AI-ENABLED WIRELESS POWER TRANSFER ARCHITECTURES FOR SUSTAINABLE IoT ECOSYSTEMS
Lucky Joseph Ogbogbo · Osaremwinda OMOROGIUWA
提出AI驱动的无线供电三层架构，优化大规模IoT设备能量传输与分配。
强化学习功率分配、自适应整流天线阵列与云原生编排平台仿真验证。
能量传输效率达78.4%，浪费减少62%，设备寿命延长4.7倍。
可将该WPT架构落地农田传感器网络，研究作物环境下的能量预测与波束自适应优化。
论文提出AI驱动的无线能量传输三层架构，在智慧农业等场景验证能效提升34%、设备寿命延长4.7倍，对农业物联网可持续供电有参考价值，但属仿真与原型验证阶段，产业落地尚早。
摘要 物联网（IoT）设备在智慧城市、工业自动化和医疗健康监测中的激增，催生了对可持续能源解决方案前所未有的需求。传统的电池供电物联网部署面临诸多重大挑战，包括运行寿命有限、电池处置带来的环境危害，以及人工更换电池所产生的高昂维护成本。本研究提出了一种新颖的人工智能赋能无线能量传输（WPT）架构，利用机器学习算法优化能量传输、预测设备能量需求，并在大规模物联网生态系统中自主管理功率分配。我们提出了一种三层架构，包括：（1）具有自适应整流天线阵列的智能射频能量收集层；（2）基于强化学习的功率分配引擎；（3）云原生能量编排平台。通过在三种不同物联网场景——智慧农业、工业资产监测和可穿戴健康网络——中进行大量仿真和原型验证，我们证明所提出的系统实现了78.4%的能量传输效率（较传统定向WPT提升34%），将网络能量浪费降低了62%，并将设备运行寿命较依赖电池的同类设备延长了4.7倍。我们的研究结果表明，对WPT参数（包括波束成形角度、发射功率和占空比）进行人工智能驱动的动态优化，能够实现此前不可行的大规模、可持续物联网部署。本研究为智能能量收集网络这一新兴领域作出了贡献，并为下一代绿色物联网基础设施提供了可复制的框架。关键词：无线能量传输，物联网，机器学习，能量收集，可持续计算，强化学习，智慧城市，绿色通信。参考文献 Bi, S., Zeng, Y., & Zhang, R. (2019). Wireless powered communication networks: Techniques, applications, and future directions. IEEE Communications Surveys & Tutorials, 21(2), 1324–1353. https://doi.org/10.1109/COMST.2018.2881084 Gartner. (2023). Forecast: Internet of Things—Endpoints and associated services, worldwide, 2023. Gartner Research. Kim, S., Park, J., & Lee, K. (2023). AI-driven optimization of RF energy harvesting for IoT devices using deep reinforcement learning. IEEE Internet of Things Journal, 10(4), 3124–3138. https://doi.org/10.1109/JIOT.2023