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

Título: Estações de Plataforma de Alta Altitude (HAPS) de Dois Níveis para Explorar a Colheita de Energia Sem Fio

1. Problema e Motivação

Com a evolução para redes celulares de sexta geração (6G) e além, plataformas aéreas como Veículos Aéreos Não Tripulados (UAVs) e Estações de Plataforma de Alta Altitude (HAPS) são cruciais para expandir a cobertura e melhorar a conectividade. No entanto, a adoção generalizada dessas plataformas é limitada pela escassez de energia, que restringe a duração das missões.

• Limitações das Soluções Atuais: A colheita de energia solar é afetada por ciclos dia/noite e condições climáticas. A colheita de energia de estações terrestres (RF) pode ser interrompida por desastres naturais, guerras ou falta de linha de visão (LoS).
• Oportunidade: Durante as operações de transmissão, ondas eletromagnéticas estão onipresentes no ar entre as próprias plataformas aéreas. Aproveitar essa energia para recarregar as plataformas vizinhas é uma solução inexplorada que pode estender a vida útil da bateria e reduzir o tempo de inatividade operacional.

2. Metodologia e Arquitetura do Sistema

Os autores propõem uma nova arquitetura de dois níveis (two-tier) baseada em HAPS-SMBS (HAPS Super-Macro Base Station):

• Nó "Mãe" (Mother HAPS-SMBS): Atua como um gestor central, coordenando comunicações entre os nós regulares e a estação terrestre. Possui maior capacidade de armazenamento de energia e painéis solares. Não serve usuários terrestres diretamente, focando no backhaul e na transferência de energia.
• Nós Regulares (Regular HAPS-SMBS): Atuam como estações base para usuários no solo. Eles coletam energia sem fio transmitida pelo nó "Mãe" para alimentar suas transmissões.

Modelos de Colheita de Energia (EH):
O estudo analisa dois modelos para a conversão de RF para DC:

1. Modelo Linear: Assume uma eficiência de conversão constante.
2. Modelo Não-Linear: Utiliza uma função logística para simular a não-linearidade real dos circuitos de colheita de energia (saturação em níveis altos de potência).

Abordagem de Otimização:
O objetivo é maximizar a taxa de dados do sistema otimizando conjuntamente a posição horizontal dos nós regulares ($d_A$) e o fator de colheita de energia ($\tau$, que define a fração do tempo dedicada à colheita vs. transmissão).

• Algoritmo IDFA (Iterative Distance and EH Factor Algorithm): Um método iterativo que divide o problema não convexo em dois subproblemas (otimizar posição fixando $\tau$, e vice-versa) usando descida de coordenada.
• Aprendizado por Reforço (Q-Learning): Utilizado para validar o IDFA e encontrar soluções ótimas conjuntas sem dividir o problema, adaptando-se dinamicamente às condições do canal.

Gestão de Energia em Missão:
Foi formulado um problema de otimização convexa para minimizar o uso da energia armazenada na bateria do nó regular quando a energia colhida é insuficiente para a transmissão, garantindo a continuidade da missão.

3. Principais Contribuições

1. Novo Paradigma de Arquitetura: Propõe o primeiro sistema de dois níveis de HAPS onde a transferência de energia ocorre entre plataformas aéreas (ar-para-ar), não apenas do solo para o ar.
2. Análise de Modelos de Propagação: Desenvolveu modelos de propagação detalhados para sistemas HAPS com colheita de energia, considerando tanto cenários lineares quanto não-lineares (mais realistas).
3. Posicionamento Ótimo: Derivou soluções analíticas (Teoremas 1 e 2) para a posição horizontal ótima dos nós regulares que maximizam a taxa de dados, minimizando a atenuação do sinal e as perdas de potência.
4. Otimização Conjunta: Propôs e comparou duas abordagens (IDFA e Q-Learning) para resolver o problema de otimização não convexo de posicionamento e fator de tempo de colheita.
5. Estratégia de Transmissão Híbrida: Introduziu um mecanismo onde o nó regular usa energia colhida prioritariamente e recorre à bateria apenas quando necessário, minimizando o consumo de energia de reserva.

4. Resultados Numéricos

As simulações demonstraram os seguintes pontos:

• Desempenho de Taxa de Dados: Sistemas com colheita de energia (EH), mesmo com otimização, podem ter taxas de dados ligeiramente inferiores a sistemas sem EH (devido ao tempo dedicado à colheita), mas oferecem sustentabilidade energética. No entanto, a otimização é crucial.
• Ganhos com Otimização:
  • O posicionamento ótimo (Teoremas 1 e 2) melhorou a taxa de dados em 0,8% a 3,6% (modelo linear) e 0,25% a 0,4% (modelo não-linear) em comparação com posicionamento não otimizado.
  • A otimização conjunta usando Q-Learning e IDFA trouxe ganhos significativos: 7% a 11% de melhoria no modelo linear e 0,8% a 1,8% no modelo não-linear em comparação com seleções aleatórias.
• Comparação de Algoritmos: O Q-Learning superou o IDFA em modelos lineares sob treinamento intensivo, aproximando-se mais da solução ótima global.
• Impacto de Parâmetros:
  • Frequências mais altas resultam em menor energia colhida devido à maior atenuação.
  • Aumentar o ganho da antena receptora melhora significativamente o desempenho.
  • O modelo não-linear mostra saturação em níveis mais baixos de potência de transmissão, refletindo limitações de hardware real.
• Eficiência de Transmissão: A estratégia de maximização de potência de transmissão mostrou que o sistema pode manter a comunicação confiável com dependência mínima da energia armazenada, especialmente quando a energia colhida é suficiente.

5. Significado e Conclusão

Este trabalho estabelece um marco para a sustentabilidade energética em redes 6G não terrestres (NTN). Ao permitir que as plataformas aéreas colham energia umas das outras, o sistema mitiga os riscos de interrupção de energia devido a desastres ou falta de sol.

• Viabilidade: Demonstra que, mesmo com pequenas quantidades de energia coletadas a longas distâncias, é possível operar circuitos de baixa potência e estender a vida útil da missão.
• Futuro: A pesquisa abre caminho para o uso de tecnologias complementares como Superfícies Inteligentes Reconfiguráveis (RIS), MIMO massivo e óptica de espaço livre (FSO) para melhorar ainda mais a eficiência da colheita de energia em ambientes aéreos complexos.

Em resumo, o artigo valida que a combinação de uma arquitetura de dois níveis, posicionamento otimizado e algoritmos de inteligência artificial (Q-Learning) pode transformar a gestão de energia em redes aéreas, tornando-as mais robustas e autossuficientes.