⚡ electrical engineering

UAV-Enabled IoT Networks: A SWIPT Energy Harvesting Architecture with Relay Support for Disaster Response

本文提出了一种基于无人机（UAV）的中继架构，通过应用同时无线信息与能量传输（SWIPT）技术，优化了灾害响应物联网网络中的能量收集与飞行时间，从而在有限能源下最大化用户服务数量并提升通信效率。

原作者： Hossein Mohammadi Firouzjaei, Javad Zeraatkar Moghaddam, Mehrdad Ardebilipour

发布于 2026-02-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Hossein Mohammadi Firouzjaei, Javad Zeraatkar Moghaddam, Mehrdad Ardebilipour

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章讲述了一个关于无人机（UAV）在灾难救援中如何“边工作边充电”的聪明方案。

想象一下，发生了一场大地震或洪水，地面的通信基站都坏了，灾区里的人们（物联网用户）无法联系外界。这时候，我们需要一架无人机飞过去，充当“空中信使”，把灾区人们的信息收集起来，再飞到安全地带传给救援中心。

但这有个大难题：无人机电池有限，飞一会儿就没电了，根本没法服务太多人。

这篇文章提出了一个像“魔法”一样的解决方案，叫做SWIPT（同时无线信息与能量传输）。

🚁 核心故事：两个救援场景的对比

为了说明这个方案有多好，作者对比了两种救援模式：

🚫 场景 A：传统的“苦行僧”无人机（没有充电功能）

怎么工作： 无人机飞到灾区，像收快递一样，一个接一个地收集受灾群众的信息，然后飞走。
痛点： 它的电池是固定的。每收集一个人的信息，它就消耗一点电。如果灾区人太多，它飞到一半就“饿死”（没电）在半空中了，或者为了省电，它只能服务很少的人，导致很多人联系不上。
比喻： 就像一个背着干粮袋的送信员。他每送一封信，干粮就少一点。如果路太远、信太多，他还没送到目的地就饿晕了。

✅ 场景 B：聪明的“能量吸血鬼”无人机（使用 SWIPT 技术）

怎么工作： 这架无人机装备了特殊的“能量接收器”。当它收集灾区群众的信息时，它同时也在“偷”能量。
- 群众发出的信号（无线电波）里既有“信息”（比如“我受伤了”），也有“能量”。
- 无人机把信号分成两半：一半用来读懂信息，另一半用来给电池充电。
优势： 它一边工作，一边给自己“回血”。人越多，信号越强，它充的电反而越多！这样它就能飞得更久，服务更多的人。
比喻： 这就像那个送信员，但他手里拿的不是干粮袋，而是一个太阳能充电宝。他每送一封信用力气（消耗能量），但每收到一封信，信纸本身就会发光给他充电。他送得越多，电充得越足，甚至能越送越精神！

🔍 科学家是怎么算的？（简单的数学逻辑）

作者不仅提出了这个想法，还像做数学题一样，算出了最优解：

怎么分能量？ 信号进来后，多少比例用来充电，多少比例用来读信息？（就像切蛋糕，切多大一块给电池，留多大一块给大脑？）
飞多高？ 飞太高信号弱，飞太低飞不远。
怎么飞最快？ 目标是让无人机在最短的时间内，把最多的人救出来，同时保证自己不没电。

作者通过复杂的公式证明：使用这种“边收信边充电”的方法，无人机可以服务的用户数量大大增加，而且完成任务的时间更短。

📊 实验结果说了什么？

作者做了很多模拟实验（就像在电脑里玩模拟飞行游戏），结果发现：

用户越多越好： 在灾难现场，人越多，信号越强，无人机充的电就越多，反而能服务更多人。
功率越大越好： 如果受灾群众把手机信号发得强一点，无人机就能充进更多的电。
高度要合适： 飞得太高，充电效率会下降；飞得太低，覆盖范围又不够。需要找到一个完美的“黄金高度”。

💡 总结：这对我们意味着什么？

这篇论文的核心思想就是：在灾难面前，不要只想着怎么省电，要想着怎么“借力”。

通过让无人机利用受灾群众发出的信号给自己充电，我们打破了“电池容量”的限制。这意味着在未来的地震、火灾或战争救援中，一架小小的无人机可以变成不知疲倦的“超级信使”，连接起更多绝望中的生命，让救援信息更快传出去。

一句话概括： 这是一篇关于如何让无人机在灾难现场“吃百家饭”（收集信号能量），从而变成超级英雄，拯救更多人的研究。

论文技术总结：基于 UAV 的灾难响应物联网网络：一种具有中继支持的 SWIPT 能量收集架构

1. 研究背景与问题定义 (Problem)

背景：
无人机（UAV）作为飞行基站（FBS）在灾难响应网络（DRN）中发挥着关键作用，特别是在地面基站因灾害（如火灾、洪水、战争）失效时，UAV 能够利用其视距（LOS）通信能力和机动性建立临时通信网络。然而，UAV 面临的核心挑战是电池能量有限，这直接限制了其飞行时间和任务持续时间。在灾难场景中，UAV 需要作为中继，从受灾区域（NET1）收集大量物联网（IoT）用户的数据，并传输到安全区域的基站（NET2）。

核心问题：
现有的研究通常将能量收集（EH）和数据收集分开建模，或者未充分考虑 UAV 在移动过程中同时进行的能量收集与数据传输。
本文旨在解决以下具体问题：

在 UAV 作为中继连接两个网络（受灾区与救援区）的场景下，如何克服 UAV 能量受限导致的通信速率低和服务覆盖不足的问题？
如何在 UAV 移动和通信过程中，利用**同时无线信息与能量传输（SWIPT）**技术，最大化 UAV 的能量获取，从而优化其飞行时间并服务更多用户？
如何建立数学模型，在满足能量约束的前提下，最小化 UAV 完成整个任务（收集数据、飞行、发送数据）的总时间？

2. 方法论 (Methodology)

本文提出了一个基于 UAV 的 DRN 系统模型，并对比了两种场景：

场景 A（传统方法）： UAV 仅作为数据中继，不利用能量收集技术。受限于初始电池电量，服务用户数量有限，通信速率较低。
场景 B（ proposed 方法）： UAV 利用SWIPT 技术，在与 NET1 用户进行上行通信的同时，从接收到的射频（RF）信号中收集能量为自身电池充电。

关键技术细节：

系统模型：
- UAV 在 NET1（受灾区）与蜂窝用户建立上行链路（G2A），收集数据并收集能量。
- UAV 随后飞往 NET2（救援区），与基站建立下行链路（A2G）发送数据。
- 用户分布遵循均匀泊松点过程（PPP）。
- 信道模型包含视距（LOS）和非视距（NLOS）分量。
SWIPT 接收架构选择：
- 论文比较了分离接收（SR）、时间切换（TS）、功率分割（PS）和天线切换（AS）四种架构。
- 选择功率分割（PS）架构：将接收信号按功率分割比 $\theta$ 分为两部分，一部分用于信息解码（ID），另一部分用于能量收集（EH）。理论分析表明 PS 架构能在能量收集和信息速率之间取得最佳平衡。
能量与时间模型：
- 能耗模型： 考虑了 UAV 悬停通信能耗、移动能耗（与速度相关）以及飞行能耗。
- 能量收集模型： 基于 PS 架构，计算从 $k$ 个用户接收到的能量 $E_{EH}$ 和用于信息解码的能量。
- 电池状态更新： 每个周期后，UAV 的电池能量 = 初始能量 + 收集能量 $\times$ 电池效率 - 消耗能量。
优化问题构建：
- 目标函数： 最小化 UAV 完成任务的总时间 $T_{total}$ （包括通信时间、飞行时间）。
- 变量： 电池效率系数 $\eta_{Bat}$ 和功率分割系数 $\eta_{PS}$ 。
- 约束条件：
  - 能量约束：UAV 必须拥有足够的能量完成从 NET1 到 NET2 的飞行及数据传输（ $E_{C}^{+} \ge E_{th}^{EH}$ ）。
  - 物理约束：效率系数必须在 [0, 1] 之间。
- 求解方法： 将最小化时间问题转化为最大化信噪比（SNR）之和的问题，利用拉格朗日乘数法（Lagrange Multipliers）和 KKT 条件求解最优参数。

3. 主要贡献 (Key Contributions)

提出了基于 SWIPT 的 UAV 中继架构： 首次在该特定场景下（UAV 在移动中继过程中同时充电和通信）将 SWIPT 技术应用于灾难响应网络，解决了传统 UAV 能量受限的瓶颈。
构建了联合优化模型： 建立了包含上行/下行通信速率、能量消耗、飞行时间和能量收集的综合数学模型，并推导了最小化飞行时间的优化问题。
理论推导与最优解： 通过数学推导，得出了最优的功率分割系数（ $\eta_{PS}$ ）和电池效率参数（ $\eta_{Bat}$ ）的闭式解，证明了所提策略在理论上能达到最优性能。
场景对比分析： 通过对比传统场景（无 EH）和 SWIPT 场景（有 EH），量化了能量收集技术对网络性能的提升。
仿真验证： 通过大量仿真实验，验证了理论模型的正确性，并分析了用户密度、发射功率、UAV 高度等参数对系统性能的影响。

4. 仿真结果与发现 (Results)

仿真结果（基于 MATLAB 等工具）展示了以下关键发现：

理论一致性： 仿真结果与理论推导高度吻合，验证了数学模型的有效性。
服务用户数量提升： 在场景 B（SWIPT）中，随着上行用户发射功率的增加，UAV 能够收集更多能量，从而服务更多的用户。相比之下，场景 A 受限于初始电量，服务用户数有严格上限。
飞行时间优化：
- 随着用户发射功率增加，通信速率提高，UAV 收集数据的时间缩短，总任务时间减少。
- 随着用户密度增加，总飞行时间呈现先降后升的趋势。在低密度时，收集能量不足以显著减少飞行时间；但在高密度下，收集的能量大幅增加，使得 UAV 能更高效地完成任务。
高度与功率的权衡： UAV 的飞行高度与用户发射功率存在负相关。用户功率越低，UAV 需要飞得更低以维持通信质量；反之，高功率允许 UAV 在更高高度飞行，扩大覆盖范围。
能量阈值影响： 数据收集阈值（ $D_{th}$ ）越高，UAV 消耗的总能量和总时间均增加。

5. 意义与展望 (Significance & Future Work)

意义：

提升灾难响应效率： 该方案显著延长了 UAV 在灾难现场的作业时间，使其能够服务更多受灾用户，提高了通信网络的覆盖率和容量。
能源自给自足： 通过利用用户信号进行能量收集，减少了对地面充电设施的依赖，增强了 UAV 在极端环境下的独立生存能力。
理论指导实践： 为未来设计能量高效的 UAV 中继网络提供了数学模型和优化策略。

未来工作展望：

MIMO 与波束成形： 结合多输入多输出（MIMO）系统和波束成形技术，利用多架 UAV 协同工作，进一步提升网络容量。
机器学习应用： 利用机器学习算法优化 UAV 的路径规划、资源分配，并在网络延迟、能量效率和数据安全之间寻找最佳平衡点。
多用户协同： 研究更复杂的多用户干扰场景下的能量收集策略。

总结：
本文提出了一种创新的 UAV 辅助灾难响应网络架构，通过引入 SWIPT 技术，成功解决了 UAV 能量受限的关键问题。研究不仅从理论上证明了该方案的优越性，还通过仿真展示了其在增加服务用户数、优化飞行时间方面的显著效果，为未来智能灾难救援通信网络的设计提供了重要的技术参考。