⚡ elektrotechniek

ENO-Chain: Energy-Neutral Scheduling of Blockchain Participation for Energy-Harvesting IoT Nodes in Smart Grids

Dit artikel introduceert ENO-Chain, een op Lyapunov gebaseerd planningsbeleid dat de intensiteit van blockchain-participatie voor energie-oogstende IoT-nodes in slimme netwerken dynamisch aanpast om energie-neutrale werking te garanderen, terwijl het statische baselines in nut en betrouwbaarheid aanzienlijk overtreft.

Oorspronkelijke auteurs: Nawaf Abdualaziz Almolhis, Ashish Dixit, Subuhi Kashif Ansari, Huda Fatima, Shamimul Qamar, Salahaldeen Duraibi, Ashwag Alasmari, Salman Arafath Mohammed

Gepubliceerd 2026-10-16

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nawaf Abdualaziz Almolhis, Ashish Dixit, Subuhi Kashif Ansari, Huda Fatima, Shamimul Qamar, Salahaldeen Duraibi, Ashwag Alasmari, Salman Arafath Mohammed

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin de apparaten die onze elektriciteitsnetten draaiende houden — slimme meters op elk huis, sensoren op elk zonnepaneel — geen draden of batterijen nodig hebben die vervangen moeten worden. In plaats daarvan werken ze op de energie die ze oogsten uit hun omgeving: zonlicht, wind, of zelfs de trillingen van de machines die ze monitoren. Dit is de belofte van het "energie-neutrale" slimme net, een systeem waarbij het langetermijnenergieverbruik van een apparaat nooit groter is dan wat het uit de omgeving verzamelt. Als dat wel zo is, raakt het apparaat zonder stroom en valt het stil; als het te veel verzamelt, verspilt het het overschot. De uitdaging is dat er nu van deze apparaten wordt gevraagd om meer te doen dan alleen elektriciteit meten. Er wordt van hen gevraagd om deel te nemen aan een digitaal grootboek, een blockchain, om onveranderlijke registers van energieverbruik te creëren en peer-to-peer handel mogelijk te maken. Deze nieuwe taak is rekenintensief en verbruikt aanzienlijke hoeveelheden stroom, wat een gevaarlijk conflict creëert: hoe kan een apparaat dat zijn energie voor overleving zorgvuldig moet rantsoeneren, ook een veeleisende, beveiligingskritische taak uitvoeren zonder zonder stroom te raken?

Onderzoekers weten al lang hoe ze energie moeten beheren voor eenvoudige taken zoals het detecteren of versturen van een signaal, maar ze worstelen ermee om die regels toe te passen op de complexe, onvoorspelbare eisen van blockchain-participatie. Eerdere pogingen beschouwden de energie die nodig is voor deze digitale taken vaak als een vaste kostenpost of een statische regel, waarbij geen rekening werd gehouden met het feit dat de zon de ene dag fel kan schijnen en de volgende dag door wolken kan worden verborgen. Zonder een manier om dynamisch aan te passen hoeveel van dit digitale werk een apparaat probeert te verrichten op basis van zijn huidige energiereserves, loopt het systeem het risico ofwel energie te verspillen of, erger nog, het apparaat te laten uitvallen en offline te laten gaan, waardoor de beveiliging van het hele netwerk in gevaar komt.

Om dit op te lossen, heeft een team van onderzoekers een nieuw controlesysteem ontwikkeld genaamd ENO-Chain. Ze benaderden het probleem door de intensiteit van de deelname van een apparaat aan de blockchain niet te zien als een vaste instelling, maar als een flexibele draaiknop die elke paar minuten omhoog of omlaag kan worden gedraaid. De kern van hun oplossing is een tweeledige strategie. Het eerste deel is een strikte, wiskundige veiligheidsbewaker die ervoor zorgt dat een apparaat nooit meer energie verbruikt dan het over een bepaalde tijd heeft verzameld. Deze bewaker werkt als een financieel budget dat nooit een tekort toestaat te groeien, wat garandeert dat het apparaat in leven blijft, ongeacht hoe onvoorspelbaar het weer wordt. Het tweede deel is een leersysteem dat probeert slim te zijn, door gebruik te maken van korte termijn weersvoorspellingen om te beslissen of het veilig de draaiknop omhoog kan draaien om meer waarde uit de blockchain te halen voordat de zon ondergaand is.

De onderzoekers testten dit systeem in een gedetailleerde computersimulatie die een jaar aan veranderend weer nabootste, van heldere zonnige dagen tot bewolkte, energiearme periodes. Ze vergeleken hun nieuwe systeem met oudere methoden, waaronder één die simpelweg probeerde de maximale hoeveelheid werk te verrichten op elk moment, en een andere die een vast, handmatig afgestemd schema gebruikte. De resultaten onthulden een verrassende waarheid over hoe deze systemen gebouwd moeten worden. De strikte veiligheidsbewaker alleen al was opmerkelijk effectief. Het hield de apparaten draaiende met nul uitval, zelfs tijdens het hardste weer, terwijl het nog steeds aanzienlijk beter presteerde dan de oudere, statische methoden. Sterker nog, de veiligheidsbewaker alleen al presteerde ongeveer 21 procent beter dan de handmatig afgestemde baseline in termen van voltooide nuttige arbeid.

De toevoeging van het "leer"-gedeelte van het systeem hielp echter niet altijd. In veel gevallen maakte de leerlaag, die probeerde de toekomst te voorspellen om extra prestaties uit de knijp te halen, de situatie zelfs iets slechter. Het introduceerde een klein maar reëel risico dat het apparaat zonder stroom zou komen te zitten, en het verminderde soms de totale hoeveelheid nuttige arbeid in vergelijking met de veiligheidsbewaker die alleen opereerde. De onderzoekers kwamen tot de conclusie dat deze leerlaag alleen goed werkte wanneer deze getraind was op een grote verscheidenheid aan weersomstandigheden. Wanneer deze alleen getraind was op gemengde weersomstandigheden en vervolgens werd getest op zeer bewolkte of zeer koude dagen, slaagde het er niet in om correct aan te passen, wat bewees dat de intelligentie ervan fragiel was en afhankelijk van de trainingsgegevens.

De studie onderzocht ook hoe het systeem zou reageren als duizenden apparaten tegelijkertijd verbonden zouden zijn. Ze vonden dat de nieuwe methode zeer efficiënt was in het beheren van de concurrentie om beperkte slots in het blockchain-netwerk. Terwijl oudere methoden veel pogingen om zich bij het netwerk aan te sluiten verspillden, leerde het nieuwe systeem om afstand te nemen wanneer het te druk of te duur was, waardoor energie werd bespaard voor wanneer dat echt nodig was. Deze efficiëntie bleef stabiel, zelfs toen het aantal apparaten groeide van een handvol naar honderden.

Uiteindelijk concludeert het artikel dat de meest betrouwbare manier om deze energie-oogstende apparaten te laten draaien, is door te vertrouwen op de strikte, wiskundig bewezen veiligheidsbewaker. De leercomponent kan worden toegevoegd om de prestaties te verbeteren, maar alleen als deze zorgvuldig wordt getest om te voorkomen dat de veiligheidsgarantie wordt geschonden. De onderzoekers lieten zien dat in de echte wereld, waar het weer onvoorspelbaar is en energie schaars is, een systeem dat garandeert dat het nooit zonder stroom komt te zitten waardevoller is dan een systeem dat probeert slim te zijn en af en toe faalt. De studie dient als een waarschuwing voor de toekomst van slimme netwerken: in een wereld met beperkte middelen is het meest geavanceerde algoritme niet altijd het beste; soms is de meest betrouwbare weg de weg die simpelweg weet wanneer hij moet stoppen.

Technische Samenvatting: ENO-Chain

Probleemstelling
Smart grid IoT-nodes, zoals geavanceerde meetinfrastructuur (AMI) en gedistribueerde energiebron (DER) controllers, gaan steeds vaker over op ambient energy harvesting (bijv. zonne-energie, trillingen) om duurzaamheid te waarborgen en onderhoud te verminderen. Deze verschuiving legt de Energy-Neutral Operation (ENO) beperking op: de langetermijnenergieconsumptie van een apparaat mag niet hoger zijn dan het langetermijnenergie-inkomen om batterijuitputting te voorkomen. Tegelijkertijd moeten deze nodes deelnemen aan blockchain-ledgers voor foutbestendige meting en peer-to-peer afwikkeling.

Bestaande literatuur behandelt deze twee vereisten geïsoleerd. Onderzoek naar energie-neutraleal scheduling optimaliseert de duty cycles van sensing of communicatie, maar negeert beveiligingsrelevante workloads. Daarentegen richt onderzoek naar energiebewuste blockchain-consensus zich op het verminderen van rekenkosten of het selecteren van validators op basis van statische energie-snapshots, waarbij vaak wordt uitgegaan van netstroom of waarbij de stochastische aard van harvesting over tijd wordt genegeerd. Bijgevolg is er een gebrek aan een scheduling-framework dat een stochastisch energiebudget en een blockchain-participatieworkload gezamenlijk beheert en daarbij een formele garantie biedt tegen batterijuitputting.

Methodologie: ENO-Chain
Het artikel stelt ENO-Chain voor, een tweelaags controlebeleid ontworpen om de bruikbaarheid (utility) van blockchain-participatie te maximaliseren terwijl strikt aan de ENO-beperkingen wordt voldaan. Het systeem modelleert de evolutie van de batterijstatus van de node en behandelt de intensiteit van blockchain-participatie (variërend van slapen tot volledige validatie) als een discrete controleerbare variabele.

Laag 1: Lyapunov Drift-Plus-Penalty Controle
De kern van de controller is een Lyapunov-optimalisatiebeleid dat geen voorkennis vereist van de energie-harvesting distributie. Het onderhoudt een virtuele energie-tekort-wachtrij $Q_i(t)$ en minimaliseert een drift-plus-penalty bovengrens in elk tijdslot. Deze laag:
- Biedt een gesloten vorm $O(1/V)$ – $O(V)$ trade-off tussen utility-maximalisatie en batterijdeviatie.
- Biedt een formele garantie van begrensde batterijdeviatie en gemiddelde-rate stabiliteit, waardoor de tijdgemiddelde energie-neutrale beperking wordt gewaarborgd zonder de toekomstige energie-inkomsten te hoeven voorspellen. De paper merkt echter op dat het bereiken van nul schendingspercentages in de praktijk afhankelijk is van de specifieke kalibratie van de trade-off parameter $V$ .
- Werkt met een lage computationele complexiteit, geschikt voor beperkte microcontrollers.
Laag 2: Constrained Actor-Critic Fine-Tuning
Een lichtgewicht reinforcement learning (actor-critic) laag verfijnt de beslissing van Laag 1. Het maakt gebruik van korte-horizon energievoorspellingen en recente load-patronen om acties met een hogere utility te selecteren. Cruciaal is dat deze laag geschilderd (shielded) is: deze wordt beperkt tot een "veilige set" van acties die door Laag 1 voor het huidige tijdslot zijn gecertificeerd. Dit ontwerp zorgt ervoor dat zelfs als het geleerde beleid niet convergeert of suboptimaal handelt, het de veiligheidsbeperkingen die door Laag 1 zijn vastgesteld op het moment van selectie niet kan schenden. De paper verduidelijkt echter dat deze per-slot certificering niet garandeert dat een sequentie van dergelijke acties de langetermijn-schendingsratio van Laag 1 alleen behoudt, met name bij hogere waarden van $V$ .

Belangrijkste Bijdragen

Formulering: Het artikel formuleert blockchain-participatie (ondertekenen, doorgeven, valideren) als een controleerbare variabele binnen het canonieke ENO batterij-drift model, waarmee het framework verder gaat dan traditionele sensing workloads.
Controller Ontwerp: Het introduceert een tweelaagse architectuur die een formele, distributievrije Lyapunov-controller combineert met een geleerde verfijningslaag, gebruikmakend van een shielding-patroon aangepast uit de safe reinforcement learning literatuur.
Rigoureuze Evaluatieprotocol: De auteurs implementeren een strikt evaluatieprotocol waarbij de trade-off parameter $V$ wordt gekalibreerd op een trace die onafhankelijk is van alle evaluatie-seeds. Ze hebben ook de dichtstbijzijnde baseline (Saleh en Cevik [11]) opnieuw geïmplementeerd op het populatieniveau waarvoor deze oorspronkelijk bedoeld was, in plaats van als een enkele-node proxy.
Empirische Bevindingen over Geleerde Lagen: De studie identificeert en volgt een specifiek faalmechanisme waarbij de geleerde verfijningslaag, wanneer getraind op één enkel weerregime, kan presteren onder de veiligheidslaag en non-zero schendingspercentages introduceert wanneer deze wordt geëvalueerd op andere regimes. Dit benadrukt de gevoeligheid van geleerde componenten voor verschuivingen in de trainingsdistributie en het risico dat veiligheidsgaranties bij bepaalde operationele punten worden ondermijnd.

Resultaten
Geëvalueerd over acht onafhankelijke traces en vier weerregimes (zonnig, bewolkt, gemengd, winter):

Veiligheid en Utility: Bij de onafhankelijk gekalibreerde parameter $V^*=10.240$ , bereikt de alleen-Lyapunov laag (Laag 1) een gemiddelde utility die 21% hoger is dan een handmatig afgestelde statische drempel-baseline, terwijl het nul schendingspercentages (geen batterijuitputting events) handhaaft over alle acht seeds.
De Trade-off van de Geleerde Laag: Bij dit specifieke operationele punt ( $V^*$ ) vertoonde de volledige tweelaagse controller (ENO-Chain) een lagere utility en een non-zero schendingspercentage vergeleken met Laag 1 alleen. Deze omkering trad op omdat de geleerde laag, getraind op één regime, instabiliteit introduceerde wanneer deze op andere werd toegepast, waarbij veiligheid werd geruild voor utility. De paper merkt op dat bij hogere $V$ -waarden (bijv. 20.480), de verfijning van de geleerde laag de prestaties zelfs verder kan verslechteren, ondanks de formele garantie van de basislaag.
Effect van Trainingsdistributie: Wanneer de geleerde laag opnieuw werd getraind op een mix van alle vier de weerregimes, slaagde deze erin de prestaties van Laag 1 te evenaren of te overtreffen in de meeste regimes, wat bevestigt dat de initiële onderprestatie een artefact van de training was en geen fundamentele architecturale beperking.
Schaalbaarheid: De methode demonstreerde stabiliteit in per-node utility en een vermindering van de validator-slot denial rates naarmate het netwerk groeide van 5 naar 200 nodes, waarbij het beter presteerde dan energie-onwetende baselines die kampten met hoge contention waste.

Betekenis en Claims
Het artikel claimt bescheiden dat de primaire bijdrage niet louter een nieuwe controller is, maar een demonstratie van hoe evaluatieprotocollen ongemerkt incorrecte ablatiestudies kunnen bevoordelen. De studie laat zien dat het kalibreren van veiligheidskritische hyperparameters op dezelfde data die gebruikt wordt voor testen, het feit kan maskeren dat een geleerde verfijningslaag de formele veiligheidsgaranties van de basiscontroller ondermijnt.

De centrale empirische bevinding is de asymmetrie tussen de twee lagen: de Lyapunov-laag handhaaft haar formele garantie (begrensde afwijking en gemiddelde-rate stabiliteit) ongeacht de prestaties van de geleerde laag in isolatie, maar de bijdrage van de geleerde laag is conditioneel op het feit dat de trainingsdistributie overeenkomt met de operationele condities en de specifieke waarde van de trade-off parameter $V$ . Bij bepaalde operationele punten (specifiek hoge $V$ ) kan de geleerde laag de door de veiligheidslaag gevestigde violation rate ondermijnen. Het artikel concludeert dat voor implementatie op de Lyapunov-laag moet worden vertrouwd voor de neutraliteitsgarantie, en dat de geleerde laag pas toegevoegd mag worden na rigoureuze validatie op gehouden data die de verwachte operationele condities beslaat. Het werk benadrukt dat in veiligheidskritische, energiebeperkte omgevingen de stabiliteit van de formele garantie belangrijker is dan gemiddelde prestatieverbeteringen die ten koste kunnen gaan van veiligheid.

Technische Samenvatting: ENO-Chain

Meer zoals dit