مقاله انگلیسی شبکه اینترنت اشیا در لایه های مجازی داده های همگن (2020 الزویر)

فناوری اینترنت اینترنت اشیاء با استفاده از پوشش قوی ، مصرف انرژی پایین ، کم هزینه و اتصال بسیار خوبی ، به فناوری اصلی در شهرهای هوشمند تبدیل شده است. با این حال ، با مواجهه با تعداد زیادی پایانه ، اختصاص منطقی منابع محدود ، توپولوژی و یکنواختی ساختمانهای هوشمند ، ادغام داده های ناهمگن روندهای مهم در تحقیقات اینترنت اشیاء می شوند. در نتیجه ، در این مقاله یک تکنیک جدید برای پردازش داده های دمای ناهمگن جمع آوری شده توسط یک شبکه IoT در یک ساختمان هوشمند ارائه شده است و آنها را به داده های همگن تبدیل می کند که می تواند به عنوان ورودی برای نظارت و کنترل الگوریتم های ساختمان های هوشمند و بهینه سازی عملکرد آنها باشد. این روش پیشنهادی با نام IoT برش ، شبکه ها و خوشه های پیچیده ای را به منظور کاهش خطاهای ورودی الگوریتم و بهبود نظارت و کنترل ساختمان هوشمند ترکیب می کند. برای اعتبارسنجی کارآیی الگوریتم ، به عنوان یک مطالعه موردی با استفاده از تکنیک برش IoT برای بهبود عملکرد یک الگوریتم به منظور تصحیح محیط داخلی در داده های جمع آوری شده توسط شبکه IoT پیشنهاد شده است. نتایج مطالعه موردی ، بطور غیرقابل انکار ، اثربخشی روش پیشنهادی را تأیید می کند.

1. مقدمه

گزارشهای متعددی حاکی از آن است که ساختمانهای تجاری و مسکونی حدود 35٪ کل مصرف انرژی در ایالات متحده و اروپا را تشکیل می دهند [1] ، [2]. در نتیجه ، ساختمانها به دلیل بزرگترین کمک کننده در مصرف نهایی انرژی و پس از آن صنعت و حمل و نقل ذکر شده اند. با توجه به صرفه جویی بالایی در مصرف انرژی که می توان با استفاده بهینه از انرژی در ساختمان ها به دست آورد ، آنها به یکی از اصلی ترین اهداف کاهش مصرف جهانی تبدیل شده اند. با وجود مصرف کنندگان بزرگ ، ساختمانهای هوشمند و خصوصی خصوصی از تمام فرصت های بهره وری انرژی ارائه شده به آنها بهره برداری نکرده اند. از طرف دیگر ، آنها از اتلاف انرژی بسیار قابل توجهی رنج می برند که بخشی از آن ناشی از سیستم های بی اثر انرژی مانند سرمایش ، روشنایی ، گرمایشی و سایر وسایل (دستگاه ها) است [3] و همچنین رفتار مصرفی ساکنان (رفتار). [4] و راندمان ضعیف. اگرچه در رده های اول و سوم اجرای اقدامات ناهمگن انرژی بسیار گران است ، اما اقدامات نرم ، که تمرکز آن بر تغییر رفتار ساکنان است ، ارزان و در عین حال در کاهش مصرف انرژی بسیار ارزان هستند [5].

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)

Abstract

With its strong coverage, low energy consumption, low cost and great connectivity, the Internet of Things technology has become the key technology in smart cities. However, faced with a large number of terminals, the rational allocation of limited resources, the topology and non-uniformity of smart buildings, the fusion of heterogeneous data become important trends in Internet of Things research. As a result, this paper proposes a novel technique for processing heterogeneous temperature data collected by an IoT network in a smart building and transforms them into homogeneous data that can be used as an input for monitoring and control algorithms in smart buildings, optimizing their performance. The proposed technique, called IoT slicing, combines complex networks and clusters in order to reduce algorithm input errors and improve the monitoring and control of a smart building. For validating the efficiency of the algorithm, it is proposed as a case study using the IoT slicing technique to improve the operation of an algorithm to self-correct outliers in data collected by IoT networks. The results of the case study confirm, irrefutably, the effectiveness of the proposed method.

1.Introduction

Several reports indicate that commercial and residential buildings account for about 35% of total use of energy in the United States and Europe [1], [2]. Consequently, buildings are noted for being the biggest contributor of final power consumption, followed by industry and transport. Due to the potentially large energy savings that can be achieved through optimized use of energy in buildings, they have become one of the main targets for reducing global consumption. Despite being great consumers, private and public smart buildings have not exploited fully the full range of the energy efficiency chances presented to them. On the other hand, they are suffering a quite significant waste of energy which is in part caused by ineffective power systems such as cooling, lighting, heating and others (devices) [3], as well as the consumption behavior of inhabitants (behavior) [4] and poor insulation efficiency. Although in the first and third categories the implementation of heterogeneous energy measures is rather expensive, soft measures, that focus on changing the inhabitants’ behavior, are cheap and at the same time very effective in reducing energy use [5].