Eficiencia Energética: Edificios | Energy Effciency: Buildings FuturEnergy | Marzo March 2016 www.futurenergyweb.es 53 • Jerarquización de la red: división de una red en grupos de nodos, cada grupo contando con un nodo representante. • Procesado intra-red: todo el tratamiento y todos los algoritmos aplicados a los datos antes de abandonar la red de sensores, es decir, es un procesado realizado por los nodos. La premisa del mencionado procedimiento es que una partición eficiente de la red en grupos de nodos se ha de basar en las características de los datos que estos miden. Por ejemplo, al monitorizar la temperatura en un área abierta, es de esperar que las medidas tomadas en sensores adyacentes estén muy relacionadas entre sí, por el simple hecho de estar cerca geográficamente. Además, también es de esperar que las medidas consecutivas tomadas por el mismo nodo estén muy relacionadas entre sí. Estas características de los datos son conocidas como correlación espacial y temporal, respectivamente. Las medidas tienen correlación espacio-temporal si cumplen ambas propiedades. Este procedimiento es distribuido, ya que se ha de implementar en cada nodo de forma independiente y no hay ningún elemento de la red que coordine su funcionamiento, dando como resultado una auto-organización completa de la red de sensores. Este procedimiento presenta además una carga computacional baja, ya que ha sido diseñado atendiendo a las altas restricciones de procesador y energéticas presentes en las redes de sensores inalámbricos de bajo coste. Utilizado datos de temperatura ambiental exterior, recogidos por una red de sensores inalámbricos de gran escala desplegada en el campus de Lausana de la EPFL, se ha simulado el procedimiento propuesto y se han obtenido resultados muy prometedores, encontrándose que la partición de la red basada en las características de los datos se observa como la mejor opción, ya que los nodos se agrupan en función de las necesidades de cada zona. La validación de este procedimiento se ha realizado utilizando datos de temperatura de exteriores. Para realizar una calificación energética de edificios, se ha de validar también utilizando una base de datos “de interior” obtenida en un entorno más controlado. Por último, un novedoso paradigma de muestreo, el Sensado Compresivo (CS) resulta de gran utilidad en la recuperación de la señal que se ve comprometida debido a los efectos de multitrayecto y ocultamiento, con la calidad necesaria, pudiendo utilizar también en esta recuperación, algoritmos de optimización convexa. Aunque existen iniciativas que abordan este problema, aún no se ha aplicado el paradigma de lasWSN en este campo. En definitiva, las WSN se observan como una tecnología altamente prometedora como elemento de medida de calidad y no intrusivo en la optimización del comportamiento energético de nuestros edificios, desde los más históricos hasta los actualmente denominados inteligentes. groups of nodes has to be based on the characteristics of the data being measured. For example, by monitoring the temperature in an open area, the measurements taken by adjacent sensors are expected to be very closely inter-related, due to the simple fact that they are physically close together. Subsequent measurements taken by the same node are also expected to be closely interlinked. These data characteristics are known respectively as spatial and temporal coherence. The measurements have spatial-temporal coherence if they comply with both properties. This procedure is distributed, as it has to be independently implemented in each node and there is no network element to coordinate its operation, resulting in the complete selforganisation of the sensors network. This procedure also offers a low computational load as it has been designed to take into account the high level of energy and processor restrictions existing in low cost wireless sensor networks. Using outdoor ambient temperature data, gathered by a large-scaleWSN deployed at the Lausanne campus of the EPFL research institute, a simulation of the proposed procedure has taken place, achieving very encouraging results. It has revealed that the network division based on the characteristics of the data is seen as the best option, as the nodes group together depending on the needs of each area. The validation of this procedure has to take place using outdoor temperature data. To carry out the energy certification of buildings, this also has to be validated by using an “indoor” database obtained within a more controlled environment. Lastly, the innovative Compressive Sensor sampling model is extremely useful for recovering the signal that is affected by multi-path effects and occultation, with the necessary quality. Convex optimisation algorithms can also be used for this recovery. Despite the existence of initiatives that address this issue, the WSN model has still not been applied to this field. In short,WSNs are seen as a highly promising technology as a means for quality and unobtrusive measurement to optimise energy performance in our buildings, from the most historic to today’s smart constructions. Julio Ramiro y ! and Antonio Caamaño Universidad Rey Juan Carlos y Grupo CIEMAT Proyecto OMEGA-CM Universidad Rey Juan Carlos and CIEMAT Group OMEGA-CM Project
RkJQdWJsaXNoZXIy Njg1MjYx