Застосування вейвлет-перетворень на мікроконтролерах для моніторингу та оптимізації енергетичних систем у промислових умовах

Юрій Оникієнко Максим Мазін
Отримано 25.12.2024, Доопрацьовано 19.04.2025, Прийнято 30.06.2025
Анотація

Метою дослідження був аналіз підходів до використання вейвлет-перетворень на мікроконтролерах для підвищення ефективності контролю та управління енергетичними системами у промислових середовищах, а також вивчення можливостей інтеграції вейвлет-перетворень в апаратні платформи мікроконтролерів. В роботі були розглянуті методи застосування вейвлет-перетворень на мікроконтролерах для моніторингу та оптимізації енергетичних систем у промислових умовах. Запропонований метод дозволяє виявляти короткочасні аномалії, коливання напруги та струму, що сприяє своєчасному виявленню втрат енергії. Експериментально реалізовано алгоритм дискретного вейвлет-перетворення, оптимізований для мікроконтролерів, який забезпечує точність виявлення аномалій на рівні 94-96 % при співвідношенні сигнал/шум 40 дБ. Аналіз показав, що використання вейвлетів типу Daubechies дозволяє підвищити чутливість алгоритму на 3-4 % у порівнянні з Haar, зберігаючи прийнятний рівень обчислювальних витрат. Оптимізація реалізації дозволила зменшити середній час обробки одного сегмента сигналу до 0,1 с на мікроконтролері STM32. Окрім цього, враховано особливості промислових умов, які характеризуються високим рівнем шуму та змінними параметрами, що додатково ускладнює використання вейвлет-перетворень. Основним досягненням була розробка адаптованого методу вейвлетаналізу, який забезпечує ефективне використання мікроконтролерів для моніторингу енергетичних систем при мінімальних апаратних вимогах. Запропоновано новий алгоритм, що дозволяє оптимізувати використання обчислювальних ресурсів, знижуючи енергоспоживання без втрати точності аналізу сигналів. Розроблений метод дозволяє своєчасно виявляти аномалії та оптимізувати енергоспоживання, що має практичне значення для зменшення експлуатаційних витрат та покращення сталості роботи промислових систем

Ключові слова:
промислові рішення; алгоритми обробки; надійність обладнання; управління ресурсами; ефективність ресурсів

Взято з Том 23, № 1, 2025

Сторінки 56–67

Використані джерела ЦИТУВАТИ
  1. Ahmad, T., & Zhang, D. (2021). Using the internet of things in smart energy systems and networks. Sustainable Cities and Society, 68, article number 102783. doi: 10.1016/j.scs.2021.102783.
  2. Al-Shetwi, A.Q. (2022). Sustainable development of renewable energy integrated power sector: Trends, environmental impacts, and recent challenges. Science of the Total Environment, 822, article number 153645. doi: 10.1016/j.scitotenv.2022.153645.
  3. Azmi, K.H., Radzi, N.A., Azhar, N.A., Samidi, F.S., Zulkifli, I.T., & Zainal, A.M. (2022). Active electric distribution network: Applications, challenges, and opportunities. IEEE Access, 10, 134655-134689. doi: 10.1109/ ACCESS.2022.3229328.
  4. Badihi, H., Zhang, Y., Jiang, B., Pillay, P., & Rakheja, S. (2022). A comprehensive review on signal-based and model-based condition monitoring of wind turbines: Fault diagnosis and lifetime prognosis. Proceedings of the IEEE, 110(6), 754-806. doi: 10.1109/JPROC.2022.3171691.
  5. Bharany, S., Sharma, S., Khalaf, O.I., Abdulsahib, G.M., Al Humaimeedy, A.S., Aldhyani, T.H., Maashi, M., & Alkahtani, H. (2022). A systematic survey on energy-efficient techniques in sustainable cloud computing. Sustainability, 14(10), article number 6256. doi: 10.3390/su14106256.
  6. Bilgili, F., Lorente, D.B., Kuşkaya, S., Ünlü, F., Gençoğlu, P., & Rosha, P. (2021). The role of hydropower energy in the level of CO2 emissions: An application of continuous wavelet transform. Renewable Energy, 178, 283-294. doi: 10.1016/j.renene.2021.06.015.
  7. Bui, N.T., Phan, D.T., Nguyen, T.P., Hoang, G., Choi, J., Bui, Q.C., & Oh, J. (2020). Real-time filtering and ECG signal processing based on dual-core digital signal controller system. IEEE Sensors Journal, 20(12), 6492-6503. doi: 10.1109/JSEN.2020.2975006.
  8. Dong, H., Yu, G., Lin, T., & Li, Y. (2023). An energy-concentrated wavelet transform for time-frequency analysis of transient signal. Signal Processing, 206, article number 108934. doi: 10.1016/j.sigpro.2023.108934.
  9. Gangsar, P., & Tiwari, R. (2020). Signal based condition monitoring techniques for fault detection and diagnosis of induction motors: A state-of-the-art review. Mechanical Systems and Signal Processing, 144, article number 106908. doi: 10.1016/j.ymssp.2020.106908.
  10. Gao, J., Wang, X., Wang, X., Yang, A., Yuan, H., & Wei, X. (2021). A high-impedance fault detection method for distribution systems based on empirical wavelet transform and differential faulty energy. IEEE Transactions on Smart Grid, 13(2), 900-912. doi: 10.1109/TSG.2021.3129315.
  11. Han, X., Xu, A., Wang, K., Guo, H., Zhang, N., Liu, Y., & Hong, S.H. (2019). Quadratic-wavelet-transform-based fault detection approach for temperature sensor. IEEJ Transactions on Electrical and Electronic Engineering, 14(1), 148-156. doi: 10.1002/tee.22772.
  12. Karkhaneh, M., & Ozgoli, S. (2022). Anomalous load profile detection in power systems using wavelet transform and robust regression. Advanced Engineering Informatics, 53, article number 101639. doi: 10.1016/j.aei.2022.101639.​
  13. Khatua, P., & Ray, K.C. (2022). A low computational complexity modified complex harmonic wavelet transform. Circuits, Systems, and Signal Processing, 41(11), 6462-6483. doi: 10.1007/s00034-022-02095-3.
  14. Khatua, P.K., Ramachandaramurthy, V.K., Kasinathan, P., Yong, J.Y., Pasupuleti, J., & Rajagopalan, A. (2020). Application and assessment of internet of things toward the sustainability of energy systems: Challenges and issues. Sustainable Cities and Society, 53, article number 101957. doi: 10.1016/j.scs.2019.101957.
  15. Khoker, M.Z., Mahela, O.P., & Ahmad, G. (2020). A current based hybrid algorithm using discrete wavelet transform and Hilbert transform for detection and classification of power system faults in the presence of solar energy. In Proceedings of the IEEE international students’ conference on electrical, electronics and computer science (pp. 1-6). Bhopal: IEEE. doi: 10.1109/SCEECS48394.2020.6.
  16. Konecny, J., Choutka, J., Hercik, R., Koziorek, J., Navikas, D., Andriukaitis, D., & Prauzek, M. (2024). Computational cost and implementation analysis of a wavelet-based edge computing method for energy-harvesting industrial IoT sensors. IEEE Access, 12, 193607-193621. doi: 10.1109/ACCESS.2024.3519715.
  17. Kováč, S., Micha’čonok, G., Halenár, I., & Važan, P. (2021). Comparison of heat demand prediction using wavelet analysis and neural network for a district heating network. Energies, 14(6), article number 1545. doi: 10.3390/ en14061545.

  18. Lefebvre, J., Javer, A., Dmitrieva, M., Rittscher, J., Lewków, B., Allgeyer, E., Sirinakis, G., & Johnston, D.S. (2020). Single-molecule localization microscopy reconstruction using Noise2Noise for super-resolution imaging of actin filaments. In Proceedings of the 17th international symposium on biomedical imaging (pp. 1596-1599). Iowa City: IEEE. doi: 10.1109/ISBI45749.2020.9098713.

  19. Majhi, A.A., & Mohanty, S. (2024). A comprehensive review on internet of things applications in power systems. IEEE Internet of Things Journal, 11(21), 34896-34923. doi: 10.1109/JIOT.2024.3447241.
  20. Malinovskyi, V., Kupershtein, L., & Lukichov, V. (2024). Mathematical model for assessing cyber threats and information impacts in microcontrollers. Information Technologies and Computer Engineering, 21(1), 69-82. doi: 10.31649/1999-9941-2024-59-1-69-82.
  21. Mannelli, A., Papi, F., Pechlivanoglou, G., Ferrara, G., & Bianchini, A. (2021). Discrete wavelet transform for the real-time smoothing of wind turbine power using li-ion batteries. Energies, 14(8), article number 2184. doi: 10.3390/en14082184.
  22. Marinakis, V., Doukas, H., Tsapelas, J., Mouzakitis, S., Sicilia, Á., Madrazo, L., & Sgouridis, S. (2020). From big data to smart energy services: An application for intelligent energy management. Future Generation Computer Systems, 110, 572-586. doi: 10.1016/j.future.2018.04.062.
  23. Mazin, M.Y., & Onykiienko, Y.O. (2023). Wavelet transform application for image processing in microcontroller based Internet of things systems. Technologies and Engineering, 14(3), 15-25. doi: 10.30857/2786-5371.2023.3.2.
  24. Mikhailova, L., Zavytii, O., Horlachuk, M., Vilchinska, D., & Kondratiuk, O. (2024). Search for innovative solutions to improve the energy system of Ukraine: World experience. Machinery & Energetics, 15(3), 103-116. doi: 10.31548/machinery/3.2024.103.
  25. Mohamed, O.A., Okasha, A., & Abdrabbo, S. (2017). Identification and optimal fractional-order pid controller for a position servo system. In Proceedings of the 19th international middle east power systems conference (pp. 543552). Cairo: IEEE. doi: 10.1109/MEPCON.2017.8301234.
  26. Obaid, Z.A., Cipcigan, L.M., Abrahim, L., & Muhssin, M.T. (2019). Frequency control of future power systems: Reviewing and evaluating challenges and new control methods. Journal of Modern Power Systems and Clean Energy, 7(1), 9-25. doi: 10.1007/s40565-018-0441-1.
  27. Ogaili, A.A., Hamzah, M.N., Jaber, A.A., & Ghane, E. (2024). Application of discrete wavelet transform for condition monitoring and fault detection in wind turbine blades: An experimental study. Engineering and Technology Journal, 42(1), 104-116. doi: 10.30684/etj.2023.142023.1516.
  28. Pacheco, J., Benitez, V.H., Pérez, G., & Brau, A. (2024). Wavelet-based computational intelligence for real-time anomaly detection and fault isolation in embedded systems. Machines, 12(9), article number 664. doi: 10.3390/machines12090664.
  29. Peng, L., Wang, L., Xia, D., & Gao, Q. (2022). Effective energy consumption forecasting using empirical wavelet transform and long short-term memory. Energy, 238, article number 121756. doi: 10.1016/j.energy.2021.121756.
  30. Popov, A.O. (2019). Signal theory. Kyiv: National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”.
  31. Rahmani, A., & Deihimi, A. (2020). Reduction of harmonic monitors and estimation of voltage harmonics in distribution networks using wavelet analysis and NARX. Electric Power Systems Research, 178, article number 106046. doi: 10.1016/j.epsr.2019.106046.
  32. Samborsky, I.I., Sholokhov, S.M., Yurchenko, O.V., & Nikolayenko, B.A. (2021). Fundamentals of digital signal processing. Kyiv: National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”.
  33. Sharma, A., Verma, P., Choudhary, A., Mathew, L., & Chatterji, S. (2021). Application of wavelet analysis in condition monitoring of induction motors. In V.C. Pandey, P.M. Pandey & S.K. Garg (Eds.), Advances in electromechanical technologies (pp. 795-807). Singapore: Springer. doi: 10.1007/978-981-15-5463-6_71.
  34. Shilpa, R., & Puttaswamy, P.S. (2025). Efficient recurrent wavelet fast Fourier transform network used in embedded systems for enhancing power quality. Electrical Engineering. doi: 10.1007/s00202-025-02991-2.
  35. Ushenko, Y.O., Havryliak, M.S., Talakh, M.V., & Dvorzhak, V.V. (2021). Fundamentals and methods of digital signal processing: From theory to practice. Chernivtsi: Yuriy Fedkovych Chernivtsi National University.
  36. Veerasamy, V., Abdul Wahab, N.I., Vinayagam, A., Othman, M.L., Ramachandran, R., Inbamani, A., & Hizam, H. (2020). A novel discrete wavelet transform-based graphical language classifier for identification of high-impedance fault in distribution power system. International Transactions on Electrical Energy Systems, 30(6), article number e12378. doi: 10.1002/2050-7038.12378.
  37. Vetterli, M., Kovacevic, J., & Goyal, V.K. (2014). Foundations of signal processing. Cambridge: Cambridge University Press.
  38. Wu, H., Chen, C., & Weng, K. (2021). An energy-efficient strategy for microcontrollers. Applied Sciences, 11(6), article number 2581. doi: 10.3390/app11062581.
  39. Yan, Y.M., Lay, N., Chao, D.J., Rogalin, R., Okino, C.M., & Argueta, A. (2019). Propagation analysis in support of wireless spacecraft capability. In Proceedings of the IEEE aerospace conference (pp. 1-6). Big Sky: IEEE.
  40. Zabolotnii, S.V. (2010). Digital signal processing. Cherkasy: Cherkasy State Technological University doi: 10.1109/AERO.2019.8742234.

     

Onykiienko, Yu., & Mazin, M. (2025). Application of wavelet transformations on microcontrollers for monitoring and optimising energy systems in industrial conditions. Journal of Kryvyi Rih National University, 23(1), 56-67. https://doi.org/10.31721/2306-5451-2025-1-23-56-67
uk