⚡ electrical engineering

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

이 논문은 6G 네트워크에서 HAPS(고고도 플랫폼) 간 무선 에너지 수확을 가능하게 하는 2 단계 아키텍처를 제안하고, 위치 최적화 및 에너지 수확 요소를 결합한 IDFA 알고리즘과 Q-학습을 통해 기존 시스템보다 향상된 데이터 전송률과 에너지 효율성을 입증합니다.

원저자: Faicel Khennoufa, Khelil Abdellatif, Halim Yanikomeroglu, Safwan Alfattani, Metin Ozturk, Ferdi Kara

게시일 2026-04-21

📖 3 분 읽기☕ 가벼운 읽기

CC0 1.0

원저자: Faicel Khennoufa, Khelil Abdellatif, Halim Yanikomeroglu, Safwan Alfattani, Metin Ozturk, Ferdi Kara

원본 논문은 CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/)에 따라 공공 도메인에 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🌤️ 하늘 위의 통신 중계기: "엄마"와 "자식"의 관계

상상해 보세요. 하늘 20km 상공에 거대한 통신 기지국 (HAPS) 이 떠 있습니다. 이 기지국은 지상의 스마트폰 사용자에게 인터넷을 제공하지만, 문제는 전력입니다. 비행기나 기지국은 전기가 없으면 멈춰서고, 태양광만으로는 밤이나 구름 낀 날에 전력이 부족해집니다.

이 논문은 이 문제를 해결하기 위해 "하늘에서 전기를 얻는 새로운 방법" 을 제안합니다.

1. 두 단계 구조: "엄마"와 "자식" 기지국

연구진은 하늘에 두 종류의 기지국을 배치하는 2 단계 구조를 제안합니다.

엄마 기지국 (Mother HAPS): 가장 높은 곳에 있는 거대한 기지국입니다. 태양광 패널도 크고 전기도 많이 저장합니다. 이 기지국은 지상 사용자에게 직접 전화를 걸지는 않지만, 아래에 있는 다른 기지국들을 관리하고 전기를 공급하는 역할을 합니다.
자식 기지국 (Regular HAPS): 엄마 기지국 아래에 여러 대 떠 있는 기지국들입니다. 이들이 실제 지상 사용자에게 인터넷을 제공합니다.

핵심 아이디어: 자식 기지국들이 전기가 떨어지면, 엄마 기지국에서 보내는 통신 신호 (전파) 를 받아서 그 에너지를 다시 전기로 바꿔서 사용합니다. 마치 태양열로 작동하는 시계가 빛을 받아 시간을 유지하듯, 자식 기지국은 엄마 기지국의 "말소리 (전파)"를 먹어서 전력을 얻는 것입니다.

2. 전기를 얻는 두 가지 방식: "선형"과 "비선형"

전기를 얻는 과정은 두 가지 방식으로 나뉩니다.

선형 모델 (이상적인 경우): 전파가 강하면 전기도 비례해서 많이 생깁니다. 마치 햇빛이 강하면 태양전지판이 더 많은 전기를 만드는 것처럼 직관적입니다.
비선형 모델 (현실적인 경우): 실제 회로는 한계가 있습니다. 전파가 너무 강해도 전기가 무한정 늘지 않고 포화 상태에 빠집니다. 마치 컵에 물을 부을 때, 컵이 꽉 차면 더 이상 물을 담을 수 없는 것과 같습니다. 이 논문은 이 현실적인 한계를 고려하여 더 정확한 분석을 했습니다.

3. 최적의 위치 찾기: "의자"를 어디에 둘까?

자식 기지국이 엄마 기지국으로부터 전기를 얼마나 잘 받느냐는 거리에 따라 달라집니다.

너무 멀면 전기가 약해집니다.
너무 가까우면 오히려 통신 효율이 떨어질 수 있습니다.

연구진은 수학 공식을 통해 "어디에 있어야 전기도 가장 많이 받고, 통신 속도도 가장 빠를까?" 를 계산했습니다. 마치 라디오 안테나를 움직여서 가장 선명한 소리를 찾는 것과 비슷합니다.

4. 지능형 조종사: "AI(강화 학습)"의 역할

이 문제를 해결하기 위해 두 가지 방법을 썼습니다.

IDFA (반복 계산): 하나씩 하나씩 계산을 반복해서 최적의 답을 찾습니다. (조심스럽지만 확실한 방법)
Q-Learning (AI 학습): 마치 게임 AI처럼, "이 위치에서 전기를 받으면 점수가 얼마나 오르지?"를 스스로 학습하며 가장 좋은 답을 찾아냅니다.

결과: AI 가 학습을 많이 할수록, 특히 선형 모델에서는 더 빠르고 정확한 최적의 위치와 전자기기 설정을 찾아냈습니다.

5. 전기가 부족할 때: "비상용 배터리" 활용

만약 엄마 기지국에서 받은 전기가 부족하다면? 자식 기지국은 자신의 비상용 배터리에서 아주 조금만 꺼내서 사용합니다.

목표: 비상 배터리는 비행하는 데 필요한 것이므로, 가능한 한 최소한만 쓰고, 받은 전파 에너지로 통신을 하도록 최적화하는 것입니다.

🚀 이 연구가 가져오는 변화

이 논문이 제안하는 방식은 다음과 같은 장점이 있습니다:

더 오래 나는 비행기: 지상 기지국이나 태양광에만 의존하지 않고, 하늘에서 전기를 얻으므로 비행 시간을 늘릴 수 있습니다.
재난 상황에서도 통신 가능: 지진이 나거나 전쟁으로 지상 기지국이 망가져도, 하늘의 기지국끼리 전기를 주고받으며 통신을 유지할 수 있습니다.
빠른 인터넷: 기지국 위치와 전자기기 설정을 AI 가 최적화하므로, 데이터 전송 속도가 빨라집니다.

💡 한 줄 요약

"하늘 위의 거대한 통신 기지국 (엄마) 이 작은 기지국 (자식) 에게 전기를 공급하고, AI 가 그 위치를 가장 잘 조정해서 6G 시대의 통신을 끊김 없이, 그리고 오래 지속되게 만드는 방법" 을 찾았습니다.

이 기술은 미래의 6G 네트워크가 지상뿐만 아니라 하늘까지 확장되어, 우리가 어디에 있든 끊김 없는 인터넷을 즐길 수 있게 하는 중요한 디딤돌이 될 것입니다.

논문 요약: 에너지 수확 (EH) 을 활용한 2 계층 고고도 플랫폼 (HAPS) 연구

1. 연구 배경 및 문제 제기 (Problem)

배경: 6G 및 차세대 통신 네트워크에서 지상 네트워크의 한계를 보완하기 위해 무인 항공기 (UAV) 와 고고도 플랫폼 (HAPS) 과 같은 비지상 네트워크 (NTN) 의 중요성이 부각되고 있습니다.
핵심 문제: HAPS 및 UAV 와 같은 공중 플랫폼의 가장 큰 제약은 에너지 부족입니다. 이는 임무 지속 시간을 제한하며, 태양광 에너지는 기상 조건과 주야간 주기에 따라 변동성이 크고, 지상 기지국으로부터 에너지를 수확하는 방식은 자연재해나 지리적 장애로 인해 단절될 수 있습니다.
제안된 문제 해결 방향: 기존 연구가 주로 지상 기지국에서 에너지를 수확하는 데 집중했다면, 본 논문은 공중 플랫폼 간 (Aerial-to-Aerial) 무선 에너지 수확 (Wireless Energy Harvesting, EH) 을 새로운 패러다임으로 제안합니다. 즉, HAPS 가 다른 HAPS 의 전송 신호로부터 에너지를 수집하여 자체 전력을 보충하는 방식을 연구합니다.

2. 시스템 아키텍처 및 방법론 (Methodology)

가. 2 계층 HAPS-SMBS 아키텍처

Mother HAPS-SMBS: 고도 약 20km 부근에 위치하며, 지상 기지국과 하위 노드 간의 백홀 (Backhaul) 링크를 관리하고, 에너지 전송의 원천 (Source) 역할을 수행합니다.
Regular HAPS-SMBS: Mother 노드 아래에 위치하며, 지상 사용자에게 통신 서비스를 제공합니다. Mother 노드로부터 무선 에너지를 수확하여 통신에 사용합니다.
동작 원리: 통신 블록 시간 $T$ 중 $\tau T$ 시간 동안은 에너지 수확 (EH) 에 할당하고, 나머지 $(1-\tau)T$ 시간 동안은 정보 전송에 사용합니다.

나. 수학적 모델링

에너지 수확 모델:
- 선형 모델 (Linear EH): 이상적인 회로 특성을 가정.
- 비선형 모델 (Non-linear EH): 실제 EH 회로의 포화 현상 (Saturation) 을 반영한 로지스틱 함수 기반 모델.
전파 모델: 자유 공간 경로 손실 (Free-space path loss) 을 기반으로 한 신호 감쇠 모델링을 적용하여, Mother 노드와 Regular 노드 간 거리 ( $d_1$ ) 및 Regular 노드와 지상 사용자 간 거리 ( $d_2$ ) 를 고려합니다.

다. 최적화 문제 및 알고리즘

목표: 시스템의 데이터 전송률 (Data Rate) 을 최대화하기 위해 **수확 인자 ( $\tau$ )**와 **Regular HAPS 의 수평 위치 ( $d_A$ )**를 동시에 최적화.
문제 특성: 목적 함수가 비볼록 (Non-convex) 하여 해석적 해를 구하기 어려움.
해결 알고리즘:
1. IDFA (Iterative Distance and EH Factor Algorithm): 좌표 하강법 (Coordinate Descent) 을 기반으로 $d_A$ 와 $\tau$ 를 번갈아 가며 최적화하는 반복 알고리즘.
2. Q-Learning: 강화 학습을 활용하여 변수들을 통합적으로 최적화하고, IDFA 의 성능을 검증 및 보완하기 위해 적용.

라. 비행 임무 최적화

수확된 에너지가 전송 요구 전력에 미치지 못할 경우, Regular HAPS 의 내장 배터리에서 최소한의 에너지만을 보충하여 전송을 유지하는 전략을 수립 (전력 소모 최소화).

3. 주요 기여 (Key Contributions)

새로운 패러다임 제안: 지상 기지국이 아닌 공중 플랫폼 간 (HAPS-to-HAPS) 무선 에너지 수확을 가능하게 하는 2 계층 HAPS-SMBS 아키텍처를 최초로 제안.
실용적 모델링: 이상적인 선형 모델뿐만 아니라, 실제 회로 특성을 반영한 비선형 에너지 수확 모델을 포함하여 현실적인 성능 분석 수행.
최적 위치 도출: 선형 및 비선형 모델에 따라 데이터 전송률을 극대화하는 Regular HAPS 의 **최적 수평 위치 ( $d_A$ )**에 대한 수학적 정리 (Theorem 1, 2) 를 유도.
지능형 최적화 알고리즘: 비볼록 최적화 문제를 해결하기 위해 IDFA와 Q-Learning을 제안하고 비교 분석. 특히 Q-Learning 이 선형 모델에서 IDFA 보다 더 정확한 최적값에 근사함을 입증.
에너지 효율성 전략: 수확 에너지 부족 시 내장 에너지를 최소한으로만 사용하여 비행 임무 지속 시간을 연장하는 전력 관리 전략 제시.

4. 시뮬레이션 결과 (Results)

데이터 전송률 향상:
- 최적 위치 선정 (Theorem 1, 2) 을 통해 선형 모델에서 0.8~~3.6%, 비선형 모델에서 0.25~~0.4% 의 데이터 전송률 향상.
- IDFA 및 Q-Learning을 적용한 공동 최적화는 추가적인 성능 개선을 보임. 특히 Q-Learning은 선형 모델에서 IDFA 대비 1.5~4% 더 높은 성능을 보이며, IDFA 보다 더 정밀한 최적 해를 찾음.
- 무작위 선택 (Random Selection) 전략에 비해 제안된 알고리즘이 5.5~11% (선형) 까지 성능이 우수함.
비선형 모델의 영향: 비선형 모델은 고전력 구간에서 포화 현상으로 인해 선형 모델보다 낮은 이득을 보임. 이는 실제 EH 회로의 한계를 반영한 결과.
전력 최적화 효과: 제안된 전력 관리 전략은 수확 에너지가 부족할 때 내장 배터리의 소모를 최소화하면서도 통신 신뢰성을 유지함.
매개변수 민감도: 주파수가 높을수록, 거리가 멀어질수록 수확 에너지가 감소함을 확인. 안테나 이득 증가는 수확 에너지와 데이터 전송률을 크게 향상시킴.

5. 의의 및 결론 (Significance)

에너지 자급성 강화: 자연재해나 지상 인프라 마비 상황에서도 공중 플랫폼 간 에너지 공유를 통해 통신 네트워크의 연속성과 생존성을 확보할 수 있음.
비행 시간 연장: 수확된 에너지를 활용하여 태양광 의존도를 낮추고, 비행 임무 시간을 획기적으로 연장할 수 있는 가능성을 제시.
6G NTN 의 핵심 기술: 6G 및 차세대 네트워크에서 비지상 네트워크 (NTN) 의 에너지 효율성을 높이는 핵심 기술로서, 대규모 MIMO, RIS(재구성 가능 지능형 표면), FSO(자유 공간 광통신) 등과의 융합 연구를 위한 기초를 마련함.

이 논문은 공중 플랫폼이 서로의 신호를 에너지원으로 활용하는 새로운 통신 - 에너지 통합 (Simultaneous Wireless Information and Power Transfer, SWIPT) 아키텍처를 제시함으로써, 에너지 제약이 심한 차세대 무선 네트워크의 지속 가능성을 높이는 중요한 통찰을 제공합니다.