lunes, 28 de octubre de 2024

WPT en ambiente RF-EH

Las ciudades modernas están impulsadas por una amplia gama de tecnologías inalámbricas que pueden proporcionar niveles promedio de densidad de potencia de RF ambiental del orden de −25 dBm/cm2 [2].

Por lo general, la RF-EH ambiental se adapta a dispositivos de potencia ultra baja, ya que el desajuste de polarización de la antena, las condiciones de línea de visión (LoS), el tráfico de datos y las condiciones atmosféricas pueden debilitar la energía incidente. Afortunadamente, la llegada de redes ultradensas (para las que la densidad estimada es de alrededor de 103 células/km2 [30]) reducirá considerablemente la distancia de propagación de las señales de RF; por lo tanto, hace que la RF-EH sea prácticamente atractiva para reciclar energía de RF ambiental, como se muestra en la figura 6. En este ejemplo, adoptamos el modelo sigmoideo propuesto en [31] para el circuito RF-EH descrito en [32] al tiempo que ilustramos las posibilidades de no satisfacer una potencia de recolección de 1 mW. Además, consideramos una potencia de transmisión de 1 W para los transmisores de RF al tiempo que modelamos su implementación como un proceso de punto de Poisson homogéneo. Además, consideramos un modelo de pérdida de trayectoria de distancia logarítmica con exponente 2,7 y pérdida no dependiente de la distancia de 40 dB, y canales sujetos a desvanecimiento de Rician con factor LoS 10. Proporcionamos más detalles sobre el rendimiento de las arquitecturas de combinación de RF y corriente continua (CC) de múltiples antenas en la Sección III-C. El circuito RF-EH tiene la misma arquitectura independientemente de si la fuente de RF es dedicada o no. Esto permite una coexistencia optimizada de WET con RF-EH ambiental, lo que resulta en un suministro de energía más confiable para los dispositivos IoT en escenarios con alta densidad de potencia ambiental. Al habilitar un modo EH dual, los dispositivos IoT pueden recolectar energía exclusivamente de fuentes de RF ambientales y solo solicitar energía de los gPB si es necesario. Por el contrario, RF-EH ambiental puede verse como una fuente de energía de respaldo o complementaria, si está disponible, cuando WET se degrada momentáneamente. Sin embargo, tenga en cuenta que lograr esos modos operativos puede requerir un receptor optimizado para regímenes de potencia de entrada baja y alta, para recolectar de transmisiones de energía ambiental y dedicada, respectivamente. La figura 5a ilustra una implementación ejemplar de dicho receptor que tiene un circuito de control adaptativo que conecta la ruta rectificadora correspondiente dependiendo del nivel de potencia de entrada medido.

Bibliografia

[1] O. M. Rosabal, O. L. A. López, H. Alves and M. Latva-Aho, "Sustainable RF Wireless Energy Transfer for Massive IoT: Enablers and Challenges," in IEEE Access, vol. 11, pp. 133979-133992, 2023, doi: 10.1109/ACCESS.2023.3337214. keywords: {Lead;Internet of Things;Green products;Wireless communication;Radio frequency;Costs;Batteries;Energy harvesting;Sustainable development;Wireless power transfer;Energy harvesting;green energy;massive IoT;radio frequency wireless energy transfer;sustainable charging},

CONFIGURACIONES AVANZADAS DE RECTENNA (Mutibanda)

Las rectenas pueden diseñarse para operar en múltiples bandas y con un rango dinámico extendido para aumentar la energía recolectada. Las rectenas multibanda recolectan energía en diferentes bandas de frecuencia. Como ejemplo, se puede lograr un funcionamiento multibanda conectando la salida de múltiples antenas, cada una optimizada para una banda de frecuencia diferente, a diferentes rutas de rectificación, como se muestra en la Figura 5b.

En general, proporcionan una mayor eficiencia de conversión y un funcionamiento más confiable que su contraparte de banda estrecha. Las rectenas de banda ancha operan en un ancho de banda de frecuencia amplio, empleando antenas de banda ancha/independientes de la frecuencia, y típicamente funcionan con una eficiencia de conversión menor que las rectenas multibanda.

fig 5c. receptor de banda anche

La Figura 5c ilustra un diseño ejemplar de un receptor de este tipo que utiliza una arquitectura sintonizable. Es decir, el circuito oscilador local sintoniza el funcionamiento del circuito de adaptación de entrada a ese rango de frecuencia con la mayor potencia de CC de salida. Sin embargo, la no linealidad del rectificador y la red de adaptación impiden mantener un alto rendimiento en el ancho de banda operativo.

Finalmente, las técnicas de operación de rango dinámico extendido apuntan a incrementar el rango de niveles de potencia de entrada sobre los cuales la eficiencia de conversión de potencia del circuito rectificador es superior al 20%. Para lograr eso, los rectificadores deben tener tanto una alta sensibilidad, es decir, el nivel de potencia de entrada mínimo para el cual la salida de CC es igual a 1 V para condiciones de carga específicas, como una baja caída de voltaje a través de los diodos en el régimen de baja potencia. Mientras tanto, en el régimen de alta potencia, se prefieren rectificadores de baja corriente de fuga para reducir las pérdidas de potencia cuando los diodos están polarizados inversamente. Una solución práctica para estos requisitos de diseño consiste en incorporar múltiples caminos rectificadores, cada uno optimizado para un nivel de potencia de entrada diferente, como se muestra en la Figura 5a.

FIGURA 5a. Arquitecturas genéricas de circuitos RF-EH mejorados: i) receptor de rango dinámico adaptativo

Específicamente, uno puede controlar de forma adaptativa el número y la configuración de los bloques rectificadores conectados a la salida de la antena dependiendo de la potencia disponible [2]. Alternativamente, uno puede incorporar un circuito elevador en la entrada para aumentar el voltaje en el régimen de baja potencia y un camino de autopolarización para reducir las corrientes de fuga [3].

Bibliografia

[2] A. Choo, H. Ramiah, K. K. P. Churchill, Y. Chen, S. Mekhilef, P.-I. Mak, and R. P. Martins, ‘‘A reconfigurable CMOS rectifier with 14-dB power dynamic range achieving >36-dB/mm2 FoM for RF-based hybrid energy harvesting,’’ IEEE Trans. Very Large Scale Integr. (VLSI) Syst., vol. 30, no. 10, pp. 1533–1537, Oct. 2022

[3] P. K. C. Mishu and I. Song, ‘‘Highly-efficient CMOS rectifier for wide range of input RF power in energy-harvesting systems,’’ in Proc. IEEE Int. Midwest Symp. Circuits Syst. (MWSCAS), Aug. 2021, pp. 75–79.

APE 1

1. Considerando las líneas de investigación de la UTA y la FISEI, determinar:

a. Áreas de dominio en las que pueda investigar.

ÁREA ELECTRÓNICA

ÁREA COMUNICACIONES

ÁREA PROGRAMACIÓN Y REDES

b. Docentes especialistas en las áreas determinadas

ÁREA ELECTRÓNICA

Ing. Carlos Gordón

Ing. Mario García

Ing. Pamela Castro

Ing. Patricio Córdova

ÁREA COMUNICACIONES

Ing. Juan Pablo Pallo

Ing. Carlos Gordón

Ing. Julio Cuji

Ing. Geovanny Brito

Ing. Santiago Altamirano

Ing. Jesús Guamán

ÁREA PROGRAMACIÓN Y REDES

Ing. Santiago Manzano

Ing. Andrea Sánchez

Ing. Freddy Robalino

Ing. Pamela Castro

Ing. Carlos Gordón

2. Buscar en repositorios tesis y artículos dentro del área determinada.

1 articulo

2 articulo

3 articulo

1 tesis

“PROTOTIPO A ESCALA DE TRANSMISIÓN DE ENERGÍA ELÉCTRICA INALÁMBRICA"

https://repositorio.unesum.edu.ec/handle/53000/1541

2 tesis

Arrays de Antenas Inteligentes para la Captación Óptima de Energía Electromagnética

https://repositorio.uta.edu.ec/handle/123456789/34075

Diseño e investigación de la implementación de un sistema de carga inalámbrica por inducción para incrementar la autonomía en una motocicleta eléctrica.

https://repositorio.espe.edu.ec/items/4b4dab66-c826-40a5-91c7-d3c0ad0f0e30

3. Determinar un problema de investigación que sea susceptible de presentarse como trabajo de titulación y argumentarlo

Problema

Causas

Efectos

Solución

Conclusiones

Recomendaciones

RECEPTORES RF-EH MEJORADOS

Diseñar los receptores RF-EH para que funcionen en diferentes condiciones de señal de entrada es fundamental para aumentar la confiabilidad del suministro de energía de los dispositivos. En esta sección, analizamos algunas de las estrategias para mejorar el RF-EH desde la perspectiva del receptor. Basaremos nuestra discusión en las arquitecturas de receptor ilustradas en la Figura 5.

Bibliografia

O. M. Rosabal, O. L. A. López, H. Alves and M. Latva-Aho, "Sustainable RF Wireless Energy Transfer for Massive IoT: Enablers and Challenges," in IEEE Access, vol. 11, pp. 133979-133992, 2023, doi: 10.1109/ACCESS.2023.3337214. keywords: {Lead;Internet of Things;Green products;Wireless communication;Radio frequency;Costs;Batteries;Energy harvesting;Sustainable development;Wireless power transfer;Energy harvesting;green energy;massive IoT;radio frequency wireless energy transfer;sustainable charging},

[2] X. Gu, P. Burasa, S. Hemour, and K. Wu, ‘‘Recycling ambient RF energy: Far-field wireless power transfer and harmonic backscattering,’’ IEEE Microw. Mag., vol. 22, no. 9, pp. 60–78, Sep. 2021.

UBIQUITOUS WET: eliminar los puntos ciegos

La implementación conveniente de múltiples PB es fundamental para eliminar los puntos ciegos en la red y distribuir la energía de acuerdo con los requisitos de la aplicación.

También puede contribuir a la equidad social al promover la carga inalámbrica ubicua y permitir nuevos casos de uso. Sin embargo, la implementación óptima de gPB trae consigo nuevos desafíos.

Los algoritmos de implementación de PB tradicionales se centran principalmente en maximizar las funciones de energía/tasa recolectadas de los dispositivos y/o minimizar el consumo de energía, los costos de instalación y/o la radiación RF-EMF de los PB. Mientras tanto, la implementación de gPB agrega un nuevo grado de libertad a los problemas de optimización correspondientes, ya que la disponibilidad/intensidad de la energía ambiental puede influir en las estrategias de implementación.

Para hacer frente a eso, la literatura considera dos enfoques de modelado de la llegada de energía de fuentes ambientales, a saber, determinista y estocástico. Los modelos deterministas se adaptan a aplicaciones con llegadas de energía predecibles y de variación lenta. Por ejemplo, es posible obtener fórmulas empíricas para predecir la energía incidente de fuentes ambientales utilizando registros meteorológicos históricos [23].

Cuando este enfoque deja de ser atractivo, el sistema puede diseñarse para el peor escenario posible, suponiendo que la energía incidente es limitada, y que se puede estimar con suficiente precisión. Con esto, un diseñador de red puede idear una estrategia de gestión de energía (subóptima) considerando el presupuesto de energía del dispositivo IoT en cada instante de tiempo, la energía incidente mínima, el consumo máximo de energía y las imperfecciones de la batería. Otro enfoque consiste en utilizar mediciones anteriores para alimentar herramientas de análisis de series temporales, por ejemplo, promedio móvil, suavizado exponencial y promedio móvil integrado autorregresivo, para realizar predicciones a corto plazo de la energía incidente [24]. Desafortunadamente, este enfoque no es adecuado para tratar con conjuntos de datos con datos faltantes, mientras que los requisitos de memoria y el tiempo de cálculo para lograr errores de predicción bajos podrían ser prohibitivos, especialmente para conjuntos de datos grandes. Finalmente, los enfoques de aprendizaje automático (ML), como el algoritmo de bosque aleatorio, las redes neuronales convolucionales y la memoria a corto plazo larga, han demostrado potencial para capturar las características espacio-temporales de la energía ambiental incidente. Estos enfoques no están vinculados a ningún modelo físico de la atmósfera y, por lo tanto, son más simples y requieren menos recursos computacionales que los métodos de predicción numérica del tiempo de última generación [25]. Mientras tanto, los modelos estocásticos describen la llegada de energía como un proceso aleatorio correlacionado con el tiempo o no correlacionado. El supuesto estocástico tiene como objetivo imitar la incertidumbre de la mayoría de las fuentes ambientales. Por ejemplo, las distribuciones Weibull y Gamma pueden describir la densidad de energía eólica promedio y la radiación solar, respectivamente [26]. Cuando la recolección de una sola fuente se vuelve insuficiente, es deseable tener una solución EH híbrida que permita que un dispositivo recolecte energía de diferentes fuentes y potencialmente aumente la confiabilidad de la aplicación IoT. Una forma eficaz de caracterizar la potencia de salida promedio total de una solución EH híbrida es mediante el uso de un modelo de mezcla gaussiana (GMM) [27]. Con este enfoque, las fuentes similares se clasifican en grupos no superpuestos. Luego, cada grupo se modela con una distribución gaussiana. El GMM final consiste en la suma de las distribuciones individuales que modelan cada grupo. El método de estimación de densidad de kernel (KDE) también es eficaz para modelar soluciones híbridas de EH, como RF-EH a partir de múltiples canales de servicio móvil [24]. A diferencia del enfoque GMM, donde se deben especificar los clústeres y sus ubicaciones, KDE es un método de estimación de densidad no paramétrico donde cada punto de datos corresponde al centro de un clúster. De manera similar, se puede recurrir a herramientas de geometría estocástica para modelar la posición de múltiples fuentes de RF en un área de servicio como un proceso de puntos de Poisson. Este enfoque permite modelar la energía recolectada como una variable aleatoria que depende de la densidad espacial de las fuentes de RF, su potencia de transmisión y los canales de energía correspondientes.2 Además, se puede caracterizar el rendimiento de la red utilizando la energía promedio recolectada en un dispositivo seleccionado aleatoriamente, la probabilidad de cobertura de energía que es el porcentaje del área donde los dispositivos EH recolectan más de una cierta cantidad de unidades de energía, y la distribución de la probabilidad de corte de energía condicionada a las ubicaciones de las fuentes de RF [4]. A continuación, ilustramos la aplicación de un modelo determinista ejemplar para optimizar la implementación de un gPB para maximizar la potencia de RF recibida del peor dispositivo IoT de la red. Además, consideramos que la energía recolectada de los gPB está inmediatamente disponible para su uso y que su potencia máxima de transmisión es de 1 W. Finalmente, inspirados por el enfoque adoptado en [27], modelamos las variaciones espaciales de la potencia ambiental promedio como una suma ponderada de funciones gaussianas. Las campanas gaussianas se han centrado en {−5, −5}, {5, −5}, {5, 5}, {−5, 5} y {0, 0}, respectivamente. sus matrices de covarianza diagonales, consideramos que el valor de las entradas distintas de cero es el mismo e igual a 5, 3, 2, 7 y 8, respectivamente. La figura 3 muestra los resultados numéricos para el escenario anterior con pérdidas de canal calculadas de acuerdo con el modelo de Friis para una frecuencia de operación de 1 GHz. Las líneas de nivel en la figura 3a y la figura 3b denotan la potencia incidente promedio de las fuentes de RF ambientales (en W) y dedicadas (en dBm), respectivamente, en cada ubicación. Además, hemos optimizado el despliegue de los gPB a través de un solucionador de algoritmos genéticos. Observe que la potencia ambiental promedio disponible en la posición de cada gPB para El despliegue optimizado resultante es diferente, por ejemplo, los gPBs1−5 reciben {3,1, 2,5, 1,5, 3,1, 1,8} W, respectivamente. Este despliegue de gPBs proporciona una potencia de RF incidente promedio en el dispositivo peor posicionado, que está encerrado en el círculo de línea de puntos, de aproximadamente 39 µW. Por lo tanto, cuando se utilizan antenas omnidireccionales, los gPBs deben estar cerca de los dispositivos IoT y lejos de las ubicaciones donde la energía ambiental incidente tiene valores máximos. Además, dependiendo de la distribución espacial de los dispositivos IoT en el área de servicio, algunas regiones pueden necesitar desplegar múltiples gPBs cerca uno del otro. Finalmente, el lector puede observar en la Fig. 3b cómo la distribución de potencia de RF proporciona acceso ubicuo al servicio de carga a los dispositivos IoT mediante el despliegue de más gPBs en el cuadrante con la mayor densidad de dispositivos implementados. Para aplicaciones IoT en áreas remotas, y para aquellas que requieren servicios de comunicación temporales, el despliegue de una infraestructura de red con gPB fijos puede no ser factible. Como se muestra en la figura 4, el WET nómada, que utiliza gPB móviles [6], [7], [8], [19], [28] y/o voladores [9], [16], puede proporcionar mayor flexibilidad para cumplir con los requisitos del servicio en condiciones climáticas o ambientales severas y en zonas con acceso prohibido. En tales casos, los gPB pueden moverse o volar para alimentar las implementaciones de IoT, recopilar mediciones y regresar una vez que se haya completado la misión. Sin embargo, tenga en cuenta que los marcos regulatorios actuales para vehículos no tripulados pueden restringir los parámetros operativos de dichos gPB, por ejemplo, la velocidad/altitud máxima y la distancia mínima de la infraestructura civil y los humanos. Inevitablemente, en algunas condiciones, las demandas de energía pueden superar con creces la energía recolectada en los gPB y, por lo tanto, comprometer el servicio WET. En estos casos, el comercio de energía se convierte en una solución atractiva para equilibrar la energía disponible en la red de los gPB, como se muestra en la Figura 4. Sin embargo, el mayor desafío del comercio de energía inalámbrica entre gPB es que la eficiencia de transferencia de energía de extremo a extremo puede reducirse significativamente. Esto se debe a que la energía sufre más transformaciones que en el caso de que los dispositivos sean alimentados por sus gPB correspondientes sin recurrir al comercio de energía. Como se muestra en la Figura 4, se puede aliviar esta carga habilitando sistemas de almacenamiento de energía distribuidos; sus nodos constituyentes podrían verse como gPB con circuitos EH más grandes y capacidades de almacenamiento de energía con la función especializada de transferir grandes cantidades de energía a los gPB a través de enlaces WET de alta potencia. Finalmente, la llegada de superficies inteligentes reflectantes (RIS) en sistemas inalámbricos ha traído la posibilidad de reconfigurar convenientemente el entorno de propagación. Las RIS aumentan la eficiencia de conversión al implementar una formación de haz de reflexión de baja potencia que garantiza una interferencia constructiva de las señales de energía reflejada en los dispositivos IoT. Esto ayuda a extender la cobertura WET y evitar obstáculos, como ilustra la Figura 4. En el caso de los RIS pasivos, esto no supone ningún consumo energético adicional en cadenas de RF o amplificadores, ya que el controlador de los reflectores pasivos es el único elemento activo.

Bibliografia

WET Verde

Los PB tienen un factor de forma más grande y mejores capacidades de hardware/conectividad que los dispositivos IoT. Esto les permite incorporar un circuito EH más eficiente que posiblemente podría recolectar de múltiples fuentes ambientales simultáneamente, lo que reduce la incertidumbre de la energía total recolectada. Nos referiremos a los PB alimentados por fuentes de energía renovables como PB de energía verde (gPB).

Los gPB contribuyen a la WET sostenible en las dimensiones económica y ambiental, ya que la generación autónoma de electricidad reduce los costos generales.

Para ilustrar esto, en la Figura 2a comparamos los costos generales de las implementaciones de IoT habilitadas para WET, incluidos los PB alimentados por la red, los PB alimentados por batería, los gPB y el escenario de referencia donde los dispositivos dependen únicamente de sus baterías.

Para este ejemplo, implementamos un PB por cada 50 dispositivos IoT. Para escenarios habilitados para WET, adoptamos el transmisor de potencia inalámbrica RF Powercast TX91503 PowerSpot®1 como el equipo PB de referencia, cuyo costo por unidad es =C100.00. Además, escalamos los gastos de instalación y operación de acuerdo con el costo por kWh consumido por la red del PB en cada escenario. Específicamente, adoptamos los valores =C0.30/kWh, =C0.15/kWh y =C1.50/kWh para los PB alimentados por la red, los gPB y los PB alimentados por batería, respectivamente. Además, consideramos que los PB operan 24/7 durante la vida útil del hardware de los dispositivos IoT con un consumo de energía de 6 W. A menos que se indique lo contrario, asumimos que la vida útil de la batería de un dispositivo IoT es de cinco años y que el mantenimiento representa el 50% del costo de instalación de =C20.00 por dispositivo IoT.

Por último, tenga en cuenta que los costos generales se calculan durante la vida útil del hardware de los dispositivos de IoT. Tenga en cuenta que el escenario de referencia es la solución más rentable para alimentar unos pocos dispositivos. Sin embargo, a medida que aumenta la cantidad de dispositivos, la implementación de PB alimentados por la red, y especialmente gPB, reduce los costos generales; por lo tanto, promueve oportunidades comerciales y permite más casos de uso. Para este ejemplo, asumimos que la vida útil de la batería de los dispositivos es fija y coincide con las expectativas de diseño. Sin embargo, el perfil de energía del hardware inexacto y las imperfecciones de la batería pueden aumentar los costos generales lejos de lo esperado, como lo sugiere la Figura 2b. Hemos asumido en ambos ejemplos que WET es factible para alimentar incluso la implementación de IoT más demandante de energía que se muestra en la Figura 2b. Finalmente, vale la pena notar que los valores numéricos indicados en este ejemplo son para fines de comparación cualitativa y, por lo tanto, no reflejan los precios exactos en el mercado. Aquí, hemos asumido que el costo por kWh en el

Bibliografia

Consideraciones de una Wet sostenible

i) alimentar de manera eficiente los balizas de energía PB con fuentes de energía ecológicas,

ii) asegurar las transacciones de energía (por ejemplo, dispositivos PB a PB y PB a IoT),

iii) permitir una implementación flexible de los PB,

iv) minimizar los gastos generales de las redes habilitadas para WET,

v) proporcionar un servicio de carga ubicuo con niveles compatibles de contaminación de RF.

Esto implica una desconexión total de WET de la red basada en combustible y la adopción de estrategias de carga de baja complejidad, seguras y energéticamente eficientes, al tiempo que se evitan las brechas de seguridad que comprometen el presupuesto energético potencialmente limitado. Además, la WET sostenible exige un diseño adecuado del circuito RF-EH, ya que también determina la eficiencia de conversión general y la confiabilidad del sistema

Bibliografia

Para una evaluación integral de las consecuencias ambientales de las tecnologías WET

requiere una evaluación precisa del ciclo de vida de la tecnología. e un estudio de este tipo abarcaría todas las etapas de la vida útil de un producto, incluida la extracción y el procesamiento de las materias primas, la fabricación y la distribución, la operación y, en última instancia, el reciclaje o la eliminación final de los materiales constituyentes

Bibliografia

optimizaciones de rendimiento de RF-WPT

Mediante la implementación de múltiples PB, utilizando estrategias de formación de haces de energía eficientes y mejorando el diseño de receptores RF-EH

[4] H. Alves and O. A. López, Wireless RF Energy Transfer in the Massive IoT Era: Towards Sustainable Zero-energy Networks. Hoboken, NJ, USA: Wiley, 2021.

Mediante la implementación de múltiples PB, utilizando estrategias de formación de haces de energía eficientes y mejorando el diseño de receptores RF-EH

optimizan la implementación de balizas de poder direccionales para cargar sensores móviles considerando el espacio físico que ocupa cada sensor dentro del área de cobertura de los PB.

idean estrategia de asignación de dispositivo a PB basada en demandas de energía individuales para minimizar los costos totales de carga

[5] S. Wu, H. Dai, L. Liu, L. Xu, F. Xiao, and J. Xu, ‘‘Cooperative scheduling for directional wireless charging with spatial occupation,’’ IEEE Trans. Mobile Comput., early access, Oct. 17, 2022, doi: 10.1109/TMC.2022.3214979.

Mediante la implementación de múltiples PB, utilizando estrategias de formación de haces de energía eficientes y mejorando el diseño de receptores RF-EH

optimizan la posición, la orientación de la antena y la asignación de tiempo de servicio de los PB móviles. En este trabajo, maximizan una función de la energía recolectada por dispositivo considerando que los PB pueden moverse dentro de un área restringida

[6] H. Dai, X. Wang, X. Lin, R. Gu, S. Shi, Y. Liu, W. Dou, and G. Chen, ‘‘Placing wireless chargers with limited mobility,’’ IEEE Trans. Mobile Comput., vol. 22, no. 6, pp. 3589–3603, Jun. 2023.

aprovechan al máximo las capacidades de movimiento/ vuelo de los PB , para acortar dinámicamente la distancia de carga.

minimizan el gasto de energía de un PB en movimiento, es decir, la suma de la energía de propulsión y la energía de transmisión, para satisfacer las demandas de carga de los dispositivos

, los autores optimizan la trayectoria y la programación de carga del PB considerando la radiación omnidireccional y una distribución arbitraria de los dispositivos en la red.

. [7] R. Jia, J. Wu, X. Wang, J. Lu, F. Lin, Z. Zheng, and M. Li, ‘‘Energy cost minimization in wireless rechargeable sensor networks,’’ IEEE/ACM Trans. Netw., vol. 31, no. 5, pp. 2345–2360, Oct. 2023.

aprovechan al máximo las capacidades de movimiento/ vuelo de los PB , para acortar dinámicamente la distancia de carga.

estudia una configuración similar pero considera un PB direccional que carga diferentes grupos de dispositivos en cada punto de parada. El tiempo total de carga se minimiza optimizando la trayectoria del PB, la orientación de la antena y la posición de los puntos de parada para obtener la máxima potencia recibida de los sensores dentro del grupo servido. Nótese que se pueden aprovechar grados de libertad espaciales adicionales cuando se utilizan PB voladores debido a su inherente flexibilidad de implementación y cobertura tridimensional

[8] Y. Liang, M. Yin, Y. Zhang, W. Wang, W. Jia, and T. Wang, ‘‘Grouping reduces energy cost in directionally rechargeable wireless vehicular and sensor networks,’’ IEEE Trans. Veh. Technol., vol. 72, no. 8, pp. 10840–10851, May 2023.

aprovechan al máximo las capacidades de movimiento/ vuelo de los PB , para acortar dinámicamente la distancia de carga.

e estudia un ejemplo de un escenario habilitado para PB volador, donde los autores idean el consumo mínimo de energía del PB que satisface las demandas de carga de los dispositivos. Para lograrlo, los autores optimizan conjuntamente la trayectoria de carga, las ubicaciones de vuelo y el tiempo de carga para cada grupo de dispositivos

[9] H. Ren, Z. Zhang, Z. Peng, L. Li, and C. Pan, ‘‘Energy minimization in RIS-assisted UAV-enabled wireless power transfer systems,’’ IEEE Internet Things J., vol. 10, no. 7, pp. 5794–5809, Apr. 2023.

aprovechan al máximo las capacidades de movimiento/ vuelo de los PB , para acortar dinámicamente la distancia de carga.

os autores analizan las principales características, potenciales y desafíos de WET para impulsar implementaciones masivas de IoT. En concreto, analizan mejoras adicionales en las redes habilitadas para WET, como la implementación de bandas de radio, PB equipados con rotor, WET asistida por superficies reflectantes inteligentes y la implementación de receptores de potencia ultrabaja. Además, los autores también

Plantear las limitaciones de la estimación precisa de la información del estado del canal (CSI) en WET y discutir posibles soluciones. Vale la pena mencionar otras mejoras que ya se han propuesto para las comunicaciones inalámbricas y que se pueden explotar también para WET, como las antenas flexibles