Skip to main content
QUICK REVIEW

[논문 리뷰] Performance Analysis of Near-Optimal Energy Buffer Aided Wireless Powered Communication

Rania Morsi, Diomidis S. Michalopoulos|arXiv (Cornell University)|2017. 03. 07.
Energy Harvesting in Wireless Networks참고 문헌 19인용 수 4
한 줄 요약

이 논문은 무선 전력 공급 통신 시스템에서 에너지 수확(EH) 노드를 위한 저복잡도 온라인 전송 정책 두 가지—최선의 노력(best-effort) 및 온오프(on-off)—을 제안하고 분석한다. 이는 이산 시간 연속 상태 마르코프 체인을 사용하여 나카가미-m fading 채널에서 에너지 버퍼 분포와 장애 확률의 점근적 특성을 유도하며, 채널 또는 에너지 프로파일에 대한 사전 지식이 없음에도 불구하고 최선의 노력 정책이 저수준에서 중간 수준의 장애 수준에서 온오프 정책을 능가하고 거의 최적의 성능을 달성함을 보여준다.

ABSTRACT

In this paper, we consider a wireless powered communication system, where an energy harvesting (EH) node harvests energy from a radio frequency (RF) signal broadcasted by an access point (AP) in the downlink (DL). The node stores the harvested energy in an energy buffer and uses the stored energy to transmit data to the AP in the uplink (UL). We investigate two simple online transmission policies for the EH node, namely a best-effort policy and an on-off policy, which do not require knowledge of the EH profile nor channel knowledge. In particular, for both policies, the EH node transmits in each time slot with a constant desired power if sufficient energy is available in its energy buffer. Otherwise, the node transmits with the maximum possible power in the best-effort policy and remains silent in the on-off policy. For both policies, we use the theory of discrete-time continuous-state Markov chains to analyze the limiting distribution of the stored energy for finite- and infinite-size energy buffers. We provide this limiting distribution in closed form for a Nakagami-m fading DL channel and analyze the outage probability for a Nakagami-m fading UL channel. All derived analytical results are not limited to EH via RF WPT but are applicable for any independent and identically distributed EH process, originating from e.g. solar and wind energy. Our results reveal that, for low outage probabilities, the best-effort policy is superior to the on-off policy and the optimal constant UL transmit power of the EH node that minimizes the outage probability is always less than the average harvested power but increases with the capacity of the energy buffer. The opposite behaviour is observed for high outage probabilities. Furthermore, we show that the minimum outage probability of the two proposed policies closely approaches the outage probability of the optimal offline power allocation policy.

연구 동기 및 목표

  • 에너지 수확(EH) 프로파일이나 업링크(UL) 채널 상태 정보(CSI)의 인과적 지식이 없는 저복잡도 온라인 전송 정책을 설계하기 위해.
  • 나카가미-m 페이딩 하에서 에너지 버퍼 분포와 장애 확률 측면에서 이러한 정책의 성능을 분석하기 위해.
  • 장애 성능과 에너지 효율성 측면에서 최선의 노력 정책과 온오프 정책을 비교하기 위해.
  • 제안된 정책가 오프라인 최적 전력 할당과 비교해 거의 최적의 성능을 달성함을 보여주기 위해.
  • 유한 및 무한 크기의 버퍼에 대해 한계 에너지 버퍼 분포와 장애 확률에 대한 폐쇄형 표현식 유도하기 위해.

제안 방법

  • 에너지 버퍼의 안정 상태 에너지 분포를 분석하기 위해 EH 노드의 에너지 버퍼를 이산 시간 연속 상태 마르코프 체인으로 모델링한다.
  • 다운링크 신호로부터의 RF 에너지 수확을 모델링하기 위해 감마 분포를 가진 에너지 수확 과정을 사용한다.
  • 적분 방정식과 볼테라 유형의 공식을 적용하여 버퍼 에너지의 확률 밀도 함수(pdf)와 최대 용량 도달 시 원자(atomic mass)를 유도한다.
  • 업링크에서 나카가미-m 페이딩을 사용하여 안정 상태 에너지 분포를 기반으로 장애 확률을 유도한다.
  • 조각별 pdf의 계수를 결정하기 위해 선형 방정식의 연립계를 푸며, 단위 면적 정규화를 보장한다.
  • 에너지 사용과 신뢰성 측면에서의 상호 보완성을 평가하기 위해 동일한 조건에서 최선의 노력 정책과 온오프 정책의 성능을 비교한다.

실험 결과

연구 질문

  • RQ1에너지 버퍼 제약 조건 하에서 최선의 노력 정책이 온오프 정책에 비해 장애 확률 측면에서 어떻게 비교되는가?
  • RQ2버퍼 크기가 최적 전송 전력과 장애 성능에 어떤 영향을 미치는가?
  • RQ3미래의 에너지 수확이나 채널 상태에 대한 지식이 없음에도 불구하고 저복잡도 온라인 정책이 거의 최적의 성능을 달성할 수 있는가?
  • RQ4나카가미-m 페이딩 하에서 에너지 버퍼의 한계 분포에 대한 폐쇄형 표현식은 무엇인가?
  • RQ5저에너지 상태에서 전송을 일시 중단하는 것이 시스템 신뢰성을 향상시키는 조건은 무엇인가?

주요 결과

  • 저수준에서 중간 수준의 장애 확률 영역에서 최선의 노력 정책이 온오프 정책보다 낮은 장애 확률을 달성한다.
  • 장애를 최소화하는 최적의 일정한 업링크 전송 전력은 항상 평균 수확된 전력보다 낮지만 버퍼 용량이 증가함에 따라 증가한다.
  • 고수준의 장애 확률에서는 온오프 정책이 향후 전송 기회를 위해 에너지를 절약함으로써 최선의 노력 정책을 능가한다.
  • 간단한 구조에도 불구하고 두 정책 모두 거의 최적의 장애 성능을 달성하며, 오프라인 최적 전력 할당이 이룩할 수 있는 이론적 최소 장애 확률에 매우 가까이 접근한다.
  • 나카가미-m 페이딩 하에서 에너지 버퍼의 한계 분포가 폐쇄형으로 유도되었으며, 정확한 성능 분석이 가능해졌다.
  • 해당 분석 프레임워크는 태양광 및 바람 에너지 수확을 포함한 임의의 i.i.d. 에너지 도착 과정에 일반적으로 적용 가능하다.

더 나은 연구,지금 바로 시작하세요

논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.

카드 등록 없음 · 무료 플랜 제공

이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.