Hoch

Wissenschaftliche Berichte Band 13, Artikelnummer: 1637 (2023) Diesen Artikel zitieren

1829 Zugriffe

1 Altmetrisch

Details zu den Metriken

In den letzten Jahren hat die Forschung zu Wandlern und Systemarchitekturen für energieautarke Geräte aufgrund ihrer direkten Auswirkungen auf das Internet der Dinge in Bezug auf Kosten, Stromverbrauch und Umweltauswirkungen an Aufmerksamkeit gewonnen. Untersucht wird das Konzept eines drahtlosen Sensorknotens, der einen einzelnen thermoelektrischen Generator effizient und kontrolliert als Stromquelle und als Temperaturgradientensensor nutzt. Der Zweck des Geräts besteht darin, Temperaturgradientendaten in Rechenzentren zu sammeln, um die Anwendung wärmebewusster Serverlastmanagement-Algorithmen zu ermöglichen. Durch die Verwendung eines Maximum-Power-Point-Tracking-Algorithmus wird der Betriebspunkt des thermoelektrischen Generators unter Kontrolle gehalten, während seine Leistungs-Temperatur-Übertragungsfunktion zur Messung des Temperaturgradienten verwendet wird. Auf diese Weise wird eine genauere Messung des Temperaturgradienten bei gleichzeitiger Energiegewinnung mit maximaler Effizienz erreicht. Die Ergebnisse zeigen den Betrieb des Systems in seinen verschiedenen Phasen und demonstrieren seine Fähigkeit, bei der Messung effizient Energie aus einem Temperaturgradienten zu gewinnen. Mit dieser Systemarchitektur können Temperaturgradienten mit einem maximalen Fehler von 0,14 \(^{\circ }\)C und einem Wirkungsgrad von über 92 % für Werte über 13 \(^{\circ }\)C gemessen werden Wandler.

Phänomene wie das Internet der Dinge (IoT)1 oder drahtlose Sensornetzwerke (WSNs)2 sehen die Installation einer Reihe von Sensoren vor, die von mehreren Hundert bis sogar Tausenden reichen2. In diesen Netzwerken liegt das Interesse darin, die verschiedenen Sensorknoten autonom mit Strom zu versorgen. Die direkteste und umfassendste Lösung ist die Verwendung von Batterien. Dies hat jedoch zwei Hauptnachteile: (1) eine Erhöhung der Betriebs- und Wartungskosten des Knotens und (2) eine erhebliche Umweltbelastung bei jeder Entsorgung einer Batterie. Dies, multipliziert mit Hunderten von Sensorknoten, macht die langfristige Nachhaltigkeit des Netzwerks fraglich. Daher ist es eine bessere Alternative, den Knoten lokal durch Energy Harvesting mit Strom zu versorgen und so das Internet batterieloser Dinge (IoBT)3 zu ermöglichen. Um die Energietauglichkeit dieser Geräte sicherzustellen, werden im Knoten zwei Möglichkeiten genutzt: (1) Reduzierung der Anzahl der Komponenten und (2) Reduzierung des Rechenaufwands. Die erste Strategie ist klar: Die Reduzierung der Anzahl der zu verwendenden Komponenten bedeutet, dass weniger Komponenten mit Strom versorgt werden müssen und somit weniger Verbrauch4. Die zweite Strategie besteht darin, den Rechenaufwand im Knoten zu reduzieren5. Allerdings löst die Reduzierung der Rechenleistung am Knoten, um dessen Eigenstromversorgung zu ermöglichen, das Problem nicht, sondern verschiebt es vielmehr an einen anderen Ort. In diesem Fall wird es in Rechenzentren verlagert.

Sie sehen eine Steigerung ihrer Aktivität aufgrund einer ständig wachsenden Datenmenge, die gespeichert werden muss, und einer immer größeren Rechenaktivität zur Verarbeitung dieser riesigen Datenmenge, was zu einem erwarteten Energiebedarf von bis zu 1287 TWh im Jahr 2030 führen wird6. Das Ziel in diesen Zentren besteht darin, die Energiekosten ihrer Kühlung zu senken, oder mit anderen Worten, die Power Usage Effectiveness (PUE) zu reduzieren. PUE ist ein von The Green Grid7 definierter Standard zur Messung der Effizienz des Energieverbrauchs in Rechenzentren und ist definiert als:

Im Idealfall wäre der PUE 1 und die gesamte in Rechenzentren verbrauchte Energie würde ausschließlich für den Betrieb der Server verwendet. Dies ist jedoch nicht der Fall und es wird zusätzliche Energie benötigt, um Systeme wie Kühlung, Überwachung, Beleuchtung usw. mit Strom zu versorgen. Beispielsweise haben die Rechenzentren von Google einen nachlaufenden 12-Monats-PUE von 1,11 im Jahr 20208, Microsoft einen PUE von 1,125 im Jahr 20159 Amazon meldete im Jahr 2014 einen PUE-Wert von 1,210, und eine Umfrage im Jahr 2019 ergab, dass der durchschnittliche PUE für die anderen Unternehmen bei 1,6711 lag. Mit dem Ziel, den aktuellen PUE in Rechenzentren zu verbessern, stellt dieser Artikel einen drahtlosen Sensorknoten vor, der mithilfe eines thermoelektrischen Generators (TEG) die von einer Mikrocontrollereinheit (MCU) in einem Rechenzentrum in Form von Wärme abgegebene Energie sammelt. Gleichzeitig überwacht es mit demselben TEG den Temperaturgradienten zwischen der MCU und ihrer Umgebung. Dies ermöglicht die Überwachung der Umgebungstemperatur im Rechenzentrum mit einer feinen Granularität, die die Implementierung wärmebewusster Algorithmen für das Serverlastmanagement ermöglicht12. Der Einsatz eines drahtlosen, batterielosen Sensornetzwerks und die Implementierung wärmebewusster Serverlastmanagement-Algorithmen sind zwei Wege, die eine Verbesserung des PUE ermöglichen. Die Daten werden drahtlos mit LoRaWAN gesendet, während der Strom mithilfe eines Maximum Power Point Tracking (MPPT)-Algorithmus effizient aus dem TEG entnommen wird.

Die Hauptschwerpunkte der Forschung, die sich auf die Nutzung von TEGs als saubere Energiequelle konzentrieren, sind die Entwicklung und Herstellung der TEGs selbst, der Entwurf von Power-Management-Einheiten (PMUs) für eine effiziente Energiegewinnung sowie der Entwurf und die Entwicklung von Systemen und Architekturen dafür Verwenden Sie TEGs, um eine kontinuierliche Überwachung eines interessierenden Parameters durchzuführen. Beispielsweise wird eine neue Montagetechnologie vorgestellt, die es ermöglicht, die Integrationsdichte von TEGs zu erhöhen13. Ein mit dieser Technologie hergestellter TEG ist für tragbare Geräte mit eigener Stromversorgung gedacht und ermöglicht höhere Leistungswerte von bis zu 91 μW bei einem Temperaturgradienten von 5 \(^{\circ }\)C als andere vergleichbare TEGs. Andererseits wird ein TEG-basiertes Energy-Harvesting-System zur Stromversorgung drahtloser Sensorknoten vorgestellt14. Das System besteht aus zwei Hochsetzstellern und zeichnet sich dadurch aus, dass das System mit einer Spannung von bis zu 62 mV gestartet werden kann. Und das alles bei einem Wirkungsgrad zwischen 44,2 und 75,4 %. Eine weitere interessante Arbeit stellt einen energieautarken Sensorknoten zur Überwachung einer Gasturbine vor15. Das Gerät ist in der Lage, eine geregelte Spannung von 2,4 V und eine maximale Leistung von 0,92 W bei einer Turbinentemperatur von 325 \(^{\circ }\)C zu liefern. Außerdem wird ein neuer MPPT-Algorithmus zur effizienten Energiegewinnung aus TEG16 vorgestellt. Die vorgestellte Methode zeichnet sich durch ihre Einfachheit aus, da sie nur sehr wenige zusätzliche Komponenten erfordert, was auch eine Reduzierung des Stromverbrauchs bei ihrer Implementierung ermöglicht. Mit dieser Methode ist der TEG in der Lage, in einem Betriebspunkt zu arbeiten, der um nicht mehr als 1,87 % von seinem maximalen Leistungspunkt (MPP) abweicht.

Es gibt jedoch nicht viel Forschung zur gleichzeitigen Verwendung von TEG als Energiequelle und Sensor. Dies wird auch in Shi et al. wo die Autoren eines der wenigen existierenden Werke in dieser Hinsicht präsentieren17. Es wird ein TEG-basierter drahtloser Sensorknoten mit eigener Stromversorgung vorgestellt, bei dem der TEG als Stromquelle und Sensor verwendet wird. Der Knoten besteht aus einem TEG, der mit einem elektronischen Lesegerät verbunden ist, das aus einer PMU, einem Analog-Digital-Wandler (ADC), einem Mikrocontroller und einem Hochfrequenzsender (RF) besteht. Die Ausgangsspannung des TEG wird als Indikatorsignal für den Temperaturgradienten verwendet, dem er ausgesetzt ist. Dieses Signal wird vom ADC erfasst, digitalisiert und drahtlos an einen Host übertragen. Allerdings weist dieser Ansatz einen Nachteil auf, den die in dieser Arbeit vorgestellte Lösung behebt. Dieser Nachteil besteht darin, dass der Arbeitspunkt des TEG nicht kontrolliert wird. Dies hat zwei Konsequenzen. Erstens kann die Ausgangsspannung des TEG nicht als direkter Indikator für den Temperaturgradienten verwendet werden, dem er ausgesetzt ist. Es könnte verwendet werden, wenn der TEG im offenen Stromkreis ist, aber das ist nicht der Fall. Obwohl die Autoren darauf hinweisen, dass die Impedanz des ADC hoch ist, sollte beachtet werden, dass der Ausgang des TEG auch mit der PMU verbunden ist, die für die Stromversorgung des gesamten Systems verantwortlich ist. Der durchschnittliche Verbrauch des Geräts, der nicht angegeben ist, bedeutet, dass sich der TEG nicht in einer Leerlaufsituation befindet. Darüber hinaus führt der dynamische Verbrauch dazu, dass der Arbeitspunkt des TEG unkontrolliert schwankt. Dies führt zu einem Fehler bei der Messung des Temperaturgradienten, in diesem Fall von 0,5 \(^{\circ }\)C. Die zweite Konsequenz besteht darin, dass dem TEG nicht effizient Energie entzogen wird. Um maximale Leistung zu liefern, muss der TEG mit einer Lastimpedanz betrieben werden, die seiner internen Impedanz entspricht. Der Einsatz von MPPT-Algorithmen ist ein Muss, wenn mit niedrigen Temperaturgradienten gearbeitet wird oder wenn die Komplexität des Systems (dh sein Stromverbrauch) bekannt ist. Zur Energiegewinnung aus dem TEG wird kein Effizienzwert angegeben. Schließlich gibt die Arbeit einen Stromverbrauch des Kommunikationsmoduls von 17 mA an, beschreibt jedoch nicht dessen Design und Implementierung als Schlüsselmodul des Systems.

Eine weitere sehr interessante Lösung zur Energiegewinnung und Temperaturmessung mithilfe eines thermoelektrischen Generators wird von Wen et al.18 vorgestellt. Bei diesem Ansatz werden zwei TEGs nach einer Doppelkettenkonfiguration verwendet. Eines hat die Aufgabe, Energie zu erzeugen, und das zweite dient als Sensor, anstelle unseres Vorschlags, bei dem nur ein thermoelektrisches Modul für beide Rollen gleichzeitig verwendet wird. Die Autoren nutzen die gewonnene Energie, um einen Rechner mit Strom zu versorgen, indem sie eine geregelte Spannung von 3,3 V erzeugen, um die Fähigkeit des Geräts zu demonstrieren, kommerzielle Lösungen mit Strom zu versorgen. Darüber hinaus wird für die Messung der aus dem TEG entnommenen Leistung, die bei einem Temperaturgradienten von 50 \(^{\circ }\)C und einem Lastwiderstand von 1,8 k\(\Omega \) 2,9 μW beträgt, die Lastimpedanz verwendet wird manuell eingestellt, ohne dass ein autonomer Abgleich erfolgt. Dies bedeutet, dass im Falle von Schwankungen der äquivalenten Eingangsimpedanz des vom TEG gespeisten Systems diesem nicht effizient Energie entzogen wird, was ein weiterer Vorteil unseres Systems ist. Schließlich wird nicht gezeigt, ob die Lösung in der Lage ist, ein Gerät mit Strom zu versorgen, um drahtlose Übertragungen zu ermöglichen, was eine der wichtigsten wünschenswerten Eigenschaften solcher Geräte ist. Es wird ein Rechner mit Strom versorgt, der mit der von der Lösung durchgeführten Messung nichts zu tun hat. Mit anderen Worten: Der tragbare Multi-Sensing-Doppelketten-Thermogenerator ist in der Lage, Energie zu sammeln und die Temperatur zu messen, aber er ist nicht in der Lage, die Messung auszugeben, was ihn auf kurze Sicht alles andere als zu einer brauchbaren kommerziellen Lösung macht.

Während die vorgestellte Lösung ein großes Potenzial für alle Anwendungen bietet, bei denen eine kontinuierliche Überwachung von Temperaturgradienten erforderlich ist und der Einsatz von Batterien oder Anschlüssen an das Stromnetz nicht möglich ist, wie z. B. Anwendungen bei der Überwachung des strukturellen Zustands19,20 oder der Temperaturgradientenüberwachung B. in intelligenten Gebäuden zur Erstellung von Energieeffizienzmodellen21,22 oder zur nicht-invasiven Messung der Temperatur von Flüssigkeiten in Rohrleitungen mithilfe von TEGs23, stellt diese Arbeit einen Ansatz vor, bei dem ein TEG gleichzeitig als Stromversorgung und Sensor betrieben wird und gleichzeitig Energie daraus extrahiert den TEG mit maximaler Effizienz im Rahmen einer Anwendung zur Überwachung des Temperaturgradienten zwischen einem Server-Mikroprozessor und der Umgebung. Das heißt, bei seinem MPP. Zu diesem Zweck steuert es den Arbeitspunkt des TEG mithilfe eines MPPT-Algorithmus. Außerdem wird der auf Superkondensatoren basierende, leistungsbewusste Verwaltungsalgorithmus für die drahtlose Übertragung beschrieben, der die drahtlose Übertragung von Daten über LoRa/LoRaWAN ermöglicht.

Ein TEG ist ein Festkörpergerät, das Wärmeenergie in elektrische Energie umwandelt. Dadurch entsteht an den Enden des Thermoelements eine Leerlaufspannung (OCV) und beim Anschluss einer elektrischen Last entsteht ein Stromfluss von einem Ende zum anderen. Der OCV für einen gegebenen Temperaturgradienten wird ausgedrückt durch:

wobei S der Seebeck-Koeffizient und \(\Delta T\) der Temperaturgradient über dem TEG ist. Wenn hingegen eine Last an die TEG-Anschlüsse angeschlossen wird, beträgt die TEG-Ausgangsspannung, die von seinem Innenwiderstand \(R_{TEG}\) abhängt:

wobei \(R_L\) die elektrische Last ist. Ebenso kann der TEG-Ausgangsstrom ausgedrückt werden als:

Abgeleitet aus Gl. (2)–(4), Abb. 1a zeigt das einfachste konzentrierte elektrische Modell eines TEG24. Die gemessenen Spannungs-Strom-Polarisationskurven eines TGM-127-1.0-2.5 TEG sind in Abb. 1b dargestellt. Der verwendete Temperaturgradientenbereich wurde unter Berücksichtigung der Umgebungstemperaturrichtlinien der American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) und der Betriebstemperaturen dedizierter Mikroprozessoren für Server ausgewählt. Der minimale Temperaturgradient ist der entscheidende Parameter zur Validierung der Machbarkeit der Lösung. ASHRAE empfiehlt Umgebungstemperaturen von 18 bis 32 \(^{\circ }\)C, was den restriktivsten Fall darstellt und den Empfehlungen für Installationen vom Typ A1 entspricht25. Als Beispiel für die Betriebstemperaturen dedizierter Mikroprozessoren für Server haben wir einen AMD EPYC-Prozessor der 3. Generation als Referenz genommen, der von den wichtigsten Unternehmen mit Rechenzentren verwendet wird26. Benchmarking-Temperaturdaten wurden verwendet, um eine minimale Betriebstemperatur von 45 \(^{\circ }\)C27 festzulegen, und die Spezifikationen des Herstellers, um eine maximale Betriebstemperatur von 81 \(^{\circ }\)C28 festzulegen. Diese Temperaturen stellen einen minimalen Temperaturgradienten von 13 \(^{\circ }\)C ein. In dieser Arbeit haben wir den TEG für einen Temperaturgradientenbereich von 0 \(^{\circ }\)C bis zum maximalen Temperaturgradienten charakterisiert, den die verwendete Testplattform in der Lage ist, nämlich 30 \(^{\circ }\ )C, mit einem Temperaturgradientenschritt von 5 \(^{\circ }\)C. Der TEG hat einen Seebeck-Koeffizienten und einen Ausgangswiderstand von 36 mV \(^{\circ }\)C\(^{-1}\) bzw. 4,4 \(\Omega \). Für den minimalen Temperaturgradienten von 13 \(^{\circ }\)C ist der TEG in der Lage, eine OCV von 465 mV, einen Kurzschlussstrom (SSC) von 108 mA und eine maximale Leistung am MPP von zu erzeugen 12,7 mW. Die Leistung eines TEG als Stromquelle kann anhand von Leistungs-Spannungs-Kurven für verschiedene Temperaturgradienten bewertet werden. Aus diesen Kurven können wir Eigenschaften wie die maximale Leistung für einen bestimmten Temperaturgradienten oder, was noch wichtiger ist, den Betriebspunkt, in dem diese maximale Leistung entnommen wird, extrahieren. Wie effizient der TEG betrieben wird, geben wir mit dem Parameter \(\eta _{TEG}\) an, der wie folgt definiert ist:

Dabei ist \(P_{TEG}\) die aus dem TEG für einen bestimmten Betriebspunkt entnommene Leistung und \(P_{TEG_{max}}\) die maximale Leistung, die bei MPP entnommen werden kann. Wenn die Betriebsspannung des TEG \(V_{TEG}\) in Bezug auf die entsprechende OCV normiert wird, wie in Abb. 1c gezeigt, können wir sehen, wie die maximale Leistung, d. h. a \(\eta _{TEG}\ ) Wirkungsgrad von 100 % wird für eine Polarisationsspannung erreicht, die der Hälfte des OCV für den gleichen Temperaturgradienten entspricht. Normalerweise wird aus Polarisationskurven eine Spannungs-Temperatur-Gradientenkurve für einen festen Laststrom extrahiert, um die Leistung eines TEG als Sensor zu bewerten. Beim Betrieb als Sensor legen wir den Arbeitspunkt des TEG fest, um seine Eigenschaften als Sensor zu maximieren. Um beispielsweise seine Empfindlichkeit zu maximieren, wenn die Spannung als Ausgangssignal verwendet wird, stellen wir den TEG auf einen Arbeitspunkt im Leerlauf ein. Wenn wir jedoch Strom als Ausgangssignal verwenden, stellen wir den TEG auf einen Kurzschluss-Arbeitspunkt ein, um maximale Empfindlichkeit zu erreichen. In diesen beiden Betriebspunkten wird dem TEG kein Strom entnommen, sodass die Nutzung des TEG als Stromquelle nicht möglich ist. Mit dem TEG als Stromquelle muss der MPP mithilfe von MPPT-Algorithmen ermittelt werden.

Experimentelle Charakterisierung des thermoelektrischen Generators TGM-127-1.0-2.5. (a) Vereinfachtes konzentriertes elektrisches Modell eines universellen thermoelektrischen Generators. (b) Polarisationskurven des thermoelektrischen Generators für verschiedene Temperaturgradienten (\(\Delta T\)). (c) 3D-Diagramm der vom thermoelektrischen Generator abgegebenen Leistung (\(P_{TEG}\)), seines Wirkungsgrades (\(\eta _{TEG}\)) und der Punkte maximaler Leistung gegenüber seiner Polarisationsspannung (\( V_{TEG}\)) normalisiert in Bezug auf seine Leerlaufspannung (\(V_{TEG_{OCV}}\)) und den Temperaturgradienten (\(\Delta T\)). (d) Übertragungsfunktion des Temperaturgradienten (\(\Delta T\)) zur Leistung am Punkt maximaler Leistung (\(P_{TEG_{max}}\)).

Schließlich zeigt Abb. 1d die maximale Leistung bei MPP, die vom TEG für jeden Temperaturgradienten erzeugt wird. Die maximale Leistung zeigt eine Abhängigkeit vom Temperaturgradienten, die durch die Funktion ausgedrückt wird

Dies wird vom Back-End-Modul zur Berechnung des gemessenen Temperaturgradienten verwendet.

Es gibt mehrere MPPT-Algorithmen, um den MPP eines TEG für bestimmte Betriebsbedingungen zu verfolgen. Aber alle verfolgen das gleiche Ziel: den TEG mit einer Lastimpedanz zu beaufschlagen, die seinem Innenwiderstand entspricht. Aus Gl. (3)–(4), die Bedingung zum Erreichen des MPP ist:

Das entspricht dem Anlegen einer Lastspannung, die der Hälfte seines OCV entspricht. Daher ist einer der gebräuchlichsten und bekanntesten MPPT-Algorithmen der MPPT-Algorithmus mit fraktionierter Leerlaufspannung (FOCV)29. Der TEG wird regelmäßig vom System getrennt, um ihn in den Leerlaufzustand zu versetzen und seinen OCV abzutasten. Anschließend wird der TEG wieder an das System angeschlossen und seine Betriebsspannung \(V_{TEG}\) wird mithilfe der angelegten Lastimpedanz auf die Hälfte seines OCV geregelt. Dieser Algorithmus weist einen großen Nachteil auf: Es wird kein Strom entnommen, wenn der TEG vom System getrennt wird, um seinen OCV zu messen. Somit wird der maximale Wirkungsgrad \(\eta _{TEG}\) erreicht, während der TEG mit seinem MPP verbunden und geregelt ist, aber der durchschnittliche Wirkungsgrad \(\overline{\eta _{TEG}}\) nimmt aufgrund der ab Leistungsverluste, die während der Probenahmeperioden in das System eingebracht werden, führen zu einer geringeren Energieentnahme. Wenn außerdem die Abtastfrequenz reduziert wird, um \(\overline{\eta _{TEG}}\ zu erhöhen, kann dies zu einem noch niedrigeren \(\overline{\eta _{TEG}}\) führen, da der Algorithmus Verluste erleidet seine Fähigkeit, die Variation des MPP aufgrund von Variationen des Temperaturgradienten während der langen Zeiträume ohne Probenahme zu verfolgen. Ein weiterer MPPT-Algorithmus ist der Perturb and Observ (P&O)30. Bei diesem Algorithmus wird, wie der Name schon sagt, die TEG-Ausgangsspannung (oder analog der Strom) leicht gestört, indem ihr Wert erhöht oder verringert wird, während die resultierende TEG-Ausgangsleistung beobachtet wird. Wenn die TEG-Ausgangsleistung zunimmt, wird die nächste Störung der TEG-Ausgangsspannung (oder des TEG-Stroms) in die gleiche Richtung erfolgen. Andernfalls, wenn die TEG-Ausgangsleistung abnimmt, erfolgt die nächste Störung in die entgegengesetzte Richtung. Aufgrund des P&O-Algorithmus erreicht der TEG-Betriebspunkt seinen MPP und oszilliert um diesen herum. Diese Oszillation des TEG-Arbeitspunkts um MPP führt zu einem hohen, aber nicht zu einem theoretisch perfekten \(\eta _{TEG}\). Diese Schwingung kann reduziert werden, indem der Störungsschritt auf Kosten einer langsameren Nachführgeschwindigkeit verringert wird. Als Vorteil besteht beim P&O-Algorithmus keine Notwendigkeit, den TEG vom System zu trennen, um seinen OCV oder SSC zu verfolgen. Dadurch wird ein höherer \(\overline{\eta _{TEG}}\) erreicht.

Während der P&O-Algorithmus die Verfolgung des MPP ohne Abschaltung des TEG ermöglicht, kann der Algorithmus auch für einen ganz anderen Zweck verwendet werden: zur Messung des Temperaturgradienten über den TEG. Aus den Polarisationskurven kann eine Übertragungsfunktion des Temperaturgradienten gegenüber der maximalen Leistung (\(\Delta T\) − \(P_{TEG_{max}}\)) erhalten werden. Da der P&O-Algorithmus den MPP verfolgt, kann der Temperaturgradient über den TEG aus der Messung der TEG-Ausgangsleistung ermittelt werden, die bereits vom Algorithmus selbst überwacht wird. Somit ist nur ein einziger TEG erforderlich, um Energie aus der Umgebung zu gewinnen und gleichzeitig einen Temperaturgradienten zu erfassen; Ersteres wird inzwischen effizient erledigt. Die vorgestellte Lösung nutzt den P&O-Algorithmus, um dem TEG effizient Energie zu entziehen und ihn gleichzeitig als Temperaturgradientensensor zu nutzen.

Der übliche Ansatz für TEG-basierte Geräte mit eigener Stromversorgung besteht aus drei Hauptmodulen: (1) einer PMU, (2) einem Front-End und (3) Back-End-Modulen. Der erste ist für die Stromgewinnung aus dem TEG verantwortlich. Aufgrund des normalerweise niedrigen Spannungspegels, der von TEGs31 ausgegeben wird, besteht die Hauptaufgabe der PMU darin, die Eingangsspannung zu erhöhen, um eine geregelte Spannungsversorgung zu erzeugen, die das Gerät mit Strom versorgen kann. Eine in diesen Geräten normalerweise vorhandene Hilfsaufgabe besteht darin, die äquivalente Eingangsimpedanz mittels eines MPPT-Algorithmus zu regulieren, um \(\eta _{TEG}\) zu maximieren. Dieses Modul kann durch ein Energiespeichermodul unterstützt werden, das die überschüssige gewonnene Energie speichert und so dem Gerät eine längere Autonomie oder die Möglichkeit bietet, einen pünktlichen hohen Strombedarf zu decken. Das Front-End-Modul ist für die Schnittstelle des für die Temperaturgradientenmessung verwendeten Sensors verantwortlich, bei dem es sich um den TEG oder einen zusätzlichen Sensor handeln kann. Wenn der Temperaturgradient mithilfe des TEG selbst gemessen wird, besteht eine Möglichkeit darin, die Unterbrechungsperiode während der Ausführung des MPPT-Algorithmus zur Messung des OCV zu verwenden. Dies impliziert einen geringeren \(\overline{\eta _{TEG}}\) aufgrund der Leistungsverluste, die bei TEG-Abschaltungen in das System eingebracht werden. Das letzte Modul, das Backend, ist anwendungsabhängig, besteht jedoch normalerweise aus einer MCU, die für die Datenverarbeitung und die Steuerung der Ausführung des MPPT-Algorithmus verantwortlich ist; und eine Schnittstelle zur Ausgabe der Messung, beispielsweise ein drahtloser Sender oder ein Display. Das Blockdiagramm und ein Bild des in dieser Arbeit vorgestellten Systems sind in Abb. 2 dargestellt. Das Gerät verwendet den P&O-Algorithmus und moduliert die äquivalente Eingangsimpedanz seiner PMU, um \(\eta _{TEG}\) zu maximieren. Während dem TEG Strom entnommen wird, erfasst das Frontend- oder Leistungserfassungsmodul, das im Strompfad zwischen dem TEG und der PMU platziert ist, die von ersterem ausgegebene Leistung. Dies ermöglicht die gleichzeitige Messung des Temperaturgradienten über den TEG. Das Front-End-Modul gibt zwei Spannungssignale \(V_{VTEG}\) und \(V_{ITEG}\) als Indikatoren für die vom TEG ausgegebenen Spannungs- und Strompegel aus. Diese beiden Signale werden mit einer MCU verbunden, die sie mit ihrem Analog-Digital-Wandler (ADC) abtastet und die TEG-Ausgangsleistung \(P_{TEG}\) berechnet. Mit \(P_{TEG}\) und \(V_{VTEG}\) steuert die MCU die Ausführung des P &O-Algorithmus und erzeugt mithilfe ihres Digital-Analog-Wandlers (DAC) ein analoges Steuersignal \( V_{DAC}\), der mit der PMU verbunden ist, die Rückkopplungsschleife schließt und deren äquivalente Eingangsimpedanz steuert. Darüber hinaus wandelt die MCU die gemessene TEG-Ausgangsleistung in einen Temperaturgradienten um und sendet ihn an einen drahtlosen Transceiver, um die Daten an ein Gateway oder einen Host zu übertragen. Eine Low-Power-Wide-Area-Network-Übertragung (LPWAN), wie in einem Long-Range-Modulation-Wide-Area-Network (LoRaWAN), kann einen relativ hohen Stromverbrauch von mindestens 17 mA erfordern32. Wenn der TEG zum Zeitpunkt der Übertragung nicht in der Lage ist, den erforderlichen Stromverbrauch zu decken, ist die Übertragung nicht möglich oder es kommt direkt zur Abschaltung des gesamten Systems. Um dieses Problem zu lösen, ist in der PMU ein Energiespeichermodul enthalten. Das System gewinnt Energie über den TEG und speichert sie im Energiespeichermodul. Sobald genügend Energie gespeichert ist, erhöht die PMU das Signal \(V_{PGOOD}\) und zeigt dem Back-End-Modul an, dass die drahtlose Übertragung energetisch machbar ist und durchgeführt werden kann. Sobald das Energieniveau im Speichermodul sinkt, sinkt das Signal \(V_{PGOOD}\), bis wieder genügend Energie gewonnen wird. In Energiespeichermodulen, die auf einem Superkondensator basieren, wird die Polarisationsspannung \(V_{SCAP}\) als Indikator für die gespeicherte Energie verwendet, definiert als:

Dabei ist \(V_{SCAP}\) die Spannung am Superkondensator und \(C_{SCAP}\) seine Kapazität.

Der autarke Prototyp eines drahtlosen Sensorknotens zur thermischen Überwachung, der auf einem einzelnen thermoelektrischen Generator basiert. (a) Blockdiagramm der Systemarchitektur. (b) Foto der Geräteimplementierung. (c) Schaltplan des umgesetzten Prototyps.

Die Wahl der Kapazität des Superkondensators ist ein entscheidender Aspekt bei diesem Gerätetyp, da sie einen direkten Einfluss auf die anfängliche Zeit hat, die zum Laden des Superkondensators und zur Durchführung der ersten drahtlosen Kommunikation benötigt wird. Die Kapazität wiederum beeinflusst auch den Spannungsabfall, der durch eine Verringerung der gespeicherten Energie verursacht wird. Um den Systemstart zu erleichtern und die für die Durchführung der ersten drahtlosen Kommunikation erforderliche Zeit zu minimieren, wurde die Kapazität so klein wie möglich dimensioniert, um den Energiebedarf der drahtlosen Kommunikation zu decken. Nach Gl. (9) kann bei gleicher Energiemenge eine kleinere Kapazität erreicht werden, wenn ein größerer Spannungsabfall zugelassen wird. Andererseits würde ein höherer Kapazitätswert einen geringeren Spannungsabfall ermöglichen, aber auch zu einer längeren Anlaufzeit führen.

Abbildung 3 zeigt die Stromverbrauchswellenformen sowohl für den Join-Vorgang als auch für die Datenübertragung. Um sich dem LoRaWAN anzuschließen, benötigt das Back-End eine Gesamtenergie von 148,9 mJ, während es für die Datenübertragung eine Gesamtenergie von 122,4 mJ benötigt. Bezogen auf den Stromverbrauch beträgt der durchschnittliche Stromverbrauch des Backends beim Senden 42,6 mA und beim Empfang 8,6 mA. Im Leerlauf, wenn sich die MCU im Ultra-Low-Power-Betriebsmodus (LPM) befindet, beträgt der durchschnittliche Stromverbrauch 3,7 μA. Im restriktivsten Fall von 148,9 mJ ist ein Superkondensator mit mehr als 27,4 mF erforderlich, um einen maximalen Spannungsabfall am Superkondensator unter 3,3 V sicherzustellen.

Aktuelle Verbrauchswellenformen des Back-End-Moduls. (a) Während der Initialisierung des Mikrocontrollers und der Over-the-Air-Aktivierung von LoRaWAN. (b) Während einer LoRaWAN-Übertragung.

Wenn der Superkondensator vollständig entladen ist und er mit einem angelegten Temperaturgradienten an den TEG angeschlossen wird, beginnt die PMU, dem TEG Strom zu entziehen, und drei Phasen sind leicht zu unterscheiden. In Abb. 4 dargestellt, entspricht Phase I dem Zeitraum, in dem der TEG noch nicht mit dem Gerät verbunden ist und ihm keine Energie entnommen wird. Phase II beginnt, sobald der TEG mit dem Gerät verbunden ist. Dies ist der Zeitpunkt, an dem die PMU beginnt, dem TEG zunächst über ihre Ladungspumpe (während \(t_{chgp}\)) und ihren Aufwärtswandler (während \(t_{boost}\)) Strom zu entziehen, sobald eine erhöhte Spannung von 1,8 V vorliegt erreicht. Wenn \(V_{SCAP}\) eine Spannung von 5 V erreicht, schaltet sich die MCU unter Anwendung des P&O-Algorithmus ein und verbindet sich mit dem LoRaWAN-Netzwerk. Aufgrund der OTAA nimmt die Energie im Superkondensator ab und \(V_{PGOOD}\) steigt an. Nach der Verbindung beginnt Phase III und der Temperaturgradient wird jedes Mal gesendet, wenn genügend Energie im Superkondensator gespeichert ist. Sowohl \(t_{tminTX,TTN}\) als auch \(t_{minTX}\) sind in Abb. 4 dargestellt. Ersteres entspricht dem Mindestzeitraum, der zwischen Übertragungen vergehen muss, um der Fair-Use-Richtlinie von TheThings Network33 zu entsprechen . Letzteres entspricht der tatsächlichen Mindestübertragungsdauer und ist nur durch die Energieverfügbarkeit im Superkondensator bedingt. Aus den Experimenten, die für verschiedene Temperaturgradienten durchgeführt wurden, haben wir die Zeit gemessen, die erforderlich ist, um den zunächst entladenen Superkondensator auf 5 V aufzuladen und die drahtlose Kommunikation zu ermöglichen, bezeichnet als \(t_{start-up}\), sowie die Zeit, die zum Aufladen des Superkondensators erforderlich ist Superkondensator zwischen Übertragungen, bezeichnet als \(t_{minTX}\), da es die minimale Übertragungsperiode festlegt. \(t_{start-up}\) und \(t_{minTX}\) wurden gemessen und sind in Abb. 5a–b dargestellt. Die Lösung weist eine Anlaufzeit auf, die erwartungsgemäß eine Abhängigkeit vom Temperaturgradienten aufweist. Höhere Temperaturgradienten ermöglichen es dem TEG, die abgegebene Leistung zu erhöhen und das Laden des Superkondensators zu beschleunigen. Bei einem minimalen Temperaturgradienten von 10 \(^{\circ }\)C benötigt die Superkapazität 625 \(^{\circ }\)C zum Aufladen, während bei einem maximalen Temperaturgradienten von 30 \(^{\circ } \)C benötigt die Superkapazität 18 s. Die kritische Anlaufzeit für den minimalen Temperaturgradienten von 13 \(^{\circ }\)C beträgt 2,5 min, während bei Temperaturgradienten unter 10 \(^{\circ }\)C das System nicht starten kann . Diese Betriebsgrenze ist auf die vom BQ25504 erforderliche minimale Kaltstart-Eingangsspannung und den niedrigen Seebeck-Koeffizienten des TEG zurückzuführen. Die gleiche Abhängigkeit vom Temperaturgradienten zeigt die Übertragungsdauer. In diesem Fall wurde für den kritischen Temperaturgradienten von 13 \(^{\circ }\)C eine Übertragungsdauer von 44s gemessen. Andererseits konnte beobachtet werden, dass das Gerät bei Temperaturgradienten über 8 \(^{\circ }\)C senden kann. In diesem Fall ist der Temperaturgradient kleiner als der Temperaturgradient, der zum Starten des Systems erforderlich ist. Dies liegt daran, dass der BQ25504 nach dem Start einen niedrigeren Spannungspegel benötigt. Ein wichtiger Aspekt der Lösung ist ihre Fähigkeit, dem Temperaturgradienten zu folgen, um dem TEG effizient Energie zu entziehen und gleichzeitig den Temperaturgradienten zu erhalten, dem der TEG ausgesetzt ist. Dies ist in Abb. 5c zu sehen. Es ist ersichtlich, wie der Prototyp in der Lage ist, Temperaturgradientenänderungen zu verfolgen, indem er die TEG-Betriebsspannung auf die Hälfte seiner OCV regelt. Dadurch werden Wirkungsgrade von 91,8 bis 98,8 % erreicht, wobei sich für den kritischen Temperaturgradienten von 13 \(^{\circ }\)C ein Wirkungsgrad von 92,5 % ergibt. Darüber hinaus ist zu sehen, wie das Gerät in der Lage ist, den Temperaturgradienten zu berechnen und drahtlos mit einem absoluten Fehler von unter 0,22 \(^{\circ }\)C zu übertragen, wie in Abb. 5d dargestellt. Niedrigere \(\eta _{TEG}\)-Wirkungsgrade werden für niedrigere Temperaturgradienten gezeigt. Dies liegt daran, dass die TEG-Betriebsspannungen zwar mit den angelegten Temperaturgradienten abnehmen, der im P&O-Algorithmus verwendete Spannungsschritt jedoch konstant ist, was zu einer größeren relativen Oszillation um den MPP bei niedrigeren Temperaturgradienten führt. Das Gerät führt seinen Betrieb mit einem Stromverbrauch von 3,256 mW zwischen den Übertragungen durch.

Transiente Wellenformen während des Start- und Stationärbetriebs des Geräts für einen Temperaturgradienten von 13 \(^{\circ }\)C. (a) Die Spannung am Superkondensator (\(V_{SCAP}\)) und der Signalindikator für die Verfügbarkeit von ausreichend Energie, um eine Übertragung durchzuführen (\(V_{PGOOD}\)). (b) Die geregelte Spannungsversorgung (\(V_{DD}\)).

Charakterisierungsergebnisse des Geräts. (a) Zeit, die das Gerät benötigt, um den zunächst entladenen Superkondensator auf 5 V aufzuladen, um die drahtlose Kommunikation zu ermöglichen. (b) Zeitspanne zwischen Übertragungen im Verhältnis zum Temperaturgradienten. (c) Betriebsspannung (\(V_{TEG}\)) und Leerlaufspannung (\(V_{TEG_{OCV}}\)) des thermoelektrischen Generators für verschiedene Temperaturgradienten (\(\Delta T\)). (d) Absoluter Fehler der Temperaturgradientenmessung und Effizienzleistungsextraktion \(\eta _{TEG}\).

Zusammenfassend lässt sich sagen, dass die vorgestellte Lösung in der Lage ist, mit einem minimalen Temperaturgradienten von 8 \(^{\circ }\)C zu arbeiten, wobei beim Start ein minimaler Gradient von 10 \(^{\circ }\)C erforderlich ist. hoch. Bei minimalem Temperaturgradienten kann das System zwischen 18 und 625 s hochfahren. Mithilfe des P&O-Algorithmus ist das Gerät in der Lage, dem TEG Energie mit einem Wirkungsgrad zwischen 91,8 und 98,9 % zu entziehen und gleichzeitig den Temperaturgradienten mit einem maximalen Fehler von 0,22 \(^{\circ }\)C zu messen. Mit einer Leistungsaufnahme von 3,256 mW ist der Sensorknoten in der Lage, Daten drahtlos über LoRaWAN (868 MHz) mit einer Leistung von 14 dBm zu übertragen und so Entfernungen von bis zu 10 km Sichtweite zu erreichen. Tabelle 1 zeigt eine Zusammenfassung der erzielten Ergebnisse im Vergleich zu anderen hochmodernen Lösungen, die nach Ansicht der Autoren zu den relevantesten zählen.

Es wurde ein neuartiger Ansatz zur Messung von Temperaturgradienten mithilfe eines einzelnen TEG vorgestellt, der wiederum das System effizient mit Strom versorgt und so die Entwicklung autarker drahtloser Sensorknoten ermöglicht. Der zur Validierung dieses Ansatzes vorgestellte Prototyp soll die Temperaturgradienten in Rechenzentren messen, um wärmebewusste Serverlastmanagement-Algorithmen anzuwenden. Die Oszillation um den MPP ist dem verwendeten P&O-Algorithmus inhärent und führt zu einem Messfehler der Gradiententemperatur von bis zu 0,22 \(^{\circ }\)C für einen Temperaturgradienten von 8 \(^{\circ }\) C und einem Wirkungsgrad von 92,5 % bei einem Temperaturgradienten von 13 \(^{\circ }\)C. Dies liegt daran, dass der Spannungsschritt des Algorithmus konstant ist. Ein dynamischer Spannungssprung würde helfen, diese Spezifikationen für niedrige Temperaturgradienten zu verbessern. Dennoch ist das System in der Lage, mit einem maximalen Fehler von 0,14 \(^{\circ }\)C bei einem Temperaturgradienten von 25 \(^{\circ }\)C und einem Wirkungsgrad von bis zu 98,8 % zu arbeiten. für einen Temperaturgradienten von 30 \(^{\circ }\)C. Der Knoten ist in der Lage, eine drahtlose Übertragung über LoRaWAN für einen minimalen Temperaturgradienten von 8 \(^{\circ }\)C mit einer minimalen Übertragungsdauer von 44 s für den kritischen Gradienten von 13 \(^{\circ }\) durchzuführen. C. Andererseits ist ein Mindestgradient von 10 \(^{\circ }\)C erforderlich, um das System starten zu können. All dies wird mit einem Stromverbrauch von 3,256 mW zwischen den Übertragungen erreicht. Es gibt Aspekte zu verbessern, die Teil unserer zukünftigen Forschungsarbeit sind. Obwohl dies für diese Anwendung nicht kritisch ist, besteht ein verbesserungswürdiger Aspekt darin, die minimale Systemstartspannung zu reduzieren, indem der derzeit verwendete kommerzielle integrierte Schaltkreis (IC) durch eine kundenspezifische integrierte Version ersetzt wird, die eine niedrigere Spannung erfordert. Der zweite Aspekt, an dem gearbeitet werden muss, ist der P&O-Algorithmus, der einen dynamischen Spannungsschritt anwendet, um den Fehler bei der Messung des Temperaturgradienten und die erzielten Wirkungsgrade zu verbessern. Vor diesem Hintergrund ermöglicht die vorgestellte Lösung die Entwicklung autarker drahtloser Sensorknoten zur Überwachung von Temperaturgradienten unter Verwendung eines einzigen TEG, der auf energieeffiziente Weise betrieben wird.

Wir haben einen Prototyp unter Verwendung aktuell verfügbarer, handelsüblicher (COTS) diskreter Komponenten implementiert. Anschließend haben wir den Betrieb unter kontrollierten Bedingungen mit einem kommerziellen TEG validiert. Wir beschreiben die verwendeten Materialien und Methoden wie folgt.

Wir haben einen TGM-127-1.0-2.5 von Kryotherm verwendet. Wir haben die PMU, den Energiespeicher und die Power-Sense-Module auf einer 53 mm \(\times \) 70 mm doppelseitigen Leiterplatte (PCB) implementiert. Zur Implementierung des Back-End-Moduls wurde ein NUCLEO-WL55JC-Evaluierungsboard von STMicroelectronics verwendet. Die PMU basiert auf einem BQ25504 IC von Texas Instruments. Wir haben den Leerlaufspannungs-Abtasteingang des BQ25504 abgetrennt und eine kontrollierte Spannung an den Spannungsreferenzeingang des IC angeschlossen, um die Ausgangsspannung des TEG auf einen gewünschten/kontrollierten Spannungswert zu regeln. Die gewonnene Energie wird auf einem 30-mF-Superkondensator von KYOCERA AVX gespeichert. Der Wert des Superkondensators wurde unter Berücksichtigung der für die Durchführung einer drahtlosen Übertragung erforderlichen Energie und des maximal zulässigen Spannungsabfalls im Superkondensator während eines Zeitraums mit hohem Energiebedarf ausgewählt. Wenn genug Energie für eine drahtlose Übertragung gesammelt wird, schaltet die PMU das \(V_{PGOOD}\)-Signal, das mit der MCU verbunden ist, auf Low. Schließlich verfügt die PMU über einen zweiten DC-DC-Wandler, einen LD39050 von STMicroelectronics, der zur Erzeugung einer geregelten Spannungsversorgung von 1,8 V \(V_{DD}\) verwendet wird. Für das Power-Sense-Modul haben wir einen INA333-Instrumentenverstärker (InAmp) und einen LPV521-Operationsverstärker (OpAmp) von Texas Instruments verwendet, um den Ausgangsstrom des TEG \(I_{TEG}\) über einen Shunt-Widerstand von 0,2 zu messen \(\Omega \) bzw. die TEG-Ausgangsspannung \(V_{TEG}\). Sie werden zur Umwandlung und anschließenden Berechnung der TEG-Ausgangsleistung \(P_{TEG}\) und des entsprechenden Temperaturgradienten \(\Delta T\) an verschiedene Eingangskanäle des ADC der MCU weitergeleitet. Das Back-End-Modul basiert auf einem NUCLEO-WL55JC-Evaluierungsboard von STMicroelectronics. Das Modul verfügt über einen 32-Bit-Dual-Core-STM32WL55JC-MCU mit wesentlichen Funktionen und Peripheriegeräten für die Anwendung wie einem LPM, einem 12-Bit-ADC mit mehreren Eingangskanälen und einem 12-Bit-DAC zur Erzeugung des Steuersignals für die Eingangsimpedanz des PMU und ein HF-Sender mit LoRa. Sobald die MCU ihre minimale Betriebsspannung erreicht hat, initialisiert sie alle ihre Peripheriegeräte und fährt mit der Verbindung zu einem LoRaWAN über die Over-the-Air-Aktivierungsmethode (OTAA) fort. Sobald die MCU dem Netzwerk beigetreten ist, tritt sie in LPM ein. Von da an wacht die MCU auf und tastet \(V_{VTEG}\) und \({V_{ITEG}}\) ab, um die vom TEG ausgegebene Leistung zu berechnen und den P&O-Algorithmus anzuwenden. Der Temperaturgradient, dem das TEG ausgesetzt ist, wird ebenfalls mithilfe von Gl. berechnet. (6) zuvor aus der TEG-Charakterisierung erhalten. Nach Abschluss der Algorithmusiteration kehrt die MCU zu LPM zurück. Die MCU wiederum verfügt über einen Interrupt, der so konfiguriert ist, dass sie erkennt, wann genügend Strom im Superkondensator vorhanden ist, um eine drahtlose Übertragung durchzuführen. Dies wird durch das \(V_{PGOOD}\)-Signal von der PMU angezeigt.

Am TEG wurde eine lineare Spannungsdurchlaufmessung mit einer B2962A Source Meter Unit (SMU) von Keysight für verschiedene Temperaturgradienten durchgeführt. Um die Temperaturgradienten einzustellen, wurde eine maßgeschneiderte Plattform verwendet, die auf zwei einander gegenüberliegenden Peltier-Zellen basiert. Der verwendete Temperaturgradientenbereich reichte von 0 bis 30 \(^{\circ }\)C, mit einem Temperaturgradientenschritt von 5 \(^{\circ }\)C. Der TEG wurde auch für den kritischen Temperaturgradienten von 13 \(^{\circ }\)C charakterisiert. Um den richtigen Superkondensatorwert auszuwählen, wurde der Stromverbrauch des Back-End-Moduls mit der B2962A SMU während der beiden Prozesse mit dem höchsten Energiebedarf gemessen: dem OTAA und der drahtlosen Übertragung. Um den Start- und stationären Betrieb des Prototyps zu untersuchen, wurden die Spannung am Superkondensator \(V_{CAP}\), die geregelte Spannung \(V_{DD}\) und das Signal \(V_{PGOOD}\ ) werden mit einem InfiniiVision 3000A Oszilloskop von Keysight abgetastet. Für die Messungen wird das Gerät mit vollständig entladenem Superkondensator an den TEG angeschlossen und einem Temperaturgradienten ausgesetzt. Aus diesen Messungen werden die Startzeiten \(t_{start-up}\) und die minimalen Übertragungsperioden \(t_{minTX}\) für jeden Temperaturgradienten extrahiert. Ersteres entspricht der Zeit vom Anschluss des TEG bis zum Anschluss an das LoRaWAN. Letzteres entspricht der Zeit zwischen den Übertragungen im stationären Betrieb. Um die Fähigkeit des Geräts zu validieren, den Temperaturgradienten zu verfolgen und dem TEG effizient Strom zu entziehen, wurden die TEG-Betriebsspannung \(V_{TEG}\) und ihr OCV \(V_{TEG_{OCV}}\) abgetastet unterschiedliche Temperaturgradienten. \(V_{TEG_{OCV}}\) wurde mit einem zweiten TGM-127-1.0-2.5 TEG gemessen, der thermisch parallel geschaltet war und sich im Leerlauf befand. Die B2962A SMU wurde verwendet, um den Stromverbrauch des Geräts zu messen. Um schließlich die Genauigkeit des Systems zu bewerten, wurde der absolute Fehler unter Verwendung desselben Temperaturgradientenbereichs wie für die TEG-Charakterisierung gemessen. Der Wirkungsgrad \(\eta _{TEG}\) wurde auch entlang des Temperaturgradientenbereichs gemessen.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Dorsemaine, B., Gaulier, J.-P., Wary, J.-P., Kheir, N. & Urien, P. Internet der Dinge: Eine Definition und Taxonomie 72–77. https://doi.org/10.1109/NGMAST.2015.71 (IEEE, 2015).

Initiative, II Auf dem Weg zu einer Definition des Internets der Dinge (IoT) (2015).

Ju, Q. & Zhang, Y. Prädiktives Energiemanagement für das Internet batterieloser Dinge. IEEE Trans. Power-Elektron. 33, 299–312. https://doi.org/10.1109/TPEL.2017.2664098 (2018).

Artikel ADS Google Scholar

Alvarez-Carulla, A., Montes-Cebrian, Y., Puig-Vidal, M., Colomer-Farrarons, J. & Miribel-Catala, PL Allgegenwärtige Architektur mit eigener Stromversorgung für brennstoffzellenbasierte Point-of-Care-Anwendungen. IEEE Trans. Ind. Elektron. 68, 11447–11457. https://doi.org/10.1109/TIE.2020.3029484 (2021).

Artikel Google Scholar

Xia, S., Yao, Z., Li, Y. & Mao, S. Online verteiltes Offloading und Computerressourcenmanagement mit Energiegewinnung für heterogenes mec-fähiges IoT. IEEE Trans. Wirel. Komm. 20, 6743–6757. https://doi.org/10.1109/TWC.2021.3076201 (2021).

Artikel Google Scholar

Koot, M. & Wijnhoven, F. Auswirkungen der Nutzung auf den Strombedarf von Rechenzentren: Ein systemdynamisches Prognosemodell. Appl. Energy 291, 116798. https://doi.org/10.1016/j.apenergy.2021.116798 (2021).

Artikel Google Scholar

Grid, TG Pue: Eine umfassende Untersuchung der Metrik | das grüne Gitter.

Google. Effizienz-Rechenzentren-Google.

Microsoft. Informationsblatt zur Cloud-Infrastruktur von Microsoft – Rechenzentren und Netzwerke (2015).

Amazonas. AWS-Nachhaltigkeit.

Institut, USA, Umfrage zur Rechenzentrumsbranche 2019 (2019).

Villebonnet, V. & Costa, GD Wärmebewusste Cloud-Middleware zur Reduzierung des Kühlbedarfs 115–120. https://doi.org/10.1109/WETICE.2014.45 (IEEE, 2014).

Toan, NV, Tuoi, TTK, Hieu, NV & Ono, T. Thermoelektrischer Generator mit hoher Integrationsdichte für tragbare und tragbare elektronische Geräte mit eigener Stromversorgung. Energiewandler. Geschäftsführer 245, 114571. https://doi.org/10.1016/j.enconman.2021.114571 (2021).

Artikel Google Scholar

Guan, M., Wang, K., Xu, D. & Liao, W.-H. Entwurf und experimentelle Untersuchung eines thermoelektrischen Niederspannungs-Energiegewinnungssystems für drahtlose Sensorknoten. Energiewandler. Geschäftsführer 138, 30–37. https://doi.org/10.1016/j.enconman.2017.01.049 (2017).

Artikel Google Scholar

Wu, Y., Zhang, H. & Zuo, L. Thermoelektrische Energiegewinnung für das Gasturbinen-Sensor- und Überwachungssystem. Energiewandler. Geschäftsführer 157, 215–223. https://doi.org/10.1016/j.enconman.2017.12.009 (2018).

Artikel Google Scholar

Paraskevas, A. & Koutroulis, E. Ein einfacher Maximum-Power-Point-Tracker für thermoelektrische Generatoren. Energiewandler. Geschäftsführer 108, 355–365. https://doi.org/10.1016/j.enconman.2015.11.027 (2016).

Artikel Google Scholar

Shi, Y. et al. Ein neuartiger kabelloser Temperatursensor mit eigener Stromversorgung, der auf thermoelektrischen Generatoren basiert. Energiewandler. Geschäftsführer 80, 110–116. https://doi.org/10.1016/j.enconman.2014.01.010 (2014).

Artikel Google Scholar

Wen, DL et al. Tragbarer thermoelektrischer Multi-Sensing-Generator mit Doppelkette. Mikrosystem. Nanoeng. 6(1), 1–3. https://doi.org/10.1038/s41378-020-0179-6 (2020).

Artikel Google Scholar

Reilly, J. & Glisic, B. Identifizieren von Zeiträumen mit minimalem Temperaturgradienten für die temperaturgesteuerte Überwachung des strukturellen Zustands. Sensoren 18, 734. https://doi.org/10.3390/s18030734 (2018).

Artikel Google Scholar

Newell, S. & Goggins, J. Untersuchung des thermischen Verhaltens eines Hybrid-Fertigbetonbodens mithilfe eingebetteter Sensoren. Int. J. Concr. Struktur. Mater. 12, 66. https://doi.org/10.1186/s40069-018-0287-y (2018).

Artikel CAS Google Scholar

Ahmed, K. et al. Leistung von Strahlungsplatten und Luftheizung in großen Industriegebäuden. Bauen. Simul. 11, 293–303. https://doi.org/10.1007/S12273-017-0414-8/METRICS (2018).

Artikel Google Scholar

Uribe, OH, Martin, JPS, Garcia-Alegre, MC, Santos, M. & Guinea, D. Intelligentes Gebäude: Entscheidungsfindungsarchitektur für das thermische Energiemanagement. Sensoren 15, 27543–27568. https://doi.org/10.3390/S151127543 (2015).

Artikel ADS Google Scholar

Addabbo, T. et al. Entwicklung eines nicht-invasiven thermometrischen Systems für Flüssigkeiten in Rohren. Im Jahr 2017 IEEE International Symposium on Systems Engineering, ISSE 2017 – Proceedings. https://doi.org/10.1109/SYSENG.2017.8088260 (2017).

Siouane, S., Jovanović, S. & Poure, P. Äquivalente Stromkreise thermoelektrischer Generatoren unter verschiedenen Betriebsbedingungen. Energies 10, 386. https://doi.org/10.3390/en10030386 (2017).

Artikel Google Scholar

ASHRAE. Thermische Richtlinien für Datenverarbeitungsumgebungen (ASHRAE, 2021)

AMD. Amd epyc\(^{\rm TM}\)Ökosystempartner | amd.

Larabel, M. Amd epyc 7763 Kühlleistungs-Benchmarks. https://openbenchmarking.org/ (2021).

AMD. Leitfaden zum thermischen Design für Sockel-SP3-Prozessoren (2017).

Montecucco, A. & Knox, AR Maximum Power Point Tracking-Konverter basierend auf der Leerlaufspannungsmethode für thermoelektrische Generatoren. IEEE Trans. Power-Elektron. 30, 828–839. https://doi.org/10.1109/TPEL.2014.2313294 (2015).

Artikel ADS Google Scholar

Femia, N., Petrone, G., Spagnuolo, G. & Vitelli, M. Optimierung der Störungs- und Beobachtungsmethode zur Verfolgung maximaler Leistung. IEEE Trans. Power-Elektron. 20, 963–973. https://doi.org/10.1109/TPEL.2005.850975 (2005).

Artikel ADS Google Scholar

Soleimani, Z., Zoras, S., Ceranic, B., Cui, Y. & Shahzad, S. Eine umfassende Übersicht über die Ausgangsspannung/-leistung tragbarer thermoelektrischer Generatoren hinsichtlich ihrer Geometrie und thermoelektrischen Materialien. Nano Energy 89, 106325. https://doi.org/10.1016/j.nanoen.2021.106325 (2021).

Artikel CAS Google Scholar

Casals, L., Mir, B., Vidal, R. & Gomez, C. Modellierung der Energieleistung von LoRaWAN. Sensoren 17, 2364. https://doi.org/10.3390/s17102364 (2017).

Artikel ADS Google Scholar

Netzwerk, TT-Arbeitszyklus | Die Dinge vernetzen sich.

Xia, C., Zhang, D., Pedrycz, W., Fan, K. & Guo, Y. Auf menschlicher Körperwärme basierender thermoelektrischer Harvester mit extrem niedrigem Eingangsleistungsmanagementsystem für die drahtlose Sensorversorgung. Energies 12, 3942. https://doi.org/10.3390/en12203942 (2019).

Artikel Google Scholar

Brunelli, D., Passerone, R., Rizzon, L., Rossi, M. & Sartori, D. Selbstversorgtes WSN für die Überwachung verteilter Rechenzentren. Sensoren 16, 57. https://doi.org/10.3390/s16010057 (2016).

Artikel ADS Google Scholar

Referenzen herunterladen

Diese Arbeit wurde durch den Forschungsstipendium PID2019-110142RB-C22 unterstützt, finanziert von MCIN/AEI/10.13039/501100011033.

Abteilung für Elektronik und Biomedizintechnik, Universitat de Barcelona (UB), Marti i Franques, 1-11, 08028, Barcelona, Spanien

Albert Álvarez-Carulla, Manel Puig-Vidal, Jaime López-Sánchez, Jordi Colomer-Farrarons und Pere Ll. Miribel-Katalanisch

Wirtschaftsingenieurwesen und Informatik, Polytechnische Schule, Universität Lleida (UdL), C. de Jaume II, 69, 25001, Lleida, Spanien

Albert Saiz-Vela

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung, A.Á.-C.; Methodik, A.Á.-C; Software, A.Á.-C und AS-V.; Validierung, A.Á.-C.; Formale Analyse, A.Á.-C. und JL-S.; Untersuchung, A.Á.-C.; Ressourcen, P.Ll.M.-C. und JC-F.; Datenkuration, A.Á.-C.; Schreiben – Originalentwurf, A.Á.-C.; Schreiben – Rezension und Bearbeitung, A.Á.-C., AS-V., MP-V., JL-S., JC-F. und P.Ll.M.-C.; Visualisierung, A.Á.-C.; Supervision, P.Ll.M.-C.; Projektverwaltung, JC-F. und P.Ll.M.-C.; Finanzierungseinwerbung, JC-F. und P.Ll.M.-C. Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Albert Álvarez-Carulla.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Álvarez-Carulla, A., Saiz-Vela, A., Puig-Vidal, M. et al. Hocheffiziente Energy-Harvesting-Architektur für einen energieautarken drahtlosen Sensorknoten zur Wärmeüberwachung, der auf einem einzelnen thermoelektrischen Generator basiert. Sci Rep 13, 1637 (2023). https://doi.org/10.1038/s41598-023-28378-6

Zitat herunterladen

Eingegangen: 18. Oktober 2022

Angenommen: 17. Januar 2023

Veröffentlicht: 30. Januar 2023

DOI: https://doi.org/10.1038/s41598-023-28378-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Nachricht