Tổng quan luận án

Sự gia tăng của các thiết bị thông minh kết nối mạng trong bối cảnh Internet vạn vật (IoT) đặt ra thách thức lớn về quản lý tài nguyên phổ tần vô tuyến và mức tiêu thụ năng lượng. Đến năm 2021, số lượng thiết bị kết nối toàn cầu ước tính đạt 28 tỷ thiết bị, thực hiện các nhiệm vụ từ tự động hóa công nghiệp, nhà thông minh, phương tiện kết nối đến giám sát môi trường và cảnh báo thiên tai. Nguồn năng lượng chủ yếu cho các thiết bị này là pin; tuy nhiên, việc thay thế hoặc sạc pin định kỳ gặp nhiều rào cản kỹ thuật và kinh tế khi thiết bị được triển khai tại các vị trí khó tiếp cận như dưới lòng đất, trong đường hầm, môi trường độc hại, khu vực thảm họa hoặc cấy ghép trong cơ thể người. Các công nghệ thu nhận năng lượng tự nhiên (mặt trời, gió, nhiệt điện, cơ điện) phụ thuộc nhiều vào môi trường và có tính bất định cao. Công nghệ thu nhận năng lượng sóng vô tuyến (RF energy harvesting - RF-EH) trong mạng truyền thông cấp nguồn không dây (Wireless Powered Communication Network - WPCN) cho phép các thiết bị thu năng lượng từ tín hiệu RF để duy trì hoạt động mà không cần thay pin thường xuyên.

Khoảng trống nghiên cứu được luận án chỉ ra là: các nghiên cứu trước đây về WPCN chủ yếu tập trung vào mô hình truyền năng lượng không dây (Wireless Energy Transfer - WET) ở đường xuống và truyền thông tin không dây (Wireless Information Transfer - WIT) ở đường lên, đồng thời phần lớn giả định mô hình thu năng lượng tuyến tính lý tưởng. Trên thực tế, mạch thu năng lượng RF có đặc tính phi tuyến và hiện tượng bão hòa công suất; bên cạnh đó, kịch bản một nút mạng trung gian (như điểm truy cập - AP hoặc nút chuyển tiếp - Relay) bị giới hạn năng lượng phải thu năng lượng từ trạm phát năng lượng (Power Beacon - PB) để phục vụ truyền dữ liệu đường xuống tới nhiều thiết bị IoT bằng các kỹ thuật đa truy nhập phân chia theo thời gian (TDMA) và phân chia theo tần số trực giao (OFDMA) chưa được giải quyết thấu đáo.

Luận án xác định 3 mục tiêu nghiên cứu cụ thể gắn với 3 bài toán tối ưu hóa tài nguyên:

  1. Tối đa hóa tổng tốc độ truyền (Sum Rate - SR) của mạng WPCN đa người dùng hỗ trợ TDMA và OFDMA có xét đến mô hình thu năng lượng phi tuyến tính thực tế tại AP, thông qua việc tối ưu hóa đồng thời thời gian thu nhận năng lượng và phân bổ công suất phát.
  2. Tối đa hóa hiệu quả năng lượng (Energy Efficiency - EE) của mạng WPCN hỗ trợ OFDMA bằng cách tối ưu hóa đồng thời khoảng thời gian thu nhận năng lượng, phân bổ sóng mang con và công suất phát.
  3. Tối đa hóa thông lượng tổng đầu cuối (End-to-End Sum Throughput) của mạng truyền thông cấp nguồn không dây có trạm chuyển tiếp khuếch đại và chuyển tiếp (Amplify-and-Forward Relay - AF) sử dụng bộ thu năng lượng phi tuyến tính.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các giải pháp, thuật toán tối ưu hóa phân bổ tài nguyên vô tuyến (thời gian, công suất phát, sóng mang con) trong mạng IoT cấp nguồn không dây (WPCN).
  • Phạm vi không gian: Mô hình mạng bao gồm một trạm phát năng lượng (PB hoặc PS), một điểm truy cập (AP) hoặc trạm gốc (BS) trang bị $N_T$ ăng-ten, và $K$ thiết bị IoT người dùng đơn ăng-ten phân bố trong không gian tọa độ hai chiều $[-50\text{ m}, 50\text{ m}] \times [-50\text{ m}, 50\text{ m}]$ với khoảng cách giữa PB và AP được thiết lập $d_x = 10\text{ m}$.
  • Phạm vi thời gian: Khung truyền dẫn có độ dài chuẩn hóa $T_{max} = 1$, được chia thành pha WET (thời lượng $\tau_0$) và pha WIT (thời lượng $1 - \tau_0$).

Tổng quan tài liệu và vị trí của luận án

Luận án hệ thống hóa các hướng nghiên cứu nền tảng về truyền công suất không dây qua sóng vô tuyến (RF-WPT) với hai nhánh chính:

  • Truyền thông tin và năng lượng đồng thời (Simultaneous Wireless Information and Power Transfer - SWIPT): Được nghiên cứu trong các công trình của Zhang và Ho [18], Zhou và cộng sự [19], [20], Liu và cộng sự [21], Bi và cộng sự [25], Clerckx và cộng sự [27]. Trong SWIPT, một điểm truy cập lai (HAP) truyền đồng thời cả năng lượng và thông tin đến người nhận sử dụng các giao thức chuyển mạch thời gian (Time Switching - TS) hoặc phân chia công suất (Power Splitting - PS).
  • Mạng truyền thông cấp nguồn không dây (WPCN): Được nghiên cứu bởi Ju và Zhang [2], [22], [23], Bi và cộng sự [24], Ng và cộng sự [26], [28], Kim và cộng sự [29]. Trong WPCN, việc truyền năng lượng và truyền thông tin diễn ra tách biệt theo giao thức "thu năng lượng rồi truyền tin" (harvest-then-transmit). Ju và Zhang [2] đề xuất giải pháp tối ưu toàn cục kết hợp định hình búp sóng năng lượng đường xuống và phân bổ thời gian đường lên. Ju và Zhang [22] tối ưu hóa thời lượng WET đường xuống và WIT đường lên sử dụng TDMA. Trong [23], bài toán tối đa hóa tổng tốc độ truyền cho mạng WPCN vô tuyến nhận thức được nghiên cứu qua kiểm soát công suất đường xuống và thời gian đường lên. Ng và cộng sự [26] phát triển thuật toán lặp tối ưu hóa phân bổ sóng mang con và công suất cho mạng WPCN OFDMA song công toàn phần. Bi và cộng sự [24] nghiên cứu xác suất phủ sóng trong mạng WPCN sử dụng trạm phát năng lượng chuyên dụng (PB).
  • Mô hình thu nhận năng lượng phi tuyến tính: Boshkovska và cộng sự [31], [33] đã chỉ ra rằng mạch chỉnh lưu RF thực tế có đặc tính phi tuyến và hiện tượng bão hòa công suất thu, khác biệt hoàn toàn so với mô hình tuyến tính lý tưởng.

Vị trí và khoảng trống luận án lựa chọn giải quyết: Hầu hết các công trình WPCN trước đây tập trung vào việc HAP truyền năng lượng đường xuống và thu thập dữ liệu đường lên từ người dùng. Luận án này giải quyết kịch bản nút phát thông tin (AP hoặc Relay) là thiết bị giới hạn năng lượng, tự thu năng lượng RF từ trạm phát chuyên dụng (PB/PS) ở đường xuống rồi sau đó cấp phát công suất và thời gian để truyền dữ liệu đường xuống tới các nút IoT. Luận án kết hợp mô hình thu năng lượng phi tuyến tính thực tế với các bài toán tối ưu hóa phi lồi phức tạp và quy hoạch nguyên phi tuyến (MINP/MINLP) trong cả hai phương thức đa truy nhập TDMA và OFDMA.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án áp dụng các cơ sở lý thuyết, mô hình toán học và phương pháp tối ưu hóa sau:

  • Khung truyền dẫn và giao thức Harvest-then-Transmit: Khung truyền dẫn chuẩn hóa $T_{max} = 1$. Trong khoảng thời gian $\tau_0 \in (0,1)$, AP thu năng lượng từ tín hiệu RF của PB. Tổng công suất thu tại AP trang bị $N_T$ ăng-ten là $P_{Ein} = P_B |h_p|^2$, với $P_B$ là công suất phát của PB và $h_p \in \mathbb{C}^{N_T \times 1}$ là véc-tơ kênh truyền giữa PB và AP.
  • Mô hình thu năng lượng:
    • Mô hình tuyến tính: Lượng năng lượng thu được tại AP là $E_{ln} = \eta P_{Ein} \tau_0$, trong đó $\eta \in (0,1]$ là hiệu suất chuyển đổi năng lượng.
    • Mô hình phi tuyến tính thực tế: Lượng năng lượng thu được là $E_{nln} = \Psi_{nln} \tau_0$, với $\Psi_{nln}$ là hàm phi tuyến thể hiện sự bão hòa công suất của mạch thu RF theo mô hình của Boshkovska và cộng sự [31], [33].
  • Kỹ thuật truyền phát và mô hình kênh truyền: Kỹ thuật truyền phát theo tỷ số cực đại (Maximum Ratio Transmission - MRT) được áp dụng tại AP đa ăng-ten để định hình búp sóng tới các thiết bị IoT đơn ăng-ten. Kênh truyền vô tuyến chịu ảnh hưởng của pha-đinh Rayleigh và suy hao đường truyền theo khoảng cách dạng $10^{-3} d^{-\alpha} \chi^2$, với $d$ là khoảng cách truyền, $\alpha = 2.2$ là số mũ suy hao đường truyền, và $\chi^2$ là biến ngẫu nhiên phân bố mũ có kỳ vọng bằng 1.
  • Kỹ thuật tối ưu hóa toán học:
    • Phương pháp phân rã bài toán phi lồi (Nonconvex Decomposition): Đổi biến công suất thành năng lượng $p_k = E_k / \tau_k$, tận dụng tính lồi liên hợp của hàm $x \log_2(1 + y/x)$ để chuyển đổi bài toán TDMA thành các bài toán lồi thành phần.
    • Lý thuyết đối ngẫu Lagrange (Lagrangian Dual Method): Thiết lập hàm đối ngẫu và giải phương trình đạo hàm bậc nhất để tìm biểu thức nghiệm tối ưu dạng đóng (Closed-form solutions) cho phân bổ thời gian $\tau_k^$ và phân bổ năng lượng $E_k^$.
    • Thuật toán tìm kiếm một chiều: Sử dụng thuật toán tìm kiếm nhị phân (Bisection Search) để tìm nhân tử Lagrange $\lambda$ và tham số chặn trên $\theta$; sử dụng thuật toán tìm kiếm tỷ lệ vàng (Golden Section Search) để tối ưu hóa biến thời gian $\tau_0^*$ dựa trên tính chất đơn đỉnh (unimodal) và lõm của hàm mục tiêu.
    • Phương pháp Dinkelbach: Áp dụng cho bài toán tối đa hóa hiệu quả năng lượng (EE) có hàm mục tiêu dạng phân thức phi tuyến, chuyển đổi bài toán phân thức thành chuỗi các bài toán trừ tham số với nghiệm đóng ở từng vòng lặp.
    • Quy hoạch tựa lồi (Quasi-convex Programming): Áp dụng Bổ đề 1 về hàm tựa lồi/tựa lõm dạng phân thức $g(x)/(ax+b)$ để chuyển đổi bài toán MINP của mạng OFDMA thành bài toán giải được qua tham số chặn trên $\theta$.

Nội dung chính theo từng chương

Chương 1: Introduction

Chương này trình bày tổng quan bối cảnh phát triển của mạng IoT và sự gia tăng nhu cầu sử dụng năng lượng cũng như phổ tần. Tác giả phân tích các hạn chế của nguồn pin và năng lượng tự nhiên trong các môi trường khắc nghiệt, giới thiệu công nghệ thu nhận năng lượng sóng vô tuyến RF-EH và mạng WPCN. Chương 1 tóm tắt 3 đóng góp chính của luận án tương ứng với 3 công trình đã công bố [6], [7], [8], đồng thời phác thảo cấu trúc tổng thể của toàn bộ luận án.

Chương 2: Sum Rate Maximization for Multi-user Wireless Powered IoT Network with Non-linear Energy Harvester: Time and Power Allocation

Chương 2 tập trung giải quyết bài toán tối đa hóa tổng tốc độ truyền (SR) cho mạng WPCN đa người dùng gồm một PB, một AP đa ăng-ten ($N_T$) và $K$ thiết bị IoT đơn ăng-ten. Tác giả xây dựng hai bài toán tối ưu hóa tương ứng với hai kỹ thuật đa truy nhập:

  • Bài toán TDMA-enabled WPCN (P1): Tối ưu hóa đồng thời biến thời gian thu năng lượng $\tau_0$, thời gian truyền tin cho từng người dùng $\tau_k$, và công suất phát $p_k$. Bài toán gốc là phi lồi do ràng buộc năng lượng $\sum_{k=1}^K \tau_k p_k \le E(\tau_0)$ có sự ràng buộc chặt giữa $\tau_k$ và $p_k$. Bằng cách đặt $p_k = E_k / \tau_k$, bài toán được phân rã thành:
    1. Tối ưu hóa $\tau_k$ với $E_k$ và $\tau_0$ cố định: Mệnh đề 1 chứng minh nghiệm thời gian tối ưu có dạng giải tích $\tau_k^* = (1 - \tau_0) \frac{E_k \gamma_k}{\sum_{i=1}^K E_i \gamma_i}$.
    2. Tối ưu hóa phân bổ năng lượng $E_k$ với $\tau_0 = \tau$ cố định: Mệnh đề 2 chứng minh nghiệm năng lượng tối ưu đạt được qua công thức $E_k^* = (1 - \tau) \left[ \frac{B}{\lambda \ln 2} - \frac{\Omega}{\gamma_k} \right]^+$, trong đó nhân tử Lagrange $\lambda$ được tìm bằng thuật toán tìm kiếm nhị phân với độ phức tạp $\mathcal{O}(\log_2(\epsilon^{-1}))$.
    3. Tối ưu hóa $\tau_0^*$: Do hàm mục tiêu $A(\tau_0)$ là hàm lõm theo $\tau_0$, tác giả sử dụng thuật toán tìm kiếm tỷ lệ vàng (Algorithm 1) để tìm nghiệm tối ưu toàn cục. Độ phức tạp tổng thể của thuật toán là $\mathcal{O}(\log_2(\epsilon_1^{-1}) \log_2(\epsilon_2^{-1}))$.
  • Bài toán OFDMA-enabled WPCN (P2): Tối ưu hóa đồng thời thời gian $\tau_0$, biến nhị phân gán sóng mang con $x_{k,n} \in {0, 1}$, và công suất phát $p_{k,n}$ trên $N$ sóng mang con. Do có biến nhị phân, đây là bài toán quy hoạch nguyên phi lồi (MINP). Tác giả thiết lập nghiệm tối ưu $\tau_0 = \frac{\sum_{k=1}^K \sum_{n=1}^N x_{k,n} p_{k,n}}{\sum_{k=1}^K \sum_{n=1}^N x_{k,n} p_{k,n} + E}$, chuyển đổi bài toán sang dạng tựa lồi với tham số chặn trên $\theta$. Thuật toán 2 giải bài toán qua:
    1. Nghiệm công suất tối ưu trên từng sóng mang con: $p_{k,n}^* = \left[ \frac{B E}{N \theta \ln 2} - \frac{1}{u_{k,n}} \right]^+$.
    2. Phân bổ sóng mang con tối ưu: $x_{k^, n}^ = 1$ cho người dùng $k^* = \arg\min_k Q_{k,n}(\theta)$, và bằng 0 cho các người dùng khác.
    3. Tìm kiếm nhị phân tham số $\theta$ với cận trên $\bar{\theta} = \frac{B K}{N} \log_2(1 + E \max u_{k,n})$. Độ phức tạp tính toán của thuật toán OFDMA là $\mathcal{O}(\log_2(\epsilon^{-1})(N + NK))$.

Các tham số mô phỏng được tác giả thiết lập trong Bảng 2.1:

Tham số mô phỏng Giá trị
Băng thông hệ thống ($B$) $180\text{ kHz}$
Số lượng sóng mang con ($N$) $12$
Mật độ phổ công suất tạp âm ($\sigma^2$) $-117\text{ dBm/Hz}$
Hiệu suất chuyển đổi năng lượng ($\eta$) $0.5$ (khảo sát từ $0.1$ đến $0.9$)
Số mũ suy hao đường truyền ($\alpha$) $2.2$
Vị trí trạm phát năng lượng (PB) ${0\text{m}, 0\text{m}}$
Vị trí điểm truy cập (AP) ${0\text{m}, 10\text{m}}$
Vùng phân bố của người dùng IoT $[-50\text{m}, 50\text{m}] \times [-50\text{m}, 50\text{m}]$
Số ăng-ten tại AP ($N_T$) $2$ và $4$
Số lượng thiết bị IoT ($K$) $5$ (khảo sát từ $2$ đến $10$)
Công suất phát của PB ($P_B$) $30\text{ dBm}$ và $40\text{ dBm}$

Kết quả mô phỏng số của Chương 2 cho thấy:

  • Tốc độ hội tụ: Thuật toán đề xuất cho TDMA hội tụ sau khoảng 3 vòng lặp, trong khi thuật toán cho OFDMA cần khoảng 10 vòng lặp do tính bất định của biến nhị phân gán sóng mang con.
  • So sánh hiệu năng: Thuật toán tối ưu đề xuất đạt tổng tốc độ truyền cao hơn rõ rệt so với thuật toán phân bổ thời gian đồng đều (Equal Time Allocation - ETA) và thuật toán cố định thời gian thu năng lượng (Fixed Energy Harvesting Time - FEHT).
  • Tương quan TDMA và OFDMA: Khi công suất phát của PB ($P_B$) và số lượng ăng-ten của AP ($N_T$) lớn ($N_T = 4, P_B = 40\text{ dBm}$), cơ chế TDMA cho tổng tốc độ truyền vượt trội so với OFDMA. Ngược lại, khi số lượng ăng-ten ít ($N_T = 2$) và công suất phát PB nhỏ, OFDMA đạt hiệu năng tương đương hoặc nhỉnh hơn khi số lượng người dùng tăng từ 2 đến 10.
  • Ảnh hưởng của mô hình phi tuyến: Hiệu năng của hệ thống sử dụng mô hình thu năng lượng phi tuyến tính thấp hơn mô hình tuyến tính và đạt trạng thái bão hòa khi hiệu suất chuyển đổi năng lượng $\eta$ hoặc khoảng cách thay đổi, phản ánh chính xác giới hạn vật lý của mạch thu RF.

Chương 3: Resource Allocation for Energy Efficiency in OFDMA-Enabled WPCN

Chương này nghiên cứu bài toán tối đa hóa hiệu quả năng lượng (EE - tính bằng bits/Joule) trong mạng WPCN hỗ trợ OFDMA. Một thiết bị giới hạn năng lượng thu năng lượng từ nguồn phát năng lượng (Power Source - PS) và phân bổ công suất, sóng mang con để truyền tín hiệu tới nhiều người dùng IoT. Mô hình tiêu thụ công suất bao gồm cả công suất phát RF và công suất tiêu tán tĩnh của mạch phần cứng. Bài toán tối ưu hóa EE được mô hình hóa dưới dạng quy hoạch nguyên phi tuyến (MINLP). Tác giả ứng dụng phương pháp Dinkelbach để biến đổi hàm mục tiêu dạng phân thức thành bài toán trừ tham số khả quy, từ đó xây dựng thuật toán lặp xác định nghiệm tối ưu dạng đóng tại mỗi bước lặp với sự bảo đảm về mặt hội tụ. Kết quả số chỉ ra rằng nguồn phát năng lượng PS cần phát ở mức công suất tối đa cho phép để đạt được hiệu quả năng lượng tối ưu cho toàn hệ thống.

Chương 4: Resource Allocation for AF Relaying Wireless-Powered Networks with Nonlinear Energy Harvester

Chương 4 mở rộng mô hình sang mạng truyền thông cấp nguồn không dây có nút chuyển tiếp (Relay-based WPCN - RWPCN). Nút chuyển tiếp khuếch đại và chuyển tiếp (AF Relay) thu năng lượng từ trạm phát năng lượng theo mô hình phi tuyến tính, sau đó sử dụng năng lượng này để chuyển tiếp tín hiệu từ trạm gốc (BS) tới nhiều người dùng thông qua cơ chế TDMA. Mục tiêu là tối đa hóa thông lượng tổng đầu cuối (End-to-End Sum Throughput). Bài toán tối ưu hóa phi lồi được chuyển đổi về dạng bài toán tính toán khả thi, và một thuật toán lặp tìm nghiệm dạng đóng tại mỗi bước lặp được thiết lập. Kết quả mô phỏng khẳng định tính hội tụ của thuật toán dưới các mức cấu hình số ăng-ten và công suất phát khác nhau, đồng thời chỉ ra trạm gốc BS cần phát ở mức công suất tối đa trong ngân sách cho phép để đạt thông lượng đầu cuối tối đa.

Chương 5: Summary and Conclusions

Chương 5 tóm tắt các kết quả đạt được từ ba công trình nghiên cứu chính trong luận án và chỉ ra các hướng mở rộng nghiên cứu trong tương lai.

Kết quả và những đóng góp mới

Luận án đã đạt được các đóng góp cụ thể về mặt lý luận và thực tiễn kỹ thuật như sau:

  • Về mặt lý luận và thuật toán:
    1. Thiết lập mô hình mạng WPCN mới trong đó AP/Relay thu năng lượng từ PB/PS đường xuống để phục vụ truyền dữ liệu đường xuống tới các thiết bị IoT, kết hợp mô hình thu năng lượng phi tuyến tính thực tế.
    2. Phát triển thuật toán phân rã đối ngẫu Lagrange kết hợp tìm kiếm nhị phân và tìm kiếm tỷ lệ vàng để giải bài toán tối đa hóa tổng tốc độ truyền trong mạng TDMA-WPCN, bảo đảm hội tụ tới điểm tối ưu toàn cục với độ phức tạp tính toán thấp $\mathcal{O}(\log_2(\epsilon_1^{-1}) \log_2(\epsilon_2^{-1}))$.
    3. Phát triển thuật toán dựa trên quy hoạch tựa lồi và tìm kiếm nhị phân để giải bài toán quy hoạch nguyên phi tuyến (MINP) trong mạng OFDMA-WPCN, tìm ra nghiệm dạng đóng cho phân bổ công suất và quy tắc gán sóng mang con giải tích.
    4. Ứng dụng thành công phương pháp Dinkelbach để giải bài toán tối đa hóa hiệu quả năng lượng (EE) trong mạng OFDMA-WPCN, đưa ra các nghiệm dạng đóng ở từng bước lặp.
    5. Xây dựng giải pháp tối ưu hóa đồng thời công suất và phân chia thời gian cho mạng chuyển tiếp AF với bộ thu năng lượng phi tuyến nhằm tối đa hóa thông lượng tổng đầu cuối.
  • Về mặt thực tiễn và giải pháp kỹ thuật:
    1. Chứng minh rằng trong mạng WPCN, phương thức TDMA đạt hiệu năng tổng tốc độ truyền cao hơn OFDMA khi trạm phát có công suất lớn và AP trang bị nhiều ăng-ten; trong khi OFDMA là lựa chọn thích hợp khi số lượng ăng-ten tại AP và công suất phát của PB bị hạn chế.
    2. Rút ra kết luận kỹ thuật thực tiễn: nguồn phát năng lượng (PB, PS, BS) cần phát ở mức công suất tối đa trong ngân sách cho phép để đạt được hiệu quả năng lượng và thông lượng tổng đầu cuối tối ưu.
    3. Làm rõ sự suy giảm hiệu năng do hiệu ứng bão hòa của mạch thu RF phi tuyến tính so với mô hình tuyến tính lý thuyết, cung cấp cơ sở cho việc thiết kế hệ thống phần cứng IoT thực tế.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung và phạm vi nghiên cứu được tác giả trình bày, các hạn chế và hướng nghiên cứu tiếp theo bao gồm:

  • Hạn chế:
    • Luận án giả định thông tin trạng thái kênh truyền (Channel State Information - CSI) là hoàn hảo tại AP và tất cả các nút người dùng. Trong thực tế triển khai, việc ước lượng kênh truyền đối với các thiết bị IoT năng lượng thấp có thể phát sinh sai số hoặc chỉ thu thập được CSI thống kê.
    • Mô hình mạng tập trung vào cấu trúc gồm một trạm phát năng lượng, một AP/Relay và các nút người dùng phân bố ngẫu nhiên trong không gian hai chiều, chưa xét đến hiện tượng can nhiễu đồng kênh giữa nhiều trạm phát hoặc mạng đa chặng phức tạp.
  • Hướng nghiên cứu tiếp:
    • Mở rộng bài toán phân bổ tài nguyên cho kịch bản thông tin trạng thái kênh truyền không hoàn hảo (imperfect CSI) hoặc kênh truyền ước lượng trễ.
    • Nghiên cứu cơ chế tối ưu hóa tài nguyên cho mạng WPCN quy mô lớn với sự phối hợp của nhiều trạm phát năng lượng và nhiều điểm truy cập phân tán.
    • Tích hợp các công nghệ vô tuyến mới như bề mặt phản xạ thông minh (Reconfigurable Intelligent Surfaces - RIS) hoặc ăng-ten quy mô lớn (Massive MIMO) để tăng cường hiệu quả truyền năng lượng và truyền dữ liệu.

Giá trị tham khảo

Luận án có giá trị tham khảo chuyên môn cho các đối tượng và mục đích sau:

  • Nghiên cứu sinh, học viên cao học và giảng viên chuyên ngành Kỹ thuật Điện tử, Kỹ thuật Viễn thông: Có thể tham khảo phương pháp luận phân rã bài toán tối ưu phi lồi, kỹ thuật chuyển đổi bài toán quy hoạch nguyên phi tuyến (MINP/MINLP), phương pháp Dinkelbach và các chứng minh giải tích trong Chương 2, Chương 3 và Chương 4.
  • Kỹ sư thiết kế hệ thống IoT công nghiệp và mạng cảm biến không dây (WSN): Sử dụng các kết quả so sánh giữa mô hình thu năng lượng tuyến tính và phi tuyến tính, cùng các quy tắc lựa chọn phương thức đa truy nhập (TDMA so với OFDMA) dựa trên số lượng ăng-ten và mức công suất phát của trạm năng lượng.
  • Các nhà nghiên cứu về tối ưu hóa tài nguyên vô tuyến: Kế thừa thuật toán lặp có độ phức tạp thấp và các công thức phân bổ công suất, sóng mang con dạng đóng để áp dụng cho các mô hình mạng truyền thông không dây xanh khác.

Câu hỏi thường gặp

  1. Sự khác biệt cốt lõi giữa mô hình thu năng lượng tuyến tính và phi tuyến tính trong luận án là gì? Trong mô hình tuyến tính, lượng năng lượng thu được tỷ lệ thuận tuyệt đối với công suất thu và thời gian ($E_{ln} = \eta P_{Ein} \tau_0$). Trong mô hình phi tuyến tính thực tế ($E_{nln} = \Psi_{nln} \tau_0$), hàm thu năng lượng có tính chất phi tuyến và xuất hiện hiện tượng bão hòa công suất do giới hạn vật lý của các linh kiện mạch chỉnh lưu RF, khiến năng lượng thu được không tăng vô hạn khi công suất đầu vào tăng cao.

  2. Thuật toán giải bài toán tối đa hóa tổng tốc độ truyền cho mạng TDMA trong Chương 2 gồm những bước nào? Thuật toán (Algorithm 1) thực hiện 3 bước chính:

  • Bước 1: Với $E_k$ và $\tau_0$ cho trước, xác định thời gian truyền tin tối ưu $\tau_k^*$ theo biểu thức giải tích đóng (Mệnh đề 1).
  • Bước 2: Với $\tau_0$ cố định, xác định năng lượng tối ưu $E_k^*$ theo Mệnh đề 2 thông qua tìm kiếm nhị phân nhân tử Lagrange $\lambda$.
  • Bước 3: Tìm thời gian thu năng lượng tối ưu $\tau_0^*$ bằng thuật toán tìm kiếm tỷ lệ vàng (Golden Section Search) dựa trên tính chất lõm của hàm mục tiêu.

  1. Khi nào phương thức TDMA cho hiệu năng tốt hơn OFDMA trong mạng WPCN được khảo sát? Kết quả mô phỏng tại Chương 2 chỉ ra rằng TDMA vượt trội hơn OFDMA khi công suất phát của trạm năng lượng ($P_B$) và số lượng ăng-ten tại AP ($N_T$) tương đối lớn (ví dụ $N_T = 4$ và $P_B = 40\text{ dBm}$). Khi số ăng-ten ít ($N_T = 2$) và công suất phát nhỏ ($P_B = 30\text{ dBm}$), OFDMA đạt hiệu năng tương đương hoặc tốt hơn khi số lượng thiết bị người dùng tăng.

  2. Phương pháp nào được sử dụng để giải bài toán tối đa hóa hiệu quả năng lượng (EE) trong Chương 3? Tác giả sử dụng phương pháp Dinkelbach để chuyển đổi bài toán tối ưu hóa phân thức phi tuyến (tỷ số giữa tổng tốc độ truyền và tổng công suất tiêu thụ) thành bài toán trừ tham số lặp, từ đó tìm được nghiệm giải tích dạng đóng ở từng bước lặp với tốc độ hội tụ nhanh.

  3. Mức công suất phát của nguồn năng lượng (PB/PS/BS) nên được thiết lập như thế nào để tối ưu hóa hiệu năng hệ thống? Các kết quả phân tích và mô phỏng số trong Chương 3 và Chương 4 đều chỉ ra rằng nguồn phát năng lượng (PS hoặc BS) nên phát ở mức công suất tối đa cho phép trong ngân sách công suất để đạt được hiệu quả năng lượng (EE) và thông lượng tổng đầu cuối tối ưu.

Kết luận

Luận án của nghiên cứu sinh Nguyễn Tiến Tùng đã giải quyết các bài toán phân bổ tài nguyên then chốt trong mạng IoT cấp nguồn không dây (WPCN) đa người dùng, tích hợp mô hình mạch thu năng lượng phi tuyến tính thực tế. Tác giả đã phát triển các thuật toán tối ưu hóa có độ phức tạp thấp với nghiệm dạng đóng cho các bài toán tối đa hóa tổng tốc độ truyền, hiệu quả năng lượng và thông lượng chuyển tiếp đầu cuối trên cả hai nền tảng đa truy nhập TDMA và OFDMA. Các kết quả phân tích lý thuyết và mô phỏng số cung cấp cơ sở khoa học rõ ràng cho việc thiết kế và cấu hình tham số trong các mạng truyền thông IoT tự cấp nguồn.