Power Consumption Minimization of a Low-Cost IoT Data Logger for Photovoltaic System
Notice bibliographique
Résumé
This paper introduces an innovative IoT-based data logger for photovoltaic (PV) system monitoring, emphasizing low power consumption and affordability. The system comprises a PV panel, a charging controller, and a backup battery, focusing on monitoring their voltages and currents through a network of voltage and current sensors. Data is stored on an SD card and displayed in real-time on a web server. The FireBeetle 2 ESP32-E microcontroller, chosen for its efficient deep-sleep mode power management, is central to the data logger's design. This study employs several low-power strategies, notably reducing supply voltage and CPU frequency to decrease power consumption significantly. A data buffering mechanism stores sensor readings in the microcontroller's flash memory, transferring them to the SD card hourly to balance power efficiency and data security. Wi-Fi connection intervals are optimized to 45 seconds, balancing power use and system monitoring frequency. The data logger averages a power consumption of 122.78 mW and demonstrates its efficacy against the commercial DI-145 model. Priced at C$ 55.05, the system is both cost-effective and scalable, capable of monitoring multiple PV panels and batteries, reducing per-unit costs. The study underscores the successful integration of affordability, low-power operation, and efficient monitoring in a PV system data logger, showcasing its potential in future renewable energy research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».