Low-Power Wide-Area Networks, LPWANs, achieve long communication ranges with a low energy consumption by communicating at low bit rates. Most LPWAN devices are battery powered and are required to operate for an extended period of time, which stresses the requirements for energy efficiency. This thesis investigates the energy consumption of LPWAN devices operating in the Industrial, Scientific and Medical, ISM, band and how use cases affect the consumption. Specifically, LoRa/LoRaWAN and Sigfox are examined. Their key characteristics are described and energy consumption is modelled. The models are verified by comparing the model outputs with measured power consumption of LoRa and Sigfox devices. Through the models, design parameters are investigated with regards to consumption, and product lifetime are estimated. The influence of use cases on energy consumption is explored by measuring the Package Delivery Ratio, PDR, at different ranges using various bit transmission rates.The results showed that the bitrate, data redundancy and protocol overhead were among parameters which could be used to optimise energy efficiency. It was also shown, that the device lifetimes could be significantly increased by increasing the transmission interval and removing message acknowledgements. Realistically, LoRa devices can have a lifetime of more than 10 years and Sigfox 3 years, using a 2800 mWh battery. The use case tests showed that a 100 % PDR should not be expected at any bitrate, but lower bitrates and messaging redundancy increase the likelihood of a successful package delivery. Hence, there is a tradeoff between low energy consumption and range/reliability. Additionally, it was found that a low node to gateway distance and a high gateway density increase the probability of a successful transaction. Thus, the power consumption is tightly coupled to the network configuration. / Low-Power Wide-Area Networks, LPWANs, uppnår långa kommunikationsräckvidder med låg energiförbrukning genom att kommunicera med låga bithastigheter. De flesta enheter är batteridrivna och måste operera över längre tid, vilket ökar kraven för energieffektivitet. Denna avhandling undersöker energiförbrukningen för LPWAN enheter i det industriella, vetenskapliga och medicinska ISM bandet och hur olika användningsfall påverkar förbrukningen. Specifikt undersöks LoRa/LoRaWAN och Sigfox. Deras viktigaste egenskaper beskrivs och deras energiförbrukning modelleras. Modellerna verifieras genom att jämföra resultaten från modellerna med uppmätt effektförbrukning av LoRa och Sigfox-enheter. Genom modellerna undersöks även designparametrar med avseende på strömkonsumtion och produktens livslängd uppskattas. Påverkan användningsfall har på energiförbrukning undersöks genom att mäta Package Delivery Ratio, PDR, vid olika avstånd och bitöverföringshastigheter.Resultaten visade att bitraten, dataredundansen och protokollstorleken var bland parametrar som kunde användas för att optimera energieffektiviteten. Det visades också att enhetens livslängd kunde ökas signifikant genom att öka överföringsintervallet och ta bort meddelandebekräftelser. Realistiskt kan LoRaenheter ha en livslängd på mer än 10 år och Sigfox 3 år, med ett batteri på 2800 mWh. Resultatet av olika test visade att en 100 % PDR inte bör förväntas vid någon bitrate, men lägre bitrater och redundans för meddelanden ökar sannolikheten för en paketleverans. Det finns därför en avvägning mellan låg energiförbrukning och räckvidd och sannolikheten för en lyckad packetleverans. Dessutom konstaterades att en låg nod till gateway-avstånd och en hög gateway-densitet ökar sannolikheten för att transaktioner lyckas. Således är energiförbrukningen tätt kopplad till nätverkskonfigurationen.

The aim of the project was to implement a machine learning model to optimise the power consumption of Ericsson’s Kista data center. The approach taken was to use a Reinforcement Learning agent trained in a simulation environment based on data specific to the data center. In this manner, the machine learning model could find interactions between parameters, both general and site specific in ways that a sophisticated algorithm designed by a human never could. In this work it was found that a neural network can effectively mimic a real data center and that the Reinforcement Learning policy "TD3" could, within the simulated environment, consistently and convincingly outperform the control policy currently in use at Ericsson’s Kista data center.