Uma Plataforma de Automação de Aceitação de Baixa Tensão Orientada a Processos com Orquestração de Fluxo de Trabalho Visual e Validação por Aprendizado de Máquina

Resumo

A plataforma automatizada de aceitação em baixa tensão proposta integra a Internet das Coisas (IoT), orquestração visual de fluxos de trabalho, computação em nuvem e de borda, engenharia de características e aprendizado de máquina para automatizar os testes de aceitação em sistemas de baixa tensão (LV). A plataforma permite detecção inteligente de falhas, tomada de decisão em tempo real, aceitação automatizada, alta precisão, baixa latência operacional e implantação escalável.

Resumo

The rapid expansion of low-voltage (LV) networks and their integration with distributed energy resources requires intelligent and automated management solutions. Cloud-edge collaborative Internet of Things (IoT) platforms support real-time monitoring, control, and data acquisition. However, existing platforms generally lack workflow automation, visual process orchestration, user-guided decision support, and comprehensive validation. Consequently, they do not provide process-driven solutions for automated LV network acceptance testing. This study presents the design and evaluation of a Low-Voltage Acceptance Automation Platform based on a visualized process canvas. The proposed platform adopts a process-driven architecture in which acceptance workflows are visually created, managed, and executed. The visual process canvas transforms conventional static monitoring into dynamic workflow automation by enabling real-time workflow execution, validation, and decision-making. The framework incorporates the Open LV Network & Smart Meter dataset to support realistic modeling of electrical load behavior. The workflow includes IoT-based data acquisition, data preprocessing, feature engineering, workflow orchestration using the visual process canvas, machine learning-based validation, and real-time dashboard visualization. The proposed framework achieved a fault detection rate of 98.4%, a receiver operating characteristic area under the curve (ROC-AUC) of 0.968, and an operational decision latency of 31 ms, outperforming traditional cloud-centric and IoT-based baseline approaches by approximately 30%–40%.

Introdução

A Indústria 4.0 (I4.0)¹ é viabilizada por diversas tecnologias emergentes, dentre as quais a Internet Industrial das Coisas (IIoT) é uma das mais importantes. A IIoT refere-se à aplicação de tecnologias da Internet das Coisas (IoT) em ambientes industriais, onde dispositivos e máquinas interconectados se comunicam principalmente por meio de interações máquina-a-máquina. Como falhas em sistemas industriais podem resultar em perdas operacionais significativas, as aplicações de IIoT exigem comunicação altamente confiável, além de gerar volumes substancialmente maiores de dados do que os sistemas convencionais de IoT². Além disso, alguns estudos consideram a IIoT um conceito intimamente relacionado à Indústria 4.0³. As tecnologias IoT estão transformando arquiteturas hierárquicas tradicionais ao permitir sistemas mais flexíveis com troca de dados contínua⁴. Inúmeros estudos recentes revisaram arquiteturas IIoT existentes e propuseram novos designs de estruturas^5,6,7,8,9. Apesar desses avanços, duas limitações principais permanecem. Primeiro, novas estruturas são frequentemente propostas para superar as deficiências das arquiteturas anteriores, resultando em um número crescente de modelos alternativos que aumentam a diversidade arquitetônica e a complexidade de implementação. Segundo, o alto nível de abstração associado a muitas arquiteturas propostas limita sua adoção prática em ambientes industriais¹⁰.

Várias arquiteturas de IIoT foram relatadas na literatura. Uma arquitetura de IIoT baseada no padrão Open Platform Communications (OPC) foi apresentada em conjunto com um middleware em Python para gerenciar a comunicação OPC¹¹. Uma arquitetura de IIoT em sete camadas foi proposta em; no entanto, detalhes de implementação e experimentos de validação não foram fornecidos¹². Um framework que integra tecnologias 5G e IIoT foi descrito em conjunto com um caso de uso representativo, embora a validação experimental tenha sido limitada¹³. Um framework de design emocional para a Indústria 4.0 foi introduzido, e suas possíveis implicações foram discutidas sem verificação experimental¹⁴. Uma plataforma de IIoT em múltiplas camadas foi avaliada em um ambiente de testes no mundo real, com ênfase em considerações de telecomunicações¹⁵. De forma semelhante, um framework modular de IoT para monitoramento da qualidade do ar interno foi apresentado e seu desempenho foi avaliado utilizando dados coletados de 84 domicílios com crianças¹⁶.

A Internet das Coisas (IoT) tornou-se uma tecnologia em rápida evolução com grande potencial de aplicação no setor de energia elétrica^17,18. A integração de tecnologias IoT nos nós do sistema elétrico permite uma geração, transmissão, distribuição, operação e utilização de energia mais inteligentes e eficientes, por meio de tomada de decisões autônomas apoiadas pelo monitoramento contínuo em tempo real do fluxo de eletricidade dentro da rede inteligente. Consequentemente, esses nós inteligentes melhoram o desempenho operacional geral da rede elétrica¹⁹. A tecnologia de comunicação representa um componente fundamental da implementação da rede inteligente, pois duas categorias principais de informações precisam ser transmitidas com confiabilidade: medições de sensores e sinais de controle. Além da baixa latência na comunicação, as aplicações em redes inteligentes exigem uma qualidade de serviço (QoS) adequada e segurança suficiente dos dados para garantir operação confiável²⁰.

A seleção de uma tecnologia de comunicação apropriada para aplicações em redes inteligentes exige a consideração de intervalos de comunicação, taxas de transmissão de dados e custos de comunicação²¹. As redes de comunicação IoT normalmente compreendem camadas de software, segurança, serviço, sistema e conectividade. Na camada de conectividade, os protocolos de comunicação são geralmente classificados em três categorias. Os protocolos de longo alcance incluem Long Range (LoRa) e Narrowband-IoT (NB-IoT); os protocolos de médio alcance incluem Wi-Fi, 4G/LTE e 5G; e os protocolos de curto alcance incluem Bluetooth e ZigBee. À medida que os mercados de eletricidade se tornaram cada vez mais desregulamentados, a previsão de carga tornou-se mais importante para avaliar os efeitos das condições climáticas, falhas de equipamentos, mudanças regulatórias e outros fatores operacionais sobre o custo dos serviços elétricos. Consequentemente, a previsão precisa de carga residencial tornou-se essencial para a operação e supervisão de redes inteligentes, microrredes e edifícios inteligentes²².

O funcionamento confiável de redes de baixa tensão (BT) depende da manutenção de alta qualidade de energia²³. A qualidade de energia é determinada pela eficácia da regulação de tensão, equilíbrio de corrente e mitigação de distúrbios técnicos sob condições operacionais desequilibradas²⁴. Dentre esses fatores, o balanceamento de fases é particularmente importante, pois determina a distribuição uniforme de tensões e correntes entre as fases²⁵. Um mau balanceamento de fases pode aumentar o aquecimento dos condutores, as variações de tensão e as correntes no neutro, reduzindo assim a eficiência do sistema e sua confiabilidade operacional²⁶. Consequentemente, o balanceamento de fases deve ser considerado durante o processo de projeto, a fim de melhorar o desempenho do sistema, a estabilidade operacional e a confiabilidade a longo prazo. No entanto, esse aspecto raramente é incorporado nas metodologias convencionais de projeto de microrredes.

Avanços recentes em sistemas de orquestração de fluxo de trabalho demonstraram os benefícios da automação orientada a eventos e do gerenciamento visual de processos em ambientes de IoT industrial. No entanto, sua aplicação à validação de redes de distribuição e testes de aceitação em baixa tensão permanece limitada. A maioria dos sistemas de automação em baixa tensão existentes concentra-se principalmente em monitoramento e controle supervisório, enquanto estudos comparativamente poucos investigam o gerenciamento de aceitação orientado a fluxos de trabalho ou a verificação automatizada de conformidade. Da mesma forma, embora técnicas de aprendizado de máquina tenham atraído considerável atenção para detecção de anomalias em medidores inteligentes e avaliação da qualidade de energia, essas abordagens são geralmente desenvolvidas como modelos analíticos independentes, em vez de componentes de uma estrutura integrada de orquestração de fluxo de trabalho.

Várias soluções de medidores inteligentes de energia para gestão de edifícios inteligentes e automação residencial foram propostas nos últimos anos²⁷. Um protótipo de medidor inteligente foi apresentado na referência²⁷ para demonstrar a integração de conceitos educacionais de nível universitário nas tecnologias de medição inteligente. O medidor inteligente desenvolvido exibiu grande potencial para gestão e controle de energia, reduzindo o consumo energético e beneficiando tanto as concessionárias quanto os consumidores por meio de comunicação IoT bidirecional. Um sistema de tomada inteligente baseado em microcontrolador foi posteriormente introduzido para apoiar o monitoramento inteligente de energia²⁸.

O sistema proposto de plugue inteligente exibe o consumo de energia em tempo real por meio de uma interface gráfica baseada em Android. Além disso, o dispositivo pode detectar a presença de aparelhos elétricos conectados, uma capacidade denominada medição invasiva de carga²⁸. Um plugue inteligente comercial de baixo custo foi utilizado para a implementação. Melhorias futuras incluem o monitoramento da corrente eficaz (RMS), potência ativa, potência reativa e o ângulo de fase entre tensão e corrente. Conforme descrito em nossos estudos anteriores, uma microrrede fotovoltaica parcialmente conectada à rede utiliza os protocolos de comunicação ZigBee e LoRa para trocar informações com dispositivos de medidores inteligentes, demonstrando a viabilidade da comunicação habilitada para IoT em sistemas de energia distribuídos^29,30.

Para abordar as limitações do planejamento convencional de sistemas de distribuição, a prática de engenharia e a pesquisa científica avançaram em várias direções complementares. Uma direção de pesquisa tem-se concentrado no planejamento de alto nível utilizando sistemas de informação geográfica (SIG) para seleção de locais e avaliação preliminar de recursos^31,32. Outra direção tem-se concentrado na melhoria de componentes e subsistemas individuais, incluindo seleção de condutores, dimensionamento ótimo de geração e armazenamento de energia, e avaliações comparativas de sistemas de distribuição em corrente alternada (CA) e corrente contínua (CC)^33,34,35,36. Uma terceira direção de pesquisa tem aplicado algoritmos de otimização ao planejamento de redes de distribuição, roteamento de alimentadores e projeto de topologia de rede. Desenvolvimentos recentes incluem estruturas como a plataforma uGrid dos pesquisadores, que integra posicionamento de dispositivos e configuração de rede, mas carece de uma análise padrão de fluxo de potência para verificação e otimização. Outras abordagens dependem do ajuste manual de parâmetros para geração de topologia ou concentram-se em aplicações especializadas, como microrredes CC de baixa potência^37,38,39. Embora essas abordagens representem um progresso significativo, trabalhos adicionais são necessários para estabelecer uma metodologia integrada para o projeto completo de sistemas de distribuição de baixa tensão. Além disso, avaliações técnico-econômicas abrangentes de sistemas de baixa tensão monofásicos, trifásicos e híbridos permanecem limitadas.

Avanços recentes na inteligência artificial (AI) e no aprendizado de máquina expandiram ainda mais as capacidades dos sistemas de energia inteligentes. Uma revisão abrangente apresentada sumarizou aplicações de inteligência artificial e aprendizado de máquina em redes elétricas inteligentes, incluindo tecnologias emergentes como Aprendizado Federado, IA Generativa, Modelos de Linguagem de Grande Porte, Internet das Coisas com Inteligência Artificial (AIoT) e Gêmeos Digitais⁴⁰. A revisão destacou aplicações na previsão de carga, manutenção preditiva, detecção de anomalias, gestão do lado da demanda e integração de veículos elétricos, enfatizando desafios contínuos relacionados à interoperabilidade, privacidade, escalabilidade, robustez e considerações éticas. Outra revisão recente avaliou métodos de IA para gestão distribuída de energia em infraestruturas IoT-edge-cloud, com foco em aprendizado de máquina, aprendizado por reforço e sistemas multiagente para controle descentralizado de energia⁴¹.

Coletivamente, estudos anteriores avançaram no monitoramento habilitado por IoT, medição inteligente, computação nuvem-borda, inteligência artificial e gerenciamento inteligente de energia para sistemas de distribuição de baixa tensão (LV). No entanto, essas tecnologias foram amplamente desenvolvidas de forma independente. A orquestração de fluxos de trabalho, o gerenciamento automatizado de aceitação, a validação orientada por processos e o suporte integrado à tomada de decisão ainda são limitados, destacando a necessidade de um framework unificado de automação orientado a fluxos de trabalho.

Assim, este estudo apresenta uma Plataforma de Automação de Aceitação em Baixa Tensão baseada em uma Tela de Processo Visualizada. A estrutura proposta integra a aquisição de dados baseada em IoT, pré-processamento de dados, engenharia de características, orquestração de fluxo de trabalho, validação baseada em aprendizado de máquina, computação nuvem-borda e visualização em tempo real dentro de uma arquitetura unificada, para apoiar testes automatizados e confiáveis de aceitação em redes de BT utilizando dados reais de medidores inteligentes. Figura 1 apresenta uma visão geral da arquitetura orientada a fluxo de trabalho da plataforma proposta. O fluxo de trabalho compreende aquisição de dados, pré-processamento, engenharia de características, orquestração de fluxo de trabalho, tomada de decisão inteligente e integração nuvem-borda, permitindo a validação automatizada de redes de distribuição em BT por meio de uma estrutura orientada a processos. A plataforma demonstrou alta precisão de validação, ao mesmo tempo que reduziu a latência na tomada de decisões operacionais e o tempo de execução do fluxo de trabalho em comparação com abordagens convencionais.

Figura 1. Arquitetura orientada a fluxo de trabalho da plataforma proposta de automação para aceitação em baixa tensão. Arquitetura de alto nível da plataforma proposta de automação para aceitação em baixa tensão (LV) orientada a processos. O framework ilustra a integração sequencial da aquisição de dados habilitada por IoT, pré-processamento de dados, engenharia de características, orquestração de fluxo de trabalho, tomada de decisão inteligente, colaboração nuvem-borda e aceitação automatizada para validação de redes de distribuição em baixa tensão. IoT = Internet of Things; LV = low voltage; ML = machine learning. Clique aqui para visualizar uma versão maior desta figura.

Protocolo

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.

Resultados

The performance of the proposed Low-Voltage (LV) Acceptance Automation Platform was evaluated using the Open LV Network & Smart Meter Dataset together with a synthetic smart meter dataset generated to represent additional operating conditions and fault scenarios. The synthetic dataset enabled controlled evaluation of workflow orchestration, intelligent decision-making, and fault detection under abnormal operating conditions. The Open LV Network & Smart Meter Dataset comprised household smart meter measurements, f...

Discussão

The experimental evaluation demonstrated that the proposed workflow-oriented Low-Voltage (LV) Acceptance Automation Platform consistently outperformed the benchmark approaches in classification, forecasting, fault detection, operational decision latency, and scalability. These performance improvements resulted from the integration of advanced feature engineering, workflow orchestration, cloud-edge collaboration, and hybrid rule-based and machine learning decision-making rather than from the use of a single machine learni...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Apache Spark	Apache Software Foundation	Version 3.4+	Análise de dados em larga escala
Apache Superset	Apache Software Foundation	Version 3.x	Painel analítico
Docker Engine	Docker Inc.	Version 24.x	Implantação de aplicativos
Eclipse Mosquitto MQTT Broker	Eclipse Foundation	Version 2.x	Troca de dados
EdgeX Foundry (Versão Jakarta ou posterior)	LF Edge (Linux Foundation)	Version Jakarta / Geneva	Gerenciamento de dispositivos de borda
Flask / FastAPI	Pallets Projects / Sebastián Ramírez	Flask 2.3+ / FastAPI 0.100+	Integração de API de back-end
Grafana	Grafana Labs	Version 10.x	Visualização e monitoramento
Gateway de IoT Industrial	Advantech / Siemens	ECU-1251 / SIMATIC IOT2040	Comunicação de sensores à nuvem
Sensores IoT (Sensores de Tensão/Corrente)	Texas Instruments / Analog Devices	INA219 / ACS712	Monitoramento em tempo real da rede
Kit de Desenvolvimento Jetson Nano	NVIDIA Corporation	945-13450-0000-100	Inferência de IA na borda
Kubernetes	Cloud Native Computing Foundation (CNCF)	Version 1.27+	Escalabilidade de fluxo de trabalho
Modelo LSTM (Keras/TensorFlow)	Google (TensorFlow/Keras)	Incluído no TF 2.12+	Previsão e previsão de carga
Módulo PLC (Comunicação por Linha Elétrica)	STMicroelectronics	ST7580	Comunicação de rede inteligente
Plotly Dash	Plotly Inc.	Version 2.x	Visualização interativa
Python 3.10	Python Software Foundation	Version 3.10.x	Processamento e análise de dados
PyTorch	Meta AI	Version 2.0+	Implementação de aprendizado profundo
Algoritmo Random Forest	Scikit-learn	Incluído na v1.3+	Classificação de falhas
Raspberry Pi 4 Modelo B (4GB de RAM)	Raspberry Pi Foundation	RPI4-MODBP-4GB	Processamento na borda
React.js / Angular	Meta / Google	React 18.x / Angular 16+	Desenvolvimento de interface do usuário
Módulo Transceptor RS-485	Maxim Integrated (Analog Devices)	MAX485	Conectividade de dispositivos industriais
Scikit-learn	Desenvolvedores do Scikit-learn	Version 1.3+	Modelos de aprendizado de máquina
Máquina de Vetores de Suporte (SVM)	Scikit-learn	Incluído na v1.3+	Classificação e validação
TensorFlow	Google LLC	Version 2.12+	Treinamento de modelo
Twilio / Firebase Cloud Messaging	Twilio Inc. / Google	Não aplicável	Alertas e notificações
Módulo Wi-Fi	Espressif Systems	ESP8266 / ESP32	Transmissão de dados
XGBoost	DMLC (Distributed ML Community)	Version 1.7+	Apoio inteligente à decisão