량에 미치는 영향을 확인한다. HBE-Green-Energy 실습장비에 설치되어 있는 태양전지 패널의 각도를 1초마다 1.8도 씩 90도 까지 변화시켜 가며 생산 전압의 순간 값을 측정하였다. 이때 인공 태양의 밝기는 최대치로 하였다.
Carlo Bergonzini 등은 그들의 연구에서 태양광 에너지를 이용한 시스템의 에너지 수집량 예측 알고리즘을 소개하였으며 기존의 WCMA (Weather Conditioned Moving Average) 알고리즘을 개선하였다. 개선된 알고리즘은 에너지 비용을 9.2 % 이하로 감소시키고 평균 오류를 PDR (Phase Displacement Regulator)을 사용하여 감소시켰다. 또한 논문에서 제안된 새로운 알고리즘을 다른 알고리즘들과 비교하였다[5].
2 % 이하로 감소시키고 평균 오류를 PDR (Phase Displacement Regulator)을 사용하여 감소시켰다. 또한 논문에서 제안된 새로운 알고리즘을 다른 알고리즘들과 비교하였다[5].
본 실험에서는 TH-ME-025 항온항습기, 적외선 온도계, HBE-Green-Energy, 태양광 모듈을 사용하여 실험을 진행하였다. 먼저 항온항습기를 이용하여 대구시 월별 평균 최고온도를 유지할 수 있는 인공 환경을 구성하고 태양전지 패널을 항온항습기에 넣어 태양전지 패널의 표면온도가 항온항습기에서 조절한 온도와 같은 값이 되는 순간 값을 측정하였다. 온도의 측정은 적외선 온도계를 사용하여 측정하였고 태양광 모듈의 인공 태양의 밝기는 최대치로 하였다.
발열 손실 계산 시 표준시험조건(STC)을 기준으로 하였다. 표준시험조건이란 태양광발전 시스템의 성능을 시험할 때 기준이 되는 국제적인 표준으로 질량 정수(AM) 1.
본 장에서는 태양전지 패널에 의해 수집되는 에너지량에 영향을 주는 태양전지 패널의 설치각도, 태양전지 패널의 발열에 따른 출력 변화를 모의실험을 통하여 분석한다. 모의실험은 (주)한백전자 기술 연구소에서 개발된 신재생 에너지 종합 실습장비 HBE-Green-Energy를 사용하여 실내에서 진행하였다.
본 절에서는 태양 에너지 하베스팅 모델을 이용하여 수집되는 태양광 에너지의 양을 예측한다. 3.
본 절에서는 태양광발전 시스템에서 사용되는 식을 활용하여 태양전지 패널의 발열 손실을 계산하는 식을 구하였다. 태양전지 발열 손실은 eheat(M) 로 표시했으며 eheat(M)의 값은 0과 1 사이의 값이며 1에 가까울수록 태양전지 패널의 발열 손실이 적으며 0에 가까울수록 발열 손실이 많다.
논문 [6]에서는 태양 에너지 기반 센서 시스템을 위한 효율적인 에너지 관리 기법을 제시하였다. 시간 슬롯 단위의 수집 가능 에너지량에 대한 기댓값 모델을 기반으로 각 시간 슬롯에 할당되는 에너지의 변화를 최소화함과 동시에 주기적으로 수집되는 태양 에너지를 최대한 활용하기 위한 에너지 할당 기법을 제안하였다.
먼저 항온항습기를 이용하여 대구시 월별 평균 최고온도를 유지할 수 있는 인공 환경을 구성하고 태양전지 패널을 항온항습기에 넣어 태양전지 패널의 표면온도가 항온항습기에서 조절한 온도와 같은 값이 되는 순간 값을 측정하였다. 온도의 측정은 적외선 온도계를 사용하여 측정하였고 태양광 모듈의 인공 태양의 밝기는 최대치로 하였다. 기온에 따른 생산전압 변화는 다음과 같다.
이 모델은 월별 일사량, 각도 손실, 패널 발열, 이차 전지 과열/냉각 등의 요소를 모두 적용한 하베스팅 모델이다. 이를 검증하기 위한 첫 단계로서 모의실험을 통하여 태양광 패널의 각도, 패널의 표면 온도, 외부 기온에 따른 생산 전압의 변화량을 파악하였다. 이는 에너지 모델을 검증하고 보완하기 위해 필요한 기초적인 데이터로서, 모델의 상수 값과 가중치를 결정하는데 꼭 필요한 요소이다.
태양전지 패널이 태양광선과 90° 일 때 가장 효율이 좋다 이러한 점에서 태양전지 패널의 경사각을 월별로 계산했다.
표면온도를 5°C 간격으로 0°C에서 70°C 까지 증가시키고 측정하였다.
대상 데이터
본 장에서는 태양전지 패널에 의해 수집되는 에너지량에 영향을 주는 태양전지 패널의 설치각도, 태양전지 패널의 발열에 따른 출력 변화를 모의실험을 통하여 분석한다. 모의실험은 (주)한백전자 기술 연구소에서 개발된 신재생 에너지 종합 실습장비 HBE-Green-Energy를 사용하여 실내에서 진행하였다.
본 절에서는 주변 온도의 변화에 따른 생산전압의 변화를 측정해보았다. 본 실험에서는 TH-ME-025 항온항습기, 적외선 온도계, HBE-Green-Energy, 태양광 모듈을 사용하여 실험을 진행하였다. 먼저 항온항습기를 이용하여 대구시 월별 평균 최고온도를 유지할 수 있는 인공 환경을 구성하고 태양전지 패널을 항온항습기에 넣어 태양전지 패널의 표면온도가 항온항습기에서 조절한 온도와 같은 값이 되는 순간 값을 측정하였다.
일사량은 태양광선에 직각으로 놓은 1㎠의 넓이에 1분 동안의 복사량으로 측정된다. 본 연구에서는 대구지역의 1971년부터 2000년 까지의 30년간의 월별 평균 일사량 자료를 사용하였으며 표 2에 나타내었다[12]
성능/효과
52V로 가장 낮은 전압 출력을 보인다. 본 실험에서 관측된 결과로 외부 온도 올라 갈수록 태양전지 패널의 전기적 출력이 감소한다는 것을 알 수 있다.
태양 에너지 기반 무선 센서 노드의 배터리 선정 시 부조일수는 고려되어야할 사항 중 하나이며 보통 3-7일 정도로 두고 계산을 한다. 본 연구에서 부조일수는 4일 11시간으로 계산되었다.
그림 3에서는 각도 변화에 따른 태양전지 패널의 생산전압의 변화를 볼 수 있다. 태양전지 패널의 각도를 1.8도에서 90도 까지 변화시킬 경우에 생산 전압이 5.79V에서 8.13V 까지 증가하였으며 태양전지 패널과 태양광선의 각도가 90도일 때 효율이 가장 높다는 것을 알 수 있다.
후속연구
향후 과제로는 성능 인자들을 복합적으로 구성했을 때의 에너지 양의 변화를 측정하고, 실제 외부 환경에서 충분한 시간동안 측정 데이터를 수집함으로써 실제 구축될 환경에 더 가깝도록 모델을 보정하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
센서 네트워크를 최적으로 설계하기 위해서, 센서 네트워크가 실제 구축되는 환경에서 수집되는 태양 에너지의 양을 예측하고 분석해주는 에너지 모델이 필요한 이유는?
이러한 센서 네트워크를 최적으로 설계하기 위해서는 센서 네트워크가 실제 구축되는 환경에서 수집되는 태양 에너지의 양을 예측하고 분석해주는 에너지 모델이 필요하다. 이는 설치 환경에서 필요로 하는 태양광 패널의 크기나 성능 등의 요구 사항을 미리 파악할 수 있도록 필요한 데이터를 제공해줄 수 있기 때문이다. 그러나 이를 분석하는 기존의 태양 에너지 하베스팅 모델들은 수집되는 에너지 양에 영향을 주는 여러 요소 중 일부만 고려하여 에너지를 예측하였다.
산이나 숲과 같은 광범위한 영역을 모니터링하기 위해 설치된 센서 노드들의 단점은?
산이나 숲과 같은 광범위한 영역을 모니터링하기 위해 설치된 센서 노드들은 배터리 교체할 때 시간과 비용이 많이드는 단점이 있다. 이에 무선 센서 네트워크 주위에 존재하는 신재생 에너지를 이용하여 사용 기간을 최대로 늘릴 필요가 있는데, 태양 에너지는 365일 항상 수집할 수 있는 무한한 에너지원이 된다.
태양 에너지의 장점은?
산이나 숲과 같은 광범위한 영역을 모니터링하기 위해 설치된 센서 노드들은 배터리 교체할 때 시간과 비용이 많이드는 단점이 있다. 이에 무선 센서 네트워크 주위에 존재하는 신재생 에너지를 이용하여 사용 기간을 최대로 늘릴 필요가 있는데, 태양 에너지는 365일 항상 수집할 수 있는 무한한 에너지원이 된다. 이러한 센서 네트워크를 최적으로 설계하기 위해서는 센서 네트워크가 실제 구축되는 환경에서 수집되는 태양 에너지의 양을 예측하고 분석해주는 에너지 모델이 필요하다.
Giuseppe Anastasi, Mario Di Francesco, Marco Conti, and Andrea Passarella, How to Prolong the Lifetime of Wireless Sensor Network (Chapter 6 in Mobile Ad Hoc and Pervasive Communications), CRC Press, January 2013.
Ren-Guey Lee, Kuei-Chien, Shao-Shan Chiang, Chien-Chih Lai, HsinSheng Liu, and Ming-Shyan Wei, "A Backup Routing with Wireless Sensor Network for Bridge Monitoring System", Elsevier Meausrement, Vol. 40, Issue 1, pp.55-83, January 2007.
Geoffrey Werner-Akke, Konrad Lorincz, Matt Welsh, Omar Marcillo, Jeff Johnson, Mario Ruiz, and Jonathan Lees, "Deploying a Wireless Sensor Networkon an Active Volcano", IEEE Internet Computing, Vol. 10, Issue 2, pp.18-25. April 2006.
Carlo Bergonzini, Davide Brunelli, Luca Benini, "Comparison of energy intake prediction algorithms for systems powered by photovoltaic harvesters" Elsevier Microelectronics Journal, Vol. 41, Issue 11, pp.766-777, November 2010.
노동건, 윤익준, "태양 에너지 기반 센서 시스템을 위한 효율적인 에너지 관리 기법", Vol.15, No.7, pp.478-488, 2009.7.
Vishal Prajapati, "Efficient Prediction Model for Solar Power Harvesting Sensor Nodes", Master thesis of Indian Institute of Technology, 2010.
Daniela Kruger, Carsten Buschmann, and Stefan Fischer, "Solar Powered Sensor Network Design and Experimentation", Proceeding of IEEE International Symposium on Wireless Communication Systems, pp. 11-15, September 2009.
이원미, "무선 센서노드의 전원공급을 위한 에너지 하베스팅 기술 연구", 대구대학교 대학원 석사학위논문, 2010.
Edson L. Meyer and E. and Ernest Vandyk, "Assessing the Reliability and Degradation of Photovoltaic Module Performance parameters", IEEE Trans. on Reliability, Vol. 53. No. 1, pp. 83-92, 2004.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.