能量收集无线传感器网络综述

能量收集无线传感器网络（EH‐WSNs）：综述

1 引言

无线传感器网络（WSN）由空间分布的、自主的、无线的联网传感设备组成，可用于监测物理空间（Yick等2008；Sharma等2016）。无线传感器网络在多种应用中日益普及，例如环境监测（Khedo等2010；Bhattacharyaet等2012；Postolache等2014；Adamo等2015）、动物追踪（Szewczyk等2004；Pereira等2008；Amundson和Koutsoukos2009；Radoi等2015），用于监测地震、飓风和洪水等灾难（Estrin等2002；Akyildiz等2002；Devasena和Sowmya2015），以及桥梁和建筑物等民用结构的健康监测（Lee等2007；Kim等2007；Hu等2013）。

本文特别关注用于环境监测的无线传感器网络（WSN），包括水质监测、空气质量监测、动植物追踪和灾害监测。这些用于环境监测的无线传感器网络也被称为“野外系统”，通常由分布在环境中的多个传感器节点以及一个用于收集数据以进行存储或将数据传输至远程服务器的本地网关节点组成。在这些系统中，传感器节点是低成本的电池供电设备，能够感知应用所需的特定环境参数，并将采集到的数据传输至本地网关进行处理和存储。因此，一个传感器节点包含传感器、无线收发器、微控制器、内存以及为节点供电的电池。

当使用电池供电时，传感器节点的有限寿命是实施环境监测应用中的无线传感器网络面临的主要挑战之一（Potnuru和Ganti2003；Muthukarpagam等人2010）。在许多此类应用中，难以定期更换节点的电池，因此一旦传感器节点耗尽其电池，该节点即可被视为失效。

多年来，研究人员一直致力于设计节能技术，以最大限度地降低传感器节点在物理层（PHY）、介质访问控制层（MAC）和路由层的能量消耗（Muthukarpagam等人2010；Khajuria和Gupta2015）。然而，即使采用了高度节能的感知和通信协议，一旦有限的电池能量耗尽，传感器节点便无法再参与网络运行（Khajuria和Gupta2015）。

为了解决由电池供电的传感器节点能量供应有限的问题，已开发出支持从周围环境收集能量的新一代无线传感器网络（WSN）平台。这些设备能够捕获原本会以热量、光能、声能、振动或运动形式在环境中耗散掉的少量能量（Shaikh和Zeadally2016a）。通过利用从环境中采集的能量为电池充电，并开发支持所谓“能量中性操作”的能量收集感知协议，理论上无线传感器网络可实现无限寿命。一些研究人员探索了利用太阳、风和水流等自然能源为传感器节点供电的技术（Shaikh和Zeadally2016a），而另一些研究人员则探索了人造能源，如人体行走、磁场、高频振动和射频场（Chandrakasan等人1999）。

从21世纪初开始，一些研究人员在无线传感器网络（WSN）和能量收集无线传感器网络（EH‐WSNs）领域进行了调查，指出了各种能源、储能技术、通信网络操作以及传感器网络适用和可部署的具体实现领域（Paradiso和Starner2005；Gilbert和Balouchi2008；Wan等2011；Sudevalayam和Kulkarni2011；Ku等2016）。该领域开展的其他调查还研究了能量收集传感器节点架构，以及通过能量收集为传感器节点供电所面临的相应挑战和局限性（García‐Hernández等2007；Seah等2009；谭和潘达2010a）。特别值得关注的是Sudevalayam和Kulkarni（2011）中提出的工作，该工作描述了通过能量收集为无线传感器网络供电的设计影响。在此，作者对能量收集源、机制和架构进行了综述，讨论了两种主要的传感器节点架构（即采集即用和采集‐存储‐使用）、将不同能源转换为电能的技术，以及不同类型的储能技术。此外，作者还提供了一些能量收集无线传感器网络实际实现的例子。

在本文中，我们介绍了能量收集无线传感器网络（EH‐WSNs）的最新进展。首先描述了可用能源（如辐射、机械和热能）以及所采用的技术为了进行能量收集，我们概述了一些部署了混合能量收集系统的能量收集无线传感器网络。然后，我们描述了常见的无线传感器节点架构，并介绍了使用不同类型的能量存储（如可充电电池和超级电容器）的优点和缺点。此外，我们讨论了不同的能量预测算法和能量管理技术，以应对来自环境的能量收集速率的不可预测性，并探讨了它们对能量收集感知通信协议设计的影响。本文扩展了Sudevalayam和Kulkarni（2011）的研究工作，介绍了在具备能量收集能力的无线传感器网络应用中通信协议设计方面的最新进展和技术。我们提出了新的技术，这些技术不仅考虑基于能量的度量（如有效能量、累积能量消耗、能量值）、链路质量和占空比循环用于路由选择，而且还结合了网络的先验知识和能量计数，根据路径中节点的能量收集情况以及未来路径跳数的状态（而不仅仅是下一跳）来确定路由。最后，我们介绍了使用能量收集无线传感器网络进行环境监测的不同实现，并讨论了当前挑战和未来研究方向。

本文其余部分组织如下。第2节阐述了能量收集无线传感器网络的动机。在第3节中，我们描述了传感器设备可收集的不同能量来源。第4节介绍了传感器节点的电源系统架构，以及能量收集无线传感器网络中使用的储能技术、能量预测和能量管理技术。在第5节中，我们讨论了为能量收集无线传感器网络在物理层、MAC层和路由层开发的各种方法，以及一些用于能量收集无线传感器网络的仿真与模拟的工具。在第6节中，我们讨论了能量收集无线传感器网络相较于传统无线传感器网络的性能/设计要求，并概述了在最坏情况场景下保证服务质量的性能分析模型。在第7节中，我们讨论了能量收集无线传感器网络在动物追踪（AT）、空气质量监测（AQM）、水质监测（WQM）和灾害监测（DM）中的一些实现。在第8节中，我们提出了与能量收集无线传感器网络相关的挑战，并提供了基于能量收集的无线传感器网络的未来研究方向。最后，第9节对全文进行总结。

2 动机

地球上生命的存续依赖于人类、动物和植物能够获得优质空气和优质水。例如，摄入含有有害化学物质和废物产品的受污染饮用水会导致疾病（如腹泻），甚至造成人类和动物死亡（Owa2014；Landrigan和Fuller2016）。此外，根据世界卫生组织的数据，80%与缺血性心脏病相关的死亡是由室外空气污染引起的。世界卫生组织还报告称，近年来14%的死亡是由于空气污染导致的慢性阻塞性肺病或急性下呼吸道感染所致，6%的死亡是由于与室外空气污染相关的肺癌所致（WHO2014）。因此，空气质量监测对于改善生命质量至关重要。此外，为动物提供围栏与聚集管理具有高成本。因此，提供对牧场状况及动物的态势感知可显著改善牲畜管理（Wark等人2007）。

由于患者需要实时、低成本且灵活的健康监测系统来跟踪其身体参数，传感器节点还可以集成到无线体域网（WBAN）中，以实现主动式个人健康管理系统，该系统有望改变医疗保健的未来（Pantelopoulos和Bourbakis2010；Omer和Al‐Salihi2017）。

另一个无线传感器网络（WSN）能够提供安全并挽救生命的关键领域是军事应用和敌对区域，在这些区域部署士兵可能具有风险或危险（Azzabi等al.2017）。无线传感器网络可以成为各种军事场景中信息分发的重要组成部分，例如爆炸定位、周界监视与防护、核、化学和生物攻击检测，以及导弹监测，通过提供更准确和实时的数据来降低死亡率（Đurišićetal.2012）。此外，无线传感器网络还可用于洪水和地震等灾难管理应用，以进行检测、监测和救援行动（Saha和Matsumoto2007；Aziz和Aziz2011；Mahamuni2016）。

供应链管理在多个领域至关重要，例如在食品供应链中，通过部署传感器节点进行温度监测、损坏检测和运输跟踪，以减少易腐食品的损失（Evers等人2007；Parreño‐Marchante等人2014）。此外，人为错误可能导致重大收入损失，因此，利用无线传感器网络（WSN）实现供应链流程自动化，可提升服务质量、提高效率并增加收入（王等人2015）。同样，使用无线传感器网络进行库存管理可以避免人工流程错误，并通过减少进入海上石油钻井平台等危险环境的需求来确保人员安全（Vellingiri等人2013）。

世界各地的政府、政策制定者、工程师和科学家都在寻求遏制这些环境问题的方法。无线传感器网络（WSN）可用于监测环境，提供有助于解决这些问题的信息。尽管无线传感器网络能够提供有价值的分布式传感器读数，用于环境测绘，但其持续运行仍面临诸多挑战。具体而言，由于传感器节点是电池供电的，为了实现持续监测，必须将传感器节点设计得尽可能节能（Potnuru和Ganti2003）。因此，能量管理至关重要，需要在物理层、MAC层和路由层减少能量耗散的协议，以及同时支持应用服务质量（QoS）的节能拓扑控制协议（Kawahara等人2009；Muthukarpagam等人2010；Swati和Priyanka2010；Basagni等人2013；Gupta和Sikka2015）。

尽管所有关于节能协议的研究都有助于延长无线传感器网络寿命，但对于环境监测应用而言，确保无需更换电池的持续运行至关重要。实现这一目标需要采用新兴技术，例如能量收集，该技术从太阳能、风能、机械振动、磁场或射频场中获取环境能量，以对节点电池进行充电。这些能量收集技术的最新进展，以及支持能量收集的传感器节点的商业化，催生了一类新型的无线传感器网络，称为能量收集无线传感器网络（EH‐WSNs）。

EH‐WSNs利用环境能源为传感器节点供电的能力，导致了这些网络在设计要求和目标上的转变，因为理想情况下，网络寿命不再是一个问题。相反，EH‐WSNs的目标是支持能量中性操作，使EH‐WSN能够利用收集的能量持续运行。

能量收集为支持环境监测的协议和算法设计带来了新的机遇，同时也带来了挑战。特别是，在传统无线传感器网络中，关键的设计指标是降低节点能量消耗以延长网络寿命；而在能量收集无线传感器网络中，当网络存在能量流入时，需要重新考虑能量效率、公平性、可扩展性和延迟等性能指标的影响。同样，物理层、介质访问控制（MAC）和路由协议也需要重新设计，以优化能量使用速率，而不仅仅是最小化总能量消耗。

鉴于上述情况，明确影响能量收集无线传感器网络的性能指标和设计要求变得尤为重要，因为能量不再以同样的方式受限。因此，本文综述了当前用于无线传感器网络的能量收集方面的最新进展技术，以及最新协议和算法，这些技术和方法能够最优地利用所收集的能量，以支持应用目标并实现连续环境监测。

表1. 能量收集来源及其对应的功率密度

能量源	类型	能量收集方法	功率密度
辐射	太阳能	太阳能电池（室内）	<10μW/cm²
辐射	太阳能	太阳能电池（室外，晴天）	15mW/cm²
辐射	RF	电磁转换	0.1μW/cm²(GSM)
辐射	RF	电磁转换	0.01μW/cm²(WiFi)
机械	风流和水力	机电转换	16.2μW/cm³
机械	声学噪声	压电	960nW/cm³
机械	运动	压电	330μW/cm³
热能	体热	热电的	40μW/cm²

三种能量收集源

近年来，能量收集技术在效率方面取得了显著提升，已开发出能够从太阳能和振动等不同能源持续输出电能的设备（Instruments2015a）。此外，近期的无线传感器网络设备（WSN）被设计得极为节能，使其能够利用有限的收集的能量长期运行而不会关闭，至少不会因能量耗尽而停止工作。传感器节点可以收集多种自然和人工能源，并将其转化为电能，每种能量源提供的功率密度各不相同，如表1所示。

在接下来的小节中，我们将描述可以从辐射源（例如太阳能和射频波）、机械源（例如振动、风、人体运动和水流）以及热源（例如两种导电材料之间的温差、外部热源和摩擦源）收集的不同类型的能量，并提供一些商用采集器的示例（Seah等人2009；谭和潘达2010b）。

3.1 辐射能

辐射能是从太阳和射频波中获取的，适用于室内和室外系统。近年来，为了利用这种能量来源为环境监测应用中的无线传感器网络供电，人们已广泛探索从射频和阳光中进行能量收集（Morais等人2008；Bhuvaneswari等人2009；Tabbakh等人2010；Alippi等人2011；Lim等人2013；Zhou等人2014）。

3.1.1 射频能量

在射频能量收集中，整流天线（或称整流天线）用于捕获来自附近来源（如手机或广播电台）发射的电磁信号，然后使用整流电路将其转换为稳压直流电源，供小型低功耗系统（如传感器设备）使用（Ramesh和Rajan2014）。一些射频源（如广播电台）发射高功率射频信号（高达兆瓦级），但由于路径损耗和衰落，这些信号到达能量收集天线时水平相对较低（Lim等人2013），从而使收集过程具有挑战性。尽管如此，在城市和郊区实施射频能量收集器仍具前景，因为存在大量环境能源，且射频源与接收天线之间的距离相对较短（Pinuela等人2013）。采用多频带天线阵列架构可提高射频能量收集器的效率，并允许即使对低功率信号也能进行能量收集（低至−29dBm）（Pinuela等人2013）。高效的射频能量收集需要频谱分析以及了解收集器与射频源之间的距离和方向，因为接收天线需要适当的波束指向和极化匹配，以确保收集到最大量的功率。Lu等人（2015）提供了一项关于使用射频能量收集的无线网络的综述，其中作者讨论了射频电路设计和实现的最新进展，以及描述了射频能量收集无线传感器网络中的资源分配设计问题，并提出了仍需解决的未来研究方向和实际挑战。

3.1.2 太阳能

将阳光转化为可用能量主要有两种方法：（1）热能转换，即利用太阳的能量加热介质，通过涡轮发电机产生电能；（2）光伏转换，即将光能直接转化为电能，因此不需要任何运动部件或中间能量转换步骤（Bube2012）。基于光伏技术的太阳能收集在晴朗天气下可提供约15mW/cm²的最高功率密度（Moraiset al.2008; Bhuvaneswarietal2009），如表1所示。这使得太阳能成为适用于环境监测型能量收集无线传感器网络的一种合适能量收集技术。

光伏能量收集器在用于能量收集无线传感器网络时具有多个优点。自问世以来，太阳能收集一直是无线传感器网络中最可靠、便捷且首选的能量收集来源之一（Li和Shi2015）。光伏能量收集器可产生恒定直流电（DC）以供传感器节点使用，因此无需额外的电路整流（即将交流电（AC）转换为直流电（DC））。太阳能收集方法无排放、对环境无害，其电流和电压水平满足无线传感器节点的功率需求（Akbari2014；Zhou等2014；Shaikh和Zeadally2016b）。尽管太阳能是为无人值守区域中传感器节点供电的首选来源，但可收集的能量量存在季节性变化，并取决于太阳能板部署区域的光照条件。例如，在环境应用中，传感器节点可能被部署在阴蔽区域，这些区域即使在白天也接收较少阳光，夜间则完全无阳光照射。这会影响传感器节点的运行周期。

事实上，存在多种利用太阳能收集能量的环境监测应用系统。例如，在图1(a)中，一个太阳能板嵌入在包含传感器节点的外壳正面，为水质监测应用收集能量。另一种将太阳能板连接到传感器节点的方法是将太阳能板安装在传感器节点上，如图1(b)所示，这种方法特别适用于空气质量监测应用。表2列出了各种商用太阳能电池的概述。

由于这些系统产生的功率有限，针对太阳能收集模块提出了两个设计原则：（1）系统应设计为在任意时刻提取最大功率；（2）应最大化电源管理子系统效率，以有效利用采集的有限能量供传感器节点使用。在设计实际应用时，遵循这些原则较为困难，因为太阳能电池有效面积（即光进入太阳能电池的区域）在用于发电时会发生变化（Morais等人2008）。其他限制性设计因素包括能量存储单元容量和电源调理子系统特性。如果未在太阳能电池最大功率点（即太阳能电池的最高可能输出功率）运行，后者可能导致太阳能到电能转换效率降低（Morais等人2008）。

关于太阳能能量采集器的一个关键设计考虑是最大功率点跟踪（MPPT）（Rodriguez和Amaratunga2007；Simjee和Chou2008；Dondi等2008；Scarpa等人2009; Lu等人2010; 陈和周2010; López‐Lapeña等人2010）。为了最大化从太阳能电池收集的功率，并克服无线节点设计中由最大功率点（MPP）带来的设计挑战，已提出新设计方案，以确保在入射光条件变化时，能够实时从光伏（PV）模块提取最大功率，并确保光伏模块始终在其最大功率点运行。

表2. 太阳能电池比较

太阳能电池类型	效率	优点	缺点
单晶硅	15−24%	高转换效率，最成熟的技术，高可靠性	高成本，大块硅消耗，复杂生产过程
多晶硅	14−20.4%	无效率衰退，可以在廉价基板上制造，远比单晶硅成本低	相对较大的硅消耗消耗和成本，复杂的生产过程
非晶硅 (a‐Si)	8−13.2%	低成本，大规模生产的容易性生产，相对较高的光学吸收系数，极低的暗电导率，对弱光的良好响应光能	光致衰退效应，转换效率低，低稳定性
碲化镉 (CdTe)	理论值： 28%	理想带隙，高光吸收速率，高转换效率，稳定性能，结构简单结构,低成本	天然碲资源有限储备，模块和基底材料成本高，有毒镉
铜铟‐镓二硒化物 (CIGS)	高达20%	低成本、非衰退性、弱光性能好光性能、广泛适用性基板、可调光学带隙强抗辐射能力	稀有材料、控制四元素的难度控制四元素精确地

改编自Zhou等人(2014)。

在为环境应用选择合适的太阳能采集器时，需要考虑的因素包括太阳能采集电路、电池技术、数据传输自适应机制以及节点执行最大功率点跟踪（MPPT）的能力。此外，在设计充电电路时，备受关注的特性包括功耗、成本，以及能否为传感器节点提供无限电源供应，并高效地对电池进行充电（Bhuvaneswari等人，2009；Shaikh和Zeadally2016a）。Sudevalayam和Kulkarni（2011）的研究中提供了其中一些设计考虑因素，该研究详细讨论了太阳能采集系统、其储能技术以及是否应用了最大功率点跟踪（MPPT）。

另一项关于太阳能采集系统的类似研究是Bader等人（2014）的工作。在该研究中，作者评估了一些最新的太阳能采集架构及其建模的常用方法。这些系统根据输入调节方法（即区分具有电压等级合规的系统和执行最大功率点跟踪（MPPT）的系统）、输出调节方法（即采用DC‐DC升压稳压器的系统）以及系统中实现的储能技术进行了分类。

DuraCap和OpenWise（Chen和Chou2010；Gonzálezetal.2012）是近年来的两种太阳能采集系统。DuraCap（Chen和Chou2010）由太阳能板、能量存储、系统控制单元、电源稳压器和MPPT电路组成。DuraCap将收集的能量存储在三个超级电容器中——启动超级电容器（负责冷启动），以及两个储能超级电容器（负责为目标设备供电）。DuraCap提供两种不同的输出电压：3.3V和4.2伏特。3.3V供系统自身使用，而4.2伏特（类似于锂离子电池）则直接供目标设备使用。DuraCap通过采用脉冲频率调制（PFM）稳压器来传输收集的能量，解决了传统DC‐DC转换器的问题，这一点与Everlast类似。与其他所有太阳能采集节点不同的是，DuraCap中的所有功能均由一个低功耗微计算机单元（MCU）完成，该单元使用其模数转换器（ADC）检测太阳能板、超级电容器的电压值以及电流传感器输出。

总之，需要注意的是，选择仅带电池、超级电容器或两者兼有的太阳能能量收集传感器节点，可使开发人员能够建立高效的无线传感器网络（WSN），用于部署在恶劣环境中且难以更换电池的环境监测应用。因此，在当前了解并考虑这些技术的重要特性具有重要意义。设计考虑因素包括传感器节点鲁棒性（在存储、充放电速率方面）、低成本、MPPT性能以及数据传输机制，以延长无线传感器网络寿命。例如，由于超级电容器比电池更高效，并且在充放电循环寿命方面更长，因此采用分层能量存储机制（即同时使用超级电容器和电池）的系统非常适合此类环境应用。同样，采用多个超级电容器（如DuraCap）的系统在此类应用中也同样有用（Bhuvaneswari等2009）。

3.2 机械能

另一种可用于为无线传感器网络供电的能量来源是机械振荡或振动。通常，机械能是利用压电设备（Seah等人2009）收集的。

由于压电材料的特性，压电能量收集装置无需外部电压源即可在较高电压下产生能量。例如，压电陶瓷PZT以其高能量转换效率而闻名，而聚偏二氟乙烯（PVDF）则以其高机械强度著称（Zhou等人，2014）。压电收集器在无线传感器网络中提供的其他优势包括因其简单的

结构、低成本以及无电磁干扰（Wang2012b；Zhou等人2014；Shaikh和Zeadally2016b）。另一方面，压电装置需要能量收集电路来调节输出功率，从而导致能量损失，影响能量收集系统的整体效率（Zhou等人2014）。此外，将压电装置集成到小型系统中较为困难（Wang2012b；Shaikh和Zeadally2016b）。

已开发出多种使用压电装置的系统。例如，在Kahrobaee和Vuran（2013）中，一种用于农业应用的地下压电能量收集器被证明能够有效收集来自四轮中心支轴灌溉系统的地面加速度，展现出良好的能量收集能力。

利用汽车引起道路振动的能量收集是为无线传感器节点供电的另一种有前景的技术。该方法已被用于监测汽车尾气（空气质量测量）或测量交通流量（灾难交通管理）（Vijayaraghavan和Rajamani2008, 2010；Zhu等人2012）。此外，从振动中收集能量已被用于灾难救援行动（汉德等人2010），实验结果表明，机械振动能量收集系统可为运行提供持续能量。高振动加速度、宽频带以及自适应谐振频率跟踪器是设计高性能振动能量收集系统的主要要求。

Wijesundara等人（2016）提出了一种基于WSN的系统，用于监测亚洲象的位置，该系统通过收集大象运动产生的动能为传感器供电。所提出的能量收集器由一个运动磁铁、两个固定磁铁、一个聚碳酸酯管和两个线圈组成。通过对能量收集器的实验验证的分析与仿真模型以及对大象运动测量的结果表明，该原型每天可产生每天88.91焦耳的能量。该能量足以支持一个安装的追踪单元（标签）每天至少24次将大象的位置传输到远程监控中心。

还可以根据水流速率从水流中收集能量，无论是来自更高压力（湍流）的水流，还是恒定速度的水流。从流动水中获取的能量主要是动能。动能是通过压力波动或利用机械设备对流动水施加压力而获得的，必须将其转化为电能。尽管在无线传感器网络中对水流能量收集的研究尚不充分，但一些研究已探索了如何从流动水中收集能量。这些研究大多采用了不同的技术来收集动能。例如，Pobering和Schwesinger（2004）使用颤动旗帜，通过压电陶瓷换能器将湍流流动水中的动能转化为电能；Wang和Liu（2011）采用剪切模式压电能量收集器从加压水流中获取能量；Ye和Soga（2011）利用微型涡轮机从供水系统中的不同旁通管道中收集能量；Sun和Hu（2011）则使用电磁振动发电机，通过线圈盒内磁铁的周期性运动来收集能量。

尽管上述研究描述了从水中收集能量以驱动传感器节点等小型设备，但仍存在一些限制，例如复杂性和体积过大（Sun和Hu2011），以及由于水与周围空气之间的压力差导致的高功率输出（Ye和Soga2011），使得系统在为仅需15mW功率的传感器节点供电时，浪费了系统生成的总功率150W中的大部分能量。因此，这些系统在小型设备（如用于水质监测（WQM）和其他环境监测系统的无线传感器节点）中的应用和集成仍然不切实际。

3.3 热能

热能收集基于以下事实：当两种导电材料之间存在温差时，会产生电流（Seah等人，2009）。多年来，已开展了大量关于热能供电传感器节点的环境研究。例如，在Woias等人（2014）的研究中，将一个热电发电机（TEG）安装在羊项圈上用于追踪目的。该热能收集器依赖于羊体与周围环境之间的温度梯度。该系统被证明能够产生最大54μW的功率，足以驱动一个低功耗甚高频（VHF）无线电追踪系统。类似地，戴维森等人（2009）提出了一种热能供电传感器节点模型。该系统利用太阳加热的海洋水面与周围空气之间的温差来监测水质。全年平均输出功率约为5mW/cm²。

在无线传感器网络中部署热能收集器取决于热电材料的效率（Zhou等人，2014）。为了提高热能收集器的输出电压和功率水平，需要采用多种组合的热电偶，因为单个热电偶的电压和功率水平非常低。因此，热能收集器更适用于大规模发电，例如蒸汽轮机（Gilbert和Balouchi，20082016b）。

3.4 混合能量收集系统

一些研究人员提出了将多种类型能量收集器结合到单一系统中的混合能量收集系统。在本节中，我们回顾了一些现有的混合能量收集系统。

3.4.1 太阳能/热能系统

Li等人（2008）和Yu等人（2008）提出了一种用于自持式无线传感器节点的太阳能/热能混合系统。该系统由太阳能板和热电发电机作为能量转换器、锂离子电池以及用于能量存储的超级电容器，以及一个电源管理子系统组成。所提出的系统经过实验测试，在正常条件下可为节点运行提供超过5年的持续支持，而在黑暗或雨天仅能运行连续7天。Tan和Panda（2011）提出了一种室内人工照明与热能收集相结合的混合系统。该硬件原型展示了太阳能电池、微型热电发电机以及集成电源管理电路，并显示出可收集平均电功率为621μW。Chottirapong等人（2015）提出了一种用于有机肥料厂内氨气浓度测量的混合太阳能/热能收集系统。该热电发电机利用除臭罐热端与冷端之间的热量差异。该系统能够全天至少产生15mW的最小功率，在早晨最高可达290mW。

3.4.2 太阳能/热能/电磁系统

Virili等人（2014）设计并制造了一种混合式电磁/热能收集系统。该系统由一个在工业、科学和医疗（ISM）频段2.4–2.48GHz工作的四分之一波长贴片天线组成，并在其顶部集成了一个热电发电机（TEG）。除了通过天线进行电磁能量收集外，当太阳光照射到TEG上时，其顶部被加热，而底部保持在环境温度，即冷端。这种温差可实现额外的热能收集。实验表明，TEG在空气温度分别为50和100◦°C时可产生20和50mV电压（Virili等人，2015）。此外，作者在Virili等人（2016）的研究中进一步改进了该混合系统，在TEG顶部集成了一块太阳能电池。当太阳光照射到太阳能电池上时，它将太阳能转化为电能，同时产生的热量被传递至

表3. 能量收集系统

收能量的	能量存储	最大/功率	环境测试	参考文献
太阳能	超级电容器	4.2V	实验的	陈和周 (2010)
太阳能	电池	2.09W	实验的	戈麦斯等人 (2012)
热能	N/A	50W/m²	模拟	戴维森等人 (2009)
太阳能/热能(室内)	超级电容器	621μW	实验的	谭和潘达 (2011)
太阳能/热能	电池&超级电容器	290毫瓦	实验的	Chottirapong等（2015）
热能/电磁	N/A	50mV	实验的	Virili等(2014, 2015)
太阳能/热能/电磁	N/A	34.3mW，1.7V(太阳能) 0.06mW, 2.5V(热能)	实验的	Virili等人(2016)

(热电发电机的热端，可产生额外的收集电能。这些能量收集系统的汇总见表3。

3.5 开源与商用采集器

在表4中，我们列出了部分开源或商业化开发的能量收集器的技术规格。从该表可以看出，太阳能采集器处于价格范围的低端，而热能采集器则处于高端。增大太阳能电池尺寸可以提高电池的输出功率，但太阳能电池的效率仍不超过20%（见表2）。射频能量采集器在尺寸上最小，这也反映在其输出功率上。选择能量收集器类型时，主要考虑因素是根据部署地点可用的环境能源来选择合适的类型。

4 能量收集节点架构

传感器节点已从大型设备发展为如今的小型嵌入式设备，包含一个或多个传感单元、一个无线电收发器、一个处理单元和一个电源单元（见图2）。大约在2010年，引入了配备能量收集器的传感器节点，从而推动了能量收集无线传感器网络的发展。在这些网络中，传感器节点架构由一个或多个传感单元、一个无线电收发器、一个处理单元、一个能量收集器、一个或多个储能单元、一个电源管理系统以及可能的能量预测器组成（Kochlan等，2015；Basagni等，2013），如图2所示。

能量收集系统将收集的能量转换为电能，供传感器节点使用，可以直接使用（如图3(a)所示），或通过先为节点的能量存储充电后再间接使用（如图3(b)所示）。在后一种方式中，能量存储是传感器节点电源单元的基本组成部分，用于存储收集的能量，并为节点提供运行所需的能量。此外，能量预测器用于估计在任意时刻传感器节点可获得的收集能量量。电源管理技术已成为一种

表4. 能量收集器示例

Name	能源收集	输出电压 (V)	最大输出功率 (mW)	尺寸(mm)	单价（美元）	参考文献
WISP	RF	1.8	0.3	N/A	N/A	Smith等（2006）
PoWiFi	射频（WiFi）	2.4	0.1	N/A	N/A	Talla等（2015）
宁波甬江光神伏州 SZGD8855	太阳能	3.84	550	88 × 55 × 2.8	9.90	宁波甬江光伏神有州限公司 (2015)
KCF科技 SH-1	太阳能	3.3	取决于负载	76.5 × 56.1 × 29.5	N/A	KCF(2014)
Libelium Waspmote插件和感知	太阳能	6.5	1300	111 × 91 × 3	包含在套件中价格	Libelium(2016)
Perpetuum66001	振动	5, 8	27.5	87 × 65 × 6	N/A	永恒(2013)
MIDE QPK‐1001	振动	1.8、2.5、3.3、3.6
0.8	54.4 × 22.4 × 0.25	10	MIDE(2014)
Powercast P2110B	RF	高达6	N/A	14 × 13.5 × 2	35.95	POWERCAST (2015)
EnOcean STM 300	RF	N/A	8.9	22 × 19 × 3	29.75	EnOcean(2012)
意法半导体 SPV1050	热能	2.6到5.3	N/A	3 × 3 × 1	40	意法半导体(2015)
马洛EHA‐ L37L37‐R01‐L1	热能	2.3,3.3,4.1,5	5.5	54 × 38 × 38	295	Marlow(2016)

表5 CWeddell等人（2011）和Kovář（201）实验测试的超级电容器比较3)

制造商	电容(F)	电压（V）	温范围（◦C） −25到+60	直径(mm)	长度（毫米）	价格（美元）
松下	4.7	2.5	−25到+70	10	20	3.17
尼吉康	4.7	2.7	−25到+70	10	20	2.80
Elna	1	2.5	−40到+65	8	22	1.83
麦克斯韦	5	2.7		10	20	2.23

实现能量中性操作的核心研究点是采用自适应占空比等方法（Kausar等人，2014）。能量存储、能量预测和电源管理子系统将在接下来的小节中详细描述。

4.1 能量存储

传统上，传感器节点由电池供电，通常使用碱性、镍氢（Ni‐MH）、锂离子（Li‐Ion）或二硫化铁锂（Li‐FeS2）电池。与Li‐FeS2电池相比，碱性电池成本较低，但容量较小且寿命较短（Reddy2010）。2000年代初期引入的可充电锂离子电池改善了电池

表6. 可充电电池比较

Type	循环寿命	充电 Time	自放月电/	电压（V）	容（量mAh）	能量(Wh)	价格(美元)
NiMH	300–500	2-4H	30%	1.25	2500	3.0	60
锂离子电池	500–1000	2-4H	10%	3.6	730	2.7	100
LiPo	300–500	2-4H	10%	3.6	930	3.4	100

改编自电池大学（2016）。

表7. 超级电容器与可充电电池的比较

储能装置	优点	限制
超级电容器	充电循环寿命长得多 高循环效率（>95%） 比电池长得多的使用寿命电池环保更宽范围的电压和电流低内阻低温下高性能	昂贵单位能量低重量单体电池电压低高自放电率高介电吸收
可充电电池	便宜低自放电速率单位重量高能量	较低的充电循环次数 life 寿命短得多

改编自Akhtar和Rehmani（2015）以及Group（2016）。

容量和网络寿命，因为比能量增加到约150Wh/kg，而镍氢电池为约60Wh/kg循环（Reddy2010）。

在能量收集无线传感器网络中，用于存储收集的能量以为传感器节点供电的主要技术是超级电容器和可充电电池。在本节中，我们将概述这些不同的技术。

4.1.1 超级电容器

超级电容器基于与普通电容器相同的工作原理，但其介电层更窄且表面积更大，从而导致电容增加，分别使得能量和功率密度高于普通电容器和电池。此外，超级电容器充电更快，且其循环寿命通常比传统电容器更长。然而，由于存在漏电现象，超级电容器的放电速率高于普通电池，但幸运的是，较高的充电速率可以弥补这一缺点（Halper和Ellenbogen2006）。表5展示了在实验条件下测试的超级电容器之间的比较（Weddell等人2011；Kovář2013）。在能量收集无线传感器网络的设计中，对超级电容器进行精确建模至关重要，因此已有大量研究针对不同假设条件下的超级电容器行为建模，范围从将超级电容器建模为理想器件（Jiang等人2005）到采用三支路电路模型考虑超级电容器内部电荷分布过程的更精确模型（Weddell等人2011；Nadeau等人2014）。

4.1.2 可充电电池

可充电电池因其高能量密度而被用于能量存储（Halper和Ellenbogen2006）。镍氢电池（NiMH）、锂离子电池（Li-Ion）以及锂离子聚合物电池（LiPo，一种袋状封装的锂离子可充电电池）是最常见的电池类型。表6对这些不同类型的电池进行了比较。

表7提供了超级电容器和可充电电池之间的高级比较。此外，图4展示了当前超级电容器和可充电电池技术的拉贡图。对于节点尺寸有限或存在财务限制的系统，由于可充电电池的价格较低，其比超级电容器更受青睐

表8. 使用可充电电池的无线传感器网络应用 应用场景 使用的储能装置

		参考文献
水质监测	12V电池	Amruta和Satish（2013）以及Sowmya等人（2017）
森林火灾监测	1Ah锂电池	Lazarescu（2015）
气候变化监测	150mAh镍氢可充电电池（主）2200mAh锂离子电池（备用）	Ingelrest等人（2010）
桥梁结构健康监测监测	锂离子或锂聚合物电池（10,000mAh容量）	Jang等（2010）
水环境	镍氢电池	Alippi等（2011）

表9. 使用可充电电池和超级电容器的基于无线传感器网络（WSN）的应用 应用场景 组合储能装置

		参考文献
在线河流监测	超级电容器（第一缓冲区可充电电池 （第二个缓冲单元）	Capella等（2013）
无线传感器网络（WSN）使能的智能	超级电容器（主单元）可充电电池（备用）	Naveen和Manjunath（2011）
建筑物

在表8和9中，列出了不同的应用场景及其相应的储能设备。

4.2 能量预测

能量预测对于能量收集无线传感器网络（EH‐WSNs）非常重要，因为如果不仅了解现有的（已存储的）能量，还能了解短期和长期将要采集的能量，就可以对协议进行优化。然而，由于从不同能源中可采集的能量数量和速率通常是动态且高度变化的，因此准确的能量预测可能非常具有挑战性。不同的能源可以根据其可预测性和可控性进行分类（Shaikh和Zeadally2016a）。例如，对于太阳能，指数加权移动平均（EWMA）算法假设某一时刻的能量产生量是过去几天同一时刻所采集能量的指数加权移动平均值（Kansal等人2007）。该模型适用于稳定的天气条件，但未考虑频繁的气象变化，导致预测的采集能量与实际采集能量之间的平均误差为28%。天气条件加权移动平均（WCMA）算法将一天划分为多个时间段，在每个时间段结束时提供下一时间段的能量预测。WCMA算法包含过去几天同一时间的数据，并根据当前天与过去几天之间天气条件的差异对其进行缩放，从而实现更优的预测模型，平均误差为9.8%（Piorno等人2009）。在Moser等人（2007）的研究中，能量预测器收集当前时间接收到的能量信息，并将其与来自过去几天呈指数衰减的旧数据相结合。这些算法之间的比较表明，WCMA算法提供了误差最低的最佳能量预测；然而，它需要更多的存储内存和更长的预测时间（Bergonzini等人2009）。

Sharma等人（2010a）设计了一种算法，通过建立将天气预报数据转化为能量收集预测的模型，利用本地天气预报数据。尽管天气预报提供的数据比仅依赖于过去几天的情况，该算法需要大量开销来将天气预测数据传输到传感器节点。在Noh和Kang（2011）中，提出了一种基于EWMA的算法。为了克服EWMA无法考虑变化的天气条件的问题，每个时隙结束时计算一个缩放因子（即预测能量与实际采集的能量之间的比率），并用它来调整未来时隙的预测能量。

在Cammarano等人（2012）中，所提出的能量预测模型（Pro‐Energy）算法收集一整天的能量分布，该分布包含一天中每个时隙收集的能量信息，并将该天分类为典型的能量分布：晴天、多云或雨天。在每个时隙，Pro‐Energy根据与当前天最相似的能量分布来预测收集的能量。Pro‐Energy由三个组件组成：预测模块，负责短期和长期的能量预测；轮廓分析器，用于选择与当前天最相似的能量分布；以及轮廓池，其中包含多种不同的能量分布。与EWMA和WCMA相比，Pro‐Energy的预测精度提高了60%。此外，作者在Cammarano等人（2013）中提出了该协议的增强版本，称为可变长度时隙的能量预测模型（Pro‐Energy‐VLT）。与将一天划分为固定长度时隙的常见设计不同，Pro‐Energy‐VLT基于利用历史数据计算的平均每日收集速率，分配可变长度时隙。新提出的协议在性能上优于Pro‐Energy、WCMA和EWMA，分别将预测误差最多降低了10%、40%和50%。此外，Pro‐Energy‐VLT在能量和内存节省方面也表现出更高的性能。另外，增加时隙数量会导致更低的预测误差，因为这有助于更准确地估计波动的能量源。这些结果是通过使用TelosB节点与太阳能板和风力微型涡轮机连接进行真实实验获得的（Cammarano等人2016）。

一般来说，太阳能预测模型能够合理地指示从太阳能中可采集的能量。然而，与其他在第3节中描述的能源相比，太阳能是最具可预测性的能源，而针对其他能源的精确预测模型仍然有待开发。

4.3 电源管理

如上所述，收集的能量量是可变的，例如，在太阳能收集过程中，夜间将不会采集到任何能量。这种能量收集无线传感器网络（EH‐WSN）中可用能量的可变性促使人们提出设计单个节点或整个网络以实现能量平衡运行，也称为能量中立运行（ENO）（Sharma等人2010b）。能量中立运行指的是节点消耗的能量始终小于或等于从运行环境中采集的能量（Kansal等人2007；Sharma等人2010a；Fafoutis和Dragoni2011；Baghaee等人2014）。理论上，设计支持能量中立运行的能量收集无线传感器网络可实现无限网络寿命（Kansal等人2007；Fafoutis和Dragoni2011）。

鉴于其重要性，已提出各种方法来实现ENO，这些方法可分为预测方法和反应式方法：预测方法通过预测能量并相应调整节点运行以满足ENO；反应式方法则通过监测节点的能量生成水平，并根据收集的能量调整节点运行的某些方面（Buchli等，2014）。现有的能量中性系统旨在利用分析模型和协议，根据从环境中采集的能量量来调度任务（适用于预测方法和反应式方法）（Kansal和Srivastava，2005；Vigorito等，2007）。

电源管理方案，如动态电源管理（DPM）、按需介质访问控制、联合能量收集与行动调度、能量同步通信以及基于能量收集感知效用的感知速率分配算法（Gu等人2009；Fafoutis和Dragoni2011；Sharma等人2010b；Zhang等人2011；Shu等人2017）能够实现任务（例如，通信或感知任务）调度以满足能量中性操作。此外，为最大化在传感器节点所收集的能量速率条件下能量收集无线传感器网络的网络性能，已提出诸如占空比循环和自适应感知（Alippi等人2009；Hsu等人2006）、自适应控制（Vigorito等人2007）、拓扑控制（Tan等人2015；Yoon等人2015；王等人2016b）、协作传输（Zhang等人2016a）、帧长优化（Li等人2017）、自适应吞吐量以及平均延迟最优的能量中性策略等技术（Sharma等人2010b；Fafoutis和Dragoni2011）。

自适应占空比或控制是一种机制，可使能量收集传感器节点根据运行环境中的能量可用性自主调整其占空比（即唤醒传感器）。在这种情况下，假设节点事先已知能量分布（Hsu等人2006）。

由于储能设备的容量有限且容易发生能量泄漏，因此最大化存储能量并不总是有益的，特别是当可以收集到过剩能量时（Gu等人2009）。Gu等人（2014）基于这一事实提出了一种能量同步通信（ESC）协议，该协议旨在通过动态地将节点的活动模式或工作计划与可用能量预算同步，从而最小化能量收集无线传感器网络中的通信延迟，并同时实现能量中性操作。

拓扑控制是通过合理调整节点的传输功率和邻居数量来管理无线传感器网络（WSN）能量消耗的另一种方法（Santi2005）。在Tan等人（2015）的研究中，将传感器节点的行为定义为一种序数势博弈，并证明了纳什均衡的存在。在这种博弈论方法中，考虑了传感器节点的能量状态和能量收集能力，从而使得高能量收集能力和低能量收集能力的节点能够协同合作，以优化网络拓扑并实现网络连通性。在Yoon等人（2015）的研究中，实现了一种分层拓扑控制方法，该方法根据传感器节点的剩余能量水平将其分层排列。由于靠近汇聚节点的节点需要消耗更多能量来聚合数据，因此该方法将网络负载转移到具有较高剩余能量水平的节点上。在王等人（2016b）的研究中，一种局部拓扑控制方法根据邻居节点的距离及其剩余能量水平选择节点的邻居，并将能量收集能力建模为伯努利随机过程。

在动态电源管理（DPM）中，这是另一种用于电源管理的技术，其主要重点是通过将节点切换到不同的能量状态，在保持网络性能处于合理水平的同时降低功耗。在DPM中，为了节省功率，当节点不需要时会进入睡眠模式，并在其需要处理数据或发送或接收数据包时被唤醒。通过这种方式，通过降低功耗来延长节点寿命。需要注意的是，高效的睡眠模式切换算法至关重要。在Sinha和Chandrakasan（2001）中，为每个节点定义了多个睡眠状态，这些状态基于哪些组件被置于睡眠模式。在深度睡眠状态中，节点的更多组件处于睡眠模式，因此消耗的功率更少。然而，这会导致唤醒节点的延迟更高。在Chen等人（2013）中，作者提出了一种基于多跳唤醒无线电的传感器节点，可在实现能量收集传感器节点低功耗的同时提高唤醒范围。他们的实现包括一个低功耗唤醒无线电电路与WISP‐Mote相结合，从而支持基于ID的和基于广播的唤醒机制。

为了减少感知操作所消耗的能量，可以采用自适应感知来动态调节在给定时间内感知的数据量（Alippi等2009；Sharma等2010b；Zhang等2013，2016b；Yoon等2016）。协作频谱感知是在Zou等人（2016）中提出，通过优化节点休眠调度来平衡网络能耗。协作传输和中继选择是传感器网络中广泛使用的技术，以提高能效（Cui等人，2004）。Zhang等人（2016a）提出了一种协作传输方案，旨在平衡节点的剩余能量水平。根据源节点的初始能量、信道增益和能量收集速率，选择能够实现最大传感器剩余能量的节点作为中继，与源节点协作。该协议相比最大Er（LERS）方案（选择初始能量最高的中继）以及最小能耗方案（MECS）（选择使总能耗最小的节点作为中继节点）（Berbakov等人，2013），表现出更优的剩余能量均衡性能。

Kansal等人（2007）讨论了无线传感器网络中实现能量中性的三个主要设计考虑因素。这些因素包括能量缓冲器的尺寸、处于能量中性模式时的运行性能水平，以及能量收集硬件所需的测量能力。通常情况下，能量缓冲器可以是电池或超级电容器，用于存储收集的能量，具体取决于能量生成特性。在能量收集系统中，理想情况是使用一种能够在充电过程中无任何效率损失且在传感器节点使用期间不会发生漏电的能量缓冲器来存储任意数量的能量。然而在实际中，要避免这些效率损失和漏电现象而收集能量变得十分困难。因此，在此类系统中实现能量中性至关重要。性能水平将根据所采用的电源管理策略来确定。

测量从环境中收集的能量量以及能量供应的可变性，对于采用电源管理方案来管理能量收集传感器网络系统中用于感知、通信和数据处理的能量使用量是有帮助的。在Baghaee等人（2014）的研究中，振动能量收集、可充电电池与调整传感器节点占空比相结合的方法已被实验证明可实现能量中性。此外，Peng等人（2015）提出了一种能量中性聚类协议，以维持网络运行并实现能量中性。由于收集的能量量具有不确定性，导致协议设计更具挑战性，这需要更复杂的预测模型。在设计能量收集无线传感器网络时，一个设计目标是在满足能量中性操作的前提下最大化网络性能。实现这一目标取决于多个分布式节点所采集的能量，而不仅仅是单个节点的能量，因为网络负载应根据整个网络所收集的能量进行分配（Kansal等人2007）。

尽管从环境中收集的能量在本质上可能具有很大的可变性，但对采集的能量量进行长期的数据收集和分析可能会促进高性能的协议设计，从而实现长期的能量中性操作，而不是仅在短时间内运行。与通过无线能量传输使用静态充电器为节点提供能量相比，使用移动充电器进行能量收集因其能够为节点提供稳定的能量供应而受到广泛关注，这催生了一种新型的无线传感器网络（WSN），称为无线可充电传感器网络（WRSNs）（Baroudi和Al‐Roubaiey2014；Fu等人2016）。尽管WRSNs有可能降低收集能量的不确定性，但仍存在一些需要探索的挑战性领域，例如移动充电器的定位、同步和速度控制（Fu等人2013；Shu等人2015，2016）。

5 能量收集无线传感器网络的通信协议

在无线传感器网络中，通信协议用于高效地从分布式传感器收集传感器数据，并将这些数据传送到本地基站。这些协议的主要目的是有效利用节点的能源进行感知、计算和通信/网络。

在传统无线传感器网络中，由于能量受电池限制，节能的协议设计是实现长寿命系统的关键组成部分。

多年来，人们开发了多种协议，旨在物理层、链路层（MAC）和网络层尽量减少在整个网络中传输数据所需的能量，同时还开发了用于拓扑控制和网络连通性的协议，以确保采集到足够的数据并保持网络连接（Lynch和Loh2006；Nack2010；Potnuru和Ganti2003）。在这些传统无线传感器网络中，关键的性能指标是应用服务质量（QoS）和能量效率（网络寿命）。因此，诸如路由协议之类的协议力求在满足所需服务质量的同时，尽可能减少能量耗散。为实现这一目标，通常将能量视为需要优化的指标，例如在路由过程中选择下一跳邻居时（Singh等2010；Nack2010）。

另一方面，能量收集无线传感器网络通过能量收集器获取能量，以持续为传感器节点供电。因此，在能量收集无线传感器网络中，最终目标不再是做出最小化能耗的决策，而是设计能够有效管理这种可变能量使用的协议，以支持应用QoS目标。例如，在能量收集无线传感器网络中，能量可能不再被视为路由度量，因为设计重点将不再放在传感器节点及整个网络的能效上，而是关注节点在特定时间间隔内利用最少收集的能量所能维持的活动时间。此外，与调制方案和功率传输相关的物理层问题在能量收集无线传感器网络中也备受关注。Sudevalayam和Kulkarni（2011）提出了必须为能量收集无线传感器网络调整的不同通信协议参数。

实现能量收集无线传感器网络（EH‐WSNs）这些新目标，需要对现有协议进行不同类型的优化，并设计考虑节点可变能量供应的新方案。在接下来的章节中，我们将概述在物理层、介质访问控制（MAC）和路由层支持能量收集无线传感器网络（EH‐WSNs）所需的各种协议变更。

5.1 物理层

数据传输与接收是无线传感器节点中最耗能的操作（Carmona等人，2014），为了保持一定的误码率，当通信节点之间的距离增加时，必须提高传输功率（Nanavati和Deshpande，2015）。此外，较高的传输功率会增加对其他节点的干扰。因此，必须适当地调整传输功率，以找到一个最佳工作点，从而实现高分组投递率或达到能量中性操作（Yildiz等人，2016）。Sudevalayam和Kulkarni（2011）讨论了如何根据节点的当前和预测的有效能量以及节点能耗来调整其传输功率，以实现ENO。在Fan和Liu（2016）中，提出了一种能量同步传输控制方案（ESTC），其中每个节点根据其能量预算和流量负载来调整其传输功率。

在本文中，我们描述了功率调整协议的最新进展，并提出了两种额外的技术，通过改变发射和/或接收天线的数量以及结合自适应调制方案使用自适应信源和信道编码来提升系统性能。

5.1.1 基于链路质量参数的功率调整

在文献中，有许多算法可用于根据接收信号强度和链路质量指标等链路质量参数来调整发射功率（Yildiz等人，2016；Carmona等人，2014）。例如，Abo‐Zahhad等人（2015）提供了针对不同调制方案下作为距离函数的最小化每比特能量的最优传输功率。Lin等人（2006）提出了一种方法—

一种用于无线传感器网络（WSN）的协议，其中节点的传输功率根据邻居节点的链路质量进行控制。在这种自适应传输功率控制算法中，每个节点接收携带链路质量信息的反馈数据包。基于收集到的链路质量信息，每个节点确定合适的传输功率以到达特定的邻居节点，并且当传输链路质量发生变化时，节点会相应地调整其发射功率。

在Aprem等人（2013）中，作者提出了一种根据当前信道状态信息（CSI）自适应调整传输功率的协议。在基于自动重传请求（ARQ）的数据包传输中，发送节点可能收到确认应答包（ACK包），表示传输成功，或收到否定应答包（NACK包），表示传输失败。在Aprem等人（2013）中，每个ACK/NACK包都包含CSI，发射机随后利用该信息调整下一个数据包的发射功率。例如，如果信道状态良好，发送方可能会降低下一次传输的发射功率以节省能量；相反，如果CSI显示链路质量较低，则会选择较高的传输功率来发送下一个数据包。

在此研究基础上，Sinha和Chaporkar（2012）提出了一种适用于能量收集无线传感器网络的最优功率分配算法。假设发射机拥有完整的CSI，通过将功率分配问题建模为马尔可夫决策过程（MDP），计算出可最大化链路吞吐量的传输功率。他们考虑了信道和电池的不同状态，其模型决定特定状态下最优的发射功率，以实现整体吞吐量的最大化。每个状态代表电池中的能量以及信道衰落系数。在每个状态下可采取的动作取决于分配给节点的发射功率大小。此外，他们假设电池容量有限，并可通过风能或太阳能等可再生能源源进行充电。其目标是找到最优的发射功率，使得基于信道容量定义的奖励函数达到最大化。

5.1.2 基于多天线的协议

多输入多输出（MIMO）无线电天线技术是另一种通过调整传输功率来提高无线网络能效的方法。在这些网络中，通信可以采用多种动态天线选择方案：多输入多输出（MIMO）、多输入单输出（MISO）、单输入多输出（SIMO）和单输入单输出（SISO）。每种方案具有不同的功耗特性，已有文献提出了多种协议，可同时自适应地调整天线数量和数据通信的发射功率。在Ayatollahi等人（2015）的研究中，作者采用了一种自适应多天线协议，该协议根据信道误码率、传输距离以及节点缓冲区中的可用能量，动态调整用于发送和接收数据的天线数量及相应的发射功率。在四种动态天线选择方案中，每次数据包传输时均选择能够提供最长系统寿命的方案。

在Zhang和Ho（2013）中，提出了一种用于三节点网络中同时无线信息与能量传输（SWIPT）的新型多天线广播信道（MIMO‐BC）系统，作者展示了未来SWIPT系统设计中的基本权衡。在该系统中，所有三个节点（一个发射机和两个接收节点）均配备多个天线，其中一个接收节点负责能量收集并将能量传输至其他节点，而另一个接收节点则解码数据。在接收端，作者提出了两种接收机设计：第一种设计中，接收器在能量收集与传输及接收数据包之间切换；第二种设计中，接收信号被分成两个具有不同功率水平的独立信号，每个信号发送到一个接收节点。

5.1.3 基于联合信源信道编码的协议

在能量收集无线传感器网络中，由于收集的能量数量是可变且不可预测的，传感器节点应采用自适应信源编码、自适应信道编码和调制方案选择（Bai和Nossek2013；Motlagh等人2015；Castiglione和Matz2014；Yao等人2012）。然而，在未具备能够估计未来可用能量量的鲁棒能量预测模型的情况下，调制方案选择以及将信源编码器与信道编码器进行联合设计的自适应信源信道编码可能极具挑战性（Zhai等人2005；Castiglione等人2011）。由于能量收集问题具有基于预测的特性，一些算法假设发射机预先知道未来收集能量的全部信息，或在通信之前已掌握历史及未来的收集能量数据。

在能量收集估计系统中，发射机最小化接收端估计的信源符号均方误差的问题在Zhao等人（2013）中进行了探讨。在此，作者考虑了两种情况：一种是发射机仅知道过去收集的能量；另一种是发射机知道过去、现在和未来的收集能量。

通过采用离散M进制正交幅度调制（MQAM）和编码速率，Bai和Nossek（2013）分析了能量收集发射机的吞吐量。Bai和Nossek（2013）假设在特定持续时间内能量到达情况在发射机端完全已知，以最大化总吞吐量。根据他们的模拟结果，当发射机与接收端之间的距离超过50米时，采用编码传输的系统吞吐量优于未编码传输。在Yao等人（2012）的研究中，通过选择允许系统实现能量中性操作的分组数量来优化信源数据包生成速率。在此，作者提出了一种信源编码速率算法，优先传输最有价值的数据包。

在Castiglione等人（2012）中，提出了一种能量管理模型，该模型基于可用能量、无线信道质量和数据队列状态等不同参数，将能量分配给信道编码器和信源编码器。该协议同时实现了最大平均失真并确保了连接信源编码器和信道编码器的队列的稳定性。对于包含两个以上节点的网络，他们采用了基于TDMA的调度策略，以确保节点处数据队列的稳定性。

在Motlagh等人（2015）中，提出了一种带有能量收集发射机的自适应信源信道编码系统，其中信道码字根据可用电池能量的变化而变化，其主要目标是最小化接收端的失真。他们在一个具有恒定传输功率和无限电池容量的系统中找到了平均失真的下界。

Castiglione和Matz（2014）讨论了能量收集节点中有限且可充电电池情况下的类似问题。在此，作者提出了一种针对信道和信源编码器的联合能量管理方案，并证明使用该算法可以相对于电池容量实现近似最优的失真水平。

5.2 MAC层

优化通信协议是能量收集无线传感器网络设计的基石，因此高效的MAC层设计至关重要（Shahzad和Sheltami2015）。依赖共享节点休眠调度的MAC层同步协议不适用于能量收集无线传感器网络，因为节点的充电周期（在此期间节点被认为无法进行通信）可能与唤醒周期重合（Huang等，2013）。异步方案可分为发送方启动方案，其中接收端定期唤醒并检查来自发射机的前导码，以及接收方启动方案，其中接收端发送周期性信标表示其已准备好接收数据（Bachir等，2010）。现有的能量收集无线传感器网络MAC协议主要分为三类：基于自适应占空比的协议，

表8. 使用可充电电池的无线传感器网络应用 应用场景 使用的储能装置

		参考文献
水质监测	12V电池	Amruta和Satish（2013）以及Sowmya等人（2017）
森林火灾监测	1Ah锂电池	Lazarescu（2015）
气候变化监测	150mAh镍氢可充电电池（主）2200mAh锂离子电池（备用）	Ingelrest等人（2010）
桥梁结构健康监测监测	锂离子或锂聚合物电池（10,000mAh容量）	Jang等（2010）
水环境	镍氢电池	Alippi等（2011）

表9. 使用可充电电池和超级电容器的基于无线传感器网络（WSN）的应用 应用场景 组合储能装置

		参考文献
在线河流监测	超级电容器（第一缓冲区可充电电池 （第二个缓冲单元）	Capella等（2013）
无线传感器网络（WSN）使能的智能	超级电容器（主单元）可充电电池（备用）	Naveen和Manjunath（2011）
建筑物

在表8和9中，列出了不同的应用场景及其相应的储能设备。

4.2 能量预测

能量预测对于能量收集无线传感器网络（EH‐WSNs）非常重要，因为如果不仅了解现有的（已存储的）能量，还能了解短期和长期将要采集的能量，就可以对协议进行优化。然而，由于从不同能源中可采集的能量数量和速率通常是动态且高度变化的，因此准确的能量预测可能非常具有挑战性。不同的能源可以根据其可预测性和可控性进行分类（Shaikh和Zeadally2016a）。例如，对于太阳能，指数加权移动平均（EWMA）算法假设某一时刻的能量产生量是过去几天同一时刻所采集能量的指数加权移动平均值（Kansal等人2007）。该模型适用于稳定的天气条件，但未考虑频繁的气象变化，导致预测的采集能量与实际采集能量之间的平均误差为28%。天气条件加权移动平均（WCMA）算法将一天划分为多个时间段，在每个时间段结束时提供下一时间段的能量预测。WCMA算法包含过去几天同一时间的数据，并根据当前天与过去几天之间天气条件的差异对其进行缩放，从而实现更优的预测模型，平均误差为9.8%（Piorno等人2009）。在Moser等人（2007）的研究中，能量预测器收集当前时间接收到的能量信息，并将其与来自过去几天呈指数衰减的旧数据相结合。这些算法之间的比较表明，WCMA算法提供了误差最低的最佳能量预测；然而，它需要更多的存储内存和更长的预测时间（Bergonzini等人2009）。

Sharma等人（2010a）设计了一种算法，通过建立将天气预报数据转化为能量收集预测的模型，利用本地天气预报数据。尽管天气预报提供的数据比仅依赖于过去几天的情况，该算法需要大量开销来将天气预测数据传输到传感器节点。在Noh和Kang（2011）中，提出了一种基于EWMA的算法。为了克服EWMA无法考虑变化的天气条件的问题，每个时隙结束时计算一个缩放因子（即预测能量与实际采集的能量之间的比率），并用它来调整未来时隙的预测能量。

在Cammarano等人（2012）中，所提出的能量预测模型（Pro‐Energy）算法收集一整天的能量分布，该分布包含一天中每个时隙收集的能量信息，并将该天分类为典型的能量分布：晴天、多云或雨天。在每个时隙，Pro‐Energy根据与当前天最相似的能量分布来预测收集的能量。Pro‐Energy由三个组件组成：预测模块，负责短期和长期的能量预测；轮廓分析器