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。
本文内容
摘要
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。
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。
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 |
| 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 |
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).
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.
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 Broker | Python 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。
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.
| 参数 | 价值 | 描述 |
| 数据集 | 开放左心室网络 & 智能电表数据集 + 合成智能电表数据集 | 真实世界与模拟低压配电网数据 |
| 总样本数 | 1000 个合成样本 + 选定的开放 LV 子集 | 用于验证与测试的数据 |
| 数据分割 | 70% 训练 / 15% 验证 / 15% 测试 | 模型开发与评估 |
| 独立运行次数 | 5 | 统计可靠性分析 |
| 随机种子 | 42, 52, 62, 72, 82 | 可重复的实验设置 |
| 总统计观测值 | 30 次观测（6 个模型） × 5 次运行 | 用于t检验、方差分析及Tukey HSD检验 |
| 采样率 | 30分钟/1分钟间隔 | 时间序列分辨率 |
| 特点 | 负载、电压、电流、有功功率、无功功率、总谐波失真、电压不平衡度、衍生特征 | 机器学习模型的输入特征 |
| 机器学习模型 | 随机森林，支持向量机，XGBoost，长短期记忆网络 | 智能决策模块 |
| 硬件 | NVIDIA RTX 3090 GPU、Intel Core i9 CPU、64 GB RAM | 培训与模拟环境 |
| 边缘设备 | Raspberry Pi 4 / Jetson Nano | 边缘推理与实时处理 |
| 软件 | Python 3.10、TensorFlow 2.12+、Scikit-learn 1.3+、PyTorch 2.0+ | 模型实施 |
| 通信协议 | MQTT / HTTP / RS-485 | 数据传输 |
| 阈值 | 电压 ±10%，THD > 5%，电压不平衡 > 2%，饲养层细胞接种密度 > 90% 容量 | 错误标记与验证规则 |
| 统计检验 | 配对t检验、单因素方差分析、Tukey HSD、95%置信区间 | 性能显著性评估 |
表 4： 模拟环境。 实验环境配置，包括数据集划分、机器学习模型、硬件规格、软件环境及验证方案。实验采用70%训练集、15%验证集和15%测试集的划分方式，并使用不同随机种子重复进行五次。
分类性能
所提出的框架采用多种性能指标进行评估，包括准确率、精确率、召回率、F1分数、延迟时间以及故障检测率。准确率用于评估整体分类性能，而精确率、召回率和F1分数则用于评估故障检测的有效性。延迟时间衡量了工作流的操作决策响应时间，故障检测率则量化了该框架在低压配电网中识别异常运行工况的能力。通过逐步增加输入数据样本的数量，进一步评估了其可扩展性。
所提出的低压验收自动化平台与五种基准方法进行了比较，即物联网-低压、基于规则的监测、支持向量机、随机森林和长短期记忆。物联网-低压框架主要支持使用预定义阈值标准的数据采集和基本监测，不具备智能决策能力。类似地，基于规则的监测方法依赖于固定的操作阈值，因此缺乏自适应学习能力。尽管支持向量机和随机森林通过监督学习有效分类操作数据，但它们不包含工作流编排或集成验收管理。长短期记忆为时间序列分析提供了改进的时序学习能力，但不支持自动化工作流执行。相比之下，所提出的框架在一个统一的自动化架构内，结合了工作流编排、基于规则与机器学习的混合决策、特征工程以及云边计算。
为确保公平比较，所有基线方法均使用相同的训练集、验证集和测试集划分（比例分别为70%、15%和15%）进行评估。机器学习基线的超参数优化使用验证数据集进行，所有模型均采用相同的预处理和特征缩放流程。与独立支持向量机（SVM）不同44射频45以及长短期记忆网络46 与直接在原始特征空间上训练的分类器不同，所提出的框架在分类前整合了先进的特征工程、工作流程验证以及验收规则编排。
所有方法的分类性能总结于 表 5在传统方法中，物联网低压系统因依赖传统监测而缺乏智能决策，其分类准确率最低（82.4%）。受限玻尔兹曼机性能略有提升，准确率达到85.7%，但其固定的验证阈值限制了适应性。机器学习方法表现出逐步提升的性能：支持向量机与随机森林凭借从数据中学习判别模式的能力，分别实现了91.6%与93.4%的准确率。长短期记忆网络通过有效捕捉智能电表时间序列数据中的时间依赖性，将分类准确率进一步提升至95.2%。
所提出的 LV 验收自动化平台实现了最佳的整体分类性能，其准确率为 97.3%，精确率为 96.8%，召回率为 96.1%，F1 分数为 96.4%。这些改进归因于集成了先进的预处理、特征工程、工作流编排、基于规则与机器学习的混合决策以及云边协同处理，而非仅仅应用机器学习算法。这些组件共同增强了正常与异常运行条件之间的可分离性，同时提升了自动化验收验证的效率。
所有评估方法的分类性能比较结果如下图所示 图 3.
| 方法 | 准确度（%） | 精确度 (%) | 召回率 (%) | F1分数（%） |
| 物联网-左心室 | 82.4 | 80.2 | 78.5 | 79.3 |
| RBM | 85.7 | 83.9 | 82.1 | 83 |
| 支持向量机 | 91.6 | 90.8 | 89.7 | 90.2 |
| 射频 | 93.4 | 92.6 | 91.8 | 92.2 |
| 长短期记忆网络 | 95.2 | 94.5 | 93.8 | 94.1 |
| 建议方法 | 97.3 | 96.8 | 96.1 | 96.4 |
表 5： 分类指标比较。 物联网-LV、RBM、SVM、RF、LSTM 及所提框架使用准确率、精确率、召回率和 F1 分数进行分类性能比较。结果以平均值报告。 ± 标准偏差（SD）来源于五次独立实验运行。
统计学显著性分析
为进一步评估所提出的低压电网接纳自动化平台的可靠性，我们进行了统计显著性检验，以比较其与基准方法（包括IoT-LV、RBM、SVM、RF和LSTM）的性能。实验采用Open LV Network数据集的不同训练-验证-测试划分进行了多次运行。 & 智能电表数据集。所得分类准确率用于计算每种方法的平均值和标准差，随后进行配对 t-用于确定观察到的性能差异是否具有统计学显著性的检验。配对检验的数学公式 t-检测试剂盒包含于 补充文件 1（第 S7 节）.
所有统计分析均采用0.05的显著性水平。为确保可重复性，每次实验均使用不同的随机种子和数据分区独立重复五次。随后将每次运行获得的性能指标用于统计评估。
配对 t测试结果总结于 表 6所提出的框架在性能上显著超越了所有基准方法。p < 0.05），表明其在准确率、精确率、召回率和F1分数上均取得了统计学上的显著提升。性能的显著增益不仅体现在超越传统方法（如IoT-LV和RBM）上，也体现在超越更先进的机器学习模型（包括SVM、RF和LSTM）上。这些发现表明，观察到的改进并非源于随机变异，而是源于集成的、面向工作流的自动化框架。
| 比较 | p值 | 意义 |
| 建议方案与物联网左心室 | 0.0008 | 显著 |
| 建议方案与基于风险的监测 | 0.0015 | 显著 |
| Proposed 对比 SVM | 0.012 | 显著 |
| 建议方案与射频方案 | 0.021 | 显著 |
| Proposed 对比 LSTM | 0.034 | 显著 |
表 6： 成对统计显著性分析（p值）。 所提框架与基准方法之间的成对统计比较。该表格报告了统计显著性检验获得的p值，其中p < 0.05 表示存在统计学显著差异。
受试者工作特征（ROC）分析
为进一步评估所提出的左心室接纳自动化平台与物联网左心室、RBM、SVM、RF及LSTM相比的分类能力，我们进行了受试者工作特征曲线分析。通过评估真阳性率与假阳性率之间的权衡关系，采用ROC曲线下面积来量化各分类器的判别能力。
物联网-低压框架取得了最低的AUC（约0.690），这反映了其依赖传统监测而缺乏智能决策。受限玻尔兹曼机因依赖基于固定阈值的验证规则，取得了中等水平的AUC，约0.738。机器学习分类器表现出逐步提升的性能，支持向量机和随机森林分别取得了约0.833和0.861的AUC值，这得益于它们从运行数据中学习判别模式的能力。长短期记忆网络通过有效建模智能电表时间序列数据中的时间依赖性，进一步提升了分类性能，取得了约0.885的AUC。
所提出的低压验收自动化平台取得了最高的AUC值（约0.910），在正常与异常运行工况的区分上表现出卓越的判别能力。这一提升得益于先进的特征工程、工作流编排、基于规则与机器学习的混合决策以及云边协同处理的综合效应。所有评估方法的对比ROC曲线如图所示。 图 4.
图4: 左心室接纳自动化接收者操作特征（ROC）曲线比较。 物联网左心室、RBM、SVM、RF、LSTM及所提框架的受试者工作特征（ROC）曲线对比。ROC曲线下面积（ROC-AUC）用于评估不同决策阈值下的分类性能。TPR表示真阳性率，FPR表示假阳性率。 请点击此处查看此图的放大版本。
基于方差分析的统计学显著性分析
为进一步验证实验结果，我们采用单因素方差分析（ANOVA）来比较所提框架与物联网-LV、RBM、SVM、RF及LSTM的性能。而配对 tt检验用于评估两种方法间的差异，而方差分析（ANOVA）则用于同时确定多个组间是否存在统计学显著差异。该方差分析通过使用Open LV Network的不同训练-验证-测试划分进行重复实验来完成。 & 智能电表数据集。相关数学推导详见 补充文件 1（第 S8 节）.
方差分析结果如下： 表 7一个较大的F统计量（约18.7） p < 0.001（基于五次独立实验运行共30次观测得出）表明，所评估方法之间存在统计学上的显著差异。
| 变异来源 | SS | df | 质谱 | F值 | p值 |
| 组间 | 412.6 | 5 | 82.52 | 18.7 | < 0.001 |
| 组内 | 132.4 | 30 | 4.41 | — | — |
| 总 | 545 | 35 | — | — | — |
表 7： 单因素方差分析（ANOVA）结果。 为评估所比较方法间统计学差异而进行的单因素方差分析结果。该表格报告了F统计量、自由度（df）及其对应的 p-值。
为确定导致这些差异的具体方法，Tukey'随后进行了 honestly significant difference (HSD) 事后分析。结果总结如下： 表 8 结果表明，所提出的低压验收自动化平台性能显著优于物联网低压、RBM、SVM和RF方法，同时相比LSTM也取得了统计学上的显著提升。这些发现进一步证实了将工作流编排、特征工程、基于规则与机器学习的混合决策以及云边计算整合于统一验收自动化框架内的有效性。
| 比较 | p值 | 意义 |
| 建议方案与物联网左心室 | < 0.001 | 显著 |
| 建议方案与基于风险的监测 | < 0.001 | 显著 |
| Proposed 对比 SVM | 0.009 | 显著 |
| 建议方案与射频方案 | 0.018 | 显著 |
| Proposed 与 LSTM | 0.041 | 显著 |
表 8： Tukey 真实显著性差异（HSD）事后分析。 采用Tukey HSD事后检验对评估方法进行两两比较，该检验在方差分析后进行。表格报告了均值差异、置信区间、校正后的p值及统计显著性。
置信区间分析
为进一步评估所提框架的可靠性与一致性，我们通过计算重复实验所得分类准确率的95%置信区间（CI）进行了验证。具体计算流程如下所述。 补充文件 1（第 S8 节）。
置信区间分析总结如下 表 9传统方法，包括IoT-LV和RBM，表现出相对较宽的置信区间，表明其分类性能具有较大的变异性。相比之下，基于机器学习的方法（SVM、RF和LSTM）则显示出更窄的置信区间，反映了在重复实验中稳定性的提升。
| 方法 | 平均准确率（%） | 标准差（%） | 95%置信区间（%） |
| 物联网-左心室 | 82.4 | 1.8 | [81.0, 83.8] |
| RBM | 85.7 | 1.6 | [84.5, 86.9] |
| 支持向量机 | 91.6 | 1.3 | [90.6, 92.6] |
| 射频 | 93.4 | 1.2 | [92.5, 94.3] |
| 长短期记忆网络 | 95.2 | 1 | [94.5, 95.9] |
| 建议方法 | 97.3 | 0.8 | [96.7, 97.9] |
表 9： 分类准确率的置信区间。 基于五次独立实验运行，各评估方法的平均分类准确率、标准差（SD）及95%置信区间（CI）。本表总结了分类性能的统计变异性和可靠性。
所提出的 LV 验收自动化平台实现了最高的平均分类准确率（97.3%），同时具有最窄的 95% 置信区间（96.7%–97.9%），表明其具有极佳的一致性和稳健性。此外，所提出框架的置信区间与基准方法的置信区间之间不存在重叠，这为其统计性能的优越性提供了进一步的证据。
预测性能
除分类性能外，还使用均方根误差（RMSE）和平均绝对误差（MAE）评估了所提出的低压接入自动化平台的预测能力。这些指标通过测量预测值与观测值之间的偏差，量化了能耗预测的准确性。
所提出框架与基准方法的预测性能总结于 表 10所评估分类方法对应的混淆矩阵热图展示如下。 图 5展示了真阳性、真阴性、假阳性和假阴性预测的分布情况。所提出的框架实现了最低的预测误差，其均方根误差为2.1，平均绝对误差为1.6，与物联网-LV、RBM、SVM、RF和LSTM相比，展现了更优的预测性能。预测误差从传统的物联网-LV和RBM方法，到基于机器学习的SVM、RF和LSTM模型，逐步降低，凸显了智能学习技术的优势。所提出的框架通过集成先进的特征工程、工作流编排、基于规则与机器学习的混合决策以及云边协同处理，进一步降低了预测误差，从而提高了能耗预测的准确性和可靠性。对所评估方法的操作决策延迟进行了比较。 图 6所提出的框架实现了最短的决策延迟，证明了工作流编排与云边协同处理的有效性。
| 方法 | 均方根误差 | MAE |
| 物联网-左心室 | 8.9 | 7.2 |
| RBM | 7.6 | 6.1 |
| 支持向量机 | 5.1 | 4.3 |
| 射频 | 4.2 | 3.5 |
| 长短期记忆网络 | 3.4 | 2.8 |
| 建议方法 | 2.1 | 1.6 |
表 10： 预测误差指标（RMSE 与 MAE）的比较。 物联网-LV、RBM、SVM、RF、LSTM及所提框架预测性能的比较，采用均方根误差（RMSE）和平均绝对误差（MAE）。较低的RMSE和MAE值表示预测误差较小。
图 5: 混淆矩阵热图对比。 物联网左心室、受限玻尔兹曼机、支持向量机、随机森林、长短期记忆网络及所提框架的混淆矩阵，以真阳性、真阴性、假阳性和假阴性形式展示分类结果。热力图直观呈现了各方法正确与错误分类样本的分布情况。 请点击此处查看此图的放大版本。
图 6: 不同方法间操作决策延迟的比较。 物联网-LV、RBM、SVM、RF、LSTM及所提框架在LV验收自动化过程中的操作决策延迟对比。延迟以毫秒（ms）为单位进行测量，代表工作流执行、规则验证及验收决策生成所需的操作决策时间。 请点击此处查看此图的放大版本。
消融研究
通过消融研究评估了所提出的左心室接纳自动化平台各主要组件的贡献。该框架通过逐步启用特征工程、智能机器学习决策、工作流编排及云边集成而构建。在未启用任何这些模块的基线配置中，系统准确率为82.6%，F1分数为80.4%，均方根误差为8.7，操作延迟为96毫秒，这证明了传统处理方法在缺乏智能自动化时的局限性。
消融结果总结如下 表 11通过逐步引入特征工程，智能电表数据中提取的运行特征表征得以增强，从而显著提升了分类性能。添加智能决策模块后，通过数据驱动的决策机制进一步提高了分类准确率并降低了预测误差。工作流编排的集成通过协调验证、执行与决策流程提升了自动化效率，而云边协同则借助分布式处理降低了运行决策延迟。总体而言，这些模块在持续提升准确率与F1分数的同时，有效降低了均方根误差与执行延迟。
完整的 LV 验收自动化平台实现了最佳整体性能，分类准确率达 97.3%，F1 分数为 96.4%，均方根误差为 2.1，操作延迟为 31 毫秒。这些发现表明，所观察到的性能提升源于工作流编排、高级特征工程、基于规则与机器学习的混合决策以及云边协同的整合，而非任何单一组件的独立作用。所评估方法的故障检测性能呈现如下： 图 7其中，所提出的框架实现了最高的故障检测率。 图 8 该图展示了可扩展性分析，表明随着数据集规模增大，所提出的框架始终保持最低处理时间，证实了其适用于大规模左心室接纳自动化。
| 配置 | 工作流编排 | 特征工程 | 云–边缘处理 | 智能机器学习决策模块 | 准确度（%） | F1分数（%） | 均方根误差 | 潜伏期（毫秒） |
| 基线系统 | ✗ | ✗ | ✗ | ✗ | 82.6 | 80.4 | 8.7 | 96 |
| + 特征工程 | ✗ | ✓ | ✗ | ✗ | 88.9 | 87.5 | 6.2 | 84 |
| + 机器学习决策模块 | ✗ | ✓ | ✗ | ✓ | 92.8 | 91.6 | 4.5 | 63 |
| + 工作流编排 | ✓ | ✓ | ✗ | ✓ | 95.1 | 94.2 | 3.3 | 48 |
| + 云–边缘整合 | ✓ | ✓ | ✓ | ✓ | 97.3 | 96.4 | 2.1 | 31 |
表 11： 所提框架的消融研究。 对所提出框架中特征工程、智能决策、工作流编排及云边集成对整体性能的贡献进行实验评估。采用准确率、F1分数、均方根误差及操作决策延迟作为指标，报告每种增量配置下的性能表现。
图 7. 不同方法间故障检测率的比较。 基于开放低压网络数据，比较物联网低压系统、受限玻尔兹曼机、支持向量机、随机森林、长短期记忆网络及所提框架的故障检测性能 & 智能电表数据集。故障检测率（%）表示正确识别的故障条件所占比例。 请点击此处查看此图的放大版本。
图 8. 不同方法的可扩展性分析。 物联网低功耗视觉、受限玻尔兹曼机、支持向量机、随机森林、长短期记忆网络及所提框架在数据集规模递增下的可扩展性比较。可扩展性通过处理时间（毫秒）随计算负荷增加的变化进行评估。 请点击此处查看此图的放大版本。
数据可用性：
开放左心室网络 & 本研究使用的智能电表数据集可通过英国电力网络开放数据门户公开获取。42 访问地址：https://ukpowernetworks.opendatasoft.com/explore/assets/ukpn-smart-meter-consumption-lv-feeder/。本研究生成的所有资源，包括模拟智能电表数据集、示例工作流配置、部署构件、研究原型实现、源代码及评估脚本，均已通过 Zenodo 存储库公开提供，地址为：https://zenodo.org/records/21187749。
补充图1：工作流编排引擎流程图。 该示意图展示了工作流编排引擎执行的操作序列，包括数据采集、预处理、工作流执行、基于机器学习的验证、决策生成以及用于自动化低电压验收测试的结果报告。请点击此处下载此文件。
补充图2：云–面向低电压接纳自动化的边缘架构。 该架构展示了边缘设备与云服务之间的交互。从智能电表、SCADA系统和物联网设备采集的电气测量数据在边缘进行处理，以完成预处理和实时推断，随后传输至云端进行存储、分析、模型管理和可视化。 通过 一个交互式监控仪表板。请点击此处下载此文件。
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。47,48,49这些统计学评估进一步证明，所观察到的性能提升并非由随机变异所致。
可扩展性与消融研究进一步证明了所提出架构在计算工作量增加和不同系统配置下的有效性。可扩展性分析表明，当数据集规模从1,000条数据开始增长时，该框架的处理时间始终低于基准方法。–5,000个样本。消融研究同样证实，每个主要组件都对系统整体性能有所贡献。特征工程优化了从智能电表数据中提取的运行特征表征，智能决策模块提升了故障预测与自动化验证能力，工作流编排优化了任务调度与执行效率，云边协同则降低了通信开销与运行决策延迟。这些发现与既往研究结论一致，均强调了云边架构与流程编排在实现可扩展、低延迟工业物联网系统方面的优势。9,15,19,20,21.
由于所提出的框架在物联网赋能的低压环境中运行，网络安全与数据隐私是实际部署的重要考量。智能电表、边缘设备、网关与云服务之间的安全通信可通过启用传输层安全（TLS）的 MQTT 和 HTTPS 协议实现。基于角色的访问控制（RBAC）为工作流管理和系统资源提供认证与授权，而高级加密标准（AES）-256 加密则在传输与存储过程中保护运行数据。审计日志记录与安全的云-边缘同步进一步支持整个验收工作流中的数据完整性、机密性和可追溯性。这些安全机制符合当前针对安全工业物联网（IIoT）和智能电网通信基础设施的推荐实践。6,7,19,20,21.
所提出的框架通过引入一种统一的工作流导向架构，为智能配电系统的发展做出贡献。该架构在一个自动化平台内整合了云边协同、工作流编排、特征工程以及基于机器学习的决策。与主要侧重于数据采集和集中处理的传统物联网监控方法不同。1,10,11,12该框架支持自动化验证、智能故障检测与流程驱动决策。可扩展性与消融研究进一步证明了模块化智能架构在未来智慧能源管理与工业4.0应用中的优势。3,9,14,15.
从实践角度来看，所提出的低压验收自动化平台能够实现实时监控、自动化验证、智能故障检测以及验收决策，且所需人工干预极少。该框架实现了31毫秒的操作决策延迟和98.4%的故障检测率，证明了其支持实时工业应用的能力。此外，云边协同架构降低了通信开销，同时提供了处理来自智能电表、分布式能源资源以及物联网设备数据所需的可扩展性。这些能力与当前智能电网自动化和智能能源管理系统的发展趋势相契合。18,19,20,21,27,29,30.
尽管结果前景可观，仍需认识到若干局限性。实验评估是使用 Open LV Network 进行的。 & 由于公开的低压数据集未提供全面的故障标注，本研究结合智能电表数据集与合成故障数据。因此，模拟的故障场景和基于规则的标签可能无法完全代表实际运行条件的多样性。此外，验证仅使用单一数据集进行，实际部署可能受到通信限制、传感器误差以及在异构网络条件下运行的边缘设备计算能力的制约。尽管在提出的架构中考虑了网络安全机制，但其具体实施与评估超出了本研究的范围。因此，未来工作将侧重于利用独立的真实世界数据集、多样化的低压网络拓扑结构以及现场部署场景来验证该框架。进一步的研究将探索自适应智能能源管理、可解释人工智能、数字孪生辅助监测以及增强的云边协同，以进一步提升智能低压接入自动化系统的鲁棒性、可扩展性和可解释性。40,41.
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。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| Apache Spark | Apache Software Foundation | 版本 3.4+ | 大规模数据分析 |
| Apache Superset | Apache Software Foundation | 版本 3.x | 分析仪表板 |
| Docker Engine | Docker 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 / FastAPI | Pallets Projects / Sebastián Ramírez | Flask 2.3+ / FastAPI 0.100+ | 后端 API 集成 |
| Grafana | Grafana Labs | 版本 10.x | 可视化与监控 |
| 工业物联网网关 | Advantech / Siemens | ECU-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 Devices | INA219 / ACS712 | 实时网络监测 |
| Jetson Nano 开发套件 | NVIDIA Corporation | 945-13450-0000-100 | 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 | STMicroelectronics | ST7580 | 智能电网通信 |
| Plotly Dash | Plotly Inc. | 版本 2.x | 交互式可视化 |
| Python 3.10 | Python Software Foundation | 版本 3.10.x | 数据处理与分析 |
| PyTorch | Meta 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 Foundation | RPI4-MODBP-4GB | 边缘计算 |
| React.js / Angular | Meta / Google | React 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-learn | Scikit-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 |
| TensorFlow | Google 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 Systems | ESP8266 / ESP32 | 数据传输 |
| XGBoost | DMLC（分布式机器学习社区） | 版本 1.7+ | 智能决策支持 |
参考文献
- 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
- 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.
- 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
- Ladegourdie M, Kua J. Performance analysis of OPC UA for industrial interoperability towards Industry 4.0. Internet Things. 2022;3:507–525.
- 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
- 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
- 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
- Fraile F, et al. Reference models for digital manufacturing platforms. Appl Sci. 2019;9:4433. https://doi.org/10.3390/app9204433
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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.
- 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.
- Kondoro A, et al. A low latency secure communication architecture for microgrid control. Energies. 2021;14:6262. https://doi.org/10.3390/en14196262
- 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
- Kondoro A, et al. Real-time performance analysis of secure IoT protocols for microgrid communication. Future Gener Comput Syst. 2021;116:1–12.
- Rodrigues R, et al. A review of solid-state circuit breakers. IEEE Trans Power Electron. 2020;36:364–377.
- 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
- 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
- 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.
- 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
- Sayed S, et al. Design and realization of an open-source and modular smart meter. Energy Sci Eng. 2019;7:1405–1422.
- Satapathy LM, et al. Arduino based home automation using Internet of Things (IoT). Int J Pure Appl Math. 2018;118:769–778.
- 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
- 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
- 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
- Huld T, et al. Geospatial analysis of photovoltaic mini-grid system performance. Energies. 2017;10:218. https://doi.org/10.3390/en10020218
- 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
- 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
- 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
- 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
- Cicilio P, et al. uGrid: Reliable minigrid design and planning toolset for rural electrification. IEEE Access. 2019;7:163988–163999.
- Nasir M, et al. Optimal planning and design of low-voltage low-power solar DC microgrids. IEEE Trans Power Syst. 2018;33:2919–2928.
- 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.
- 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
- 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
- UK Power Networks. Open data portal [Online]. Available from: https://www.ukpowernetworks.co.uk/our-company/open-data-portal (Accessed June 2026).
- Jolliffe IT. Principal Component Analysis. 2nd ed. Springer; New York; 2002. https://doi.org/10.1007/b98835
- Cortes C, Vapnik V. Support-vector networks. Mach Learn. 1995;20:273–297.
- Breiman L. Random forests. Mach Learn. 2001;45:5–32.
- Hochreiter S, Schmidhuber J. Long short-term memory. Neural Comput. 1997;9:1735–1780.
- Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett. 2006;27:861–874.
- Montgomery DC, Runger GC. Applied Statistics and Probability for Engineers. 8th ed. John Wiley & Sons; Hoboken (NJ); 2020.
- Montgomery DC. Design and Analysis of Experiments. 10th ed. John Wiley & Sons; Hoboken (NJ); 2020.