⚡ electrical engineering

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

Dit artikel introduceert een nieuw tweelaags HAPS-architectuur voor 6G-netwerken die draadloze energieoogst mogelijk maakt door middel van een 'moeder'-HAPS, waarbij een geoptimaliseerde positionering en het gebruik van IDFA- en Q-learning-algoritmen leiden tot een aanzienlijk hogere data-rate in vergelijking met conventionele systemen zonder energieoogst.

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

Gepubliceerd 2026-04-21

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC0 1.0

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

Oorspronkelijk artikel vrijgegeven aan het publieke domein onder CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een gigantische, zwevende zendmast hebt die hoog in de lucht hangt, boven de wolken. Dit is een HAPS (High-Altitude Platform Station). Het werkt als een mobiele toren voor 6G-internet, maar er is een groot probleem: deze toren moet vliegen, en vliegen kost enorm veel energie. Meestal moeten ze terug naar de grond om te tanken of afhankelijk zijn van zonnepanelen, wat niet werkt als het nacht is of als het stormt.

De auteurs van dit artikel hebben een slimme oplossing bedacht: laat de vliegende torens elkaar opladen!

Hier is de uitleg van hun idee, vertaald naar alledaagse taal met een paar creatieve vergelijkingen:

1. Het Idee: Een "Moeder" en haar "Kinderen"

Stel je een zwevende familie voor in de lucht:

De "Moeder"-toren: Dit is een gigantisch, zwaar vliegend platform dat heel hoog zit (ongeveer 20 km hoog). Hij heeft enorme zonnepanelen en een grote batterij. Hij fungeert als de manager.
De "Kinderen"-torens: Dit zijn de kleinere, reguliere torens die lager vliegen en daadwerkelijk internet geven aan mensen op de grond.

Het nieuwe trucje: In plaats dat de kinderen alleen op hun eigen batterij vertrouwen, krijgen ze energie via een draadloze kabel van de moeder. De moeder straalt een signaal uit, en de kinderen vangen een stukje van die energie op om hun eigen batterijen bij te vullen. Het is alsof de moeder haar kinderen een "energie-maaltijd" geeft terwijl ze vliegen, zodat ze niet hoeven te landen om te eten.

2. Het Probleem: De Afstand en de "Vezel"

Er is een klein probleem. Als de kinderen te ver van de moeder vliegen, is de energie die ze vangen te zwak (net als een flauw geluid als je te ver van de luidspreker afstaat). Als ze te dichtbij zitten, kunnen ze niet genoeg ruimte hebben om hun eigen werk te doen.

De auteurs hebben wiskundige formules bedacht om de perfecte afstand te vinden.

Vergelijking: Stel je voor dat je een touw hebt dat je moet spannen. Als het touw te slap hangt (te ver weg), werkt het niet. Als het te strak staat (te dichtbij), kan het breken. De auteurs hebben uitgerekend waar je het touw precies moet vastmaken zodat het touw (de energie-overdracht) het beste werkt.

3. Twee Manieren om te Rekenen: De "Regelboek" vs. De "Leerling"

Om de perfecte plek en het perfecte tijdstip voor het opladen te vinden, gebruiken ze twee methoden:

De "Regelboek-methode" (IDFA): Dit is als een strikte instructie. Je volgt stap voor stap een plan: "Eerst beweeg je een beetje, dan kijk je of het beter gaat, dan pas je het tijdstip aan." Dit werkt goed en snel, maar het is een beetje star.
De "Leerling-methode" (Q-Learning): Dit is als een slimme robot die leert door te proberen. De robot probeert duizenden keren verschillende posities en tijden. Als hij een goede combinatie vindt, krijgt hij een "beloning" (punten). Na een tijdje heeft hij geleerd wat de allerbeste combinatie is, zelfs als de situatie verandert.
- Resultaat: De "Leerling" (Q-Learning) is vaak slimmer en sneller in het vinden van de perfecte oplossing, vooral in complexe situaties, dan het strakke "Regelboek".

4. Wat als er niet genoeg energie is?

Soms is de energie die ze vangen net niet genoeg om een sterk signaal naar de grond te sturen.

De oplossing: De toren gebruikt dan een heel klein beetje van zijn eigen "noodvoorraad" (de batterij die hij nodig heeft om te vliegen) om het signaal te versterken.
De slimme truc: De auteurs hebben een manier bedacht om dit zo slim mogelijk te doen. Ze gebruiken precies genoeg van de noodvoorraad om het signaal te laten werken, maar niet meer dan dat. Zo blijft er genoeg energie over om te blijven vliegen. Het is alsof je een zakje koekjes hebt: je eet er net genoeg van om de honger te stillen, maar bewaart de rest voor de lange reis.

5. Waarom is dit belangrijk?

Blijven vliegen: Hierdoor kunnen deze vliegende torens veel langer in de lucht blijven, zelfs als het nacht is of als er een ramp is en de grondstations niet werken.
Snelheid: Door de perfecte positie en het slimme opladen, krijgen mensen op de grond snellere en betrouwbaardere internetverbindingen.
Toekomst: Het is een stap in de richting van 6G, waar de lucht en de grond samenwerken als één groot, slim netwerk.

Kortom: Dit artikel stelt voor om vliegende internet-torens als een team te laten werken, waarbij de grote toren de kleine torens draadloos oplaadt. Door slimme wiskunde en kunstmatige intelligentie te gebruiken, vinden ze de perfecte plek en timing om dit te doen, zodat ze langer kunnen vliegen en betere internetdiensten kunnen leveren.

Titel

Twee-laags High Altitude Platform Stations (HAPS) voor het verkennen van draadloze energie-oogst (Wireless Energy Harvesting).

1. Probleemstelling

In de ontwikkeling van 6G-netwerken en daarbeyond spelen luchtplatforms, zoals onbemande luchtvaartuigen (UAV's) en High Altitude Platform Stations (HAPS), een cruciale rol bij het uitbreiden van netwerkbereik. Een van de grootste uitdagingen voor deze platforms is echter de schaarste aan energie, wat de missieduur en operationele continuïteit ernstig beperkt.

Bestaande oplossingen zoals zonne-energie zijn afhankelijk van weersomstandigheden en dag-nachtcycli. Traditionele draadloze energie-oogst (Energy Harvesting - EH) richt zich vaak op het verzamelen van energie van grondstations. Dit heeft echter beperkingen:

Bij natuurrampen of oorlogen kunnen grondstations uitvallen.
Gebrek aan zichtlijn (Line-of-Sight) kan de energieoverdracht belemmeren.
Er is een noodzaak voor alternatieve energiebronnen die onafhankelijk zijn van de grond.

Het paper stelt de vraag of luchtplatforms energie kunnen oogsten van andere luchtplatforms in de buurt, gebruikmakend van de elektromagnetische golven die tijdens transmissie in de atmosfeer aanwezig zijn.

2. Methodologie en Systeemarchitectuur

Systeemarchitectuur:
Het auteurs stellen een nieuw twee-laags HAPS-SMBS-systeem (HAPS Super-Macro Base Station) voor:

Moeder-HAPS-SMBS: Een groter platform op een hogere hoogte (bijv. 22 km) dat fungeert als manager en backhaul-link. Het heeft grote zonnepanelen en energieopslag. Het verzorgt de communicatie met de grond en fungeert als energiebron voor de andere platforms.
Reguliere HAPS-SMBS: Kleinere platforms op een iets lagere hoogte (bijv. 18 km) die als basisstations dienen voor grondgebruikers. Deze platforms oogsten energie van de Moeder-HAPS-SMBS.

Modellering:

Energie-oogstmodellen: Er worden zowel lineaire als niet-lineaire modellen gebruikt. Het niet-lineaire model is realistischer omdat het de verzadigingseffecten van EH-circuits (diodes, condensatoren) simuleert via een logistieke functie.
Propagatiemodel: De auteurs analyseren het padverlies tussen de Moeder-HAPS en de Reguliere HAPS ( $d_1$ ) en tussen de Reguliere HAPS en de grondgebruiker ( $d_2$ ).
Optimalisatieprobleem: Het doel is om de data-rate te maximaliseren door het gezamenlijk optimaliseren van:
1. De horizontale positie ( $d_A$ ) van de Reguliere HAPS.
2. De EH-factor ( $\tau$ ): het tijdsdeel van een transmissieblok dat wordt gebruikt voor energie-oogst versus data-transmissie.

Oplossingsalgoritmen:
Om het niet-convexe optimalisatieprobleem op te lossen, worden twee methoden voorgesteld en vergeleken:

IDFA (Iterative Distance and EH Factor Algorithm): Een iteratief algoritme dat het probleem splitst in twee subproblemen (eerst positie optimaliseren, dan de EH-factor, en dit herhalen tot convergentie).
Q-Learning: Een Reinforcement Learning-benadering die de variabelen gezamenlijk optimaliseert zonder het probleem te splitsen. Dit dient als validatie voor IDFA en zoekt naar een suboptimale oplossing in dynamische omgevingen.

Energiebeheer:
Als de geoogste energie onvoldoende is voor transmissie, wordt een convex optimalisatieprobleem opgelost om het minimum aan energie uit het interne batterijvermogen van de Reguliere HAPS te gebruiken, zodat de vluchtduur niet onnodig wordt verkort.

3. Belangrijkste Bijdragen

Nieuw Paradigma: Het introduceren van een systeem waarbij luchtplatforms energie oogsten van andere luchtplatforms (in plaats van alleen van de grond), wat de betrouwbaarheid verhoogt bij uitval van grondinfrastructuur.
Twee-laags Architectuur: Een specifiek ontwerp met een "Moeder"-node voor coördinatie en energieoverdracht en "Reguliere"-nodes voor gebruikersdiensten.
Analytische Afleiding: Het afleiden van de optimale horizontale positie ( $d_A$ ) voor zowel lineaire als niet-lineaire EH-modellen om signaalverlies te minimaliseren.
Gezamenlijke Optimalisatie: Het toepassen van IDFA en Q-Learning om de positie en de tijdsverdeling voor energie-oogst ( $\tau$ ) gelijktijdig te optimaliseren.
Validatie: Het vergelijken van deze methoden met traditionele systemen zonder EH en met willekeurige selectie van parameters.

4. Resultaten

De numerieke simulaties tonen de volgende resultaten:

Data-rate Verbetering:
- Het gebruik van optimale positionering (gebaseerd op Theorema 1 en 2) leidt tot een verbetering van 0,8% tot 3,6% voor lineaire modellen en 0,25% tot 0,4% voor niet-lineaire modellen ten opzichte van niet-geoptimaliseerde systemen.
- De gezamenlijke optimalisatie met Q-Learning presteert het beste, met verbeteringen van 7% tot 11% voor lineaire modellen en 0,8% tot 1,8% voor niet-lineaire modellen ten opzichte van systemen zonder optimalisatie.
- Q-Learning presteert iets beter dan IDFA in lineaire modellen, vooral bij intensieve training.
Vergelijking Lineair vs. Niet-Lineair:
- Niet-lineaire modellen tonen verzadiging bij hogere transmitvermogens, wat de realiteit van EH-circuits weerspiegelt. Lineaire modellen overschatten vaak de prestaties.
Energie-efficiëntie:
- De voorgestelde strategie voor transmitvermogen maximalisatie (waarbij alleen de minimale benodigde energie uit de batterij wordt gehaald) zorgt voor betrouwbare communicatie terwijl de interne energievoorraden worden gespaard.
- Hogere frequenties en grotere afstanden verminderen de geoogste energie, wat het belang van zorgvuldige positionering en antenne-ontwerp benadrukt.
Vluchttijd:
- De analyse suggereert dat door energie-oogst tijdens de vlucht de operationele levensduur van HAPS-platforms kan worden verlengd, mogelijk zelfs zonder herlading in bepaalde scenario's.

5. Betekenis en Toekomstperspectief

Dit onderzoek is significant omdat het een haalbare oplossing biedt voor het energievoorzieningsprobleem van toekomstige 6G-luchtnetwerken, onafhankelijk van grondinfrastructuur. Het toont aan dat:

Zelfvoorzienende luchtnetwerken mogelijk zijn door onderlinge energie-oogst.
Kunstmatige Intelligentie (Q-Learning) effectief kan worden ingezet om complexe, niet-convexe netwerkproblemen op te lossen.
De combinatie van optimale positionering en tijdsverdeling essentieel is voor maximale prestaties.

De auteurs concluderen dat toekomstig werk zich moet richten op het integreren van geavanceerde technologieën zoals Reconfigurable Intelligent Surfaces (RIS), Free-Space Optics (FSO) en Massive MIMO om de efficiëntie van de energie-oogst in de stratosfeer verder te verbeteren.