Revision: Energy Harvest of Multiple Smart Sensors With Real-Time Fault-Detection

 

1. Smart Grid (Red Inteligente):

   • La asignación de sensores (SA) y la gestión de energía (EM) colaboran para operar la red inteligente bajo restricciones de la dinámica de los electrodomésticos, como los sensores inteligentes, y los requisitos de asignación eficiente de recursos en redes de sensores con recolección de energía inalámbrica.

2. Internet Industrial (Industrial Internet):

   • La asignación de sensores y la gestión de energía guían a múltiples sensores inteligentes para lograr una comunicación sin interrupciones entre dispositivos de Internet distribuidos en diferentes áreas.

3. Transporte Inteligente:

   • Mejora de la eficiencia del tráfico y la seguridad para los ciudadanos y pasajeros mediante la aplicación razonable de SA y EM en participantes del tráfico verde, como vehículos inteligentes, peatones y caminos intersecados.

4. Acuicultura:

   • Los sistemas de acuicultura no tripulados dependen de la SA y EM para operar sensores inteligentes de manera energéticamente suficiente y crear y mantener un entorno adecuado para la vida acuática.

5. Sistemas de sensores inteligentes en general:

• Los sensores inteligentes desempeñan un papel fundamental en diversas aplicaciones del mundo real, como en la captura de parámetros ambientales submarinos para mantener un contenido de oxígeno adecuado para las criaturas acuáticas, con el objetivo de prevenir fallos y agotamiento de energía de los sensores.

problemas

Suministro de energía limitado: El reto de garantizar una recolección de energía eficiente debido a la disponibilidad limitada de energía. La energía recolectada por los sensores puede verse afectada por factores aleatorios como fugas de energía, pérdidas de transmisión, errores de medición y ruido térmico.

Detección de fallos y control del suministro de energía: Una de las dificultades más importantes es determinar la relación entre el suministro de energía y las zonas libres de fallos del sensor. Un control eficaz del suministro de energía es difícil sin conocer la información estructural interna del sensor ni las condiciones operativas externas.

Precisión del modelo del sensor: Obtener un modelo preciso para sensores inteligentes que tenga en cuenta sus circunstancias estructurales y operativas es un reto. Esta dificultad incrementa el coste de modelar con precisión el comportamiento de los sensores, especialmente porque las condiciones pueden cambiar dinámicamente.

Impacto de los fallos del sensor en la eficiencia energética: Cuando un sensor falla, la energía que recolecta no puede utilizarse ni transferirse a otros sensores, lo que provoca una recolección de energía ineficaz (IEH) y desperdicio. Este problema se agrava si los sensores defectuosos continúan consumiendo energía, lo que reduce aún más la eficiencia energética general.

Asignación de energía: Un desafío clave es asignar el suministro energético de forma que se evite el desperdicio de energía debido a sensores defectuosos, con el objetivo de maximizar la cosecha de energía efectiva (EEH). La sobreasignación de energía a sensores defectuosos resulta en desperdicio de energía y una reducción de la eficiencia.

estado del arte

1) los métodos basados en modelos (MBMs) que dependen del modelo matemático preciso de los sensores inteligentes [2], [3], [20], [21], [22], [23]; 2) los métodos basados en datos (DBMs) que dependen de big data para identificar la dinámica del proceso de los sensores inteligentes [15], [16], [24], [25], [26], [27]; 3) los métodos basados en señales (SBMs) que suponen que los sensores inteligentes operan sincrónicamente [28], [29], [30], [31], [32], [33]; y 4) los métodos basados en topología (TBMs) que dependen de la topología de red de alto rendimiento de los sensores inteligentes [34], [35], [36], [37], [38], [39]

Asignación de Sensores (SA): El proceso de distribuir los sensores de manera eficiente en un sistema para asegurar que la recolección de energía y el control de sensores sean óptimos .

Gestión de Energía (EM): La gestión eficiente de la energía en redes de sensores inteligentes, incluyendo la asignación de recursos energéticos de manera eficiente .

Redes de Sensores Inalámbricos (WSN): Redes que utilizan la recolección de energía inalámbrica, como en la gestión de energía en sensores dentro de una red .

Sensores Inteligentes: Sensores diseñados para monitorear y recolectar datos en tiempo real, como en aplicaciones industriales o acuícolas, que dependen de la gestión de energía y la asignación eficiente .

Control de Energía Óptimo: Estrategias y algoritmos para controlar la distribución de la energía recolectada de manera que se maximice el rendimiento de los sensores mientras se evitan fallos .

Modelos Basados en Datos (DBMs): Métodos que utilizan grandes volúmenes de datos para mejorar la eficiencia energética y la detección de fallos en los sensores .

Métodos Basados en Señales (SBMs): Enfoques que emplean la sincronización de señales entre sensores para mejorar la eficiencia de recolección de energía y evitar fallos .

Métodos Basados en Topología (TBMs): La optimización de la topología de red de sensores para mejorar la eficiencia energética y la fiabilidad del sistema .

Sistemas Ciberfísicos (CPS): Integración de sensores inteligentes con sistemas físicos, donde el control y la gestión de la energía juegan un papel crucial para el funcionamiento eficiente .

resultados

Comparación entre simulación y experimentos de campo: Los resultados de los experimentos de campo muestran una mayor variabilidad en comparación con las simulaciones, con menor recolección de energía, mayor tasa de fallos en los sensores y mayor tiempo de convergencia.

Recolección de energía media: El algoritmo propuesto MEHFD mostró una recolección de energía superior en comparación con otros métodos existentes. Los valores de energía recolectada media fueron:

• MEHFD: 7.39 kJ

• MBM: 6.44 kJ

• DBM: 6.24 kJ

• SBM: 5.77 kJ

• TBM: 5.53 kJ El algoritmo MEHFD mejoró la recolección de energía en un 14.7% respecto al MBM y hasta un 33.56% respecto al TBM.

Tasa de fallos de los sensores: La tasa de fallos de los sensores fue más baja con el algoritmo MEHFD:

• MEHFD: 5.43%

• MBM: 6.18%

• DBM: 6.69%

• SBM: 6.96%

• TBM: 7.10% MEHFD redujo la tasa de fallos hasta un 23.51% comparado con el TBM.

Tiempo de convergencia: El algoritmo MEHFD permitió que la recolección de energía llegara más rápido a su máximo:

• MEHFD: 0.49 horas

• MBM: 0.64 horas

• DBM: 0.65 horas

• SBM: 0.67 horas

• TBM: 0.73 horas MEHFD redujo el tiempo de convergencia hasta un 23.51% en comparación con el TBM.

Reporte web

Métodos de Gestión de Energía en Sensores Inteligentes: MBMs, DBMs, SBMs y TBMs

En el campo de la transferencia inalámbrica de energía (Wireless Power Transfer, WPT), el monitoreo eficiente y el manejo adecuado de la energía en múltiples sensores inteligentes es fundamental para asegurar un rendimiento óptimo y prolongar la vida útil de los dispositivos. Diversos métodos han sido desarrollados para optimizar la recolección de energía y detectar posibles fallas en estos sensores. Entre los enfoques más relevantes destacan los métodos basados en modelos (MBMs), basados en datos (DBMs), basados en señales (SBMs) y basados en topologías (TBMs).

1. Métodos Basados en Modelos (MBMs)

Los MBMs dependen de modelos matemáticos precisos que describen la estructura interna y las condiciones externas del sensor inteligente. Estos modelos buscan optimizar el rendimiento en la recolección de energía y la detección de fallas, basándose en parámetros físicos y operativos del sensor. Sin embargo, su implementación puede ser compleja porque obtener datos precisos del interior del sensor y su entorno es difícil, y los costos computacionales y energéticos de mantener estos modelos suelen ser elevados. Por ello, en muchos casos los MBMs no son prácticos cuando la información del sensor es limitada o desconocida.

2. Métodos Basados en Datos (DBMs)

Los DBMs se fundamentan en la recopilación y análisis de grandes volúmenes de datos generados por los sensores para identificar dinámicas y patrones en su funcionamiento. Utilizan técnicas de big data para mejorar la gestión energética y la detección de fallas. Sin embargo, requieren una gran cantidad y variedad de datos, lo que puede ser costoso y complejo de obtener y procesar en tiempo real. Además, en situaciones donde solo se dispone de datos limitados, como la energía suministrada y errores de sensado, su efectividad se ve limitada.

3. Métodos Basados en Señales (SBMs)

Los SBMs consideran la sincronización y el análisis de señales entre sensores para mejorar la eficiencia energética y reducir fallas. Se basan en la idea de que un sensor puede aprovechar las señales emitidas por otros para aumentar su tasa de recolección de energía y mantener un funcionamiento estable. Estas técnicas incluyen la extracción, detección y estimación de señales para fortalecer la colaboración entre sensores. Sin embargo, asumen una sincronización perfecta en el tiempo de transmisión y recepción, lo cual no siempre es realista, pues los retrasos en la transmisión pueden afectar la sincronización y, por ende, la efectividad del método.

4. Métodos Basados en Topologías (TBMs)

Los TBMs aprovechan la estructura y configuración de la red de sensores, es decir, la topología de interconexión entre ellos, para mejorar la gestión energética y la detección de fallas. Una topología adecuada facilita el intercambio de información y reduce el desperdicio de energía. Ejemplos comunes de topologías son estrella, malla, árbol, bus o híbridas. No obstante, estos métodos suelen requerir mantener una topología fija o específica, lo cual puede ser difícil en entornos dinámicos y con costos elevados en mantenimiento, limitando su aplicación práctica en sistemas de sensores distribuidos.

---

Conclusión

Aunque cada uno de estos métodos —MBMs, DBMs, SBMs y TBMs— aporta ventajas específicas en la gestión de energía y detección de fallas en sensores inteligentes, también presentan limitaciones que dificultan su aplicación aislada en escenarios reales. Por ello, la investigación actual se enfoca en desarrollar soluciones que superen estas limitaciones, combinando fortalezas de varios enfoques para maximizar la eficiencia energética y la confiabilidad de los sistemas WPT con múltiples sensores inteligentes.

---

Si deseas ampliar esta información o conocer sobre las últimas investigaciones en WPT y gestión energética de sensores, no dudes en contactarnos.

---

Si quieres, puedo ayudarte a preparar más artículos técnicos o resúmenes sobre tecnologías relacionadas.

---

Referencias basadas en el PDF:

• MBMs dependen de modelos matemáticos precisos pero difíciles de obtener.

• DBMs requieren grandes cantidades de datos que no siempre están disponibles.

• SBMs se basan en la sincronización de señales, pero la transmisión no siempre es perfecta.

• TBMs aprovechan la topología de red, pero requieren mantener estructuras específicas costosas de mantener.

Maximum Energy Harvest with Fault-Detection (MEHFD): Optimización Inteligente de Energía en Sensores

En los sistemas de sensores inteligentes que operan con energía limitada, uno de los mayores retos es maximizar la recolección de energía (energy harvesting) mientras se detectan oportunamente las fallas para evitar desperdicios energéticos. Para abordar este desafío, se ha desarrollado el método Maximum Energy Harvest with Fault-Detection (MEHFD), una solución avanzada que garantiza la máxima eficiencia energética de múltiples sensores con detección de fallas en tiempo real.

¿Qué es MEHFD?

MEHFD es un algoritmo y estrategia de control diseñada para gestionar la energía suministrada a múltiples sensores inteligentes, con el objetivo de maximizar la energía recolectada por todos los sensores que estén operando correctamente (libres de fallas), y simultáneamente detectar cualquier fallo en los sensores en tiempo real para evitar que reciban energía innecesaria.

Este método es especialmente útil en aplicaciones donde el acceso físico a los sensores es limitado o costoso, como en sistemas IoT, redes de sensores subacuáticos, o ambientes industriales complejos.

¿En qué consiste MEHFD?

1. Modelado sin dependencia de estructuras internas: MEHFD considera cada sensor como un sistema de entrada única y salida única (SISO), tomando como entrada la energía suministrada y como salida el error de sensado. Esto evita la necesidad de modelos complejos o información interna difícil de obtener del sensor.

2. Control óptimo de suministro energético: El método calcula en tiempo real la cantidad óptima de energía que debe suministrarse a cada sensor para que la recolección total de energía converja rápidamente al máximo posible, respetando los límites de energía disponibles.

3. Detección de fallas en tiempo real: Utilizando una función matemática llamada función de Lyapunov, MEHFD define un límite o "región libre de fallas" para cada sensor. Cuando el sensor muestra un comportamiento fuera de este límite, se detecta una falla, y el algoritmo detiene el suministro energético a ese sensor para evitar desperdicios.

4. Reutilización eficiente de energía: Si un sensor acumula más energía de la que puede usar, o si se detecta que está fallando, la energía sobrante se puede redirigir a otros sensores, optimizando así el uso total del recurso energético.

5. Robustez ante incertidumbres: MEHFD está diseñado para funcionar bajo condiciones reales donde existen pérdidas de energía, ruidos, errores de medición y retrasos en la comunicación, garantizando un desempeño confiable y estable.

6. Bajo costo computacional: El algoritmo tiene complejidad temporal y espacial que permite su implementación práctica en sistemas con muchos sensores sin sobrecargar los recursos.

Beneficios clave de MEHFD

• Maximiza la energía útil recolectada por todos los sensores sin sobrealimentar sensores defectuosos.

• Detecta fallas oportunamente para evitar desperdicios de energía y posibles daños en el sistema.

• Optimiza el uso de recursos limitados de energía disponible, extendiendo la vida útil de la red de sensores.

• Funciona en tiempo real adaptándose dinámicamente a cambios en el entorno y en el estado de los sensores.

• No requiere modelos internos precisos ni grandes bases de datos, facilitando su aplicación en múltiples contextos.

---

MEHFD representa un avance significativo en el campo de la transferencia inalámbrica de energía y gestión inteligente en redes de sensores, brindando un equilibrio ideal entre eficiencia energética y confiabilidad operativa.

Si deseas conocer más sobre MEHFD o su aplicación en sistemas de WPT para sensores inteligentes, contáctanos y te asesoramos en la implementación.

RF Energy Harvesting and Wireless Power Transfer for Energy Autonomous Wireless Devices and RFIDs

 Problema: baterias

🔋 Conceptos Fundamentales de EH y WPT

1. Energy Harvesting (EH) o Energy Scavenging

   • Recolección de energía ambiental (solar, térmica, cinética, RF).

   • Sustituto o complemento de baterías en IoT.

2. Wireless Power Transfer (WPT)

   • Transferencia intencionada de energía sin cables.

   • Modalidades: campo cercano (near-field) y campo lejano (far-field).

3. RF Energy Harvesting (RF EH)

   • Aprovechamiento de energía de señales RF no utilizadas (TV, Wi-Fi, redes móviles).

---

📡 Tecnologías y Dispositivos Clave

4. Rectenna (Rectifying Antenna)

   • Antena + rectificador para convertir señales RF en energía DC.

5. Diodo Schottky

   • Común en rectificadores RF por su baja caída de voltaje (0.15–0.45 V).

6. Modelado Shockley del Diodo

   • Modelo eléctrico con resistencias, capacitancias y elementos parásitos.

7. Responsividad de corriente (RI)

   • Medida de la eficiencia de conversión RF a corriente continua (A/W).

8. Red de Compresión de Resistencia (RCN)

   • Técnica para mejorar coincidencia de impedancias y eficiencia de rectificación.

9. Dispositivos híbridos de recolección de energía

   • Combinación de fuentes como solar + RF, térmica + RF, etc.

---

📶 Frecuencias y Fuentes de Energía

10. Banda Sub-6 GHz y mmWave (5G)

    • Nuevas oportunidades para EH y WPT con despliegue de redes 5G.

11. Densidad Espectral de Energía (RF Power Density)

    • Parámetro clave para evaluar la factibilidad del EH.

    • Bandas más potentes: LTE (GSM1900), DTV, Wi-Fi.

---

📡⚡ Técnicas Combinadas

12. SWIPT (Simultaneous Wireless Information and Power Transfer)

    • Comunicación y transferencia de energía simultánea.

    • Modalidades: campo cercano (acoplamiento inductivo/capacitivo) y lejano (microondas, mmWave).

13. Backscatter Communication

    • Técnica que permite comunicación sin transmisor activo, usando señales reflejadas y EH.

14. Carga inalámbrica con WPT dedicado

    • Fuentes de energía intencionadas con beamforming para mejorar la densidad energética.

---

🧪 Parámetros de Diseño y Evaluación

15. Eficiencia de Rectificación (η)

    • Proporción entre potencia DC generada y potencia RF recibida.

16. Impedancia de entrada del rectificador

    • Crítica para el matching con la antena, sobre todo en banda ancha.

17. Teoría de Bode-Fano

    • Límite teórico para la coincidencia de impedancias en un ancho de banda dado.

---

🏙️ Aplicaciones y Escenarios

18. Internet de las Cosas (IoT)

    • Dispositivos de ultra bajo consumo energético.

19. Ambientes urbanos y suburbanos

    • Diferencias en densidad energética RF (urbano > suburbano).

20. Comunicación RFID alimentada por 5G mmWave

• Nuevo campo de aplicación emergente para SWIPT y EH

Futuras líneas de investigación mencionadas

El artículo menciona varias líneas de investigación futuras clave, entre las que destacan:

1. Optimización de la eficiencia de rectificación:

   • Modelado avanzado de diodos.

   • Mejora de redes de adaptación de impedancia (IM).

   • Uso de nuevos materiales (como polímeros flexibles o impresos en 3D).

2. Sistemas híbridos de cosecha de energía:

   • Integración de fuentes como solar, térmica, cinética con RF.

3. Tecnologías para 5G y mmWave:

   • Uso de las bandas sub-6 GHz y mmWave para WPT.

   • Soluciones de diseño de rectennas capaces de operar con haces direccionales en entornos urbanos densos​.

4. Diseños de antenas inteligentes:

   • Antenas con cobertura angular amplia y alto rendimiento.

   • Diseño de sistemas de arreglo tipo Rotman lens o Butler matrix.

5. Avances en SWIPT (Simultaneous Wireless Information and Power Transfer):

   • Diseño de antenas de doble puerto y polarización múltiple.

   • Nuevos esquemas de modulación como "modulación de relación de magnitudes".

   • Uso de armónicos para mejorar el rastreo y la eficiencia de la transferencia​.

6. Exploración de tecnologías emergentes:

   • Dispositivos de tunelamiento magnético (spin diodes, MRAM).

   • Aplicaciones de rectennas en sensores IoT completamente pasivos (mmIDs)​.

Revision: RF-based Power Transmission for Wireless Sensors Nodes

 

Campo cercano y campo lejano

teoria

La transmisión de energía inalámbrica se realiza mediante adaptación de impedancia, rectificador, gestión de energía y dispositivos de almacenamiento de energía.

. La elección de un dispositivo de almacenamiento de energia 

 ía depende de diversos factores, entre ellos los requisitos de potencia máxima, el ciclo de vida, la capacidad de almacenamiento de energía, el coste y el factor de forma. Dos opciones prácticas disponibles son las baterías y los condensadores electroquímicos de doble capa (supercondensadores). Las baterías son una tecnología relativamente madura y tienen una mayor densidad energética que los supercondensadores (p. ej., batería: de 8,0 a 600 Wh/kg, supercondensador: de uno a 5,0 Wh/kg). Sin embargo, persisten los problemas de una retención de capacidad limitada, los altos costes laborales asociados al reemplazo de las baterías y los problemas ecológicos relacionados con su eliminación [2]. Los supercondensadores tienen una mayor densidad de potencia que las baterías (p. ej., supercondensador: de 10,0 a 100,0 kW/kg, batería: de 0,005 a 0,4 kW/kg) y se han utilizado tradicionalmente para gestionar subidas de tensión de corta duración. Aunque sufren de fugas severas, los supercondensadores son más robustos que las baterías en términos de profundidad de descarga, que tienden a perder capacidad cuando se exponen a temperaturas exterior

Funcionamiento: Sistema de transmisión inalámbrica de energía y datos utilizando señales de radiofrecuencia (RF) para alimentar sensores de deformación (strain gauges) y transmitir datos de vuelta a una estación base. Los sensores inalámbricos están alimentados por energía recolectada a través de antenas receptoras (dipolo y parche) y convertida en energía de corriente continua (DC) mediante un circuito rectificador.

Estructura: El sistema incluye un transmisor que emite señales RF (915 MHz) y un receptor con antenas dipolo o parche que capturan la señal RF. Los sensores se alimentan mediante un supercondensador cargado por esta energía.

Respaldo energético: La energía es almacenada en un supercondensador, lo que permite un respaldo energético eficiente y rápido frente a fluctuaciones de energía.

Tipo de Antena para TX/RX: Para la transmisión (TX), se utiliza una antena de 8 dBi a 915 MHz con 3 W de potencia radiada isotrópica efectiva (EIRP). Para la recepción (RX), se utilizan antenas dipolo de 1 dBi y antenas parche de 6.1 dBi.

Frecuencia: El sistema utiliza una frecuencia central de 915 MHz para la transmisión de energía y 2.4 GHz para la transmisión de datos.

Aplicación: Monitoreo de salud estructural (SHM) para aeronaves, utilizando sensores de deformación inalámbricos en estructuras como alas o motores de aviones.

Eficiencia de Conversión DC-RF / RF-DC: La eficiencia de conversión RF-DC varía entre 44.6% y 55.4% dependiendo de la antena y la distancia, con la antena dipolo mostrando una conversión ligeramente mejor en distancias cercanas.

Eficiencia Recolección de Energía: La eficiencia de recolección de energía también depende de la antena utilizada, con la antena dipolo teniendo una eficiencia ligeramente superior en distancias más cercanas (hasta 2.5 m).

Otros Parámetros: El sistema emplea un circuito de gestión de energía controlado por microcontrolador para gestionar la carga del supercondensador y la transmisión de datos. El tiempo de carga de los supercondensadores es de aproximadamente 4 minutos con la antena dipolo a 2 m de distancia.

Software Usado: No se especifica software en los detalles del sistema, pero se menciona el uso de un desarrollo comercial de Powercast para la evaluación y simulación.

Almacenamiento de Energía: Se utiliza un supercondensador de 0.05 F para almacenar la energía recolectada.

Distancia: Los experimentos demostraron que los sensores pueden operar eficazmente a distancias de hasta 50 metros de la estación base.

Estrategia: La estrategia empleada es utilizar la transmisión de energía RF para cargar sensores inalámbricos en ubicaciones donde no hay suficiente energía para alimentarlos con baterías tradicionales.

Aporte (Según la propuesta del PDF): El estudio demuestra la viabilidad de utilizar RF para alimentar sensores en entornos donde no hay suficiente vibración o gradientes térmicos, lo que proporciona una solución energética eficiente para el monitoreo estructural en aeronaves. Además, la elección de antenas y la gestión eficiente de la energía hacen que el sistema sea viable para aplicaciones de monitoreo continuo.

Revision: Radio Frequency Based Wireless Charging for Unsupervised Clustered WSN: System Implementation and Experimental Evaluation

 

Propuestas

 utilizar vehículos terrestres no tripulados (UGV) como CH. Estos UGV equipados con un cargador inalámbrico y una batería potente se envían a cada clúster para cargar las SN. Además, los UGV tienen microcontroladores y módulos de comunicación, y por lo tanto son capaces de cargar simultáneamente los nodos y recibir los datos detectados que son transmitidos por las SN.

Secciones

la Sección 2 presenta el trabajo relacionado. 

La Sección 3 presenta los antecedentes y detalles técnicos de la tecnología RF-WC. 

La Sección 4 presenta la configuración experimental y los resultados obtenidos.

 La Sección 5 analiza los desafíos prácticos de los experimentos.

 La Sección 6 presenta un caso práctico de WC en el contexto de WSN

Voltaje:

• Se menciona que el voltaje de salida para la carga se encuentra en torno a 3.3 V. Este es el voltaje máximo alcanzado por el circuito amplificador de voltaje en la configuración experimental.

• El voltaje se genera cuando el capacitor conectado al sistema de recolección de energía alcanza un umbral de 1.2 V. Una vez alcanzado este voltaje, el sistema puede generar el pulso de salida de 3.3 V.

Potencia:

• El artículo menciona que la potencia recibida en las antenas depende de la distancia entre el transmisor y el receptor. A medida que la distancia aumenta, la potencia recibida disminuye debido a la atenuación de la señal.

• Se presenta un cálculo teórico usando la Ecuación de Friis para estimar la potencia recibida. La potencia transferida en el punto de máxima eficiencia depende de la antena utilizada y la distancia entre las dos.

• Para distancias de hasta 6 metros, la potencia recibida fue medida experimentalmente con antenas dipolo y antenas parche, con un rendimiento significativamente mejor usando las antenas parche.

Distancia:

• El estudio realizó pruebas a varias distancias, incluyendo distancias de hasta 12 metros. A medida que la distancia aumenta, la potencia recibida disminuye, lo que hace que el proceso de carga sea más lento.

• A 1.6 metros, la potencia recibida fue suficiente para cargar dispositivos pequeños como IoT (con 135 µW de potencia), y a 6 metros, la carga fue significativamente más lenta, alcanzando tiempos de carga de hasta 15 horas para capacitores de 1F utilizando antenas parche.

• En el caso de distancias mayores (hasta 12 metros), el tiempo de carga aumentó debido a la menor intensidad de la señal y la mayor atenuación.

Posibilidad Teórica de Trabajo:

• Teóricamente, la distancia máxima para una transferencia eficiente de energía utilizando este sistema es limitada a unos pocos metros, debido a la pérdida de potencia con la distancia. Sin embargo, este tipo de transferencia de energía es viable a distancias más cercanas, como 6 metros con antenas adecuadas, como las antenas parche.

• El artículo muestra que a 6 metros es factible, aunque la eficiencia disminuye con el aumento de la distancia.

• Utilizando el modelo de propagación libre para distancias más cortas (menos de 6 metros), el sistema se aproxima al comportamiento teórico, lo que hace viable la recolección de energía de manera efectiva en ese rango de distancia.

teoria

Transferencia de Energía Inalámbrica (WPT):
Se aborda la tecnología de carga inalámbrica usando ondas de radiofrecuencia (RF). Este tipo de WPT utiliza ondas electromagnéticas para transferir energía desde una estación de carga a un receptor sin necesidad de cables. La eficiencia de esta transferencia depende de la distancia, la ganancia de las antenas y el modelo de propagación de las ondas, como el modelo de espacio libre o de dos rayos.

Primero, la estación de carga convierte la energía de CC en ondas de radiofrecuencia para su transmisión. En segundo lugar, la onda electromagnética generada se propaga en el espacio libre. En tercer lugar, el circuito de captación de energía recibe la onda de radio emitida y la convierte de nuevo en energía eléctrica de CC, que puede utilizarse para cargar una batería o para operar dispositivos sin batería.

Recolección de Energía por RF (RF-EH):
Se presenta cómo la energía RF puede ser cosechada para alimentar nodos en redes de sensores inalámbricos (WSNs). La recolección de energía RF implica convertir las ondas electromagnéticas transmitidas en energía eléctrica que puede alimentar dispositivos pequeños o sensores.

Modelos de Propagación de Ondas:
Para estimar la cantidad de energía que se puede recibir en un receptor a partir de una estación de carga, el artículo discute modelos como el modelo de propagación de espacio libre y el modelo de dos rayos. Estos modelos ayudan a predecir la cantidad de energía que se puede cosechar dependiendo de la distancia y la altura de las antenas.

Simultaneous Wireless Information and Power Transfer (SWIPT):
Este concepto es esencial para los sistemas de WSNs avanzados, ya que permite la transmisión simultánea de datos y energía, utilizando la misma frecuencia de radio. Esto facilita la mejora en la eficiencia de los sistemas de WPT.

Algoritmos de Clustering para WSN:
El uso de algoritmos de aprendizaje automático no supervisado como K-means para agrupar nodos en clusters dentro de una Red de Sensores Inalámbricos (WSN) es crucial para optimizar la localización de estaciones de carga y mejorar la eficiencia energética. Los Cluster Heads (CH), ubicados en los centros de los clusters, se proponen como estaciones de carga móviles para los nodos de los sensores.

Desafíos en la Carga Inalámbrica en WSN:
Se discuten desafíos técnicos como la interferencia entre las señales de transmisión de datos y las señales de carga, así como la atenuación de la señal causada por obstáculos físicos, lo cual afecta la eficiencia de la transferencia de energía.

Impacto del Tipo de Antena y la Distancia en la Carga:
El artículo evalúa cómo diferentes tipos de antenas (como dipolos y parches) afectan la eficiencia de la recolección de energía. Además, se analiza cómo la distancia entre la estación de carga y el receptor impacta en la duración y eficiencia del proceso de carga.

Uso de Supercondensadores:
Se experimenta con supercondensadores para almacenar energía cosechada. Los supercondensadores se utilizan para almacenar grandes cantidades de energía y son especialmente útiles en dispositivos de baja potencia, como los sensores en WSN.

estado del arte

[16] Tuvo un modelo que incluyó sensores con receptores de energía, un cargador móvil inalámbrico y una estación de energía que gestiona la carga.
👉 Aporta un marco práctico para extender la vida útil de la red mediante carga móvil y simulaciones a gran escala para evaluar eficiencia energética y enrutamiento.

[17] Usó ondas de TV para cargar sensores con recolección de RF y un ciclo de trabajo adaptativo.
👉 Demuestra que la EH basada en RF puede ser útil para aplicaciones de bajo consumo, incluso en ausencia de luz solar, destacando su bajo costo y simplicidad.

[18] Estudió la transferencia simultánea de energía e información (SWIPT) en sistemas OFDM de dos saltos.
👉 Propuso una optimización de recursos (RA) que mejora la tasa de datos del sistema y demuestra que la recolección de energía puede coexistir con la transmisión de datos.

[19] Analizó la interferencia de transmisores de energía en la misma banda que los de datos.
👉 Mostró la viabilidad del uso de bandas múltiples y separación de frecuencias para mejorar el rendimiento global del sistema de recolección de energía RF.

[20] Implementó Powercast con algoritmos de optimización basados en colonia de hormigas.
👉 Optimiza la gestión de energía recolectada para alargar la vida de redes WSN con o sin baterías.

[21] Propuso un esquema de colocación óptima de cargadores con dos algoritmos aproximados.
👉 Permite satisfacer requerimientos energéticos individuales minimizando el número de cargadores, probado mediante simulaciones numéricas.

[22] Presentó un sistema en chip con modelo de gestión de energía usando comunicación de radio de bajo consumo.
👉 Aporta soluciones completas de despliegue para EH en sistemas inalámbricos con bajo consumo energético.

[23] Introdujo el esquema de clustering "Distance Energy Evaluated (DEE)".
👉 Reduce el consumo energético en enrutamiento y balanceo de carga, aumentando la confiabilidad y duración de la red.

[24] Propuso un sistema donde algunos nodos móviles recargan a los fijos.
👉 Demostró que la movilidad bien gestionada mejora la sostenibilidad y vida útil de la red si el ritmo de recolección de energía es suficiente.

[25] Diseñó un cargador móvil inalámbrico direccional con esquema MAC basado en ejes mediales.
👉 Permite una carga eficiente de áreas usando algoritmos de particionamiento y movimiento que reducen el tiempo de carga.

[26] Propuso el método Energy Stimulated Time Sync (ESTS) sin intercambio de timestamp.
👉 Mejora la sincronización y reduce el consumo energético en redes con EH, usando tonos de RF cortos y demostrando precisión de 5 ms.

[27] Realizó estudios de campo con transmisores comerciales (Powercast).
👉 Validó que es posible recolectar desde µW hasta mW a distancias variables, siendo suficiente para cargar dispositivos IoT pequeños.

[28] Presentó una arquitectura autosostenible basada en estaciones base con EH y cargadores móviles.
👉 Maximiza la vida útil de la red considerando la eficiencia energética y el costo de despliegu

Radio Frequency Energy Harvesting and Management for Wireless Sensor Networks Adamu Murtala Zungeru, Li-Minn Ang, SRS. Prabaharan, Kah Phooi Seng

 Problema: baterias, dificil acceso 

El paper "Radio Frequency Energy Harvesting and Management for Wireless Sensor Networks" explica varios conceptos teóricos y complementarios relacionados con Wireless Power Transfer (WPT) y Energy Harvesting (EH). Aquí te los resumo:

1. Radio Frequency (RF) Energy Harvesting: Es el proceso de captar energía de las ondas electromagnéticas emitidas por fuentes de alta frecuencia, como señales de radio, torres de telefonía móvil, o redes de radio inalámbricas. Esta energía es convertida en voltaje de corriente continua utilizable, un concepto clave en EH.

2. Fuentes de Energía Ambiental:

   • Energía Radiante: Incluye RF, energía solar y microondas. Estas fuentes tienen aplicaciones específicas en redes de sensores inalámbricos (WSNs), siendo una de las más importantes la energía de RF.

   • Clasificación de Fuentes de Energía: Se describen tres tipos de fuentes ambientales para la recolección de energía: intencional, anticipada y desconocida. El trabajo se centra principalmente en la energía intencional, usando el Powercast harvester.

3. Powercast Harvesters: Se trata de dispositivos que capturan y convierten energía de RF en energía DC para alimentar nodos sin baterías o con baterías recargables. Estos módulos pueden trabajar en rangos de frecuencia de 850 a 950 MHz y tienen aplicaciones en sistemas como RFID y dispositivos sin batería.

4. Estrategias de Gestión de Energía:

   • Algoritmo de Enrutamiento Basado en Hormigas (Ant Colony Optimization): En la gestión de energía de WSN, se utilizan algoritmos de optimización basados en el comportamiento de las colonias de hormigas. Este enfoque es utilizado para seleccionar caminos de enrutamiento que maximicen la eficiencia energética y la duración de la red, lo cual es crucial en entornos de energía limitada.

   • Mejoras del Algoritmo de Enrutamiento Ant Colony: En el trabajo se propone un algoritmo de enrutamiento eficiente basado en hormigas (EEABR), que optimiza el consumo de energía en redes de sensores inalámbricos al tener en cuenta la energía disponible de cada nodo y evitando rutas que agoten rápidamente los recursos energéticos de la red.

5. Tecnologías Complementarias de Recolección de Energía:

   • Fuentes de Energía Solar y Mecánica: Además de la recolección de energía RF, el paper también menciona fuentes de energía solar, térmica y mecánica como parte de la investigación en redes de sensores inalámbricos.

   • Eficiencia en la Recolección de Energía: Se discute la eficiencia de distintas técnicas de recolección de energía, como los paneles solares, generadores piezoeléctricos, y transductores acústicos, y se comparan sus rendimientos en diferentes condiciones.

6. Simulaciones y Resultados Experimentales: Se incluyen simulaciones y experimentos con diferentes configuraciones de antenas (dipolo y parche) y el uso de Powercast TX91501 Powercaster Transmitter para generar energía RF, con el objetivo de evaluar la eficiencia y el tiempo necesario para recargar dispositivos como Waspmote usando las tecnologías de recolección de energía.

En resumen, el paper ofrece una perspectiva amplia sobre la recolección de energía mediante RF, especialmente en redes de sensores inalámbricos, y expone cómo las técnicas de optimización como el enrutamiento basado en hormigas pueden mejorar la eficiencia energética de estos sistemas.

En el algoritmo mejorado de enrutamiento basado en hormigas (IEEABR), la idea principal es utilizar un enfoque probabilístico para seleccionar las rutas más eficientes y reducir el consumo energético. A continuación, te explico cómo funciona este algoritmo dentro del contexto de las redes de sensores inalámbricos:

1. Comportamiento de las hormigas: Las hormigas virtuales (o "hormigas de datos") viajan desde un nodo fuente hasta un nodo de destino (sink), buscando la ruta óptima. Durante este recorrido, las hormigas dejan una traza de feromonas virtual que indica qué caminos han recorrido, y los otros nodos pueden seguir esta traza al elegir su ruta.

2. Inicialización de la tabla de enrutamiento: En el algoritmo IEEABR, la tabla de enrutamiento se inicializa con una distribución de probabilidades uniforme, lo que significa que inicialmente todos los nodos tienen la misma probabilidad de ser seleccionados como parte de la ruta.

3. Optimización de la ruta hacia el nodo de destino: A medida que las hormigas avanzan en la red, se les da más probabilidad de elegir nodos cercanos al destino (sink). Esta optimización busca reducir el tiempo y la energía que las hormigas (y, por ende, los datos) tardan en llegar al destino.

4. Selección de la mejor ruta: Las hormigas "aprenden" de las rutas recorridas anteriormente mediante el uso de feromonas. Cuanto más energía se consume en una ruta, menos probable es que las hormigas elijan esa ruta. Las rutas con menor consumo de energía y mayor eficiencia se van reforzando con más feromonas, haciendo que sean preferidas por las hormigas futuras.

5. Reducción del consumo de energía: Uno de los aspectos clave de este algoritmo es que, al considerar la energía residual de cada nodo en la red y evitar que los nodos con poca energía sean seleccionados repetidamente, el algoritmo ayuda a distribuir el consumo de energía de manera más equitativa. Esto extiende la vida útil de la red al evitar el agotamiento prematuro de algunos nodos.

6. Optimización dinámica: El algoritmo se adapta continuamente en función de las condiciones cambiantes de la red, como la disponibilidad de energía en los nodos y las fluctuaciones en la intensidad de la señal. De esta manera, las rutas no siempre son fijas, sino que el sistema ajusta dinámicamente las decisiones de enrutamiento basándose en la energía restante de cada nodo y la cantidad de tráfico que se genera en la red.

Revision: Two-dimensional MoS2-enabled flexible rectenna for Wi-Fi-band wireless energy harvesting

 ectenna atómicamente delgada y flexible basada en una heterojunción semiconductora de MoS₂ con fase metálica y una frecuencia de corte de 10 gigahercios. 

aún falta una solución de recolección de energía eficiente, flexible y siempre activa, indispensable para los sistemas autoalimentados. 

La radiación electromagnética de los sistemas Wi-Fi que funcionan a 2,4 y 5,9 gigahertz se está volviendo cada vez más omnipresente y sería ideal para recolectarla y alimentar la electrónica distribuida futura. 

demostramos una rectenna atómicamente delgada y flexible basada en una heterojunción semiconductora de MoS₂ con fase metálica y una frecuencia de corte de 10 gigahercios.

 mejora en la velocidad de aproximadamente un orden de magnitud en comparación con los rectificadores flexibles de vanguardia actuales9–12. 

Este rectificador flexible basado en MoS₂ opera hasta la banda X8 (de 8 a 12 gigahercios) y cubre la mayor parte de la banda de radio industrial, científica y médica sin licencia, incluyendo los canales Wi-Fi.

 Al integrar el rectificador ultrarrápido de MoS₂ con una antena flexible para la banda Wi-Fi, fabricamos una rectenna totalmente flexible e integrada que logra la recolección inalámbrica de energía de la radiación electromagnética en la banda Wi-Fi con polarización externa cero (sin batería). 

Además, nuestro rectificador de MoS₂ actúa como un mezclador flexible, logrando la conversión de frecuencia por encima de los 10 gigahercios.  

de RF. La antena receptora de banda Wi-Fi se diseñó con el software CST Microwave Studio. La antena flexible se fabricó mediante evaporación por haz de electrones de 5 nm de Ti y 70 nm de Au sobre una película delgada de Kapton de 50,8 μm de espesor. El proceso de integración se ilustra en las figuras 6a y 6b de Datos Extendidos. La simulación electromagnética y las mediciones de pérdida de retorno de la antena flexible se muestran en las figuras 6c y 6d de Datos Extendidos. Su frecuencia central es de aproximadament

imadamente 10 kΩ. La potencia de entrada disponible para la rectenna de MoS fue de aproximadamente 3 dBm (aproximadamente 2 mW). La distancia entre nuestra rectenna flexible y una antena comercial de banda Wi-Fi (PCB Yagi; ganancia de 2 dBi [decibeles relativos a isótropo]), alimentada por un generador de señales (onda continua), fue de aproximadamente 2.5 cm

 sabemos, el primer rectificador flexible con una frecuencia de corte en la banda X, y cubre completamente la banda de posicionamiento global por satélite (1,58 GHz y 1,22 GHz), la banda de evolución a largo plazo de las comunicaciones celulares de cuarta generación (4G) (1,7 GHz y 1,9 GHz), Bluetooth (2,4 GHz), los canales WiFi (2,4 GHz y 5,9 GHz)8 e incluso el sistema de radio de próxima generación (5G) . Además, con una capacidad de respuesta de corriente intrínseca de hasta 4

teorias

diodos Schottky

Elementos utilizados:

1. Material principal: MoS₂

   • MoS₂ en fases semiconductora (2H) y metálica (1T/1T′).

   • Exfoliación del MoS₂ a partir de cristales a granel.

   • Conversión de la fase del MoS₂ de 2H a 1T/1T′ mediante tratamiento con n-butyllithium.

2. Sustrato:

   • Película flexible de Kapton (poliimida) de 50.8 μm de grosor.

3. Contacto Schottky:

   • Palladium (Pd) de 50 nm para formar el contacto Schottky con la fase semiconductora del MoS₂.

4. Contacto Ohmico:

   • Oro (Au) de 50 nm para formar un contacto Ohmico con la fase 1T/1T′ del MoS₂.

5. Antena receptora:

   • Fabricada con 5 nm Ti y 70 nm Au en película de Kapton, con un diseño para la banda Wi-Fi de 5.9 GHz.

6. Electrónica de medición y pruebas:

   • Generador de señales Keysight N5183A para transmitir señales RF.

   • Osciloscopio Keysight DSO6054A para medir el voltaje de salida rectificado.

   • Analizador vectorial de redes Keysight N5230A para medición de parámetros S.

   • Resistencia de carga de 10 kΩ conectada en paralelo con el osciloscopio para mediciones.

Parámetros técnicos clave:

1. Frecuencia de corte (fc):

   • 10 GHz para la rectificación en la banda X (8-12 GHz).

2. Eficiencia de conversión RF–DC:

   • Para una señal de entrada de 2.4 GHz, la eficiencia de conversión de potencia RF a DC es del 10% al 40%, con un máximo de 40.1% a una potencia de entrada de −0.7 dBm.

3. Resistencia de serie (Rs) y resistencia de unión (Rj):

   • Se obtienen a partir de mediciones de parámetros S, con valores que permiten una eficiente operación a alta frecuencia.

4. Capacitancia de la unión (Cj):

   • Se encuentra en el régimen de sub-10 fF, lo que es significativamente más bajo que los rectificadores flexibles de estado del arte.

5. Configuración de medición:

   • G–S–G (Ground-Signal-Ground) para medición de parámetros S en alta frecuencia.

Funcionamiento de la rectenna:

• Rectificación de señales en la banda Wi-Fi (2.4 GHz y 5.9 GHz) sin necesidad de alimentación externa (batería).

• Corriente responsiva de hasta 4.7 A/W a cero sesgo.

• Corriente continua (DC) generada por la rectificación de la señal de RF recogida por la antena flexible.

🧪 1. Fabricación de la Rectenna

a. Exfoliación del MoS₂

• Se usa MoS₂ en pocas capas (few-layer) obtenido por exfoliación mecánica de cristales a granel.

• Este material se coloca sobre un sustrato flexible: película de poliimida Kapton de 50.8 μm.

---

b. Litografía y contacto Schottky

• Se usa litografía por haz de electrones (EBL) con PMMA como resina.

• Para evitar efectos de carga sobre el sustrato aislante, se usa una capa conductora llamada Espacer, que se retira luego con agua.

• Se deposita una capa de paladio (Pd) de 50 nm mediante evaporación por haz de electrones para crear un contacto Schottky con el MoS₂ semiconductivo (fase 2H).

---

c. Conversión de fase (2H → 1T/1T′)

• Después del contacto Schottky, se convierte parte del MoS₂ a fase metálica mediante inmersión en n-butil-litio (1.6 M) por 10 minutos en atmósfera de nitrógeno.

• La conversión crea una unión semiconductora-metálica (2H–1T/1T′).

• El Pd sirve como máscara para proteger la zona semiconductora durante esta fase.

---

d. Contacto Ohmico y línea de transmisión

• Se realiza una segunda litografía EBL para definir el contacto Ohmico.

• Se deposita oro (Au) de 50 nm como contacto con la región metálica de MoS₂.

• Se crea una estructura de línea de transmisión coplanar (G–S–G) con 5 nm de Ti y 50 nm de Au para mediciones de alta frecuencia.

---

📡 2. Antena receptora

• Se diseña una antena flexible para la banda Wi-Fi (~5.9 GHz) en CST Microwave Studio.

• Se fabrica también sobre Kapton con una capa metálica de 5 nm Ti / 70 nm Au.

---

🔗 3. Integración rectenna

• Se conectan eléctricamente las terminales del diodo de MoS₂ a las líneas de transmisión de la antena.

• La geometría evita cortocircuitos (diseño G de 170 μm, mayor separación de la antena: 250 μm).

• Se mide el voltaje rectificado (Vout) usando un osciloscopio con resistencia de carga de 10 kΩ.

---

📏 4. Medición de parámetros S y modelado

a. Medición S-parameters

• Se usa un analizador vectorial de redes (VNA) para medir S11, S21, S12, S22 entre 100 MHz y 20 GHz.

• Esto permite analizar la reflexión, inserción, aislamiento y adaptación de impedancias del diodo MoS₂.

b. Modelado de circuito equivalente

• El diodo se modela con:

  • Rs: resistencia en serie (contacto Ohmico + región neutra).

  • Rj: resistencia de la unión Schottky (no lineal y dependiente del bias).

  • Cj: capacitancia de la unión (también dependiente del bias).

  • Cf y Cp: capacitancias parásitas externas.

• Se usa ADS de Keysight para ajustar el modelo.

---

⚡ 5. Eficiencia de conversión RF–DC

• Se mide la eficiencia de conversión usando un generador de señal Wi-Fi (2.4 GHz).

• La eficiencia va de 10% a 40%, con un máximo del 40.1% a −0.7 dBm de entrada.

• Se demostró una salida de hasta 48.4 μW con una señal Wi-Fi a 1 metro de distancia (~−8 dBm).

---

📈 6. Teoría de rectificación no lineal

• Se basa en la característica I–V no lineal del diodo Schottky:
  $I(V) = I_s (e^{\alpha V} - 1)$

• A partir de la expansión en serie de Taylor, se demuestra cómo el diodo genera una componente DC a partir de una señal AC.

• Se calcula la responsividad intrínseca y la eficiencia de rectificación.

---

🔻 7. Análisis de frecuencia de corte (fc)

• La frecuencia de corte se define donde la potencia útil (consumida por Rj) cae a la mitad (−3 dB).

• Se obtiene mediante:

  $$f_c = \frac{1}{2\pi R_j C_j \sqrt{1 + \frac{R_s}{R_j}}}$$

• Gracias al diseño lateral del diodo, se logra una capacitancia ultra baja (≈ 40 fF) → alto rendimiento a frecuencias alta