用于环境嵌入式系统的多时段动态功耗管理方法

发布时间：2020-03-29 10:51

【摘要】：针对现有以无线传感器网络为代表的环境嵌入式系统的功耗管理方法不能很好地兼顾系统性能和稳定持久工作的问题,提出了一种能量驱动的多时段动态功耗管理方法。该方法综合考虑系统当前及未来N个时段的可用能量,并引入能量预测最大误差指数,实时地决定系统下一时段的工作状态,在满足能量约束的前提下最大化系统性能。通过实验模拟了太阳能供电环境嵌入式系统在不同天气下的工作情况,结果表明:使用该动态功耗管理方法的环境嵌入式系统的采集能量利用率达到99.79%,并且在不同天气下均能持续工作,即该方法实现了系统性能和工作稳定性的同时优化。
【图文】：

太阳能,真实值,预测值,时段

（ｉ）－Ｅｃ（ｉ，ｋ）］（１）式中：γ为能量存储单元的漏电系数。该模型的最后一个约束条件要求第ｉ个时段后能量存储单元的剩余能量能够维持应用处理模块在第ｉ＋１个时段的最基本状态。该管理模型实例化后是一个几何规划求解问题。几何规划是凸优化问题，可以保证全局最优解。问题的解ｋ（ｉ）决定了应用处理模块在第ｉ个时段的工作状态。在太阳能充足的情况下，应用处理模块可以保持全天高速运行，但是在如下２种情况下，单时段法可能导致系统停止工作。图２采集太阳能真实值与预测值的对比第一，太阳能连续多个时段采集不足的情况。例如在多云天气，或者太阳能采集装置被树荫短期遮挡，此时由于应用处理模块在能量充足时全速工作，存储单元没有预留足够多的能量，所以当突然遭遇上述情况时，优化问题可能出现无解的情况，系统将长时间停止工作。第二，能量的预测值连续多个时段高于实际采集到的太阳能。文献［１２］采用基于神经网络的太阳能预测算法，预测精度为±５％。如图２所示，由于存在预测误差，代表能量预测值的虚线在代表实际采集能量的实线上下浮动。当能量预测值高于实际采集能量值时，应用处理模块在ｉ时段的功耗将高于ｉ时段采集的能量，如果这种情况连续多个时段出现，存储单元的能量将被快速消耗，导致应用单元停止工作。针对这些问题，本文设计了一种基于能量的多时段功耗动态管理方法，在保持系统性能的同时可避免采集能量长期不足和预测误差带来的影响。３多时段动态功耗管理方法与单时段法不同，多时段法在第ｉ－１个时段决定系统第ｉ个时段的工作状态时，考虑后续Ｎ（时段ｉ到时段ｉ＋Ｎ－１

仿真实验,太阳能,处理单元,点积

集的能量可能大于实际消耗的能量，多出的能量存储在能量存储单元，在下一个时段将被利用，因此，本文方法在避免由于预测误差引起系统停止工作的同时充分利用了能量。综上所述，本文提出的多时段法可以解决单时段法存在的问题。下面将通过仿真实验对本文的多时段动态功耗管理方法进行评估。４仿真实验及结果分析为验证以上理论分析结果，根据真实的太阳能采集值，利用ＭＡＴＬＡＢ进行仿真对比实验，对本文方法进行分析和评估。随机选取美国橡树岭国家实验室网站７天的太阳能采集数据［１３］（见图３）作为实验使用的太阳能采集值。太阳能采集从０８：００开始至１６：００结束，每分钟采集１次，１天共采集４８１次。太阳能数据范围为０～２８１．２５Ｗ／ｍ２，并根据实验需要按比例缩校另外，应用处理模块采用文献［１２］中的多核并行架构，包含９４个处理单元，每个处理单元执行点积运算，向量长度为１０２４。在能量充足的情况下，９４个处理单元可以同时工作，每个单元在一个时段内最多完成１０２４次点积。因此，，系统同一时间内最多完成９６２５６次点积，此值即为Ｋｍａｘ。另外，要求系统至少有１个处理单元工作，因此Ｋｍｉｎ＝１０２４。控制单元通过调整同时工作的处理核的数量和处理速度来控制系统的运算量及功耗，任务执行一次即完成一次点积运算。其他仿真实验参数如下：Ｎ＝１０；α＝５％；Ｋｍａｘ＝９６２５６；Ｋｍｉｎ＝１０２４；ＥＤ＝０．０２７５；γ＝１．７５×１０－４；时段长度为１ｍｉｎ。由于采用基于神经网络的太阳能预测算法［１２］，本实验选

【相似文献】