⚡ electrical engineering

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

本文提出了一种利用“母”高空中继平台协调无线能量传输的两层 HAPS 架构，通过联合优化节点位置与能量采集因子，并采用 IDFA 算法与 Q 学习验证，显著提升了 6G 网络中能量采集系统的能效与数据速率。

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

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

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

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 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

这篇文章提出了一种非常聪明的“空中互助”方案，旨在解决未来 6G 网络中高空无人机（HAPS）“飞得久、传得远”的难题。

我们可以把这篇论文的核心思想想象成**“空中加油站”与“空中充电宝”的接力赛**。

1. 背景：高空的“续航焦虑”

想象一下，未来的 6G 网络里，有一群巨大的“空中基站”（HAPS），它们像风筝一样漂浮在 20 公里高的平流层，负责给地面的手机提供信号。

痛点：这些“风筝”虽然飞得高，但它们的电池是有限的。如果只靠太阳能，遇到阴天或晚上就“饿肚子”了；如果靠地面充电，一旦地面发生地震或战争，地面基站坏了，它们就彻底断粮，只能被迫降落。
目标：怎么让它们飞得更久，不用频繁降落充电？

2. 核心创意：空中“母子”接力

作者设计了一个**“双层空中架构”，就像是一个“妈妈”带着几个“孩子”**在天上飞：

“妈妈”节点（Mother HAPS）：这是一艘巨大的空中母舰，它带着巨大的太阳能板，能量充足。它的主要任务不是直接给地面打电话，而是充当**“空中能量管理者”**。
“孩子”节点（Regular HAPS）：这些是普通的高空基站，负责给地面用户发信号。它们能量有限，容易“饿”。

创新点来了：以前，大家只想着从地面给空中充电（比如用微波从地面打上去）。但这篇论文提出：“孩子”可以直接从“妈妈”那里“偷”能量！
当“妈妈”向地面发送信号时，信号波在空气中传播。附近的“孩子”节点利用特殊的电路，把空气中飘过的这些无线电波能量“收割”下来，变成电能给自己充电。这就好比**“孩子”在“妈妈”说话时，顺便把声音里的能量收集起来给自己当饭吃**。

3. 两大挑战与解决方案

挑战一：距离太近太近，太远太弱

比喻：如果“孩子”离“妈妈”太远，信号太弱，收不到多少能量；如果离得太近，虽然能量多，但“孩子”离地面用户又太远了，给地面发信号的效果就差了。
数学解法（定理 1 & 2）：作者像是一个精明的**“空中交警”**，通过复杂的数学计算，算出了“孩子”应该站在哪个水平位置。
- 在这个**“黄金位置”**上，“孩子”既能从“妈妈”那里收到足够的能量，又能把信号最好地传给地面。这就像是在操场上，既离讲台（能量源）近，又能让后排同学（地面用户）听清楚。

挑战二：怎么同时调好“位置”和“充电时间”？

比喻：这就像你要同时决定**“站在哪里”（位置）和“花多少时间充电”**（充电时间比例）。这两个因素互相牵制，很难同时达到完美。
智能解法（IDFA 算法 & Q-learning）：
- IDFA（迭代算法）：像是一个**“老练的教练”**，先试着定好位置，再调时间；再定位置，再调时间……一步步逼近最优解。
- Q-learning（强化学习）：像是一个**“聪明的 AI 学徒”**。它通过不断的“试错”和“奖励”（比如：如果数据传得快就奖励，传得慢就惩罚），自己学会在复杂的环境中找到最佳方案。
- 结果：研究发现，这个"AI 学徒”在简单模型下学得特别快，甚至比“老教练”找到的方案还要好一点点。

4. 特殊情况：能量不够怎么办？

比喻：如果“妈妈”给的能量不够“孩子”发信号，怎么办？
策略：作者设计了一个**“精打细算的管家”**。如果“收割”来的能量不够，系统会自动从“孩子”自己的备用电池里借一点点，刚好补足缺口，发完信号就停。这样既保证了通信不中断，又最大程度地省下了“孩子”自己的电池，让它能飞得更久。

5. 总结：这有什么用？

这篇论文告诉我们，未来的空中网络可以**“自给自足”**：

更持久：空中基站之间可以互相“蹭”能量，不再完全依赖地面或太阳，抗灾能力更强。
更智能：通过 AI 算法自动调整位置和充电策略，让数据传输速度更快。
更现实：作者还考虑了现实中电路的非线性问题（就像电池充电不是线性的，充到后面会变慢），让方案更接地气。

一句话总结：
这就好比给未来的天空基站装上了**“无线充电宝”，让它们在空中就能互相“吃”信号能量，再配上"AI 导航”自动找最佳站位，从而让 6G 网络在天上也能“不知疲倦”地飞**，永远在线。

这是一份关于论文《Two-Tier High Altitude Platform Stations (HAPS) for Exploring Wireless Energy Harvesting》（用于探索无线能量收集的双层高空平台站）的详细技术总结。

1. 研究背景与问题 (Problem)

背景： 在第六代（6G）及未来的通信网络中，高空平台站（HAPS）和无人机（UAV）等非地面网络（NTN）对于扩展覆盖范围和增强连接至关重要。然而，这些空中平台的部署受到能源稀缺的严重限制，这直接影响了任务的持续时间和有效性。
现有挑战：
- 传统的能量收集（EH）主要依赖太阳能（受天气和昼夜影响大）或从地面基站收集能量（在自然灾害、战争或视距受阻时不可靠）。
- 现有的研究多集中在利用地面基站为空中平台供电，或者利用可重构智能表面（RIS）辅助，但尚未充分探索空中平台之间相互收集能量的可能性。
- 空中平台之间的无线能量传输面临长距离传播损耗、非线性能量转换效率以及信号衰减等物理挑战。
核心问题： 如何设计一种新的架构，利用空中平台（HAPS）发射的信号为其他邻近的空中平台提供无线能量收集，从而延长飞行时间并提高能源效率？同时，如何优化平台位置和能量收集参数以最大化系统性能（如数据速率）？

2. 方法论 (Methodology)

本文提出了一种双层 HAPS 架构，并建立了相应的传播模型和优化算法：

系统架构：
- 采用双层 HAPS-SMBS（高空超宏基站）系统。
- “母”HAPS-SMBS (Mother Node)： 位于较高高度，作为管理者协调通信，不直接服务地面用户，主要负责向其他节点传输能量和回传数据。
- 常规 HAPS-SMBS (Regular Nodes)： 位于较低高度，作为基站服务地面用户，同时从“母”节点接收无线能量。
- 能量收集机制： 常规节点利用时间切换（Time-Switching, TS）策略，在部分时间块（ $\tau T$ ）内从母节点收集能量，剩余时间（ $(1-\tau)T$ ）用于数据传输。
建模分析：
- 能量收集模型： 同时考虑了线性模型（理想情况）和非线性模型（基于逻辑函数的实际电路特性，考虑了整流电路的饱和效应）。
- 传播模型： 分析了从母节点到常规节点（能量传输链路）以及从常规节点到地面用户（数据传输链路）的路径损耗。推导了接收信噪比（SNR）和数据速率公式。
优化策略：
- 最优位置推导： 针对线性和非线性模型，分别推导了常规 HAPS-SMBS 相对于母节点和地面用户的最优水平距离 ( $d_A$ )，以最小化路径损耗并最大化数据速率。
- 联合优化问题： 构建了一个非凸优化问题，旨在联合优化常规节点的水平位置 ( $d_A$ ) 和 能量收集因子 ( $\tau$ )，以最大化系统数据速率。
- 求解算法：
  1. 迭代距离与能量收集因子算法 (IDFA)： 采用坐标下降法，将问题分解为两个子问题交替求解（固定 $\tau$ 优化 $d_A$ ，反之亦然）。
  2. Q-learning (强化学习)： 为了验证 IDFA 的有效性并处理更复杂的联合优化，设计了基于 Q-learning 的算法，通过智能体与环境交互来寻找最优策略。
- 发射功率优化： 当收集的能量不足以支持传输时，提出了一种策略，即从常规节点的电池库存中补充最小必要的能量，以维持通信并延长飞行寿命。

3. 主要贡献 (Key Contributions)

新范式提出： 首次提出利用空中平台之间的无线信号进行能量收集（RF EH），构建了包含“母”节点和常规节点的双层 HAPS-SMBS 架构，解决了地面能量源不可靠的问题。
传播模型与位置优化： 建立了考虑线性和非线性能量收集特性的传播模型，并推导了最大化数据速率的常规 HAPS-SMBS 最优水平位置解析解（针对线性模型）和近似解（针对非线性模型）。
联合优化算法： 提出了 IDFA 算法解决非凸联合优化问题，并引入 Q-learning 算法进行验证和对比，证明了强化学习在近似最优解方面的有效性，特别是在线性模型中。
能量管理策略： 设计了混合能量供应机制，即在收集能量不足时智能补充电池能量，最小化对机载储备能量的消耗，从而延长飞行任务时间。

4. 实验结果 (Results)

通过数值仿真，论文验证了所提方案的有效性：

数据速率提升：
- 与无能量收集（EH）的系统相比，引入 EH 并优化位置（Theorems 1 & 2）可使数据速率提升 0.8% - 3.6%（线性模型）和 0.25% - 0.4%（非线性模型）。
- 使用 Q-learning 和 IDFA 进行联合优化后，性能进一步提升。在线性模型中，Q-learning 比 IDFA 表现更好，数据速率提升可达 7% - 11%（相比随机选择），且比 IDFA 高出 1.5% - 4%。
- 在非线性模型中，Q-learning 和 IDFA 表现相当，提升幅度约为 0.8% - 1.8%。
非线性影响： 仿真显示，非线性 EH 模型在低发射功率下性能较差，且容易饱和，这反映了实际电路的特性，表明理想线性假设在实际应用中可能过于乐观。
参数敏感性：
- 频率： 频率越高，能量收集量越低（衰减更大）。
- 距离： 母节点与常规节点距离越远，收集能量越少。
- 天线增益： 增加接收天线增益可显著提高能量收集量和数据速率。
- 飞行时间： 飞行时间越长，累积收集的能量越多，有助于延长任务寿命。
功率优化： 提出的功率优化策略成功地在满足最低传输功率要求的同时，最小化了对机载电池能量的消耗。

5. 意义与展望 (Significance)

理论意义： 填补了空中平台之间无线能量收集（Air-to-Air EH）的研究空白，为 6G 非地面网络（NTN）的能源自给自足提供了新的理论框架。
实际应用价值：
- 为 HAPS 和 UAV 提供了在自然灾害、战争或地面设施受损情况下的备用能源方案，提高了网络的鲁棒性。
- 通过优化位置和能量分配，显著延长了空中平台的飞行时间和任务持续时间，降低了运营成本。
- 证明了结合**人工智能（Q-learning）**与通信优化算法在解决复杂非凸问题上的潜力。
未来方向： 论文指出，未来的研究可以结合大规模 MIMO、可重构智能表面（RIS）、自由空间光通信（FSO）以及更先进的机器学习技术，进一步克服非线性损耗和长距离传输限制，实现更高效的空中能量网络。

总结： 该论文通过创新的双层架构和智能优化算法，成功展示了利用空中平台间无线信号进行能量收集的可行性，显著提升了 6G 空中网络的能源效率和通信性能，为未来可持续的空中通信网络奠定了重要基础。