We consider an energy harvesting transmitter equipped with two batteries having finite storage capacities, communicating over an additive white Gaussian channel. The work is motivated by an observation that many practical batteries, when repeatedly charged after being partially discharged, suffer from degradation in the usable capacity. The capacity can be recovered by completely discharging the battery before charging it fully again. Hence, in this work, we impose the constraint that a battery must be charged (discharged) only after it is fully discharged (charged). Our goal is to maximize the longterm average throughput with non-causal and causal knowledge of the energy arrivals, which we assume to be Bernoulli. We propose two sub-optimal policies and obtain an upper bound on the performance gap (G) from the optimal long-term average throughput that is achieved with infinite capacity batteries. We find that G remains constant as the amount of energy harvested per arrival increases. Numerically, we also find that G decreases with the battery capacity faster than the inverse of the square root of the battery capacity for a specific energy arrival parameters.


翻译:这项工作的动力是,许多实用电池在被部分放电后反复充电时,其可用容量会退化。在完全充电之前,可以通过完全卸下电池来恢复能力。因此,在这项工作中,我们强制规定,电池必须在完全放电(充电)后才能充电(放电)。我们的目标是,在无因果关系和因果知识的情况下,最大限度地实现长期平均输电量,我们假定是Bernoulli。我们提出了两个次级最佳政策,并从用无限容量电池实现的最佳长期平均吞吐量中获取性能差距(G)的上限。我们发现,G保持不变,因为每次运抵的能量量会增加。从数字上看,我们还发现,在特定能量到达参数方面,G随着电池容量的下降速度比电池容量的平底部速度要快。

0
下载
关闭预览

相关内容

知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
105+阅读 · 2020年6月10日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
104+阅读 · 2020年5月15日
因果图,Causal Graphs,52页ppt
专知会员服务
238+阅读 · 2020年4月19日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
54+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
166+阅读 · 2019年10月11日
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
24+阅读 · 2019年5月18日
无监督元学习表示学习
CreateAMind
25+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
计算机视觉近一年进展综述
机器学习研究会
8+阅读 · 2017年11月25日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
4+阅读 · 2020年3月27日
Meta-Learning with Implicit Gradients
Arxiv
13+阅读 · 2019年9月10日
Deep Learning for Energy Markets
Arxiv
8+阅读 · 2019年4月10日
Arxiv
3+阅读 · 2018年10月8日
Arxiv
3+阅读 · 2018年4月3日
Arxiv
6+阅读 · 2018年3月12日
Arxiv
5+阅读 · 2018年1月30日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
24+阅读 · 2019年5月18日
无监督元学习表示学习
CreateAMind
25+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
计算机视觉近一年进展综述
机器学习研究会
8+阅读 · 2017年11月25日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Arxiv
4+阅读 · 2020年3月27日
Meta-Learning with Implicit Gradients
Arxiv
13+阅读 · 2019年9月10日
Deep Learning for Energy Markets
Arxiv
8+阅读 · 2019年4月10日
Arxiv
3+阅读 · 2018年10月8日
Arxiv
3+阅读 · 2018年4月3日
Arxiv
6+阅读 · 2018年3月12日
Arxiv
5+阅读 · 2018年1月30日
Top
微信扫码咨询专知VIP会员