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.
No hay comentarios.:
Publicar un comentario