需要JoVE订阅才能观看此内容。 请登录或开始免费试用

研究文章

一种基于流程驱动的低电压验收自动化平台，具备可视化工作流编排与机器学习验证功能

47 次观看

⸱

DOI：

10.3791/72580

⸱

2026年9月3日

 ,  ,  ,  ,  , 
1Metrology Center, Guangzhou Power Supply Bureau, Guangdong Power Grid Co., Ltd.

本文内容

摘要

所提出的低压验收自动化平台集成了物联网（IoT）、可视化工作流编排、边缘与云计算、特征工程以及机器学习技术，以实现低压（LV）系统验收测试的自动化。该平台支持智能故障检测、实时决策、自动验收、高准确率、低操作延迟以及可扩展部署。

摘要

低压（LV）网络的快速扩张及其与分布式能源的融合，需要智能化和自动化的管理解决方案。云边协同物联网（IoT）平台支持实时监控、控制和数据采集。然而，现有平台普遍缺乏工作流自动化、可视化流程编排、用户引导的决策支持以及全面的验证功能。因此，它们无法为低压网络自动化验收测试提供流程驱动的解决方案。本研究介绍了一种基于可视化流程画布的低压验收自动化平台的设计与评估。所提出的平台采用流程驱动架构，可对验收工作流进行可视化创建、管理和执行。该可视化流程画布通过支持实时工作流执行、验证和决策，将传统的静态监控转变为动态的工作流自动化。该框架整合了开放低压网络。 & 智能电表数据集支持电力负荷行为的真实建模。该工作流程包括基于物联网的数据采集、数据预处理、特征工程、使用可视化流程画布的工作流编排、基于机器学习的验证以及实时仪表板可视化。所提出的框架实现了98.4%的故障检测率、0.968的受试者工作特征曲线下面积（ROC-AUC）以及31毫秒的操作决策延迟，其性能比传统的以云为中心和基于物联网的基线方法高出约30%。–40%.

引言

工业4.0（I4.0）1由多种新兴技术推动，其中工业物联网（IIoT）是最重要的技术之一。IIoT是指在工业环境中应用物联网（IoT）技术，通过机器间通信实现设备与机器的互联互通。由于工业系统中的故障可能导致严重的运行损失，IIoT应用在生成的数据量远超传统IoT系统的同时，还要求通信具备极高的可靠性2。此外，一些研究认为IIoT是与工业4.0密切相关的概念3。物联网技术正在通过实现更灵活的系统和无缝的数据交换，改变传统的分层架构4。近年来大量研究综述了现有的IIoT架构，并提出了新的框架设计5,6,7,8,9。尽管取得了这些进展，仍存在两个主要局限性。首先，为克服先前架构的不足，新框架被频繁提出，导致替代模型数量不断增加，从而加剧了架构的多样性和实施复杂性。其次，许多所提出的架构具有高度抽象性，限制了其在工业环境中的实际应用10。

文献中已报道了多种工业物联网（IIoT）架构。一项基于开放平台通信（OPC）标准的IIoT架构被提出，并配套开发了用于管理OPC通信的Python中间件11。另一项七层IIoT架构被提出，但未提供实施细节和验证实验12。有研究描述了一个集成5G与IIoT技术的框架，并给出了代表性应用案例，但其实验验证较为有限13。一项面向工业4.0的情感化设计框架被引入，其潜在影响也进行了讨论，但缺乏实验验证14。一个多层IIoT平台在真实测试环境中进行了评估，重点探讨了通信方面的考量15。类似地，一项用于室内空气质量监测的模块化物联网框架被提出，并利用来自84个有儿童家庭的数据对其性能进行了评估16。

物联网（IoT）已成为一项快速发展的技术，在电力领域具有巨大的应用潜力17,18。将物联网技术集成到电力系统节点中，可通过智能电网内电能流动的持续实时监测，并结合自主决策，实现更智能、高效的发电、输电、配电、运行和用电。因此，这些智能节点可提升整个电力网络的运行性能19。通信技术是实现智能电网的基础组成部分，因为必须可靠地传输两类主要信息：传感器测量数据和控制信号。除了低通信延迟外，智能电网应用还要求具备适当的服务质量（QoS）和足够的数据安全性，以确保系统的可靠运行20。

为智能电网应用选择合适的通信技术时，需考虑通信间隔、数据传输速率和通信成本21。物联网通信网络通常由软件层、安全层、服务层、系统层和连接层组成。在连接层中，通信协议通常分为三类：远距离协议包括远距离无线通信（LoRa）和窄带物联网（NB-IoT）；中距离协议包括 Wi-Fi、4G/LTE 和 5G；短距离协议包括蓝牙和 ZigBee。随着电力市场逐步放松管制，负荷预测在评估天气条件、设备故障、监管变化及其他运行因素对电力服务成本的影响方面变得愈发重要。因此，精确的居民用电负荷预测已成为智能电网、微电网和智能建筑运行与监控的关键环节22。

低压（LV）网络的可靠运行取决于保持高质量的电能23。电能质量由电压调节的有效性、电流平衡性以及在不平衡运行条件下抑制技术扰动的能力决定24。在这些因素中，相位平衡尤为重要，因为它决定了电压和电流在各相之间的均匀分布25。相位平衡不良可能导致导体发热增加、电压偏差增大以及中性线电流升高，从而降低系统效率和运行可靠性26。因此，在系统设计过程中应考虑相位平衡，以提升系统性能、运行稳定性及长期可靠性。然而，这一方面在传统的微型电网设计方法中很少被纳入考量。

近年来，工作流编排系统在工业物联网环境中的应用已展现出事件驱动自动化与可视化过程管理的优势。然而，这些系统在配电网验证和低压验收测试中的应用仍较为有限。现有的大多数低压自动化系统主要集中在监测与监控控制方面，而针对工作流驱动的验收管理或自动化合规性验证的研究相对较少。同样，尽管机器学习技术在智能电表异常检测和电能质量评估方面已受到广泛关注，但这些方法通常被开发为独立的分析模型，而非作为集成化工作流编排框架的组成部分。

近年来，已提出多种用于智能建筑管理和家庭自动化的智能电表解决方案27。文献27中展示了一种智能电表原型，以演示将大学层次的教育理念融入智能计量技术。所开发的智能电表在能源管理与控制方面表现出显著潜力，可通过双向物联网通信降低能耗，使公用事业部门和消费者均受益。随后引入了一种基于微控制器的智能插座系统，以支持智能化的能源监测28。

所提出的智能插座系统通过基于 Android 的图形用户界面实时显示功耗。此外，该设备能够检测所连接电器的存在，这一功能被称为侵入式负载测量28。系统实现采用了一款低成本商用智能插座。未来的改进包括监测电流有效值（RMS）、有功功率、无功功率以及电压与电流之间的相位角。如我们先前的研究所述，一个部分并网的光伏微电网采用 ZigBee 和 LoRa 通信协议与智能电表设备交换信息，展示了物联网赋能通信在分布式能源系统中的可行性29,30。

为解决传统配电系统规划在工程实践和科学研究中的局限性，相关研究已沿着若干互补的方向取得进展。其中一个研究方向聚焦于利用地理信息系统（GIS）进行选址和初步资源评估的高层规划31,32。另一个方向则致力于改进单个组件和子系统，包括导线选型、发电与储能装置的最优容量配置，以及交流（AC）与直流（DC）配电系统的比较评估33,34,35,36。第三个研究方向是将优化算法应用于配电网规划、馈线布线及网络拓扑设计。近期发展包括诸如研究人员开发的 uGrid 平台等框架，该平台集成了设备布置与网络配置功能，但缺乏用于验证与优化的标准潮流分析模块。其他方法依赖于人工调参生成网络拓扑，或专注于特定应用场景，例如低压直流微电网37,38,39。尽管这些方法已取得显著进展，但仍需进一步工作以建立一种端到端设计低压配电系统的集成化方法。此外，对单相、三相及混合型低压系统的全面技术经济评估仍较为有限。

人工智能（AI）和机器学习领域的最新进展进一步拓展了智能电力系统的功能。一篇综述总结了人工智能与机器学习在智能电网中的应用，包括联邦学习、生成式人工智能、大语言模型、物联网人工智能（AIoT）和数字孪生等新兴技术40。该综述强调了这些技术在负荷预测、预测性维护、异常检测、需求侧管理以及电动汽车集成中的应用，同时指出了在互操作性、隐私保护、可扩展性、鲁棒性以及伦理问题方面仍存在的挑战。另一篇近期的综述评估了在物联网-边缘-云基础设施中用于分布式能源管理的人工智能方法，重点关注机器学习、强化学习以及用于去中心化能源控制的多智能体系统41。

总体而言，以往的研究已在低压（LV）配电系统中推动了物联网监测、智能计量、云边计算、人工智能以及智能能源管理的发展。然而，这些技术大多独立发展，工作流编排、自动化验收管理、流程驱动的验证以及集成化决策支持仍然有限，凸显了建立统一的、以工作流为导向的自动化框架的必要性。

因此，本研究提出了一种基于可视化流程画布的低压验收自动化平台。该框架在一个统一的架构中集成了基于物联网的数据采集、数据预处理、特征工程、工作流编排、基于机器学习的验证、云-边协同计算以及实时可视化，以利用真实世界的智能电表数据支持低压电网的自动化、可靠验收测试。图1展示了该平台以工作流为导向的架构概览。该工作流包含数据采集、预处理、特征工程、工作流编排、智能决策以及云-边协同集成，通过面向流程的框架实现低压配电网的自动化验证。与传统方法相比，该平台在保持高验证准确率的同时，显著降低了运行决策延迟和工作流执行时间。

figure-introduction-1
图1. 所提出的低压验收自动化平台的面向工作流架构。 所提出的流程驱动型低压（LV）验收自动化平台的高层架构。该框架展示了物联网（IoT）赋能的数据采集、数据预处理、特征工程、工作流编排、智能决策、云边协同以及低压配电网验证的自动化验收等环节的顺序集成。IoT = Internet of Things；LV = low voltage；ML = machine learning。 请点击此处查看此图的放大版本。

访问受限。请登录或开始试用以查看此内容。

方案

本研究未涉及人类参与者、动物或可识别的个人数据。分析基于公开数据集（UK Power Networks Open LV Network）进行。 & 智能电表数据集）以及用于验证的合成生成数据；因此，无需伦理委员会批准和知情同意。本方案中使用的研究工具列于 材料列表。

1. 数据采集

低压（LV）验收自动化平台是利用智能电表、物联网传感器和开放低压网络采集的电气测量数据开发而成。 & 智能电表数据集。通过基于 Wi-Fi、PLC 和 RS-485 的通信协议，采集了包括电压、电流、有功功率、无功功率和能耗在内的电气参数。实时测量数据用于系统在线监测，而历史数据则用于支持模型的开发与验证。

所提出的框架使用了开放左心室网络。 & 英国电力网络公司提供的智能电表示例数据集42该数据集包含家庭智能电表用电量、馈线级负荷曲线以及馈线电压测量值。我们选取了包含负荷用电量与电压数据的时间序列子集，用于模型训练与评估。此外，还生成了一个模拟智能电表数据集，以表征工作流程验证与机器学习模型评估所需的工作条件及故障场景。该模拟数据集包含带时间戳的电压、电流、有功功率、无功功率、能耗、总谐波失真（THD）以及电压不平衡度测量值。故障样本是通过模拟欠压、过压、过量谐波失真及电压不平衡度生成的，其依据是既定的低压运行阈值。数据集特征总结如下： 表 1.

属性描述
数据集名称开放 LV 网络 & 智能电表数据集
模拟  智能电表数据集生成了1000个样本用于故障模拟与工作流程验证。
数据类型时间序列（历史智能电表数据）
数据粒度家庭层面与饲喂器层面的测量
关键特征电压、电流、有功功率、无功功率、能耗、时间戳
数据频率高分辨率（例如，根据子集可达半小时/分钟级）
覆盖率住宅低压配电网
在拟议研究中的应用模型训练、验证、载荷行为分析及验收工作流程评估

表 1： 数据集描述。 开放左心室网络概述 & 用于模型开发与性能评估的智能电表数据集。本表展示了数据集的构成要素、测量的电气变量、采样特性，以及用于训练、验证和测试的数据集划分。

由于开放左心室网络 & 智能电表数据集不包含预定义的故障标签，因此对真实数据集和模拟数据集均采用了基于规则的标注策略。满足正常运行限值的样本被标记为0（正常），而超出运行阈值（例如电压偏差大于 ±额定电压的10%，总谐波失真 > 5%，或电压不平衡 > 2%）被标记为1（故障）。这些标签在模型训练、验证和测试过程中作为基准真值。所提出的规则引擎还允许根据区域标准或公用事业特定的验收标准配置阈值。

数据集被划分为训练集（70%）、验证集（15%）和测试集（15%）三个子集。缺失值采用预处理阶段所述的线性插值、均值填补和前向填充技术进行处理。为确保统计稳健性和结果可重复性，所有实验均使用不同的随机种子重复五次。

2. 数据预处理

来自开放左心室网络（Open LV Network）的原始数据 & 智能电表数据集与物联网传感器测量值在特征提取与模型开发前均经过预处理，以提升数据质量。针对通信中断与传感器故障导致的缺失值、噪声及不一致性，采用插值法、均值填补与前向填充技术进行识别与修正。详细数学推导过程如下。 补充文件 1（第 S1 节）.

预处理后的时间序列数据被分割为具有代表性的运行区间（S₁–S₅ 和 Sk）。从每个数据段中提取了统计与电气特征，包括平均负荷、峰值负荷、最小负荷、标准差、电压偏差及功耗。所提取的特征汇总如下。 表 2 并作为后续特征工程阶段的输入。

片段 ID平均负荷（kW）峰值负荷（千瓦）最小负载（千瓦）标准偏差（千瓦）电压偏差（标幺值）功耗（kWh）时间间隔
S₁2.453.81.20.650.03258.400:00–01:00
S₂2.94.11.50.720.02864.201:00–02:00
S₃3.254.851.80.810.03571.602:00–03:00
S₄3.85.22.10.90.04178.903:00–04:00
S₅4.15.752.40.950.04585.304:00–05:00
Sk3.65.120.880.03876.5tk

表 2： 从时间序列片段中提取的代表性特征表示。 在特征工程阶段，从分段低压时间序列数据中提取的代表性统计、电气、负荷行为、电压稳定性和电能质量特征。所示数值为构建的特征表示，并非实验性能结果。LF = 负荷率；PAR = 峰均比；VSI = 电压稳定指数；PF = 功率因数；THD = 总谐波失真。

3. 特征工程

为提升预处理数据在工作流编排与智能决策中的表征能力，本研究进行了特征工程。采用主成分分析（PCA）^43 以降低数据维度，通过剔除冗余和高度相关的变量，同时保留信息量最大的特征成分。相关数学推导如下： 补充文件 1（第 S2 节）.

统计描述符、负荷行为指标、电压稳定性指数及电能质量指标均从分段时序数据中提取。这些工程化特征包括负荷率、峰均比、电压稳定指数、电压不平衡指数、功率因数以及总谐波失真。所得特征集被用作工作流编排与智能决策模块的输入。

特征工程工作流程总结如下： 补充文件 1（补充算法 1）该流程包括对预处理数据进行分段、提取统计与电气特征、计算负荷行为、电压稳定性与电能质量指标，并应用主成分分析以生成用于模型训练与验证的最终特征向量。

4. 可视化流程画布设计

可视化流程画布是作为基于图形的工作流编排框架而开发的，旨在实现低压（LV）验收流程的自动化。该工作流以有向图的形式表示。 G = (N, E)，其中 N = {n1, n2, …, nm}表示对应各个处理阶段（如数据输入、预处理、验证和决策制定）的工作流节点， E = {e国际实验视频期刊}代表定义节点间执行顺序的有向边。这种基于图的表示法使得可配置工作流的创建及其自动化执行无需手动编码成为可能。

每个工作流节点通过接收输入数据、执行预定义操作并将处理后的输出转发至后续节点，以执行特定的处理任务。验收标准（包括电压与负载阈值）被实现为可配置的验证规则，可在不修改工作流结构的情况下进行更新。该工作流支持顺序与并行执行，以提升计算效率。机器学习模型被集成至指定的工作流节点中，用于执行异常检测与自动化验收验证。图 2).

figure-protocol-1
图 2: 用于左心室接纳自动化的可视化流程画布架构。 用于左心室验收自动化的可视化工作流编排框架概述。该流程画布展示了数据处理、特征工程、基于规则的验证、智能决策和输出生成等工作流节点的图形化组织，以支持工作流的设计、执行与监控。 请点击此处查看此图的放大版本。

描述工作流程图中信息流动的数学公式如下： 补充文件 1（第 S3 节）. 补充文件 1（补充算法 2） 描述了工作流编排流程，包括工作流遍历、节点执行、规则验证、决策生成和输出聚合。

可视化流程画布采用面向微服务的软件架构实现，以支持可扩展性与模块化部署。图形化工作流界面使用 React.js 开发，提供拖放式工作流配置功能。后端编排服务基于 Flask/FastAPI 实现，而 Eclipse Mosquitto 则作为 MQTT 消息代理，负责工作流模块间的通信。EdgeX Foundry 提供边缘设备管理与物联网集成。机器学习服务采用 Scikit-learn、TensorFlow 和 PyTorch 实现，并通过 Docker 与 Kubernetes 进行容器化部署。

5. 工作流编排引擎

工作流编排引擎协调了已配置验收工作流的执行。详细说明见 补充文件 1（第 S4 节）执行顺序总结如下 Supplementary Figure 1.

工作流执行过程包括：验证工作流定义、初始化执行环境、根据节点依赖关系调度工作流节点、顺序或并行执行节点、应用基于规则的验证、聚合中间输出，以及基于规则和机器学习评估生成最终的接受或拒绝决策。执行结果通过仪表板、报告、应用程序编程接口（API）和数据存储服务进行发布。整体工作流编排过程如图所示。 图 3.

figure-protocol-2
图 3: 不同方法间分类性能指标的比较。 物联网左心室网络、受限玻尔兹曼机、支持向量机、随机森林、长短期记忆网络以及所提出框架在 Open LV 网络上的分类性能比较 & 智能电表数据集。性能评估采用准确率、精确率、召回率和F1分数。结果以平均值呈现。 ± 标准偏差（SD）基于五次独立实验运行计算得出，训练集/验证集/测试集划分比例为70%/15%/15%。误差棒代表一个标准偏差。 请点击此处查看此图的放大版本。

6. 智能决策模块

智能决策模块旨在利用监督式机器学习模型实现低压（LV）验收决策的自动化。通过将分类与回归算法应用于经设计的特征向量，该模块为运营决策提供支持。分类模型用于识别正常与异常运行状态，而回归模型则用于预估未来能耗及运行趋势。

输入特征向量， X ∈ ℝd，包含特征工程阶段提取的统计特征、电压稳定性特征、负荷行为特征和电能质量特征。独立支持向量机（SVM）44随机森林 (RF)45以及长短期记忆（LSTM）46 模型被用作基线分类器以进行对比评估。学习模型的数学公式如下： 补充文件 1（第 S5 节）.

对于分类任务，输出变量 y ∈ {0,1} 分别代表正常（0）与异常（1）运行状态。当检测到异常运行状态或过载事件时，工作流会生成故障通知并将验收流程标记为无效；否则，该流程被归类为已接受。

工作流编排引擎将机器学习预测与基于规则的验证相结合，采用基于优先级的冲突解决策略。安全关键的操作规则和监管验收标准被视为硬约束，因此在发生冲突时优先于机器学习预测。最终验收决策的生成综合了基于规则的验证模块和智能决策模块的输出结果。

7. 云–边缘集成与可视化仪表板

为支持低压验收自动化平台的可扩展数据处理、存储与可视化，我们实施了一套云边协同计算架构。智能电表、SCADA 系统及物联网设备持续采集电气测量数据，并在边缘层进行处理。 通过 过滤、归一化、特征提取与实时推断，以降低通信开销并实现低延迟决策。相关数学推导详见 补充文件 1（第 S6 节）.

处理后的数据传输至云层，用于长期存储、高级分析、特征工程、模型训练和模型管理。交互式仪表板提供实时系统监控、警报、报告和运营决策支持。云边架构如图所示。 补充图 2实施细节总结于 表 3.

分层组件硬件 / 软件规格 / 版本目的/描述
边缘层边缘设备Raspberry Pi 4 / NVIDIA Jetson Nano四核中央处理器，4–8 GB 内存实时数据采集与本地处理
物联网网关工业物联网网关MQTT / Modbus / OPC-UA 支持传感器与边缘/云之间的通信
传感器 / 智能电表数字智能电表电压、电流、功率测量左心室网络数据采集
边缘软件Python, EdgeX Foundry, MQTT BrokerPython 3.x数据预处理、过滤与局部推断
通信协议Wi-Fi / PLC / RS-485标准方案数据传输至云层
云层云平台AWS / Microsoft Azure / Google Cloud可扩展的云服务数据存储、分析与模型训练
储存AWS S3 / Azure Blob / InfluxDB时序数据库存储历史数据与实时数据
计算 & 机器学习Python, TensorFlow, PyTorch, Scikit-learn机器学习库（最新版本）模型训练、评估与部署
容器化Docker, Kubernetes最新稳定版本工作流程编排与可扩展性
数据处理Apache Spark / Pandas分布式处理大规模数据分析
可视化层仪表板工具Grafana / Apache Superset / Plotly Dash基于网络的工具实时监测与可视化
网络框架React.js / Angular / Flask / FastAPI现代网络技术栈用户界面开发与应用程序编程接口集成
通知系统电子邮件 / 短信网关 / 推送通知Twilio / Firebase警报生成与信息传递
API 服务REST API基于 JSON 的通信模块间整合

表 3： 系统实现细节。 硬件配置、软件环境、通信协议与云平台的概要–用于实施所提出的左心室接纳自动化平台的边缘计算组件。

访问受限。请登录或开始试用以查看此内容。

结果

所提出的低压（LV）验收自动化平台的性能通过开放低压网络进行了评估。 & 智能电表数据集，以及一个为表征额外运行工况与故障场景而生成的合成智能电表数据集。该合成数据集支持在异常运行工况下对工作流编排、智能决策与故障检测进行受控评估。Open LV Network & 智能电表数据集包含家庭智能电表测量值、馈线级负荷曲线和电压测量值。为模型开发和评估，提取了与负荷消耗和电压变化对应的时间序列片段。

数据集被划分为训练集（70%）、验证集（15%）和测试集（15%）三个子集。所提出的LV验收自动化平台实现了较高的分类准确率（约96%）。–98%）、有效的故障检测能力以及降低的操作决策延迟。为确保统计稳健性与可重复性，所有实验均使用不同的随机种子独立重复五次。随后使用配对分析对所得性能分布进行了评估。 t-检验、单因素方差分析 (ANOVA)、Tukey'采用 honestly significant difference (HSD) 事后分析及 95% 置信区间。用于实施所提出框架的仿真环境概述如下： 表 4

访问受限。请登录或开始试用以查看此内容。

讨论

实验评估表明，所提出的面向工作流程的低压验收自动化平台在分类、预测、故障检测、操作决策延迟和可扩展性方面持续优于基准方法。这些性能提升源于先进特征工程、工作流编排、云边协同以及基于规则与机器学习混合决策机制的集成，而非单一机器学习模型的使用。研究结果与先前研究一致，表明面向工作流程的自动化与智能物联网架构能够提升工业和智能电网应用中的运营效率、互操作性和决策支持能力。2,3,9,10,18.

统计分析进一步增强了实验结果的可靠性。配对显著性检验、单因素方差分析（ANOVA）、置信区间分析以及受试者工作特征（ROC）分析证实，所提出的框架相较于基准方法取得了统计学上的显著改进，同时在不同决策阈值下均保持了优异的分类能力。47<...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明不存在任何竞争性的经济或非经济利益。

致谢

作者感谢 UK Power Networks Open Data Portal 提供公开可用的 Open LV Network 数据。 & 本研究使用的智能电表数据集。本研究未接受任何外部资助。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
Apache SparkApache Software Foundation版本 3.4+大规模数据分析
Apache SupersetApache Software Foundation版本 3.x分析仪表板
Docker EngineDocker Inc.版本 24.x应用部署
Eclipse Mosquitto MQTT 代理Eclipse Foundation版本 2.x数据交换
EdgeX Foundry（Jakarta 版本或更高）LF Edge (Linux Foundation)版本 Jakarta / Geneva边缘设备管理
Flask / FastAPIPallets Projects / Sebastián RamírezFlask 2.3+ / FastAPI 0.100+后端 API 集成
GrafanaGrafana Labs版本 10.x可视化与监控
工业物联网网关Advantech / SiemensECU-1251 / SIMATIC IOT2040传感器到云通信
物联网传感器（电压/电流传感器）Texas Instruments / Analog DevicesINA219 / ACS712实时网络监测
Jetson Nano 开发套件NVIDIA Corporation945-13450-0000-100边缘 AI 推理
Kubernetes云原生计算基金会 (CNCF)版本 1.27+工作流可扩展性
LSTM 模型（Keras/TensorFlow）Google (TensorFlow/Keras)包含在 TF 2.12+ 中负荷预测与预报
PLC（电力线通信）模块STMicroelectronicsST7580智能电网通信
Plotly DashPlotly Inc.版本 2.x交互式可视化
Python 3.10Python Software Foundation版本 3.10.x数据处理与分析
PyTorchMeta AI版本 2.0+深度学习实现
随机森林算法Scikit-learn包含在 v1.3+ 中故障分类
Raspberry Pi 4 Model B（4GB 内存）Raspberry Pi FoundationRPI4-MODBP-4GB边缘计算
React.js / AngularMeta / GoogleReact 18.x / Angular 16+用户界面开发
RS-485 收发器模块Maxim Integrated (Analog Devices)MAX485工业设备连接性
Scikit-learnScikit-learn 开发者版本 1.3+机器学习模型
支持向量机 (SVM)Scikit-learn包含在 v1.3+ 中分类与验证
TensorFlowGoogle LLC版本 2.12+模型训练
Twilio / Firebase 云消息传递Twilio Inc. / Google不适用告警与通知
Wi-Fi 模块Espressif SystemsESP8266 / ESP32数据传输
XGBoostDMLC（分布式机器学习社区）版本 1.7+智能决策支持

参考文献

  1. Tong L, Zhou J, Li J. IoT-based low-voltage power distribution system management and control platform. Front Energy Res. 2022;10:902715. https://doi.org/10.3389/fenrg.2022.902715
  2. Babayigit B, Abubaker M. Industrial Internet of Things: A review of improvements over traditional SCADA systems for industrial automation. IEEE Syst J. 2023;18:120–133.
  3. Nakagawa EY, et al. Industry 4.0 reference architectures: State of the art and future trends. Comput Ind Eng. 2021;156:107241. https://doi.org/10.1016/j.cie.2021.107241
  4. Ladegourdie M, Kua J. Performance analysis of OPC UA for industrial interoperability towards Industry 4.0. Internet Things. 2022;3:507–525.
  5. Bader SR, Maleshkova M, Lohmann S. Structuring reference architectures for the industrial Internet of Things. Future Internet. 2019;11:151. https://doi.org/10.3390/fi11070151
  6. Fun TS, Samsudin A. Recent technologies, security countermeasure and ongoing challenges of industrial Internet of Things (IIoT): A survey. Sensors (Basel). 2021;21:6647. https://doi.org/10.3390/s21196647
  7. Mirani AA, et al. Key challenges and emerging technologies in industrial IoT architectures: A review. Sensors (Basel). 2022;22:5836. https://doi.org/10.3390/s22155836
  8. Fraile F, et al. Reference models for digital manufacturing platforms. Appl Sci. 2019;9:4433. https://doi.org/10.3390/app9204433
  9. Serôdio C, et al. Software and architecture orchestration for process control in Industry 4.0 enabled by cyber-physical systems technologies. Appl Sci. 2024;14:2160. https://doi.org/10.3390/app14052160
  10. Ungurean I, Gaitan NC. A software architecture for the industrial Internet of Things—A conceptual model. Sensors (Basel). 2020;20:5603. https://doi.org/10.3390/s20195603
  11. Hsiao CH, Lee WP. OPIIoT: Design and implementation of an open communication protocol platform for industrial Internet of Things. Internet Things. 2021;16:100441. https://doi.org/10.1016/j.iot.2021.100441
  12. Domínguez-Bolaño T, et al. An overview of IoT architectures, technologies, and existing open-source projects. Internet Things. 2022;20:100626. https://doi.org/10.1016/j.iot.2022.100626
  13. Sasiain J, et al. Towards flexible integration of 5G and IIoT technologies in Industry 4.0: A practical use case. Appl Sci. 2020;10:7670. https://doi.org/10.3390/app10217670
  14. Cañas H, et al. A conceptual framework for smart production planning and control in Industry 4.0. Comput Ind Eng. 2022;173:108659. https://doi.org/10.1016/j.cie.2022.108659
  15. Cabrini FH, et al. Enabling the industrial Internet of Things to cloud continuum in a real city environment. Sensors (Basel). 2021;21:7707. https://doi.org/10.3390/s21227707
  16. Gabriel MF, et al. Implementation of an IoT architecture for promoting healthy air quality in 84 homes of families with children. Build Environ. 2024;266:112040. https://doi.org/10.1016/j.buildenv.2024.112040
  17. Silva BN, Khan M, Han K. Internet of Things: A comprehensive review of enabling technologies, architecture, and challenges. IETE Tech Rev. 2018;35:205–220.
  18. Dhaou ISB, et al. Internet of Things technologies for smart grid. In: Research Anthology on Smart Grid and Microgrid Development. IGI Global; Hershey; 2022. p. 805–832.
  19. Kondoro A, et al. A low latency secure communication architecture for microgrid control. Energies. 2021;14:6262. https://doi.org/10.3390/en14196262
  20. Tightiz L, Yang H. A comprehensive review on IoT protocols' features in smart grid communication. Energies. 2020;13:2762. https://doi.org/10.3390/en13112762
  21. Kondoro A, et al. Real-time performance analysis of secure IoT protocols for microgrid communication. Future Gener Comput Syst. 2021;116:1–12.
  22. Rodrigues R, et al. A review of solid-state circuit breakers. IEEE Trans Power Electron. 2020;36:364–377.
  23. IEEE. IEEE Std 1159-2019: IEEE recommended practice for monitoring electric power quality. IEEE; Piscataway (NJ); 2019. https://doi.org/10.1109/IEEESTD.2019.8800097
  24. Otcenasova A, et al. The influence of power quality indices on active power losses in a local distribution grid. Energies. 2019;12:1389. https://doi.org/10.3390/en12071389
  25. Ma K, et al. Review of distribution network phase unbalance: Scale, causes, consequences, solutions, and future research direction. CSEE J Power Energy Syst. 2020;6:479–488.
  26. Peppanen J, et al. Modeling power electronic equipment to improve distribution feeder current and voltage balance [Presentation]. Presented at: IEEE PES Transmission and Distribution Conference and Exposition (T&D); Denver, CO; 2018. Available from: https://ieeexplore.ieee.org/ https://doi.org/10.1109/TDC.2018.8440261
  27. Sayed S, et al. Design and realization of an open-source and modular smart meter. Energy Sci Eng. 2019;7:1405–1422.
  28. Satapathy LM, et al. Arduino based home automation using Internet of Things (IoT). Int J Pure Appl Math. 2018;118:769–778.
  29. Shaban M, et al. Design of a partially grid-connected photovoltaic microgrid using IoT technology. Appl Sci. 2021;11:11651. https://doi.org/10.3390/app112411651
  30. Shaban M, Dhaou IB. Design of an IoT-enabled microgrid architecture for a partial grid-connected mode [Presentation]. Presented at: 18th International Multi-Conference on Systems, Signals and Devices (SSD); Virtual; 2021. Available from: https://ieeexplore.ieee.org/ https://doi.org/10.1109/SSD52085.2021.9429443
  31. Taye BZ, et al. Rural electrification planning using geographic information system (GIS). Cogent Eng. 2020;7:1836730. https://doi.org/10.1080/23311916.2020.1836730
  32. Huld T, et al. Geospatial analysis of photovoltaic mini-grid system performance. Energies. 2017;10:218. https://doi.org/10.3390/en10020218
  33. Domínguez J, et al. IntiGIS-Local: A geospatial approach to assessing rural electrification alternatives for sustainable socio-economic development in isolated communities—A case study of Guasasa, Cuba. Energies. 2024;17:3835. https://doi.org/10.3390/en17153835
  34. Tafula JE, et al. Multicriteria decision-making approach for optimum site selection for off-grid solar photovoltaic microgrids in Mozambique. Energies. 2023;16:2894. https://doi.org/10.3390/en16062894
  35. Isihak S, et al. Evolution of GIS-based rural electrification planning models and an application of OnSSET in Nigeria. Renew Sustain Energy Transit. 2022;2:100019. https://doi.org/10.1016/j.rset.2022.100019
  36. Korkovelos A, et al. The role of open access data in geospatial electrification planning and the achievement of SDG7: An OnSSET-based case study for Malawi. Energies. 2019;12:1395. https://doi.org/10.3390/en12071395
  37. Cicilio P, et al. uGrid: Reliable minigrid design and planning toolset for rural electrification. IEEE Access. 2019;7:163988–163999.
  38. Nasir M, et al. Optimal planning and design of low-voltage low-power solar DC microgrids. IEEE Trans Power Syst. 2018;33:2919–2928.
  39. Vai V, et al. Optimal low-voltage distribution topology with integration of PV and storage for rural electrification in developing countries: A case study of Cambodia. J Mod Power Syst Clean Energy. 2020;8:531–539.
  40. Banad Y, Sharif S, Rezaei Z. Artificial intelligence and machine learning for smart grids: from foundational paradigms to emerging technologies with digital twin and large language model-driven intelligence. Energy Convers Manag X. 2025;28:101329. https://doi.org/10.1016/j.ecmx.2025.101329
  41. Álvarez-López C, González-Briones A, Li T. Explainable AI and multi-agent systems for energy management in IoT-edge environments: a state-of-the-art review. Electronics. 2026;15(2):385. https://doi.org/10.3390/electronics15020385
  42. UK Power Networks. Open data portal [Online]. Available from: https://www.ukpowernetworks.co.uk/our-company/open-data-portal (Accessed June 2026).
  43. Jolliffe IT. Principal Component Analysis. 2nd ed. Springer; New York; 2002. https://doi.org/10.1007/b98835
  44. Cortes C, Vapnik V. Support-vector networks. Mach Learn. 1995;20:273–297.
  45. Breiman L. Random forests. Mach Learn. 2001;45:5–32.
  46. Hochreiter S, Schmidhuber J. Long short-term memory. Neural Comput. 1997;9:1735–1780.
  47. Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett. 2006;27:861–874.
  48. Montgomery DC, Runger GC. Applied Statistics and Probability for Engineers. 8th ed. John Wiley & Sons; Hoboken (NJ); 2020.
  49. Montgomery DC. Design and Analysis of Experiments. 10th ed. John Wiley & Sons; Hoboken (NJ); 2020.

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

低压电网工作流自动化物联网数据采集过程驱动架构特征工程实时监控故障检测仪表盘可视化
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。