Integrating energy harvesting within the IoT ecosystem for sustainable wireless communication

Abstract

This dissertation addresses the challenges posed by the energy demands of IoT devices, highlighting the limitations of conventional batteries, which lead to high maintenance costs and environmental concerns. It proposes integrating Energy Harvesting (EH) technologies to extend device lifespan and reduce environmental impact. The research focuses on optimizing the Medium Access Control (MAC) layer to manage energy consumption in Wi-Fi-based IoT systems, particularly in e healthcare environments. A comprehensive framework is developed for assessing energy consumption across various wireless technologies. The study utilizes simulations in a densely deployed solar-powered Wi-Fi network, introducing an optimization algorithm for Access Point coordination and Reinforcement Learning (RL) methods to adapt to network dynamics. The findings demonstrate that fine-tuning MAC layer parameters and implementing a sleep/wake-up strategy significantly reduce energy consumption while maintaining Quality of Service (QoS). The work provides valuable insights for enhancing energy efficiency in IoT systems through EH technologies.

Esta disertación aborda los desafíos planteados por las demandas energéticas de los dispositivos IoT, destacando las limitaciones de las baterías convencionales, que conllevan altos costos de mantenimiento y preocupaciones ambientales. Propone integrar tecnologías de Captación de Energía (EH) para extender la vida útil de los dispositivos y reducir el impacto ambiental. La investigación se centra en optimizar la capa de Control de Acceso al Medio (MAC) para gestionar el consumo de energía en sistemas IoT basados en Wi-Fi, especialmente en entornos de e-salud. Se desarrolla un marco integral para evaluar el consumo de energía a través de diversas tecnologías inalámbricas. El estudio utiliza simulaciones en una red Wi-Fi con alimentación solar densamente desplegada, introduciendo un algoritmo de optimización para la coordinación de los Puntos de Acceso y métodos de Aprendizaje por Refuerzo (RL) para adaptarse a la dinámica de la red. Los resultados demuestran que ajustar los parámetros de la capa MAC e implementar una estrategia de sueño/activación reduce significativamente el consumo de energía mientras se mantiene la Calidad de Servicio (QoS). El trabajo ofrece valiosas perspectivas para mejorar la eficiencia energética en sistemas IoT mediante tecnologías EH.

Aquesta dissertació aborda els desafiaments plantejats per les demandes energètiques dels dispositius IoT, destacant les limitacions de les bateries convencionals, que comporten alts costos de manteniment i preocupacions mediambientals. Proposa integrar tecnologies de Captació d'Energia (EH) per a allargar la vida útil dels dispositius i reduir l'impacte ambiental. La recerca se centra a optimitzar la capa de Control d'Accés al Medi (MAC) per a gestionar el consum d'energia en sistemes IoT basats en Wi-Fi, especialment en entorns de salut electrònica. Es desenvolupa un marc integral per a avaluar el consum d'energia a través de diverses tecnologies sense fils. L'estudi utilitza simulacions en una xarxa Wi-Fi alimentada amb energia solar densament desplegada, introduint un algorisme d'optimització per a la coordinació dels Punts d'Accés i mètodes d'Aprenentatge per Reforç (RL) per a adaptar-se a la dinàmica de la xarxa. Els resultats demostren que ajustar els paràmetres de la capa MAC i implementar una estratègia de son/despertar redueix significativament el consum d'energia mentre es manté la Qualitat del Servei (QoS). El treball ofereix valuoses perspectives per a millorar l'eficiència energètica en sistemes IoT mitjançant tecnologies EH.