Two-Tier High Altitude Platform Stations (HAPS) for Exploring Wireless Energy Harvesting

Resumen Técnico: Plataformas de Alta Altitud (HAPS) de Dos Niveles para la Exploración de la Cosecha de Energía Inalámbrica

1. Problema Abordado

En el contexto de las redes celulares de sexta generación (6G) y más allá, las plataformas aéreas como las Estaciones de Plataforma de Alta Altitud (HAPS) y los Vehículos Aéreos No Tripulados (UAV) son fundamentales para expandir la cobertura. Sin embargo, enfrentan un desafío crítico: la escasez de energía, que limita severamente la duración de sus misiones.

• Limitaciones actuales: Las soluciones existentes dependen principalmente de la energía solar (afectada por el clima y el ciclo día/noche) o de la cosecha de energía (EH) desde estaciones terrestres. Esta última puede fallar en situaciones de desastres naturales, guerras o falta de línea de visión (LoS).
• Brecha de investigación: No se ha explorado suficientemente la posibilidad de que las plataformas aéreas recolecten energía de las señales de transmisión de otras plataformas aéreas cercanas, aprovechando la omnipresencia de ondas electromagnéticas en la atmósfera durante las operaciones de transmisión.

2. Metodología y Arquitectura del Sistema

Los autores proponen un nuevo paradigma basado en una arquitectura de dos niveles de HAPS-SMBS (HAPS Super-Macro Base Station):

• Nodo "Madre" (Mother HAPS-SMBS): Actúa como gestor central y punto de enlace principal (backhaul) con la estación terrestre. No sirve directamente a usuarios terrestres, sino que coordina la comunicación y la transferencia de energía inalámbrica hacia los nodos regulares. Tiene mayor capacidad de almacenamiento y paneles solares.
• Nodos Regulares (Regular HAPS-SMBS): Funcionan como estaciones base que prestan servicios de acceso a radio (RAN) a usuarios en tierra. Reciben energía de la "madre" mediante transferencia de energía inalámbrica (WET).

Modelado y Optimización:

• Modelos de Cosecha de Energía (EH): Se analizan dos modelos:
  1. Lineal: Asume una eficiencia de conversión constante.
  2. No Lineal: Utiliza una función logística para simular la no linealidad real de los circuitos de conversión RF-DC (saturación a altos niveles de potencia).
• Optimización de Posicionamiento: Se deriva matemáticamente la posición horizontal óptima ($d_A$) de los nodos regulares para maximizar la tasa de datos, minimizando la atenuación de la señal y maximizando la energía cosechada. Se presentan teoremas para encontrar la solución cerrada en el caso lineal y una aproximación para el caso no lineal.
• Algoritmos de Optimización Conjunta: Para resolver el problema no convexo de optimizar simultáneamente la posición ($d_A$) y el factor de cosecha de energía ($\tau$), se proponen dos enfoques:
  1. IDFA (Iterative Distance and EH Factor Algorithm): Descompone el problema en dos subproblemas (optimizar distancia manteniendo $\tau$ fijo, y viceversa) usando descenso de coordenadas.
  2. Q-Learning: Un algoritmo de aprendizaje por refuerzo que optimiza las variables conjuntamente sin dividir el problema, utilizado para verificar la eficacia del IDFA y encontrar soluciones subóptimas en entornos dinámicos.
• Gestión de Energía: Se formula un problema de optimización convexa para maximizar la potencia de transmisión utilizando la energía cosechada primero, y solo recurriendo a la energía almacenada en la batería del nodo regular cuando sea estrictamente necesario.

3. Contribuciones Clave

• Nuevo Paradigma de EH Aéreo: Propone por primera vez, según los autores, un sistema donde las plataformas aéreas recolectan energía de otras plataformas aéreas (en lugar de solo de tierra), creando una cadena de suministro de energía adicional.
• Análisis de Modelos No Lineales: Investiga el rendimiento del sistema considerando la no linealidad real de los circuitos de EH, lo cual es más preciso que los modelos lineales ideales.
• Derivación de Posicionamiento Óptimo: Proporciona soluciones analíticas y aproximadas para la ubicación horizontal de los nodos regulares que maximizan la tasa de datos en un entorno de dos niveles.
• Comparativa de Algoritmos: Desarrolla y compara el algoritmo IDFA con Q-Learning para la optimización conjunta, demostrando la viabilidad del aprendizaje por refuerzo en este contexto.
• Estrategia de Transmisión Híbrida: Propone un mecanismo para minimizar el consumo de la energía interna de la batería del HAPS, priorizando el uso de la energía cosechada.

4. Resultados Numéricos

Las simulaciones realizadas con parámetros realistas (frecuencia de 2.45 GHz, altitudes de ~20 km) muestran:

• Mejora en Tasa de Datos:
  • La optimización de la posición (Teoremas 1 y 2) mejora la tasa de datos en un 0.8% - 3.6% para el modelo lineal y 0.25% - 0.4% para el no lineal, comparado con sistemas sin optimización.
  • La optimización conjunta (IDFA y Q-Learning) ofrece mejoras significativas: 7% - 11% para el modelo lineal y 0.8% - 1.8% para el no lineal, frente a selecciones aleatorias.
• Rendimiento de Q-Learning vs. IDFA: En modelos lineales con entrenamiento intensivo, Q-Learning supera ligeramente a IDFA (mejora del 1.5% al 4%), ofreciendo aproximaciones más cercanas a la solución óptima global. En modelos no lineales, ambos algoritmos tienen un rendimiento similar.
• Eficiencia de Potencia: La estrategia de maximización de potencia demuestra que el sistema puede mantener la comunicación incluso cuando la energía cosechada es insuficiente, minimizando el drenaje de la batería interna.
• Sensibilidad a Parámetros: Se observa que frecuencias más altas y mayores distancias reducen la energía cosechada, mientras que un mayor tiempo de vuelo y ganancias de antena aumentan la energía total recolectada. El modelo no lineal muestra saturación a niveles de potencia más bajos que el lineal, reflejando limitaciones prácticas.

5. Significado e Impacto

Este trabajo es significativo porque:

• Extiende la Autonomía: Ofrece una solución viable para prolongar la vida útil de las misiones de HAPS y UAVs, reduciendo la dependencia de recargas terrestres o condiciones solares ideales.
• Robustez ante Desastres: Al permitir la recolección de energía entre plataformas aéreas, el sistema se vuelve más resiliente ante fallos en la infraestructura terrestre (desastres, conflictos).
• Validación de IA en Redes: Demuestra la eficacia de técnicas de aprendizaje por refuerzo (Q-Learning) para resolver problemas de optimización complejos y no convexos en redes de comunicaciones futuras (6G).
• Viabilidad Práctica: Al considerar modelos no lineales y restricciones de hardware realistas, los resultados proporcionan una guía más precisa para el diseño de sistemas de EH en entornos aéreos, abriendo camino para el uso de tecnologías complementarias como RIS (Superficies Inteligentes Reconfigurables) y FSO (Óptica de Espacio Libre).

En conclusión, el artículo establece una base sólida para la implementación de redes aéreas autónomas y sostenibles mediante la cosecha de energía inalámbrica entre nodos, optimizada mediante algoritmos matemáticos e inteligencia artificial.