منصة أتمتة لقبول الجهد المنخفض مدفوعة بالعمليات مع تنسيق مرئي لسير العمل والتحقق باستخدام تعلم الآلة

ملخص

تدمج منصة أتمتة قبول الجهد المنخفض المقترحة بين إنترنت الأشياء (IoT)، وتنسيق سير العمل المرئي، وحوسبة الحافة والسحابة، وهندسة الميزات، والتعلم الآلي لأتمتة اختبارات قبول أنظمة الجهد المنخفض (LV). وتتيح هذه المنصة الكشف الذكي عن الأعطال، واتخاذ القرارات في الوقت الفعلي، والقبول المؤتمت، مع ضمان دقة عالية، وزمن استجابة تشغيلي منخفض، وإمكانية نشر قابلة للتوسع.

الملخص

يتطلب التوسع السريع في شبكات الجهد المنخفض (LV) وتكاملها مع موارد الطاقة الموزعة حلول إدارة ذكية ومؤتمتة. وتدعم منصات إنترنت الأشياء (IoT) التعاونية بين السحابة والحافة عمليات المراقبة والتحكم واقتناء البيانات في الوقت الفعلي. ومع ذلك، تفتقر المنصات الحالية عموماً إلى أتمتة تدفقات العمل، والتنسيق المرئي للعمليات، ودعم اتخاذ القرار الموجه للمستخدم، والتحقق الشامل. وبناءً على ذلك، فهي لا توفر حلولاً قائمة على العمليات لاختبارات قبول شبكات الجهد المنخفض المؤتمتة. تقدم هذه الدراسة تصميم وتقييم منصة أتمتة قبول الجهد المنخفض استناداً إلى لوحة عمليات مرئية. وتعتمد المنصة المقترحة بنية قائمة على العمليات، حيث يتم إنشاء تدفقات عمل القبول وإدارتها وتنفيذها بصرياً. وتعمل لوحة العمليات المرئية على تحويل المراقبة الساكنة التقليدية إلى أتمتة ديناميكية لتدفقات العمل من خلال تمكين تنفيذ تدفقات العمل والتحقق منها واتخاذ القرارات في الوقت الفعلي. ويتضمن الإطار شبكة Open LV Network &؛ مجموعة بيانات العدادات الذكية لدعم النمذجة الواقعية لسلوك الحمل الكهربائي. يتضمن سير العمل الحصول على البيانات استناداً إلى إنترنت الأشياء (IoT)، والمعالجة المسبقة للبيانات، وهندسة الميزات، وتنسيق سير العمل باستخدام لوحة العمليات المرئية، والتحقق من الصحة استناداً إلى تعلم الآلة، وتصور البيانات عبر لوحة تحكم في الوقت الفعلي. حقق الإطار المقترح معدل كشف عن الأعطال بنسبة 98.4%، ومساحة تحت المنحنى لخاصية تشغيل المستقبل (ROC-AUC) بلغت 0.968، وزمن وصول لاتخاذ القرار التشغيلي قدره 31 مللي ثانية، متفوقاً بذلك على النهج الأساسية التقليدية المرتكزة على السحابة وتلك القائمة على إنترنت الأشياء بنسبة تتراوح بين 30% و40% تقريباً.

المقدمة

تتحقق الثورة الصناعية الرابعة (Industry 4.0)¹ من خلال عدة تقنيات ناشئة، ويعد إنترنت الأشياء الصناعي (IIoT) أحد أهم هذه التقنيات. يشير إنترنت الأشياء الصناعي إلى تطبيق تقنيات إنترنت الأشياء (IoT) في البيئات الصناعية، حيث تتواصل الأجهزة والآلات المترابطة بشكل أساسي من خلال تفاعلات من آلة إلى آلة. ونظراً لأن الإخفاقات في الأنظمة الصناعية قد تؤدي إلى خسائر تشغيلية كبيرة، فإن تطبيقات إنترنت الأشياء الصناعي تتطلب اتصالات عالية الموثوقية بينما تولد أحجاماً من البيانات أكبر بكثير من أنظمة إنترنت الأشياء التقليدية². بالإضافة إلى ذلك، تعتبر بعض الدراسات إنترنت الأشياء الصناعي مفهوماً مرتبطاً ارتباطاً وثيقاً بالثورة الصناعية الرابعة³. وتعمل تقنيات إنترنت الأشياء على تحويل البنيات الهرمية التقليدية من خلال تمكين أنظمة أكثر مرونة مع تبادل سلس للبيانات⁴. وقد قامت العديد من الدراسات الحديثة بمراجعة بنيات إنترنت الأشياء الصناعي الحالية واقترحت تصميمات لأطر عمل جديدة^5,6,7,8,9. ورغم هذه التطورات، لا يزال هناك محددان رئيسيان؛ أولاً، يتم اقتراح أطر عمل جديدة بشكل متكرر للتغلب على قصور البنيات السابقة، مما يؤدي إلى زيادة عدد النماذج البديلة التي تزيد من التنوع البنيوي وتعقيد التنفيذ. ثانياً، فإن المستوى العالي من التجريد المرتبط بالعديد من البنيات المقترحة يحد من تبنيها العملي في البيئات الصناعية¹⁰.

تم الإبلاغ عن العديد من بنيات إنترنت الأشياء الصناعية (IIoT) في الدراسات السابقة. حيث عُرضت بنية IIoT تعتمد على معيار اتصالات المنصة المفتوحة (OPC) بالتزامن مع برمجية وسيطة بلغة Python لإدارة اتصالات OPC¹¹. كما اقتُرحت بنية IIoT مكونة من سبع طبقات؛ ومع ذلك، لم يتم تقديم تفاصيل التنفيذ وتجارب التحقق¹². ووُصف إطار عمل يدمج تقنيات الجيل الخامس (5G) وIIoT مع حالة استخدام نموذجية، على الرغم من محدودية التحقق التجريبي¹³. كما قُدم إطار تصميم عاطفي للصناعة 4.0، ونُوقشت تداعياته المحتملة دون تحقق تجريبي¹⁴. وفي دراسة أخرى، تم تقييم منصة IIoT متعددة الطبقات في بيئة اختبار واقعية، مع التركيز على اعتبارات الاتصالات السلكية واللاسلكية¹⁵. وبالمثل، عُرض إطار عمل نمطي لإنترنت الأشياء (IoT) لمراقبة جودة الهواء الداخلي وتم تقييم أدائه باستخدام بيانات جُمعت من 84 منزلاً بها أطفال¹⁶.

أصبحت إنترنت الأشياء (IoT) تقنية تتطور بسرعة ولديها إمكانات كبيرة للتطبيق في قطاع الطاقة الكهربائية^17,18. إن دمج تقنيات إنترنت الأشياء في عقد نظام الطاقة يتيح توليداً ونقلاً وتوزيعاً وتشغيلاً واستخداماً للطاقة بشكل أكثر ذكاءً وكفاءة، وذلك من خلال اتخاذ قرارات ذاتية مدعومة بالمراقبة المستمرة والآنية لتدفق الكهرباء داخل الشبكة الذكية. ونتيجة لذلك، تعمل هذه العقد الذكية على تحسين الأداء التشغيلي العام للشبكة الكهربائية¹⁹. وتمثل تكنولوجيا الاتصالات مكوناً أساسياً في تنفيذ الشبكة الذكية نظراً لضرورة نقل فئتين رئيستين من المعلومات بموثوقية: قياسات المستشعرات وإشارات التحكم. وبالإضافة إلى انخفاض زمن انتقال الاتصالات، تتطلب تطبيقات الشبكة الذكية جودة خدمة (QoS) مناسبة وأمناً كافياً للبيانات لضمان التشغيل الموثوق²⁰.

يتطلب اختيار تقنية اتصال مناسبة لتطبيقات الشبكات الذكية مراعاة فترات الاتصال، ومعدلات نقل البيانات، وتكاليف الاتصال²¹. وتتكون شبكات اتصال إنترنت الأشياء (IoT) عادةً من طبقات البرمجيات، والأمن، والخدمة، والنظام، والاتصال. وضمن طبقة الاتصال، تُصنف بروتوكولات الاتصال عمومًا إلى ثلاث فئات؛ تشمل البروتوكولات بعيدة المدى LoRa و Narrowband-IoT (NB-IoT)، وتشمل البروتوكولات متوسطة المدى Wi-Fi و 4G/LTE و 5G، بينما تشمل البروتوكولات قصيرة المدى Bluetooth و ZigBee. ومع تزايد تحرير أسواق الكهرباء، اكتسب التنبؤ بالأحمال أهمية أكبر لتقييم آثار الظروف الجوية، وأعطال المعدات، والتغييرات التنظيمية، وغيرها من العوامل التشغيلية على تكلفة خدمات الكهرباء. وبناءً على ذلك، أصبح التنبؤ الدقيق بالأحمال السكنية أمرًا ضروريًا لتشغيل والإشراف على الشبكات الذكية، والشبكات الصغيرة، والمباني الذكية²².

يعتمد التشغيل الموثوق لشبكات الجهد المنخفض (LV) على الحفاظ على جودة عالية للطاقة²³. وتتحدد جودة الطاقة بمدى فعالية تنظيم الجهد، وتوازن التيار، والحد من الاضطرابات التقنية في ظل ظروف التشغيل غير المتوازنة²⁴. ومن بين هذه العوامل، يكتسب توازن الأطوار أهمية خاصة لأنه يحدد التوزيع الموحد للجهود والتيارات عبر الأطوار²⁵. وقد يؤدي ضعف توازن الأطوار إلى زيادة تسخين الموصلات، وانحرافات الجهد، وتيارات النقطة المحايدة، مما يقلل من كفاءة النظام وموثوقية التشغيل²⁶. وبناءً على ذلك، يجب مراعاة توازن الأطوار أثناء عملية التصميم لتحسين أداء النظام، واستقراره التشغيلي، وموثوقيته على المدى الطويل. ومع ذلك، نادراً ما يتم دمج هذا الجانب في منهجيات تصميم الشبكات الصغيرة التقليدية.

أظهرت التطورات الحديثة في أنظمة تنظيم سير العمل فوائد الأتمتة القائمة على الأحداث والإدارة المرئية للعمليات ضمن بيئات إنترنت الأشياء الصناعية. ومع ذلك، لا يزال تطبيقها في التحقق من صحة شبكات التوزيع واختبارات القبول للجهد المنخفض محدوداً. تركز معظم أنظمة أتمتة الجهد المنخفض الحالية بشكل أساسي على المراقبة والتحكم الإشرافي، بينما تبحث دراسات قليلة نسبياً في إدارة القبول الموجهة بسير العمل أو التحقق المؤتمت من الامتثال. وبالمثل، على الرغم من أن تقنيات تعلم الآلة قد حظيت باهتمام كبير في اكتشاف الشذوذ في العدادات الذكية وتقييم جودة الطاقة، إلا أن هذه النهج يتم تطويرها عموماً كنماذج تحليلية مستقلة بدلاً من كونها مكونات في إطار عمل متكامل لتنظيم سير العمل.

تم اقتراح حلول متنوعة لعدادات الطاقة الذكية لإدارة المباني الذكية وأتمتة المنازل في السنوات الأخيرة²⁷. وقد عُرض نموذج أولي لعداد ذكي في المرجع²⁷ لتوضيح كيفية دمج المفاهيم التعليمية على المستوى الجامعي في تقنيات القياس الذكي. وأظهر العداد الذكي المطور إمكانات كبيرة في إدارة الطاقة والتحكم بها، مما أدى إلى تقليل استهلاك الطاقة وتحقيق الفائدة لكل من شركات المرافق والمستهلكين من خلال اتصالات إنترنت الأشياء (IoT) ثنائية الاتجاه. وعقب ذلك، تم تقديم نظام مقبس ذكي يعتمد على المتحكم الدقيق لدعم المراقبة الذكية للطاقة²⁸.

يعرض نظام المقبس الذكي المقترح استهلاك الطاقة في الوقت الفعلي من خلال واجهة مستخدم رسومية تعتمد على نظام Android. بالإضافة إلى ذلك، يمكن للجهاز اكتشاف وجود الأجهزة الكهربائية المتصلة، وهي قدرة يُشار إليها باسم قياس الحمل الاجتياحي (invasive load measurement)²⁸. وقد استُخدم مقبس ذكي تجاري منخفض التكلفة في التنفيذ. وتشمل التحسينات المستقبلية مراقبة تيار جذر متوسط المربعات (RMS)، والقدرة الحقيقية، والقدرة التفاعلية، وزاوية الطور بين الجهد والتيار. وكما هو موضح في دراساتنا السابقة، تستخدم شبكة صغرى كهروضوئية متصلة جزئياً بالشبكة بروتوكولات اتصال ZigBee وLoRa لتبادل المعلومات مع أجهزة العدادات الذكية، مما يثبت جدوى الاتصالات الممكنة عبر إنترنت الأشياء (IoT) لأنظمة الطاقة الموزعة^29,30.

لمعالجة القصور في التخطيط التقليدي لأنظمة التوزيع، تقدمت الممارسات الهندسية والبحوث العلمية في عدة اتجاهات متكاملة. فقد ركز أحد الاتجاهات البحثية على التخطيط رفيع المستوى باستخدام نظم المعلومات الجغرافية (GIS) لاختيار المواقع والتقييم الأولي للموارد^31,32. بينما ركز اتجاه آخر على تحسين المكونات والأنظمة الفرعية الفردية، بما في ذلك اختيار الموصلات، والتحديد الأمثل لأحجام التوليد وتخزين الطاقة، والتقييمات المقارنة لأنظمة توزيع التيار المتردد (AC) والتيار المستمر (DC)^33,34,35,36. وطبق اتجاه بحثي ثالث خوارزميات الأمثلة على تخطيط شبكة التوزيع، وتوجيه المغذيات، وتصميم طبولوجيا الشبكة. وتشمل التطورات الحديثة أطراً عمليّة مثل منصة uGrid الخاصة بالباحثين، والتي تدمج توزيع الأجهزة وتهيئة الشبكة ولكنها تفتقر إلى تحليل قياسي لتدفق الطاقة لأغراض التحقق والأمثلة. وتعتمد مناهج أخرى على الضبط اليدوي للمعاملات لتوليد الطبولوجيا أو تركز على تطبيقات متخصصة مثل الشبكات الدقيقة للتيار المستمر منخفضة القدرة^37,38,39. ورغم أن هذه المناهج تمثل تقدماً ملموساً، إلا أن هناك حاجة إلى مزيد من العمل لإرساء منهجية متكاملة للتصميم الشامل لأنظمة التوزيع ذات الجهد المنخفض. علاوة على ذلك، لا تزال التقييمات التقنية-الاقتصادية الشاملة لأنظمة الجهد المنخفض أحادية الطور وثلاثية الطور والهجينة محدودة.

ساهمت التطورات الأخيرة في الذكاء الاصطناعي (AI) وتعلم الآلة في توسيع قدرات أنظمة الطاقة الذكية بشكل أكبر. وقد قدمت مراجعة شاملة ملخصاً لتطبيقات الذكاء الاصطناعي وتعلم الآلة في الشبكات الذكية، بما في ذلك التقنيات الناشئة مثل التعلم الاتحادي (Federated Learning)، والذكاء الاصطناعي التوليدي (Generative AI)، والنماذج اللغوية الكبيرة (Large Language Models)، والذكاء الاصطناعي للأشياء (AIoT)، والتوائم الرقمية (Digital Twins)⁴⁰. وسلطت المراجعة الضوء على التطبيقات في مجالات التنبؤ بالأحمال، والصيانة التنبؤية، وكشف الشذوذ، وإدارة جانب الطلب، ودمج المركبات الكهربائية، مع التأكيد على التحديات المستمرة المتعلقة بالتوافق التشغيلي، والخصوصية، وقابلية التوسع، والمتانة، والاعتبارات الأخلاقية. كما قيمت مراجعة حديثة أخرى طرق الذكاء الاصطناعي لإدارة الطاقة الموزعة في البنى التحتية القائمة على الحوسبة الحافية والسحابية وإنترنت الأشياء (IoT-edge-cloud)، مع التركيز على تعلم الآلة، والتعلم التعزيزي، والأنظمة متعددة الوكلاء للتحكم اللامركزي في الطاقة⁴¹.

لقد ساهمت الدراسات السابقة مجتمعة في تطوير المراقبة المعتمدة على إنترنت الأشياء (IoT)، والقياس الذكي، وحوسبة السحابة والحافة، والذكاء الاصطناعي، والإدارة الذكية للطاقة لأنظمة التوزيع ذات الجهد المنخفض (LV). ومع ذلك، فقد تم تطوير هذه التقنيات بشكل مستقل إلى حد كبير؛ حيث لا يزال تنسيق سير العمل، والإدارة المؤتمتة للقبول، والتحقق القائم على العمليات، ودعم القرار المتكامل محدودة، مما يسلط الضوء على الحاجة إلى إطار عمل مؤتمت وموحد موجه نحو سير العمل.

بناءً على ذلك، تقدم هذه الدراسة منصة أتمتة لقبول الجهد المنخفض تعتمد على لوحة عمليات مرئية. يدمج الإطار المقترح بين الحصول على البيانات القائم على إنترنت الأشياء (IoT)، والمعالجة المسبقة للبيانات، وهندسة الميزات، وتنسيق سير العمل، والتحقق القائم على تعلم الآلة، والحوسبة السحابية والحافة، والتصور في الوقت الفعلي ضمن بنية موحدة لدعم اختبارات قبول شبكات الجهد المنخفض (LV) بشكل مؤتمت وموثوق باستخدام بيانات العدادات الذكية من العالم الحقيقي. يوفر الشكل 1 نظرة عامة على البنية الموجهة لسير العمل في المنصة المقترحة. يتكون سير العمل من الحصول على البيانات، والمعالجة المسبقة، وهندسة الميزات، وتنسيق سير العمل، واتخاذ القرار الذكي، والتكامل السحابي والحافة، مما يتيح التحقق المؤتمت من شبكات توزيع الجهد المنخفض من خلال إطار عمل موجه للعمليات. وقد أظهرت المنصة دقة تحقق عالية مع تقليل زمن انتقال القرارات التشغيلية ووقت تنفيذ سير العمل مقارنة بالأساليب التقليدية.

الشكل 1. البنية الموجهة بسير العمل لمنصة أتمتة قبول الجهد المنخفض المقترحة. بنية رفيعة المستوى لمنصة أتمتة قبول الجهد المنخفض (LV) المقترحة والقائمة على العمليات. يوضح الإطار التكامل التسلسلي لجمع البيانات الممكنة بواسطة IoT، والمعالجة المسبقة للبيانات، وهندسة الميزات، وتنسيق سير العمل، واتخاذ القرار الذكي، والتعاون بين السحابة والحافة، والقبول المؤتمت للتحقق من شبكة توزيع الجهد المنخفض. IoT = إنترنت الأشياء؛ LV = جهد منخفض؛ ML = تعلم الآلة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

البروتوكول

This study did not involve human participants, animals, or identifiable personal data. The analyses were performed using a publicly available dataset (UK Power Networks Open LV Network & Smart Meter dataset) together with synthetically generated data for validation; therefore, ethics committee approval and informed consent were not required. The research tools used in the protocol are listed in the Table of Materials.

1. Data acquisition

The Low-Voltage (LV) Acceptance Automation Platform was developed using electrical measurements acquired from smart meters, IoT sensors, and the Open LV Network & Smart Meter Dataset. Electrical parameters, including voltage, current, active power, reactive power, and energy consumption, were collected through Wi-Fi-, PLC-, and RS-485-based communication protocols. Real-time measurements were used for live system monitoring, whereas historical data supported model development and validation.

The proposed framework used the Open LV Network & Smart Meter Dataset provided by UK Power Networks⁴². The dataset comprises household smart meter consumption, feeder-level load profiles, and feeder voltage measurements. Time-series subsets containing load consumption and voltage data were selected for model training and evaluation. In addition, a simulated smart meter dataset was generated to represent operational conditions and fault scenarios required for workflow validation and machine learning model evaluation. The simulated dataset included timestamped measurements of voltage, current, active power, reactive power, energy consumption, total harmonic distortion (THD), and voltage imbalance. Fault samples were generated by simulating undervoltage, overvoltage, excessive harmonic distortion, and voltage imbalance based on established low-voltage operational thresholds. The dataset characteristics are summarized in Table 1.

Attribute	Description
Dataset Name	Open LV Network & Smart Meter Dataset
Simulated  Smart Meter Dataset	Geneated 1000 smaples for Fault simulation and workflow validation
Data Type	Time-series (historical smart meter data)
Data Granularity	Household-level and feeder-level measurements
Key Features	Voltage, current, active power, reactive power, energy consumption, timestamps
Data Frequency	High-resolution (e.g., half-hourly / minute-level depending on subset)
Coverage	Residential low-voltage distribution networks
Usage in Proposed Work	Model training, validation, load behavior analysis, and acceptance workflow evaluation

Table 1: Dataset description. Summary of the Open LV Network & Smart Meter dataset used for model development and performance evaluation. The table presents the dataset components, measured electrical variables, sampling characteristics, and dataset partitioning for training, validation, and testing.

Because the Open LV Network & Smart Meter Dataset does not contain predefined fault labels, a rule-based labeling strategy was applied to both the real and simulated datasets. Samples satisfying normal operating limits were assigned a label of 0 (Normal), whereas samples exceeding operational thresholds (e.g., voltage deviations greater than ±10% of the nominal voltage, THD > 5%, or voltage unbalance > 2%) were assigned a label of 1 (Fault). These labels served as the ground truth during model training, validation, and testing. The proposed rule engine also allows threshold values to be configured in accordance with regional standards or utility-specific acceptance criteria.

The dataset was partitioned into training (70%), validation (15%), and testing (15%) subsets. Missing values were addressed using linear interpolation, mean imputation, and forward-fill techniques as described in the preprocessing stage. To ensure statistical robustness and reproducibility, all experiments were repeated five times using different random seeds.

2. Data preprocessing

Raw data from the Open LV Network & Smart Meter Dataset and IoT sensor measurements were preprocessed to improve data quality prior to feature extraction and model development. Missing values, noise, and inconsistencies caused by communication interruptions and sensor malfunctions were identified and corrected using interpolation, mean imputation, and forward-fill techniques. The detailed mathematical derivations are provided in Supplementary File 1 (Section S1).

The preprocessed time-series data were segmented into representative operational intervals (S₁–S₅ and S_k). Statistical and electrical features, including average load, peak load, minimum load, standard deviation, voltage deviation, and power consumption, were extracted from each segment. The extracted features are summarized in Table 2 and served as inputs for the subsequent feature engineering stage.

Segment ID	Mean Load (kW)	Peak Load (kW)	Min Load (kW)	Std Deviation (kW)	Voltage Deviation (p.u.)	Power Consumption (kWh)	Time Interval
S₁	2.45	3.8	1.2	0.65	0.032	58.4	00:00–01:00
S₂	2.9	4.1	1.5	0.72	0.028	64.2	01:00–02:00
S₃	3.25	4.85	1.8	0.81	0.035	71.6	02:00–03:00
S₄	3.8	5.2	2.1	0.9	0.041	78.9	03:00–04:00
S₅	4.1	5.75	2.4	0.95	0.045	85.3	04:00–05:00
Sk	3.6	5.1	2	0.88	0.038	76.5	tk

Table 2: Representative feature representation extracted from time-series segments. Representative statistical, electrical, load behavior, voltage stability, and power quality features extracted from segmented LV time-series data during feature engineering. The values illustrate the engineered feature representation and are not experimental performance results. LF = Load Factor; PAR = Peak-to-Average Ratio; VSI = Voltage Stability Index; PF = Power Factor; THD = Total Harmonic Distortion.

3. Feature engineering

Feature engineering was performed to improve the representation of the preprocessed data for workflow orchestration and intelligent decision-making. Principal Component Analysis (PCA)^43 was applied to reduce data dimensionality by removing redundant and highly correlated variables while retaining the most informative feature components. The mathematical derivations are provided in Supplementary File 1 (Section S2).

Statistical descriptors, load behavior indicators, voltage stability indices, and power quality metrics were derived from the segmented time-series data. These engineered features included Load Factor (LF), Peak-to-Average Ratio (PAR), Voltage Stability Index (VSI), Voltage Unbalance Index, Power Factor (PF), and Total Harmonic Distortion (THD). The resulting feature set was used as the input to the workflow orchestration and intelligent decision-making modules.

The feature engineering workflow is summarized in Supplementary File 1 (Supplementary Algorithm 1). The procedure consisted of segmenting the preprocessed data, extracting statistical and electrical features, calculating load behavior, voltage stability, and power quality indicators, and applying PCA to generate the final feature vector used for model training and validation.

4. Visualized process canvas design

The Visualized Process Canvas was developed as a graph-based workflow orchestration framework for automating low-voltage (LV) acceptance procedures. The workflow was represented as a directed graph, G = (N, E), where N = {n₁, n₂, …, n_m}denotes the workflow nodes corresponding to individual processing stages (e.g., data input, preprocessing, validation, and decision-making), and E = {e_ij}represents the directed edges defining the execution sequence between nodes. This graph-based representation enabled the creation of configurable workflows and their automated execution without manual coding.

Each workflow node performed a specific processing task by receiving input data, executing predefined operations, and forwarding the processed output to subsequent nodes. Acceptance criteria, including voltage and load thresholds, were implemented as configurable validation rules that could be updated without modifying the workflow structure. The workflow supported both sequential and parallel execution to improve computational efficiency. Machine learning models were integrated into designated workflow nodes to perform anomaly detection and automated acceptance validation (Figure 2).

Figure 2: Visualized process canvas architecture for LV acceptance automation. Overview of the visual workflow orchestration framework used for LV acceptance automation. The process canvas illustrates the graphical organization of workflow nodes for data processing, feature engineering, rule-based validation, intelligent decision-making, and output generation to support workflow design, execution, and monitoring. Please click here to view a larger version of this figure.

The mathematical formulation describing information flow through the workflow graph is provided in Supplementary File 1 (Section S3). Supplementary File 1 (Supplementary Algorithm 2) describes the workflow orchestration procedure, including workflow traversal, node execution, rule validation, decision generation, and output aggregation.

The Visualized Process Canvas was implemented using a microservice-oriented software architecture to support scalability and modular deployment. The graphical workflow interface was developed using React.js to provide drag-and-drop workflow configuration. Backend orchestration services were implemented using Flask/FastAPI, while Eclipse Mosquitto served as the MQTT message broker for communication between workflow modules. EdgeX Foundry provided edge device management and IoT integration. Machine learning services were implemented with Scikit-learn, TensorFlow, and PyTorch, and containerized with Docker and Kubernetes.

5. Workflow orchestration engine

The workflow orchestration engine coordinated execution of the configured acceptance workflow. A detailed description is provided in Supplementary File 1 (Section S4), and the execution sequence is summarized in Supplementary Figure 1.

The workflow execution process consisted of validating the workflow definition, initializing the execution environment, scheduling workflow nodes according to their dependencies, executing nodes sequentially or in parallel, applying rule-based validation, aggregating intermediate outputs, and generating the final acceptance or rejection decision based on rule-based and machine learning evaluation. Execution results were published through dashboards, reports, application programming interfaces (APIs), and data storage services. The overall workflow orchestration process is illustrated in Figure 3.

Figure 3: Comparison of classification performance metrics across different methods. Comparison of the classification performance of IoT-LV, RBM, Support Vector Machine (SVM), Random Forest (RF), Long Short-Term Memory (LSTM), and the proposed framework using the Open LV Network & Smart Meter dataset. Performance is evaluated using Accuracy, Precision, Recall, and F1-score. Results are presented as mean ± standard deviation (SD) from five independent experimental runs using a 70%/15%/15% training/validation/testing split. Error bars represent one standard deviation. Please click here to view a larger version of this figure.

6. Intelligent decision module

The Intelligent Decision Module was developed to automate low-voltage (LV) acceptance decisions using supervised machine learning models. Classification and regression algorithms were applied to the engineered feature vectors to support operational decision-making. Classification models identified normal and abnormal operating conditions, whereas regression models estimated future energy consumption and operational trends.

The input feature vector, X ∈ ℝ^d, comprised the statistical, voltage stability, load behavior, and power quality features extracted during the feature engineering stage. Standalone Support Vector Machine (SVM)⁴⁴, Random Forest (RF)⁴⁵, and Long Short-Term Memory (LSTM)⁴⁶ models were implemented as baseline classifiers for comparative evaluation. The mathematical formulation of the learning models is provided in Supplementary File 1 (Section S5).

For classification, the output variable y ∈ {0,1} represented normal (0) and abnormal (1) operating conditions. When abnormal operating conditions or overload events were detected, the workflow generated a fault notification and flagged the acceptance process as invalid; otherwise, the process was classified as accepted.

The workflow orchestration engine integrated machine-learning predictions with rule-based validation, using a priority-based conflict-resolution strategy. Safety-critical operational rules and regulatory acceptance criteria were treated as hard constraints and therefore took precedence over machine-learning predictions when conflicts occurred. Final acceptance decisions were generated using the combined outputs of the rule-based validation and intelligent decision modules.

7. Cloud–edge integration and visualization dashboard

A cloud-edge computing architecture was implemented to support scalable data processing, storage, and visualization for the LV acceptance automation platform. Smart meters, SCADA systems, and IoT devices continuously collect electrical measurements, which are processed at the edge layer via filtering, normalization, feature extraction, and real-time inference to reduce communication overhead and enable low-latency decision-making. The mathematical derivations are provided in Supplementary File 1 (Section S6).

Processed data were transmitted to the cloud layer for long-term storage, advanced analytics, feature engineering, model training, and model management. Interactive dashboards provided real-time system monitoring, alerts, reporting, and operational decision support. The cloud-edge architecture is illustrated in Supplementary Figure 2, and the implementation details are summarized in Table 3.

Layer	Component	Hardware / Software	Specification / Version	Purpose / Description
Edge Layer	Edge Device	Raspberry Pi 4 / NVIDIA Jetson Nano	Quad-core CPU, 4–8 GB RAM	Real-time data acquisition and local processing
	IoT Gateway	Industrial IoT Gateway	MQTT / Modbus / OPC-UA support	Communication between sensors and edge/cloud
	Sensors / Smart Meters	Digital Smart Meters	Voltage, Current, Power Measurement	Data collection from LV network
	Edge Software	Python, EdgeX Foundry, MQTT Broker	Python 3.x	Data preprocessing, filtering, local inference
	Communication Protocols	Wi-Fi / PLC / RS-485	Standard protocols	Data transmission to cloud layer
Cloud Layer	Cloud Platform	AWS / Microsoft Azure / Google Cloud	Scalable cloud services	Data storage, analytics, and model training
	Storage	AWS S3 / Azure Blob / InfluxDB	Time-series database	Storing historical and real-time data
	Compute & ML	Python, TensorFlow, PyTorch, Scikit-learn	ML libraries (latest versions)	Model training, evaluation, deployment
	Containerization	Docker, Kubernetes	Latest stable versions	Workflow orchestration and scalability
	Data Processing	Apache Spark / Pandas	Distributed processing	Large-scale data analytics
Visualization Layer	Dashboard Tools	Grafana / Apache Superset / Plotly Dash	Web-based tools	Real-time monitoring and visualization
	Web Framework	React.js / Angular / Flask / FastAPI	Modern web stack	UI development and API integration
	Notification System	Email / SMS Gateway / Push Notifications	Twilio / Firebase	Alert generation and communication
	API Services	REST APIs	JSON-based communication	Integration between modules

Table 3: System implementation details. Summary of the hardware configuration, software environment, communication protocols, and cloud–edge computing components used for implementing the proposed LV acceptance automation platform.

النتائج

تم تقييم أداء منصة الأتمتة المقترحة للقبول عند الجهد المنخفض (LV) باستخدام شبكة Open LV المفتوحة &؛ ومجموعة بيانات العدادات الذكية مع مجموعة بيانات عدادات ذكية اصطناعية تم إنشاؤها لتمثيل ظروف تشغيل إضافية وسيناريوهات الأعطال. وقد مكّنت مجموعة البيانات الاصطناعية من تقييم منضبط لتنظيم سير العمل، واتخاذ القرارات الذكية، واكتشاف الأعطال في ظل ظروف تشغيل غير طبيعية. الشبكة المفتوحة منخفضة الجهد &تتألف مجموعة بيانات العداد الذكي من قياسات العدادات الذكية المنزلية، وملفات الأحمال على مستوى المغذي، والقياسات الجهدية. تم استخراج مقاطع السلاسل الزمنية المقابلة لاستهلاك الأحمال وتغيرات الجهد لأغراض تطوير النموذج وتقييمه.

تم تقسيم مجموعة البيانات إلى مجموعات تدريب (70%)، وتحقق (15%)، واختبار (15%). حقق منصة الأتمتة المقترحة للقبول في البطين الأيسر دقة تصنيف عالية (حوالي 96%–98%)، وقدرة فعالة على اكتشاف الأعطال، وانخفاضاً في زمن اتخاذ القرار التشغيلي. ولضمان المتانة الإحصائية وإمكانية التكرار، أُعيدت جميع التجارب خمس مرات مستقلة باستخدام بذور عشوائية مختلفة. ثم جُرّبت توزيعات الأداء الناتجة باستخدام اختبارات t المزدوجة، وتحليل التباين أحادي الاتجاه (ANOVA)، وتحليل تيكي للفرق المعنوي الصريح (HSD) اللاحق، وفترات الثقة 95%. ويُلخّص الجدول 4 البيئة المحاكاة المستخدمة لتنفيذ الإطار المقترح.

معلمة	القيمة	وصف
مجموعة البيانات	الشبكة المفتوحة للبطين الأيسر &؛ مجموعة بيانات العدادات الذكية + مجموعة بيانات العدادات الذكية الاصطناعية	بيانات شبكة LV واقعية ومُحاكاة
إجمالي العينات	1000 عينة اصطناعية + مجموعات فرعية مختارة من Open LV	البيانات المستخدمة للتحقق واختبار النموذج
تقسيم البيانات	70٪ تدريب / 15٪ تحقق / 15٪ اختبار	تطوير النموذج وتقييمه
عدد التجارب المستقلة	5	تحليل موثوقية الإحصاءات
بذور عشوائية	42, 52, 62, 72, 82	إعداد تجريبي قابل لإعادة الإنتاج
إجمالي الملاحظات الإحصائية	30 ملاحظة (6 نماذج × 5 تشغيلات	تُستخدم لاختبار t، وتحليل التباين (ANOVA)، واختبار تكي HSD
معدل أخذ العينات	30 دقيقة / فترات تدوم دقيقة واحدة	الدقة الزمنية للسلاسل الزمنية
الميزات	الحمل، الجهد، التيار، القدرة الفعالة، القدرة التفاعلية، التشوه التوافقي الكلي (THD)، عدم توازن الجهد، الميزات المشتقة	مُدخلات النماذج الآلية للتعلم
نماذج التعلم الآلي	غابة عشوائية، آلة ناقلات الدعم، إكس جي بوست، الشبكة العصبية التكرارية طويلة المدى القصيرة	وحدة اتخاذ القرار الذكية
الأجهزة	بطاقة رسوميات NVIDIA RTX 3090، وحدة المعالجة المركزية Intel Core i9، ذاكرة وصول عشوائي سعة 64 غيغابايت	بيئة التدريب والمحاكاة
جهاز الحافة	Raspberry Pi 4 / Jetson Nano	الاستدلال على الحافة والمعالجة في الزمن الحقيقي
البرمجيات	بايثون 3.10، تينسورفلو 2.12+، سايكيت-ليرن 1.3+، بايتورش 2.0+	تنفيذ النموذج
بروتوكولات الاتصال	MQTT / HTTP / RS-485	نقل البيانات
قيم العتبة	الجهد الكهربائي ±10%، THD > 5%، عدم توازن الجهد > 2%، حمل المغذي > سعة 90٪	وضع العلامات على العيوب وقواعد التحقق
الاختبارات الإحصائية	اختبار-ت المزدوج، تحليل التباين أحادي الاتجاه، مقارنة تكي هسد، فاصل ثقة 95%	تقييم الأهمية الأدائية

الجدول 4: بيئة المحاكاة. تكوين بيئة التجربة، بما في ذلك تقسيم مجموعة البيانات، نماذج التعلم الآلي، مواصفات الأجهزة، بيئة البرمجيات، وبروتوكول التحقق. أُجريت التجارب باستخدام تقسيم 70% للتدريب، 15% للتحقق، و15% للاختبار، وكررت خمس مرات باستخدام بذور عشوائية مختلفة.

أداء التصنيف

تم تقييم الإطار المقترح باستخدام مقاييس أداء متعددة، تشمل الدقة، والدقة العالية (Precision)، والاسترجاع (Recall)، ودرجة F1، ووقت التأخير، ومعدل اكتشاف الأعطال. واستُخدمت الدقة لتقييم أداء التصنيف الكلي، في حين تم استخدام الدقة العالية (Precision) والاسترجاع (Recall) ودرجة F1 لتقييم فعالية اكتشاف الأعطال. وقاس وقت التأخير زمن استجابة القرار التشغيلي للتدفق العملي، بينما كمّن معدل اكتشاف الأعطال قدرة الإطار على تحديد ظروف التشغيل غير الطبيعية ضمن شبكة التوزيع منخفضة الجهد (LV). وتم تقييم القابلية للتوسع بشكل إضافي من خلال زيادة عدد عينات البيانات المدخلة تدريجياً.

تمت مقارنة منصة الأتمتة المقترحة لقبول الجهد المنخفض (LV Acceptance Automation Platform) مع خمسة نُهُج معيارية، وهي على التوالي: IoT-LV، والرصد القائم على القواعد (Rule-Based Monitoring - RBM)، وآلة المتجهات الداعمة (Support Vector Machine - SVM)، والغابة العشوائية (Random Forest - RF)، والذاكرة قصيرة وطويلة المدى (Long Short-Term Memory - LSTM). يدعم إطار عمل IoT-LV بشكل أساسي جمع البيانات والرصد الأساسي باستخدام معايير عتبة محددة مسبقًا، دون امتلاك قدرات على اتخاذ قرارات ذكية. وبالمثل، يعتمد نهج RBM على عتبات تشغيلية ثابتة، وبالتالي فهو يفتقر إلى التعلم التكيفي. وعلى الرغم من أن نهجَي SVM وRF يصنفان البيانات التشغيلية بشكل فعّال من خلال التعلم الخاضع للإشراف، فإنهما لا يدمجان تنسيق سير العمل أو إدارة القبول المتكاملة. ويُحسّن LSTM التعلم الزمني لتحليل السلاسل الزمنية، لكنه لا يدعم تنفيذ سير العمل تلقائيًا. على النقيض من ذلك، يجمع الإطار المقترح بين تنسيق سير العمل، واتخاذ القرار الهجين القائم على القواعد والتعلم الآلي، وهندسة السمات، وحوسبة الحافة-السحابة ضمن بنية أتمتة موحدة.

لضمان مقارنة عادلة، تم تقييم جميع الطرق الأساسية باستخدام نفس تقسيمات التدريب والتحقق والاختبار (70% و15% و15% على التوالي). تم إجراء تحسين المعاملات الفائقة للأسس المتعلمة آليًا باستخدام مجموعة البيانات الخاصة بالتحقق، وتم استخدام جميع النماذج إجراءات متطابقة في المعالجة المسبقة وتحجيم السمات. وعلى عكس مصنفات SVM⁴⁴ وRF⁴⁵ وLSTM⁴⁶ المستقلة، التي تم تدريبها مباشرة على فضاء السمات الأصلي، دمج الإطار المقترح هندسة سمات متقدمة، والتحقق من سير العمل، وتنظيم قواعد القبول قبل التصنيف.

يُلخّص الجدول 5 أداء التصنيف لجميع الطرق. من بين الطرق التقليدية، حقق IoT-LV أقل دقة تصنيف (82.4%) بسبب اعتماده على المراقبة التقليدية دون اتخاذ قرارات ذكية. وحسّن RBM الأداء قليلاً، حيث بلغ دقةً مقدارها 85.7%؛ ومع ذلك، فإن الحدود التحققية الثابتة قيدت قابليته للتكيف. وأظهرت طرق تعلّم الآلة تحسناً تدريجياً في الأداء، حيث حقق كل من SVM وRF دقتين مقدارهما 91.6% و93.4% على التوالي، وذلك بفضل قدرتهما على تعلّم الأنماط التمييزية من البيانات. وحسّن LSTM دقة التصنيف أكثر لتصل إلى 95.2% من خلال التقاطه الفعّال للتبعيات الزمنية ضمن بيانات السلاسل الزمنية لعدادات الذكية.

حقق منصة القبول الأوتوماتيكية المقترحة لمحول الجهد المنخفض الأداء التصنيفي الأفضل بشكل عام، بدقة قدرها 97.3%، ودقة تصنيفية قدرها 96.8%، واستدعاء قدره 96.1%، ودرجة F1 قدرها 96.4%. وتعزى هذه التحسينات إلى دمج معالجة متقدمة مسبقة، وهندسة السمات، وتنظيم سير العمل، واتخاذ قرارات هجينة تعتمد على القواعد والتعلم الآلي، ومعالجة تعاونية بين الحوسبة السحابية والحواف، وليس إلى تطبيق خوارزميات التعلم الآلي وحدها. وجمعت هذه المكونات معًا على تحسين قابلية التمييز بين الظروف التشغيلية الطبيعية وغير الطبيعية، في الوقت الذي عززت فيه كفاءة التحقق من قبول التشغيل التلقائي.

يُظهر الشكل 3 أداء التصنيف المقارن لجميع الطرق المُقيَّمة.

الطريقة	الدقة (%)	الضبط (%)	الاستدعاء (%)	درجة F1 (%)
IoT-LV	82.4	80.2	78.5	79.3
RBM	85.7	83.9	82.1	83
SVM	91.6	90.8	89.7	90.2
RF	93.4	92.6	91.8	92.2
LSTM	95.2	94.5	93.8	94.1
الطريقة المقترحة	97.3	96.8	96.1	96.4

الجدول 5: مقارنة مقاييس التصنيف. مقارنة أداء التصنيف لأنظمة IoT-LV، RBM، SVM، RF، LSTM، والإطار المقترح باستخدام الدقة، الاستدعاء، الدقة (Precision)، ودرجة F1. تُعرض النتائج كمتوسط ± الانحراف المعياري (SD) المستخلص من خمسة تشغيلات تجريبية مستقلة.

تحليل الدلالة الإحصائية

لتقدير موثوقية منصة الأتمتة المقترحة لقبول الشبكات منخفضة الجهد (LV Acceptance Automation Platform) بشكل أكبر، أُجري اختبار دلالة إحصائية لمقارنة أدائها بالأساليب المرجعية، بما في ذلك IoT-LV وRBM وSVM وRF وLSTM. وأُجريت تجارب متعددة باستخدام تقسيمات مختلفة للبيانات إلى مجموعات تدريب-تحقق-اختبار من شبكة Open LV. &؛ مجموعة بيانات العداد الذكي. استُخدمت دقة التصنيف الناتجة لحساب المتوسط والانحراف المعياري لكل طريقة، يلي ذلك اختبار زوجي ت-اختبارات لتحديد ما إذا كانت الفروق الملاحظة في الأداء ذات دلالة إحصائية. الصياغة الرياضية للزوج المطابق تيُزوَّد اختبار- الملف التكميلي 1 (القسم S7).

تم اعتماد مستوى دلالة قدره 0.05 لجميع التحليلات الإحصائية. ولضمان إمكانية التكرار، أُعيدت كل تجربة خمس مرات مستقلة باستخدام بذور عشوائية مختلفة وتقسيمات بيانات مختلفة. واستُخدمت مقاييس الأداء التي تم الحصول عليها من كل تشغيل لاحقًا في التقييم الإحصائي.

يتم تلخيص نتائج اختبار t المزدوج في الجدول 6. وقد تفوق الإطار المقترح بشكل كبير على جميع أساليب المعايرة (p < 0.05)، مما يدل على تحسينات ذات دلالة إحصائية في الدقة، والدقة العالية (Precision)، والاسترجاع (Recall)، ودرجة F1. وتم ملاحظة مكاسب أداء كبيرة ليس فقط مقارنة بالأساليب التقليدية مثل IoT-LV وRBM، ولكن أيضًا مقارنة بنماذج التعلم الآلي الأكثر تطورًا، بما في ذلك SVM وRF وLSTM. تشير هذه النتائج إلى أن التحسينات الملحوظة لم تكن ناتجة عن تباين عشوائي، بل نتجت عن الإطار المتكامل للتشغيل التلقائي القائم على سير العمل.

المقارنة	القيمة الاحتمالية	الأهمية الإحصائية
الاقتراح المقدم مقابل IoT-LV	0.0008	ذات دلالة
الاقتراح المقدم مقابل RBM	0.0015	ذات دلالة
الاقتراح المقدم مقابل SVM	0.012	ذات دلالة
الاقتراح المقدم مقابل RF	0.021	ذات دلالة
الاقتراح المقدم مقابل LSTM	0.034	ذات دلالة

الجدول 6: تحليل الدلالة الإحصائية الزوجي (القيم الاحتمالية). المقارنة الإحصائية الزوجية بين الإطار المقترح وطرق المعايير المرجعية. يعرض الجدول القيم الاحتمالية الناتجة من اختبار الدلالة الإحصائية، حيث تشير القيمة الاحتمالية < 0.05 إلى وجود فرق ذو دلالة إحصائية.

تحليل خصائص تشغيل المستقبل (ROC)

أُجري تحليل خصائص تشغيل المستقبل (ROC) لتقييم إضافي لقدرة التصنيف لمنصة الأتمتة المقترحة لقبول لوحات التوزيع منخفضة الجهد (LV Acceptance Automation Platform) بالمقارنة مع تقنيات إنترنت الأشياء للوحات التوزيع منخفضة الجهد (IoT-LV)، والنموذج التبايني المقيد (RBM)، وآلة ناقلات الدعم (SVM)، والغابة العشوائية (RF)، ونموذج النسيان الطويل القصيرة (LSTM). واستُخدمت المساحة تحت منحنى ROC (AUC) لقياس قدرة التمييز لكل مصنف من خلال تقييم المفاضلة بين معدل الإيجابيات الحقيقية (TPR) ومعدل الإيجابيات الكاذبة (FPR).

حقق إطار عمل IoT-LV أقل قيمة AUC (حوالي 0.690)، مما يعكس اعتماده على المراقبة التقليدية دون اتخاذ قرارات ذكية. وأنتج نموذج RBM قيمة AUC معتدلة تبلغ حوالي 0.738 بسبب اعتماده على قواعد تحقق مبنية على عتبات ثابتة. وأظهرت مصنفات التعلم الآلي تحسنًا تدريجيًا في الأداء، حيث حقق كل من SVM وRF قيم AUC تبلغ حوالي 0.833 و0.861 على التوالي، وذلك بفضل قدرتهما على تعلّم الأنماط التمييزية من بيانات التشغيل. وحسّن نموذج LSTM الأداء التصنيفي أكثر، حيث حقق قيمة AUC تبلغ حوالي 0.885 من خلال نمذجة الفعالة للتبعيات الزمنية في بيانات السلاسل الزمنية لعدادات الذكية.

حقق منصة القبول الأوتوماتيكية المقترحة للجهاز البطيني الأيسر أعلى قيمة AUC (حوالي 0.910)، مما يدل على تمييز متفوق بين الظروف التشغيلية الطبيعية وغير الطبيعية. يُعزى هذا التحسن إلى التأثيرات المجمعة لهندسة الميزات المتقدمة، وتنسيق سير العمل، واتخاذ القرار الهجين القائم على القواعد والتعلم الآلي، ومعالجة الحواف السحابية. تُعرض منحنيات ROC المقارنة لجميع الطرق المُقيَّمة في الشكل 4.

الشكل 4: مقارنة منحنيات خصائص التشغيل المستقبل (ROC) لأتمتة قبول LV. مقارنة منحنيات خصائص التشغيل المستقبل (ROC) بين IoT-LV وRBM وSVM وRF وLSTM والإطار المقترح. ويُستخدم مساحة المنطقة تحت منحنى ROC (ROC-AUC) لتقييم أداء التصنيف عبر عتبات القرار المختلفة. ويشير TPR إلى معدل الإيجابيات الحقيقية، ويشير FPR إلى معدل الإيجابيات الكاذبة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

تحليل الدلالة الإحصائية القائم على تحليل التباين (ANOVA)

لإثبات صحة النتائج التجريبية بشكل إضافي، أُجري تحليل التباين أحادي الاتجاه (ANOVA) لمقارنة أداء الإطار المقترح مع نماذج IoT-LV وRBM وSVM وRF وLSTM. في حين أن المقارنة المزدوجة تيُقيّم اختبار t الفروق بين طريقتين، في حين تُحدد تحليلات التباين (ANOVA) ما إذا كانت هناك فروق ذات دلالة إحصائية بين مجموعات متعددة في وقت واحد. أُجري تحليل ANOVA باستخدام تجارب متكررة مع تقسيمات مختلفة للبيانات إلى مجموعات تدريب-تحقق-اختبار في شبكة Open LV &؛ مجموعة بيانات العداد الذكي. تُعرض الاشتقاقات الرياضية في الملف التكميلي 1 (القسم S8).

تُعرض نتائج تحليل التباين في الجدول 7. أظهرت القيمة الكبيرة لإحصائية F (تقريبًا 18.7) مع p < 0.001، التي تم الحصول عليها من 30 ملاحظة عبر خمسة تشغيلات تجريبية مستقلة، فروقًا ذات دلالة إحصائية بين الطرق المُقيَّمة.

مصدر التباين	SS	df	MS	قيمة F	قيمة p
بين المجموعات	412.6	5	82.52	18.7	< 0.001
داخل المجموعات	132.4	30	4.41	—	—
المجموع	545	35	—	—	—

الجدول 7: نتائج تحليل التباين أحادي الاتجاه (ANOVA). نتائج تحليل التباين أحادي الاتجاه الذي أُجري لتقييم الفروق الإحصائية بين الطرق المقارنة. يعرض الجدول إحصائية F، ودرجات الحرية (df)، والقيم الاحتمالية p المقابلة.

لتحديد الطرق المحددة المسؤولة عن هذه الاختلافات، تم لاحقًا إجراء تحليل تُكيه للفرق المعنوي الفعلي (HSD) كتحليل لاحق. وتلخص النتائج في الجدول 8، وتبين أن منصة الأتمتة المقترحة للقبول (LV Acceptance Automation Platform) تفوقت بشكل كبير على IoT-LV وRBM وSVM وRF، كما حققت تحسينات ذات دلالة إحصائية مقارنةً بـLSTM. وتؤكد هذه النتائج بشكل إضافي فعالية دمج تنسيق سير العمل، وهندسة السمات، واتخاذ القرار الهجين القائم على القواعد والتعلم الآلي، وحوسبة الحافة والسحابة ضمن إطار موحد لأتمتة القبول.

المقارنة	القيمة الاحتمالية	الأهمية الإحصائية
الاقتراح مقابل IoT-LV	< 0.001	ذات دلالة
الاقتراح مقابل RBM	< 0.001	ذات دلالة
الاقتراح مقابل SVM	0.009	ذات دلالة
الاقتراح مقابل RF	0.018	ذات دلالة
الاقتراح مقابل LSTM	0.041	ذات دلالة

الجدول 8: تحليل فرق توكي المعنوي (HSD) اللاحق. المقارنات الزوجية بين الطرق المُقيَّمة باستخدام اختبار توكي HSD اللاحق بعد تحليل التباين (ANOVA). يعرض الجدول متوسطات الفروق، وفترات الثقة (CI)، والقيم الاحتمالية المُعدَّلة، والأهمية الإحصائية.

تحليل فاصل الثقة

تم تقييم موثوقية وثبات الإطار المقترح بشكل إضافي من خلال حساب فترات الثقة 95٪ (CI) للدقة في التصنيف التي تم الحصول عليها من التجارب المتكررة. ويُوصف الإجراء الحسابي في الملف التكميلي 1 (القسم S8).

يُلخَّص تحليل الفاصل الثقة في الجدول 9. أظهرت الأساليب التقليدية، بما في ذلك IoT-LV وRBM، فترات ثقة واسعة نسبيًا، مما يدل على تباين أكبر في أداء التصنيف. على النقيض من ذلك، أظهرت الطرق القائمة على التعلم الآلي (SVM، RF، وLSTM) فترات ثقة أضيق، مما يعكس تحسنًا في الاستقرار عبر التجارب المتكررة.

الطريقة	متوسط الدقة (%)	الانحراف المعياري (%)	فترة الثقة 95% (%)
IoT-LV	82.4	1.8	[81.0, 83.8]
RBM	85.7	1.6	[84.5, 86.9]
SVM	91.6	1.3	[90.6, 92.6]
RF	93.4	1.2	[92.5, 94.3]
LSTM	95.2	1	[94.5, 95.9]
الطريقة المقترحة	97.3	0.8	[96.7, 97.9]

الجدول 9: فترات الثقة لدقة التصنيف. متوسط دقة التصنيف، الانحراف المعياري (SD)، وفترة الثقة 95% (CI) لكل طريقة تم تقييمها بناءً على خمسة تشغيلات تجريبية مستقلة. يلخص الجدول التباين الإحصائي وموثوقية أداء التصنيف.

حقق منصة القبول الأوتوماتيكية المقترحة أعلى دقة تصنيف متوسطة (97.3٪) مع أضيق فاصل ثقة بنسبة 95٪ (96.7٪–97.9٪)، مما يشير إلى اتساق ممتاز ومتانة عالية. علاوةً على ذلك، فإن غياب التداخل بين فاصل الثقة للإطار المقترح وأفواصل الثقة للطرق المرجعية يُعد دليلاً إضافياً على الأداء الأفضل من الناحية الإحصائية.

التنبؤ بالأداء

بالإضافة إلى أداء التصنيف، تم تقييم قدرة منصة الأتمتة المقترحة للقبول LV باستخدام متوسط الجذر التربيعي للخطأ (RMSE) والخطأ المطلق المتوسط (MAE). وتُقدّر هذه المقاييس دقة التنبؤ باستهلاك الطاقة من خلال قياس الانحراف بين القيم المتوقعة والملاحظة.

يُلخَّص أداء التنبؤ للإطار المقترح وطرق المقارنة المرجعية في الجدول 10. وتُعرض خرائط الحرارة المقابلة لمصفوفات الالتباس للطرق التصنيفية المُقيَّمة في الشكل 5، والتي توضح توزيعات التنبؤات الصحيحة الموجبة، والصحيحة السالبة، والخاطئة الموجبة، والخاطئة السالبة. وقد حقق الإطار المقترح أقل أخطاء تنبؤ، بانحراف متوسط تربيعي جذري (RMSE) قدره 2.1 وانحراف متوسط مطلق (MAE) قدره 1.6، ما يدل على أداء تنبؤي متفوق مقارنةً بأساليب IoT-LV وRBM وSVM وRF وLSTM. وانخفضت أخطاء التنبؤ تدريجيًا من أساليب IoT-LV وRBM التقليدية إلى نماذج التعلُّم الآلي القائمة على SVM وRF وLSTM، مما يبرز مزايا تقنيات التعلُّم الذكية. كما خفَّض الإطار المقترح أخطاء التنبؤ بشكل إضافي من خلال دمج هندسة ميزات متقدمة، وتنظيم سير العمل، واتخاذ قرارات هجينة قائمة على القواعد والتعلُّم الآلي، ومعالجة تعاونية بين الحوسبة السحابية والحواف، وبالتالي تحسين دقة وموثوقية التنبؤ باستهلاك الطاقة. ويتم مقارنة زمن تأخير اتخاذ القرار التشغيلي للطرق المُقيَّمة في الشكل 6. وقد حقق الإطار المقترح أقصر زمن تأخير في اتخاذ القرار، ما يدل على فعالية تنظيم سير العمل والمعالجة التعاونية بين الحواف والسحابة.

الطريقة	RMSE	MAE
IoT-LV	8.9	7.2
RBM	7.6	6.1
SVM	5.1	4.3
RF	4.2	3.5
LSTM	3.4	2.8
الطريقة المقترحة	2.1	1.6

الجدول 10: مقارنة مقاييس خطأ التنبؤ (الجذر التربيعي لمتوسط الخطأ والخطأ المطلق المتوسط). مقارنة أداء التنبؤ لأنظمة إنترنت الأشياء منخفضة الجهد (IoT-LV)، والآلة الحالة المحدودة (RBM)، وآلة الدعم الناقص (SVM)، والغابة العشوائية (RF)، والشبكة العصبية التكرارية طويلة المدى (LSTM)، والإطار المقترح باستخدام الجذر التربيعي لمتوسط الخطأ (RMSE) والخطأ المطلق المتوسط (MAE). تشير القيم الأقل لـ RMSE و MAE إلى أخطاء تنبؤ أصغر.

الشكل 5: مقارنة خرائط الحرارة لمصفوفات الالتباس. مصفوفات الالتباس لأنظمة IoT-LV، RBM، SVM، RF، LSTM، والإطار المقترح، والتي تعرض نتائج التصنيف من حيث الموجب الحقيقي (TP)، السالب الحقيقي (TN)، الموجب الكاذب (FP)، والسالب الكاذب (FN). توضح خرائط الحرارة توزيع العينات المصنفة بشكل صحيح وخطأ لكل طريقة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 6: مقارنة زمن اتخاذ القرار التشغيلي عبر الطرق المختلفة. مقارنة زمن اتخاذ القرار التشغيلي لأنظمة إنترنت الأشياء-التحقق من الهوية (IoT-LV)، والنموذج البولتزمان المحدود (RBM)، وآلة الدعم الناقص (SVM)، والغابة العشوائية (RF)، والشبكة العصبية التكرارية ذات الذاكرة الطويلة قصيرة المدى (LSTM)، والإطار المقترح أثناء أتمتة قبول التحقق من الهوية. ويُقاس الزمن بوحدة الملي ثانية (ms)، ويشير إلى الوقت اللازم لاتخاذ القرار التشغيلي المطلوب لتنفيذ سير العمل، والتحقق من القواعد، وتوليد قرار القبول. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

دراسة التآكل

تم تقييم مساهمة كل مكون رئيسي من منصة القبول الأوتوماتيكية للمركبة المقترحة من خلال دراسة الاستئصال. تم بناء الإطار التدريجي من خلال تمكين هندسة السمات، واتخاذ القرار الذكي باستخدام التعلم الآلي، وتنسيق سير العمل، والتكامل بين الحوسبة السحابية والحواف. وقد حققت التهيئة الأساسية، التي لم يتم فيها تفعيل أي من هذه الوحدات، دقةً مقدارها 82.6%، ودرجة F1 مقدارها 80.4%، وجذر متوسط مربع الخطأ (RMSE) مقداره 8.7، وتأخيرًا تشغيليًا مقداره 96 مللي ثانية، مما يُظهر محدودية المعالجة التقليدية دون أتمتة ذكية.

يتم تلخيص نتائج الاستئصال في الجدول 11. وقد ساهم الإدماج التدريجي لهندسة السمات في تحسين أداء التصنيف بشكل كبير من خلال تعزيز تمثيل الخصائص التشغيلية المستخلصة من بيانات العداد الذكي. كما أدى إضافة وحدة اتخاذ القرار الذكية إلى زيادة دقة التصنيف وتقليل أخطاء التنبؤ من خلال اتخاذ قرارات مبنية على البيانات. وحسّن دمج تنسيق سير العمل الكفاءة في الأتمتة من خلال تنسيق عمليات التحقق والتنفيذ واتخاذ القرار، في حين قلّلت مشاركة الحواف السحابية زمن اتخاذ القرار التشغيلي من خلال المعالجة الموزعة. وحققت هذه الوحدات مجتمعة تحسينات متسقة في الدقة ودرجة F1، وفي الوقت نفسه قلّلت من جذر متوسط مربعات الخطأ (RMSE) ووقت تنفيذ المهمة.

حقق منصة القبول الأوتوماتيكية الكاملة لمحرك الأقراص المنخفض (LV) الأداء الكلي الأفضل، حيث بلغت دقة التصنيف 97.3%، ودرجة F1 بلغت 96.4%، وجذر متوسط مربع الخطأ (RMSE) 2.1، وتأخير تشغيلي قدره 31 مللي ثانية. تُظهر هذه النتائج أن التحسن الملحوظ في الأداء ناتج عن دمج تنسيق سير العمل، وهندسة الميزات المتقدمة، واتخاذ القرار الهجين القائم على القواعد وتعلّم الآلة، والتعاون بين الحوسبة السحابية والحواف، وليس من أي مكوّن فردي بمفرده. يتم عرض أداء اكتشاف الأعطال للطرق المُقيَّمة في الشكل 7، حيث حقق الإطار المقترح أعلى معدل لاكتشاف الأعطال. ويُظهر الشكل 8 تحليل القابلية للتوسّع، ويُثبت أن الإطار المقترح حافظ على أدنى زمن معالجة مع زيادة حجم مجموعة البيانات، مما يؤكد ملاءمته لأتمتة قبول LV على نطاق واسع.

التكوين	تنظيم سير العمل	هندسة السمات	المعالجة بين السحابة والحواف	وحدة اتخاذ القرار الذكية باستخدام التعلّم الآلي	الدقة (%)	نسبة F1 (%)	متوسط الجذر التربيعي للخطأ (RMSE)	الكمون (مللي ثانية)
النظام الأساسي	✗	✗	✗	✗	82.6	80.4	8.7	96
+ هندسة السمات	✗	✓	✗	✗	88.9	87.5	6.2	84
+ وحدة اتخاذ القرار باستخدام التعلّم الآلي	✗	✓	✗	✓	92.8	91.6	4.5	63
+ تنظيم سير العمل	✓	✓	✗	✓	95.1	94.2	3.3	48
+ التكامل بين السحابة والحواف	✓	✓	✓	✓	97.3	96.4	2.1	31

الجدول 11: دراسة الاستئصال للإطار المقترح. تقييم تجريبي لمساهمة هندسة السمات، واتخاذ القرار الذكي، وتنسيق سير العمل، والتكامل بين الحوسبة السحابية والحوسبة الطرفية في الأداء الكلي للإطار المقترح. ويتم الإبلاغ عن الأداء لكل تكوين تدريجي باستخدام الدقة، ودرجة F1، وجذر متوسط مربع الخطأ (RMSE)، و زمن تأخير القرار التشغيلي.

الشكل 7. مقارنة معدل اكتشاف العيوب عبر طرق مختلفة مقارنة أداء كشف الأعطال لأنظمة إنترنت الأشياء منخفضة الجهد (IoT-LV)، والنموذج البيزوكي المقيّد (RBM)، وآلة المتجهات الداعمة (SVM)، والغابة العشوائية (RF)، والشبكة العصبية التكرارية طويلة المدى (LSTM)، والإطار المقترح باستخدام شبكة منخفضة الجهد مفتوحة &مجموعة بيانات عدادات ذكية. يمثل معدل اكتشاف الأعطال (%) النسبة المئوية للحالات العاطلة التي تم تحديدها بشكل صحيح. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 8. تحليل قابلية التوسع للطرق المختلفة. مقارنة قابلية التوسع لـ IoT-LV، وRBM، وSVM، وRF، وLSTM، والإطار المقترح مع زيادة أحجام مجموعات البيانات. ويتم تقييم قابلية التوسع باستخدام زمن المعالجة (مللي ثانية) مع تزايد عبء الحوسبة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

توفر البيانات:

الشبكة المفتوحة LV &مجموعة بيانات العدادات الذكية #38; المستخدمة في هذه الدراسة متوفرة للعامة من خلال بوابة البيانات المفتوحة لشركة UK Power Networks⁴² متوفر على: https://ukpowernetworks.opendatasoft.com/explore/assets/ukpn-smart-meter-consumption-lv-feeder/. جميع الموارد التي تم إنشاؤها في الدراسة، بما في ذلك مجموعة بيانات العدادات الذكية المحاكاة، وتكوينات سير العمل النموذجية، وقطع الانتشار، وتنفيذ النموذج الأولي البحثي، والشفرة المصدرية، ونصوص التقييم، متوفرة للعامة من خلال مستودع زينودو على: https://zenodo.org/records/21187749.

الشكل التكميلي 1: مخطط انسيابي لمحرك تنسيق سير العمل. يوضح الرسم التسلسل العملياتي التي يقوم بها محرك تنسيق سير العمل، بما في ذلك اقتناء البيانات، المعالجة المسبقة، تنفيذ سير العمل، التحقق القائم على التعلم الآلي، توليد القرارات، وإعداد التقارير النتائج لاختبار القبول التلقائي للجهد المنخفض.يرجى النقر هنا لتنزيل هذا الملف.

الشكل التكميلي 2: معمارية الحوسبة السحابية–الحافة لأتمتة قبول الجهد المنخفض. تُظهر المعمارية التفاعل بين الأجهزة الطرفية وخدمات السحابة. تُعالج القياسات الكهربائية التي تُجمع من عدادات ذكية، وأنظمة التحكم الإشرافية وجمع البيانات (SCADA)، وأجهزة إنترنت الأشياء في الطرف المحلي من أجل المعالجة المبدئية والاستنتاج في الزمن الحقيقي، ثم تُرسل إلى السحابة من أجل التخزين والتحليل وإدارة النماذج وعرض النتائج. عبر لوحة مراقبة تفاعليةيرجى النقر هنا لتنزيل هذا الملف.

المناقشة

أظهر التقييم التجريبي أن منصة أتمتة قبول الجهد المنخفض (LV) المقترحة والموجهة نحو سير العمل قد تفوقت باستمرار على النهج المرجعية في التصنيف، والتنبؤ، وكشف الأعطال، وزمن استجابة القرار التشغيلي، وقابلية التوسع. وقد نتجت هذه التحسينات في الأداء عن دمج الهندسة المتقدمة للميزات، وتنسيق سير العمل، والتعاون بين السحابة والحافة، واتخاذ القرار الهجين القائم على القواعد وتعلم الآلة، بدلاً من الاعتماد على نموذج واحد لتعلم الآلة. وتتفق هذه النتائج مع الدراسات السابقة التي أثبتت أن الأتمتة الموجهة نحو سير العمل وبنيات إنترنت الأشياء الذكية تعمل على تحسين الكفاءة التشغيلية، والتوافق التشغيلي، ودعم اتخاذ القرار في التطبيقات الصناعية وتطبيقات الشبكات الذكية^2,3,9,10,18.

عززت التحليلات الإحصائية من موثوقية النتائج التجريبية. حيث أكدت اختبارات الدلالة الزوجية، وتحليل التباين أحادي الاتجاه (ANOVA)، وتحليل فاصل الثقة، وتحليل خصائص تشغيل المستقبل (ROC) أن الإطار المقترح قد حقق تحسينات ذات دلالة إحصائية مقارنة بالطرق المرجعية، مع الحفاظ على قدرة تصنيف ممتازة عبر عتبات اتخاذ قرار مختلفة^47,48,49. وتوفر هذه التقييمات الإحصائية دليلاً إضافياً على أن التحسينات الملحوظة في الأداء لم تكن ناجمة عن تباين عشوائي.

أثبتت دراسات القابلية للتوسع ودراسات الاستئصال مدى فعالية البنية المقترحة في ظل زيادة أعباء العمل الحسابية وتكوينات النظام المختلفة. وأظهر تحليل القابلية للتوسع أن الإطار حافظ على أوقات معالجة أقل من الطرق المرجعية مع زيادة حجم مجموعة البيانات من 1,000–5,000 عينة. وبالمثل، أكدت دراسة الاستئصال أن كل مكون رئيسي ساهم في الأداء العام للنظام؛ حيث أدت هندسة الميزات إلى تحسين تمثيل الخصائص التشغيلية المستخلصة من بيانات العدادات الذكية، وعززت وحدة القرار الذكية التنبؤ بالأعطال والتحقق الآلي، كما عمل تنسيق سير العمل على تحسين جدولة المهام وتنفيذها، وأدى التعاون بين السحابة والحافة (cloud-edge collaboration) إلى تقليل عبء الاتصالات وزمن استجابة القرارات التشغيلية. وتتفق هذه الملاحظات مع التقارير السابقة التي تسلط الضوء على مزايا بنيات السحابة والحافة وتنسيق العمليات لتحقيق أنظمة إنترنت الأشياء الصناعية القابلة للتوسع ومنخفضة زمن الاستجابة^{9,15,19,20,21}.

نظرًا لأن الإطار المقترح يعمل ضمن بيئة جهد منخفض (LV) مدعومة بإنترنت الأشياء (IoT)، فإن الأمن السيبراني وخصوصية البيانات يمثلان اعتبارات مهمة للنشر العملي. ويمكن تحقيق الاتصال الآمن بين العدادات الذكية، وأجهزة الحافة، والبوابات، والخدمات السحابية باستخدام بروتوكولات MQTT وHTTPS المدعومة بأمن طبقة النقل (TLS). ويوفر التحكم في الوصول القائم على الأدوار (RBAC) المصادقة والتفويض لإدارة سير العمل وموارد النظام، بينما يعمل تشفير معيار التشفير المتقدم (AES)-256 على حماية البيانات التشغيلية أثناء النقل والتخزين. كما يدعم تسجيل التدقيق والمزامنة الآمنة بين السحابة والحافة سلامة البيانات وسريتها وقابلية تتبعها طوال سير عمل القبول. وتتوافق آليات الأمان هذه مع التوصيات الحالية للبنى التحتية لاتصالات الشبكات الذكية وإنترنت الأشياء الصناعي (IIoT) الآمنة^6,7,19,20,21.

يساهم الإطار المقترح أيضاً في تطوير أنظمة توزيع الطاقة الذكية من خلال تقديم بنية موحدة موجهة لسير العمل تدمج بين التعاون بين السحابة والحافة (cloud-edge collaboration)، وتنسيق سير العمل، وهندسة الميزات، واتخاذ القرار القائم على التعلم الآلي ضمن منصة أتمتة واحدة. وبخلاف مناهج المراقبة التقليدية القائمة على إنترنت الأشياء (IoT) التي تركز بشكل أساسي على الحصول على البيانات والمعالجة المركزية^1,10,11,12، يدعم الإطار المقترح التحقق الآلي، والكشف الذكي عن الأعطال، واتخاذ القرارات الموجهة بالعمليات. كما توضح دراسات القابلية للتوسع ودراسات الاستئصال (ablation studies) مزايا البنى الذكية النمطية لتطبيقات إدارة الطاقة الذكية المستقبلية وتطبيقات الثورة الصناعية الرابعة (Industry 4.0)^3,9,14,15.

من منظور عملي، تتيح منصة أتمتة قبول الجهد المنخفض (LV Acceptance Automation Platform) المقترحة المراقبة في الوقت الفعلي، والتحقق الآلي، والكشف الذكي عن الأعطال، واتخاذ قرارات القبول بأقل تدخل بشري. ويُظهر زمن استجابة القرار التشغيلي المحقق والذي بلغ 31 ms ومعدل اكتشاف الأعطال البالغ 98.4% قدرة الإطار العملي على دعم التطبيقات الصناعية في الوقت الفعلي. علاوة على ذلك، تعمل بنية التعاون بين السحابة والحافة (cloud-edge collaborative architecture) على تقليل أعباء الاتصال مع توفير القابلية للتوسع المطلوبة لمعالجة البيانات المكتسبة من العدادات الذكية وموارد الطاقة الموزعة والأجهزة الممكنة عبر إنترنت الأشياء (IoT). وتتماشى هذه القدرات مع التوجهات الحالية في أتمتة الشبكات الذكية وأنظمة إدارة الطاقة الذكية^{18,19,20,21,27,29,30}.

على الرغم من النتائج الواعدة، يجب الإقرار بوجود عدة قيود؛ حيث أُجري التقييم التجريبي باستخدام شبكة الجهد المنخفض المفتوحة (Open LV Network). &مجموعة بيانات العدادات الذكية إلى جانب بيانات الأعطال الاصطناعية، وذلك لأن مجموعات بيانات الجهد المنخفض (LV) المتاحة للعموم لا توفر تعليقات توضيحية شاملة للأعطال. وبناءً على ذلك، قد لا تمثل سيناريوهات الأعطال المحاكاة والتسميات القائمة على القواعد تنوع ظروف التشغيل في العالم الحقيقي بشكل كامل. علاوة على ذلك، تم إجراء التحقق باستخدام مجموعة بيانات واحدة، وقد يتأثر النشر العملي بقيود الاتصالات، وأخطاء المستشعرات، والقيود الحسابية للأجهزة الطرفية التي تعمل في ظل ظروف شبكة غير متجانسة. وعلى الرغم من مراعاة آليات الأمن السيبراني ضمن البنية المقترحة، إلا أن تنفيذها وتقييمها كانا خارج نطاق هذه الدراسة. لذا، سيركز العمل المستقبلي على التحقق من صحة الإطار باستخدام مجموعات بيانات مستقلة من العالم الحقيقي، وطوبولوجيات متنوعة لشبكات الجهد المنخفض، وسيناريوهات النشر الميداني. كما ستبحث الأبحاث الإضافية في الإدارة الذكية التكيفية للطاقة، والذكاء الاصطناعي القابل للتفسير، والمراقبة المدعومة بالتوأم الرقمي، وتعزيز التعاون بين السحابة والحافة، وذلك لتحسين متانة وقابلية توسع وقابلية تفسير أنظمة أتمتة قبول الجهد المنخفض الذكية.^40,41.

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
Apache Spark	Apache Software Foundation	Version 3.4+	تحليلات البيانات واسعة النطاق
Apache Superset	Apache Software Foundation	Version 3.x	لوحة تحكم تحليلية
Docker Engine	Docker Inc.	Version 24.x	نشر التطبيقات
Eclipse Mosquitto MQTT Broker	Eclipse Foundation	Version 2.x	تبادل البيانات
EdgeX Foundry (Jakarta Release or later)	LF Edge (Linux Foundation)	Version Jakarta / Geneva	إدارة أجهزة الحافة
Flask / FastAPI	Pallets Projects / Sebastián Ramírez	Flask 2.3+ / FastAPI 0.100+	تكامل واجهة برمجة تطبيقات الخلفية
Grafana	Grafana Labs	Version 10.x	التصور والمراقبة
Industrial IoT Gateway	Advantech / Siemens	ECU-1251 / SIMATIC IOT2040	الاتصال من المستشعر إلى السحابة
IoT Sensors (Voltage/Current Sensors)	Texas Instruments / Analog Devices	INA219 / ACS712	مراقبة الشبكة في الوقت الفعلي
Jetson Nano Developer Kit	NVIDIA Corporation	945-13450-0000-100	استنتاج الذكاء الاصطناعي عند الحافة
Kubernetes	Cloud Native Computing Foundation (CNCF)	Version 1.27+	قابلية توسع سير العمل
LSTM Model (Keras/TensorFlow)	Google (TensorFlow/Keras)	Included in TF 2.12+	التنبؤ بالأحمال والاستشراف
PLC (Power Line Communication) Module	STMicroelectronics	ST7580	اتصالات الشبكة الذكية
Plotly Dash	Plotly Inc.	Version 2.x	التصور التفاعلي
Python 3.10	Python Software Foundation	Version 3.10.x	معالجة البيانات وتحليلها
PyTorch	Meta AI	Version 2.0+	تنفيذ التعلم العميق
Random Forest Algorithm	Scikit-learn	Included in v1.3+	تصنيف الأعطال
Raspberry Pi 4 Model B (4GB RAM)	Raspberry Pi Foundation	RPI4-MODBP-4GB	المعالجة عند الحافة
React.js / Angular	Meta / Google	React 18.x / Angular 16+	تطوير واجهة المستخدم
RS-485 Transceiver Module	Maxim Integrated (Analog Devices)	MAX485	اتصال الأجهزة الصناعية
Scikit-learn	Scikit-learn Developers	Version 1.3+	نماذج تعلم الآلة
Support Vector Machine (SVM)	Scikit-learn	Included in v1.3+	التصنيف والتحقق
TensorFlow	Google LLC	Version 2.12+	تدريب النماذج
Twilio / Firebase Cloud Messaging	Twilio Inc. / Google	Not applicable	التنبيهات والإشعارات
Wi-Fi Module	Espressif Systems	ESP8266 / ESP32	نقل البيانات
XGBoost	DMLC (Distributed ML Community)	Version 1.7+	دعم القرار الذكي