Jurnal/Paper 1

Industrial IoT based Condition Monitoring for Wind Energy

Conversion System
Md Liton Hossain*1, Ahmed Abu-Siada1, S. M. Muyeen1, Md Mubashwar Hasan2, and Md Momtazur
Rahman3

Energi angin telah menjadi sumber dominan kedua di dunia pembangkit energi terbarukan.
Konversi dan distribusi energi angin telah membawa revolusi teknologi dengan mengembangkan
wind energy conversion system (WECS) termasuk multilevel inverters (MLI). Penyearah konvensional
menghasilkan riak dalam bentuk gelombang keluarannya sementara MLI mengalami masalah
penyeimbangan tegangan di kapasitor link-dc.

Diagram blok WECS digambarkan pada Gambar dibawah ini yang terdiri dari pengontrol
SVPWM berbasis PI yang diusulkan dan prototipe perangkat keras industri IoT.

Gambar 1 Block diagram of the proposed controller and IoT for WECS

Makalah ini mengusulkan pengontrol SVPWM berbasis PI baru untuk menekan riak dan
menyeimbangkan tegangan DC-link di kapasitor dclink. Algoritme yang disematkan ke pengontrol
SVPWM berbasis PI untuk memantau kondisi perangkat switching dan kapasitor DC-link secara real-
time juga telah diusulkan. Pengontrol SVPWM berbasis PI dan algoritma tertanam telah dirancang
dan disimulasikan dalam lingkungan perangkat lunak MATLAB. Prototipe perangkat keras telah
dikembangkan untuk menguji pengontrol dan algoritme yang disematkan. Hasil eksperimen dan
simulasi ditemukan dalam kesepakatan yang baik. Algoritma IoT industri dan prototipe perangkat
keras terkait untuk memantau kondisi perangkat switching dan kapasitor link-dc dari jarak jauh
secara real-time disajikan. Dengan cara ini, pengguna jarak jauh yang terotentikasi dapat memantau
kondisi dan mengambil keputusan manajemen aset yang tepat dan tepat waktu untuk menghindari
kemungkinan konsekuensi terhadap WECS.
Jurnal 2

A Hybrid Artificial Intelligence and Internet of Things Model for Generation of

Renewable Resource of Energi
Dunia mengonsumsi energi dalam jumlah besar dalam berbagai bentuk seperti energi listrik dan
energi mekanik. Karena energi listrik merupakan faktor penting bagi perkembangan dunia, banyak
peneliti mencoba membangkitkan listrik dari sumber energi terbarukan yang dikumpulkan oleh
sensor guna mengatasi kekurangan energi listrik untuk peralatan rumah tangga dan kawasan
industri. kami mengembangkan sistem berbasis Internet-of-Things (IoT) untuk menghasilkan energi
listrik dari berbagai sensor untuk peralatan rumah tangga dan kawasan industri. Dua model Artifficial
Intelligence (AI) yang berbeda seperti Artifficial Neural Network (ANN), Adaptive Network based
Fuzzy Inference System (ANFIS) digunakan untuk total daya yang dihasilkan dari sumber daya energi
terbarukan. Validasi dilakukan melalui parameter statistik seperti Root Mean Square Error (RMSE)
dan koefisien korelasi R2. Hasil dari model menunjukkan bahwa kinerja ANN lebih baik dari pada
ANFIS.

Dari studi tersebut telah diamati bahwa sensor tunggal digunakan untuk menghasilkan
energi listrik untuk peralatan rumah tangga dan kawasan industri. Ini dapat ditingkatkan dengan
menggunakan beberapa sensor berbeda dalam teknologi Internetof- Things (IoT). Internet-of-things
(IoT) didefinisikan sebagai jaringan perangkat fisik, kendaraan, peralatan rumah tangga, dan item
lain yang disematkan dengan elektronik, perangkat lunak, sensor, aktuator, dan konektivitas, yang
memungkinkan objek-objek ini untuk menghubungkan dan bertukar data. Benda-benda dapat
berupa perangkat, kendaraan, peralatan rumah tangga, dan perangkat elektronik tertanam lainnya.
Ini menjadikan IoT eksklusif untuk infrastruktur jaringan lain yang tersedia. IoT memungkinkan objek
dideteksi atau dikontrol dari jarak jauh di seluruh infrastruktur jaringan yang ada. Untuk ini, Internet
diperlukan. Hal ini memungkinkan dalam mengembangkan dan mengintegrasikan dunia fisik ke
dalam sistem berbasis komputer, dan menghasilkan peningkatan efisiensi. Secara umum, pekerjaan
yang disebutkan di atas berfokus pada mode AI untuk memprediksi sumber energi terbarukan.

A. ARTIFICIAL INTELLIGENCE TECHNIQUE

1. ANFIS

ANFIS adalah struktur jaringan yang terdiri dari node dan link pemandu di mana node
dihubungkan satu sama lain. Selain itu, node bersifat adaptif; Aturan pembelajaran dan parameter
ketergantungan keluaran menggambarkan bahwa perubahan parameter tersebut dapat mengurangi
ukuran kesalahan yang ditentukan. ANFIS adalah jaringan berjenis feed-forward yang menjalankan
fungsi tertentu (fungsi node) pada pesan masukan serta sekumpulan parameter yang menjadi
perhatian node ini. Rumus matematika untuk fungsi node berfluktuasi dari node ke node dan dainty
dari setiap fungsi node bergantung pada inputoutput yang penting untuk dilakukan oleh ANFIS.
Tautan pemandu sepenuhnya tergantung pada arah rendah dari tautan ke simpul dan tidak ada
bobot yang digabungkan dengannya.

2. ANN

ANN adalah kumpulan banyak neuron buatan yang bertindak sebagai elemen pemrosesan
sederhana dan fungsi kerjanya sebagian besar mirip dengan neuron pada spesies hewan. Proses
penyesuaian untuk menghubungkan antara elemen parameter dan elemen pemrosesan digunakan
untuk pembelajaran ANN. Arsitektur JST didasarkan pada grafik berarah berat antara input neuron
dan output neuron di mana neuron artifisial adalah node dan tepi terarah. Berdasarkan
arsitekturnya, ANN dikategorikan menjadi dua bagian (Gambar 1):

 Jaringan umpan maju: Tidak ada loop di ANN Graph

 Jaringan umpan balik: loop karena koneksi umpan balik

Koneksi umpan maju juga disebut sebagai persepsi multilayer; neuron ditempatkan ke dalam
beberapa lapisan dengan satu sisi tautan di antara mereka. Ini statis, tautan tanpa memori di
jaringan berarti respons dari jaringan tidak bergantung pada status sebelumnya. Jaringan umpan
balik bersifat dinamis. Karena jalur umpan balik, respons keluaran bergantung pada respons
sebelumnya dan memodifikasi sesuai kebutuhan.

Gambar 1 ANN architecture.

Gambar 2 Proposed IoT model.

PROPOSED METHODOLOGY
A. FETCH AND PROCESSING DATA

Block diagram of piezoelectric sensors while running / semi walkin

B. SEND DATA TO CLOUD SERVER

Modul ESP8266 digunakan untuk menjembatani antara data dan cloud server. Akses
ESP8266 melalui AT Commands dan dilengkapi dengan antena onboard serta mendukung
protokol TCP / IP untuk konektivitas yang lebih baik. Itu juga membuat koneksi yang sesuai
antara terminal backend dan memproses data sensor.

C. BUILDING MODELS

Dataset yang dikumpulkan dari 3 modul berbeda digunakan untuk pelatihan, dan pengujian
model. Pada saat model kereta, dataset pelatihan dan validasi digunakan. Dataset validasi
berfungsi sebagai tuner untuk menyesuaikan parameter hyper model untuk set data pelatihan
agar sesuai dengan model. Setelah pelatihan selesai, set data pengujian digunakan untuk
mengevaluasi kesesuaian model akhir dari set data pelatihan. ANFIS dan ANN digunakan untuk
menguji dan melatih model yang berbeda untuk memeriksa keakuratan model mana yang lebih
cocok untuk keluaran daya. Validasi model melalui ANN dan ANFIS: ANN dan ANFIS digunakan
untuk memvalidasi model yang berbeda dan metode statistik seperti RMSE, R2 membuat media
untuk menguji validitas model.

D. CIRCUIT DIAGRAM

Pada studi yang diusulkan, mikrokontroler mengukur langsung catu daya DC melalui resistor
pull-up dan pull-down. Invertor untuk konversi catu daya DC ke AC tidak diperlukan dalam
penelitian ini. Mikrokontroler memainkan peran utama untuk mengumpulkan data dari berbagai
modul, memformat dan mengirim data yang dikumpulkan terenkripsi ke server Cloud melalui
ESP8266. Arduino Uno berbasis mikrokontroler ATmega328. ATmega adalah mikrokontroler
berbasis RISC (Reduced Instruction Set Controller) yang mendukung data 8-bit. Ini telah
dilengkapi dengan memori internal 8kb dan 1kb EEPROM. Tujuan di balik EEPROM adalah untuk
menyimpan data di dalam chip jika tidak ada atau ada catu daya. Beberapa parameter teknis di
ATmega328 adalah sebagai berikut. Ini mendukung UART (pemancar penerima asinkron
universal), SPI (antarmuka periferal serial) untuk membuat konektivitas dengan modul yang
berbeda seperti modul Wi-Fi, Bluetooth, Xbee dan GSM. ATmega328 berfungsi sebagai alat ukur
untuk mengukur tegangan dan arus. Rentang pengukuran tegangan terletak antara 0-100V dan
kisaran arus antara 0-500mA. Daya dihitung menggunakan persamaan.
Total Power D Voltage _ Current
TotalPower D 5v _ 2A D 10W
 Circuit diagram of proposed work.

Pull up and pull-down resistor condition.

E. SOLAR PANEL

Algoritma di atas menunjukkan bagaimana alur kerja yang kami usulkan dan dikerjakan
dalam dua tingkatan. Pada lapis pertama, Mikrokontroler mengambil data dari tiga modul
melalui pin analog. Setelah data diambil, ATmega328 diproses, dienkripsi dan dikirim ke cloud
server. Di tingkat kedua, data yang dikumpulkan disimpan dalam file .csv. Pada file .csv terdapat
3 input yaitu sensor piezoelektrik, solar panel dan sensor body to heat serta 1 output daya total
yang dihasilkan. Empat model dikembangkan dari data yang dikumpulkan dan dilatih melalui
ANFIS dan ANN. Bandingkan model ini dengan parameter statistik seperti RMSE dan R2 untuk
memilih model mana yang cocok untuk pekerjaan yang kami usulkan.

sistem berbasis IoT baru untuk menghasilkan energi listrik dari berbagai sensor untuk peralatan
rumah tangga dan kawasan industri serta memvalidasi sumber terbarukan melalui model AI yaitu
ANN dan ANFIS. Sensor yang berbeda yaitu sensor piezoelektrik, konverter panas tubuh ke listrik dan
panel surya digunakan dan dihubungkan ke rangkaian penyimpan daya untuk pembangkitan energi
listrik dan setelah diproses data dikirim ke cloud processor. Listrik dari sumber energi terbarukan
seperti tegangan yang ditimbulkan oleh tubuh berat, panas yang dihasilkan oleh tubuh manusia, dan
pergerakan tubuh dapat diukur dengan sensor yang berbeda dan ditransfer ke sistem kontrol untuk
disimpan.
Jurnal 3

An Efficient Partially Overlapping Channels Assignment for Smart Grid IoT With
Differentiated QoS
LIANG LI, XIONGWEN ZHAO , (Senior Member, IEEE), SUIYAN GENG, AND YU ZHANG
Electrical and Electronic Department, North China Electric Power University, Beijing 102206, China

Dalam Smart Grid (SG), internet of things (IoT) telah menarik banyak perhatian selama
bertahun-tahun karena peningkatan volume lalu lintas. Berbagai jenis perangkat listrik di SG
menuntut kualitas layanan (QoS) yang berbeda. Namun, sumber daya spektrum untuk komunikasi
nirkabel SG cukup terbatas. Kinerja jaringan dan pemanfaatan spektrum dalam jaringan SG-IoT dapat
sangat ditingkatkan dengan mengadopsi jaringan mesh nirkabel (WMN) dengan multi-radio multi
saluran (MRMC) dan saluran yang sebagian tumpang tindih (POC). Dalam makalah ini, algoritma
penugasan POCs efisien berbasis permainan diusulkan untuk memenuhi QoS yang beragam dan
meningkatkan efisiensi pemanfaatan spektrum.

The architecture of a smart grid MRMC wireless neighborhood area mesh network.

Dalam simulasi, aplikasi NAN dikonfigurasi dan dibedakan sesuai dengan spesifikasi
kebutuhan sistem jaringan smart grid (SG). Aplikasi dibagi menjadi empat jenis berbeda sesuai
dengan interval transmisinya. Untuk memenuhi persyaratan keandalan yang tinggi dari AMI dan data
kualitas daya untuk menstabilkan SG secara keseluruhan, kami menetapkan prioritas sebagai 4.
Prioritas data pengawasan video lebih rendah daripada SCADA dan data perlindungan bahkan
dengan persyaratan penundaan yang ketat. Tabel 3 memberikan parameter detail dari berbagai
layanan. AMI yang diminta dan data kualitas daya diangkut menggunakan protokol TCP, dan aplikasi
lain diangkut menggunakan UDP.
 Comparison of average packet delivery ratios for the VLSCA, CoCAG and BR.

Model jaringan dibangun berdasarkan MR-MC WMN dengan POC dalam komunikasi SG.
Sementara itu, model permainan untuk penetapan POCs dibangun dengan mempertimbangkan
persyaratan QoS dan interferensi antar saluran. Untuk mendapatkan strategi permainan yang
optimal, diusulkan suatu variable learning step channel assignment algoritma (VLSCA), di mana
setiap node dapat memilih strategi saluran sesuai dengan probabilitas saluran yang ditentukan oleh
utilitas node. Dalam simulasi, tujuh aplikasi tipikal dalam jaringan pintar dibagi menjadi empat
prioritas. Hasil penelitian menunjukkan bahwa dengan jumlah node jaringan yang sama, VLSCA
dapat menghasilkan utilitas jaringan yang lebih tinggi daripada algoritma lainnya. Selain itu, untuk
trafik prioritas tinggi AC4 dan AC3, kepadatan node memiliki pengaruh yang kecil terhadap
penundaan dan rasio pengiriman paket. Namun, untuk prioritas yang lebih rendah, lalu lintas seperti
AC2 dan AC1, kinerja jaringan akan menurun dengan cepat saat meningkatkan jumlah node. Hasilnya
menunjukkan bahwa algoritme yang kami usulkan dapat memastikan persyaratan QoS yang
berbeda, terutama untuk arus lalu lintas dengan prioritas lebih tinggi dalam jaringan Smart Grid.

Jurnal 4

Distributed Large-Scale Co-Simulation for IoT-Aided Smart Grid Control

XIN LI, QIUYUAN HUANG, AND DAPENG WU , Fellow, IEEE
Department of Electrical and Computer Engineering, University of Florida, Gainesville, FL 32611, USA

Masalah utama dari metode ini dalam smart grid adalah integrasi sistem tenaga dan jaringan
komunikasi karena smart grid membutuhkan jaringan komunikasi untuk menyampaikan data
pengukuran dan perintah remote control. Dalam jaringan cerdas, PMU digunakan untuk
mengumpulkan data fasor; kemudian data fasor perlu ditransfer ke Konsentrasi Data Fasor (PDC)
untuk estimasi status waktu nyata dan kontrol sistem daya. Namun, banyak masalah tetap sulit
dipahami ketika mempertimbangkan jaringan listrik dan jaringan komunikasi terintegrasi, misalnya,
tidak jelas bagaimana kegagalan perangkat terjadi antara jaringan listrik dan jaringan komunikasi.
Selain itu, sebelum meningkatkan jaringan listrik tradisional dengan teknologi baru, pembuat
keputusan perlu mengetahui seberapa besar manfaat yang akan mereka terima dari teknologi baru,
dibandingkan dengan biaya peningkatan .

Untuk mempelajari dampak teknologi baru pada jaringan cerdas, peneliti cenderung
menggunakan platform yang dibantu perangkat lunak (setidaknya pada tahap awal penelitian)
karena biayanya yang rendah. Menurut struktur platform, platform bantuan perangkat lunak yang
ada untuk jaringan pintar dapat dikategorikan menjadi tiga jenis: platform perangkat keras dalam
lingkaran (HITL), simulator perangkat lunak, dan emulator perangkat lunak. Platform perangkat keras
dalam lingkaran terdiri dari sistem perangkat keras (untuk diuji), emulasi listrik sensor dan aktuator,
dan pengontrol berbasis perangkat lunak. Sensor dan aktuator bertindak sebagai antarmuka antara
pengontrol dan sistem perangkat keras yang diuji. Pendekatan HITL dapat mencapai delity tinggi,
tetapi mahal untuk eksperimen skala besar dengan pendekatan HITL. Di sisi lain, platform berbasis
perangkat lunak seperti simulator perangkat lunak dan emulator perangkat lunak mencapai
skalabilitas yang lebih baik dan biaya yang lebih rendah. Co-simulasi, yang menggunakan simulator
sistem heterogen yang stabil dan dapat diperluas, telah menjadi cara yang populer dan efisien untuk
mengintegrasikan model sistem tenaga dan TIK. Kami merangkum co-simulator yang ada untuk
smart grid dan kinerjanya pada Tabel 1 di mana `` portabilitas '' berarti bahwa sistem dapat
diimplementasikan pada sistem operasi apa pun seperti Linux, MS Windows, dan Apple iOS; di
bawah `` komunikasi jaringan delity '', `` simulasi '' berarti simulasi perangkat lunak tingkat afidelitas
dicapai, dan `` nyata '' berarti bahwa sistem komunikasi mampu berinteraksi dengan sistem nyata.

Architecture of our co-simulator.

Dalam makalah ini, kami mempresentasikan co-simulator skala besar terdistribusi baru untuk
verifikasi dan evaluasi kinerja algoritma yang digunakan dalam infrastruktur jaringan pintar. Co-
simulator kami menggabungkan simulator jaringan listrik dengan emulator jaringan komunikasi.
Sementara itu, ia mampu bekerja dalam mode terdistribusi, yang mendukung eksperimen skala
besar. Untuk mengevaluasi co-simulator kami, dua kasus diuji. Kasus Uji 1 telah menunjukkan bahwa
co-simulator kami dapat menguji kinerja algoritme penjadwalan dalam mode waktu nyata untuk
jaringan cerdas sehingga perusahaan utilitas dapat memperoleh pengalaman penting dan
menyempurnakan algoritme sebelum algoritme diterapkan dalam praktik. Kasus Uji 2 menunjukkan
kemampuan co-simulator kami dalam mensimulasikan algoritme untuk sejumlah besar rumah
tangga menggunakan mode terdistribusi. Selain itu, algoritme penjadwalan yang diterapkan pada co-
simulator kami di Linux dapat dengan mudah bermigrasi ke sistem operasi lain.

Jurnal 5

Energy and Congestion-Aware Routing Metric for Smart Grid AMI Networks in
Smart City
REHMAT ULLAH1, YASIR FAHEEM2, AND BYUNG-SEO KIM3, (Member, IEEE) 1
Department of Electronics and Computer Engineering, Hongik University, Sejong 30016, South Korea
2Department of Computer Science, COMSATS Institute of Information Technology, Islamabad 45550, Pakistan
3Department of Computer and Information Communications Engineering, Hongik University, Sejong 30016, South Korea

Infrastruktur pengukuran lanjutan (AMI) menjadi bagian penting dari jaringan distribusi utilitas,
memungkinkan pengembangan kota pintar. AMI terdiri dari meteran listrik, gas, dan air pintar, dan
perangkatnya sangat terbatas dalam hal baterai, daya pemrosesan, dan memori. Penyebaran dan
kebutuhan operasional infrastruktur jaringan yang dibatasi energi dalam sistem meteran air dan gas
yang cerdas memerlukan penggunaan mekanisme perutean yang mempertimbangkan konsumsi
energi, meminimalkan penggunaan energi, dan masa pakai jaringan prolon. Metrik perutean yang
efisien diperlukan untuk perangkat dengan energi terbatas. Dalam makalah ini, kami mengusulkan
metrik perutean yang sadar akan energi dan kemacetan untuk jaringan meteran pintar untuk
diterapkan di kota pintar. Metrik yang diusulkan adalah mekanisme pemilihan node induk adaptif
yang mempertimbangkan energi sisa dan pemanfaatan antrian dari node tetangga. Meminimalkan
konsumsi daya akan meningkatkan masa pakai jaringan. Skema yang diusulkan dievaluasi dengan
Cooja Simulator 3.0 menggunakan topologi acak dan grid. Hasil simulasi menunjukkan kinerja
jaringan yang lebih baik dalam hal konsumsi daya rata-rata dan rasio pengiriman paket.

RPL adalah protokol perutean standar untuk LLN. LLN terdiri dari hingga ribuan perangkat
penginderaan tertanam yang memiliki sumber daya terbatas dalam hal kemampuan pemrosesan,
memori, jangkauan transmisi, dan masa pakai baterai. Di LLN, ratusan hingga ribuan motes
disebarkan di lingkungan, membentuk jaringan multi-hop yang merasakan, mengumpulkan, dan
menyampaikan informasi ke satu atau beberapa titik yang terhubung ke Internet. Melalui Internet,
data diteruskan ke sistem manajemen data meter (MDMS), yang dapat ditemukan di gardu listrik
seperti yang ditunjukkan pada Gambar 1. MDMS mengacu pada perangkat lunak yang melakukan
penyimpanan dan pengelolaan data untuk sejumlah besar data yang dikirimkan dengan sistem
pengukuran cerdas.
 Gambar 1 Smart meters in RPL network connecting with MDMS via border router and IP Network.

RPL adalah protokol routing vektor jarak yang membangun Directed Acyclic Graphs (DAGs)
berdasarkan metrik dan batasan perutean. Metrik dan batasan perutean diiklankan dalam pesan DIO
yang ditentukan di. Objek Metrik Kontainer DAG ada di bidang opsi format paket DIO RPL. Metrik
atau batasan perutean dilakukan dalam objek Penampung Metrik DAG yang ditentukan di. Mungkin
ada beberapa metrik dan batasan dalam Penampung Metrik DAG. Jalur terbaik dapat ditentukan
dengan OF.

Dalam skema yang kami usulkan, kami menggunakan metrik dan batasan yang berbeda (QU,
hop count, ETX dan energi Residual). Empat bidang objek digambarkan pada Gambar. 5 untuk
membawa informasi seperti QU, jumlah hop, ETX dan Energi sisa. Proses skema pengusulan
ditunjukkan pada Gambar.
 Process of the proposed scheme.

Mekanisme pemilihan node induk dinamis dalam RPL untuk pengukuran cerdas dalam jaringan AMI,
dengan mempertimbangkan energi sisa dan pemanfaatan antrian. Pertama, kami mempelajari
energi sisa dari node tetangga untuk menghindari loop perutean dan inkonsistensi di DODAG.
Konsumsi daya rata-rata dan PDR dievaluasi dalam kondisi saluran terburuk dan terbaik untuk
tingkat RX 40% dan 80% masing-masing. Kedua, kami mempertimbangkan pemanfaatan antrian dari
node tetangga untuk menghindari kemacetan jaringan. Jumlah hop minimum dan hubungan yang
tidak dapat diandalkan antara node dan root juga diperiksa. Kami membandingkan skema kami
dengan ELPS yang baru diusulkan. Hasil simulasi menunjukkan bahwa skema yang kami usulkan
mengungguli ELPS dalam hal konsumsi daya rata-rata dan PDR dalam kondisi saluran terburuk dan
terbaik.