Предлагаемая платформа автоматизации приемки низковольтных систем объединяет в себе интернет вещей (IoT), визуальную оркестрацию рабочих процессов, граничные и облачные вычисления, проектирование признаков и машинное обучение для автоматизации приемо-сдаточных испытаний систем низкого напряжения (НН). Платформа обеспечивает интеллектуальное обнаружение неисправностей, принятие решений в режиме реального времени, автоматизированную приемку, высокую точность, низкую операционную задержку и масштабируемое развертывание.
Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
Платформа автоматизации приемо-сдаточных испытаний низковольтного оборудования на основе процессов с визуальной оркестрацией рабочих процессов и валидацией с помощью машинного обучения
В этой статье
Краткое содержание
Аннотация
Быстрое расширение сетей низкого напряжения (НН) и их интеграция с распределенными энергоресурсами требуют интеллектуальных и автоматизированных решений по управлению. Облачно-периферийные совместные платформы Интернета вещей (IoT) обеспечивают мониторинг, управление и сбор данных в реальном времени. Однако существующим платформам, как правило, не хватает автоматизации рабочих процессов, визуальной оркестровки процессов, поддержки принятия решений с руководством пользователя и всесторонней валидации. Следовательно, они не предоставляют процессно-ориентированных решений для автоматизированных приемочных испытаний сетей НН. В данном исследовании представлены проектирование и оценка платформы автоматизации приемки низковольтных сетей на основе визуализированного холста процессов. Предложенная платформа использует процессно-ориентированную архитектуру, в которой рабочие процессы приемки визуально создаются, управляются и исполняются. Визуальный холст процессов превращает традиционный статический мониторинг в динамическую автоматизацию рабочих процессов, обеспечивая выполнение рабочих процессов, валидацию и принятие решений в режиме реального времени. Структура включает набор данных Open LV Network & Smart Meter для поддержки реалистичного моделирования поведения электрической нагрузки. Рабочий процесс включает сбор данных на базе IoT, предварительную обработку данных, проектирование признаков, оркестровку рабочего процесса с помощью визуального холста процессов, валидацию на основе машинного обучения и визуализацию на панели мониторинга в реальном времени. Предложенная структура позволила достичь показателя обнаружения неисправностей 98,4%, площади под кривой рабочей характеристики приемника (ROC-AUC) 0,968 и задержки принятия операционных решений 31 ms, что примерно на 30%–40% превосходит традиционные облачно-центричные и базовые подходы на основе IoT.
Введение
Индустрия 4.0 (I4.0)1 стала возможной благодаря нескольким развивающимся технологиям, одной из наиболее значимых которых является промышленный интернет вещей (IIoT). IIoT представляет собой применение технологий интернета вещей (IoT) в промышленной среде, где взаимосвязанные устройства и машины взаимодействуют преимущественно через межмашинное взаимодействие (M2M). Поскольку сбои в промышленных системах могут привести к значительным операционным потерям, приложения IIoT требуют высоконадежной связи, генерируя при этом существенно большие объемы данных, чем традиционные системы IoT2. Кроме того, в некоторых исследованиях IIoT рассматривается как концепция, тесно связанная с Индустрией 4.03. Технологии IoT трансформируют традиционные иерархические архитектуры, позволяя создавать более гибкие системы с бесшовным обменом данными4. В многочисленных последних исследованиях были проанализированы существующие архитектуры IIoT и предложены новые варианты структур5,6,7,8,9. Несмотря на эти достижения, сохраняются два основных ограничения. Во-первых, новые структуры часто предлагаются для устранения недостатков предыдущих архитектур, что приводит к росту числа альтернативных моделей, увеличивая архитектурное разнообразие и сложность реализации. Во-вторых, высокий уровень абстракции многих предлагаемых архитектур ограничивает их практическое внедрение в промышленных условиях10.
В литературе описано несколько архитектур IIoT. Была представлена архитектура IIoT на основе стандарта Open Platform Communications (OPC) вместе с промежуточным программным обеспечением на языке Python для управления OPC-связью11. Была предложена семислойная архитектура IIoT, однако детали реализации и проверочные эксперименты не были представлены12. Описана платформа, объединяющая технологии 5G и IIoT, вместе с репрезентативным примером использования, хотя экспериментальная проверка была ограничена13. Была представлена концепция эмоционального дизайна для «Индустрии 4.0», и ее потенциальные последствия обсуждались без экспериментального подтверждения14. Многослойная платформа IIoT была протестирована на реальном стенде с акцентом на телекоммуникационные аспекты15. Аналогичным образом была представлена модульная IoT-платформа для мониторинга качества воздуха в помещениях, и ее эффективность была оценена на основе данных, собранных в 84 семьях с детьми16.
Интернет вещей (IoT) стал стремительно развивающейся технологией с огромным потенциалом применения в секторе электроэнергетики17,18. Интеграция технологий IoT в узлы энергосистемы позволяет сделать процессы генерации, передачи, распределения, эксплуатации и использования электроэнергии более интеллектуальными и эффективными за счет принятия автономных решений, опирающихся на непрерывный мониторинг потоков электроэнергии в интеллектуальной сети (smart grid) в режиме реального времени. Следовательно, эти интеллектуальные узлы повышают общую эксплуатационную эффективность электрической сети19. Коммуникационные технологии являются фундаментальным компонентом реализации интеллектуальных сетей, поскольку две основные категории информации — показания датчиков и сигналы управления — должны передаваться надежно. Помимо низкой задержки связи, приложения для интеллектуальных сетей требуют соответствующего качества обслуживания (QoS) и надлежащей безопасности данных для обеспечения надежной работы20.
Выбор подходящей технологии связи для приложений интеллектуальных сетей (smart grid) требует учета интервалов связи, скоростей передачи данных и стоимости связи21. Сети связи IoT обычно состоят из программного, защитного, сервисного, системного и транспортного уровней. В рамках транспортного уровня протоколы связи обычно разделяются на три категории. К протоколам дальнего радиуса действия относятся Long Range (LoRa) и Narrowband-IoT (NB-IoT); к протоколам среднего радиуса действия — Wi-Fi, 4G/LTE и 5G; а к протоколам короткого радиуса действия — Bluetooth и ZigBee. Поскольку рынки электроэнергии становятся все более дерегулируемыми, прогнозирование нагрузки приобрело большее значение для оценки влияния погодных условий, отказов оборудования, изменений в законодательстве и других эксплуатационных факторов на стоимость электроэнергии. Следовательно, точное прогнозирование бытовой нагрузки стало необходимым для эксплуатации и надзора за интеллектуальными сетями, микросетями и «умными» зданиями22.
Надежная работа низковольтных (НВ) сетей зависит от поддержания высокого качества электроэнергии23. Качество электроэнергии определяется эффективностью регулирования напряжения, балансом токов и снижением технических помех в условиях несбалансированного режима работы24. Среди этих факторов особенно важным является балансировка фаз, так как она определяет равномерное распределение напряжений и токов по фазам25. Плохая балансировка фаз может привести к усилению нагрева проводников, отклонениям напряжения и возникновению токов в нейтрали, что снижает эффективность системы и эксплуатационную надежность26. Следовательно, балансировку фаз следует учитывать в процессе проектирования для повышения производительности системы, эксплуатационной стабильности и долгосрочной надежности. Тем не менее, этот аспект редко включается в традиционные методики проектирования микросетей.
Последние достижения в системах оркестрации рабочих процессов продемонстрировали преимущества автоматизации на основе событий и визуального управления процессами в средах промышленного IoT. Тем не менее, их применение для валидации распределительных сетей и приемо-сдаточных испытаний низковольтного оборудования остается ограниченным. Большинство существующих систем автоматизации низкого напряжения сосредоточены преимущественно на мониторинге и диспетчерском управлении, в то время как сравнительно немного исследований посвящено управлению приемкой на основе рабочих процессов или автоматизированной проверке соответствия требованиям. Аналогично, хотя методы машинного обучения привлекли значительное внимание в области обнаружения аномалий в интеллектуальных счетчиках и оценки качества электроэнергии, эти подходы, как правило, разрабатываются в качестве независимых аналитических моделей, а не как компоненты интегрированной структуры оркестрации рабочих процессов.
В последние годы было предложено множество решений на основе интеллектуальных счетчиков электроэнергии для управления «умными» зданиями и автоматизации жилых помещений27. В источнике27 был представлен прототип интеллектуального счетчика, демонстрирующий интеграцию образовательных концепций университетского уровня в технологии интеллектуального учета электроэнергии. Разработанный счетчик показал значительный потенциал для управления энергопотреблением и контроля, позволяя снижать расход энергии и принося пользу как коммунальным службам, так и потребителям за счет двунаправленной связи через IoT. Впоследствии была представлена система «умных» розеток на базе микроконтроллера для обеспечения интеллектуального мониторинга энергопотребления28.
Предложенная система умных розеток отображает энергопотребление в режиме реального времени через графический пользовательский интерфейс на базе Android. Кроме того, устройство может определять наличие подключенных электроприборов, что называется неинвазивным измерением нагрузки28. Для реализации была использована недорогая коммерческая умная розетка. Будущие улучшения включают мониторинг среднеквадратичного значения (RMS) тока, активной мощности, реактивной мощности и фазового угла между напряжением и током. Как было описано в наших предыдущих исследованиях, частично подключенная к сети фотоэлектрическая микросеть использует протоколы связи ZigBee и LoRa для обмена информацией с устройствами интеллектуального учета, что демонстрирует возможность использования связи на базе IoT для распределенных энергетических систем29,30.
Для преодоления ограничений традиционного планирования распределительных систем инженерная практика и научные исследования развивались в нескольких взаимодополняющих направлениях. Одно из направлений исследований было сосредоточено на высокоуровневом планировании с использованием геоинформационных систем (ГИС) для выбора площадок и предварительной оценки ресурсов31,32. Другое направление было сосредоточено на совершенствовании отдельных компонентов и подсистем, включая выбор проводников, определение оптимальных мощностей генерации и накопителей энергии, а также сравнительный анализ систем распределения переменного (AC) и постоянного (DC) тока33,34,35,36. Третье направление исследований было связано с применением алгоритмов оптимизации при планировании распределительных сетей, трассировке фидеров и проектировании топологии сети. Современные разработки включают такие структуры, как платформа uGrid, созданная исследователями, которая объединяет размещение устройств и конфигурацию сети, но не имеет стандартного анализа потоков мощности для верификации и оптимизации. Другие подходы опираются на ручную настройку параметров для генерации топологии или ориентированы на специализированные приложения, такие как маломощные микросети постоянного тока37,38,39. Несмотря на то, что эти подходы представляют собой значительный прогресс, необходима дальнейшая работа по созданию интегрированной методологии сквозного проектирования низковольтных распределительных систем. Кроме того, комплексные технико-экономические оценки однофазных, трехфазных и гибридных низковольтных систем остаются ограниченными.
Последние достижения в области искусственного интеллекта (ИИ) и машинного обучения еще больше расширили возможности интеллектуальных энергосистем. В одном из комплексных обзоров были обобщены применения ИИ и машинного обучения в интеллектуальных сетях (smart grids), включая такие развивающиеся технологии, как федеративное обучение, генеративный ИИ, большие языковые модели, искусственный интеллект вещей (AIoT) и цифровые двойники40. В обзоре были освещены области применения в прогнозировании нагрузки, прогнозном техническом обслуживании, обнаружении аномалий, управлении спросом и интеграции электромобилей, при этом особое внимание было уделено сохраняющимся проблемам, связанным с совместимостью, конфиденциальностью, масштабируемостью, устойчивостью и этическими аспектами. Другой недавний обзор оценивал методы ИИ для распределенного управления энергопотреблением в инфраструктурах «IoT-edge-cloud», сосредоточившись на машинном обучении, обучении с подкреплением и многоагентных системах для децентрализованного управления энергосистемами41.
В совокупности предыдущие исследования способствовали развитию мониторинга на базе IoT, интеллектуального учета, облачно-периферийных вычислений, искусственного интеллекта и интеллектуального управления энергопотреблением для распределительных систем низкого напряжения (LV). Однако эти технологии в значительной степени разрабатывались независимо друг от друга. Оркестрация рабочих процессов, автоматизированное управление приемкой, валидация на основе процессов и интегрированная поддержка принятия решений остаются ограниченными, что подчеркивает необходимость создания единого ориентированного на рабочие процессы фреймворка автоматизации.
Соответственно, в данном исследовании представлена платформа автоматизации приемки сетей низкого напряжения на основе визуализированного холста процессов. Предложенная структура объединяет в единой архитектуре сбор данных на базе IoT, предварительную обработку данных, проектирование признаков, оркестрацию рабочих процессов, валидацию на основе машинного обучения, облачно-периферийные вычисления и визуализацию в реальном времени для обеспечения автоматизированного и надежного приемочного тестирования сетей низкого напряжения с использованием реальных данных интеллектуальных счетчиков. На Рисунке 1 представлен обзор ориентированной на рабочие процессы архитектуры предлагаемой платформы. Рабочий процесс включает сбор данных, предварительную обработку, проектирование признаков, оркестрацию рабочих процессов, интеллектуальное принятие решений и облачно-периферийную интеграцию, что позволяет осуществлять автоматизированную валидацию распределительных сетей низкого напряжения с помощью процессно-ориентированного фреймворка. Платформа продемонстрировала высокую точность валидации, сократив при этом задержку принятия операционных решений и время выполнения рабочих процессов по сравнению с традиционными подходами.
Рисунок 1. Ориентированная на рабочие процессы архитектура предлагаемой платформы автоматизации приемки низковольтных сетей. Высокоуровневая архитектура предлагаемой платформы автоматизации приемки низковольтных (LV) сетей, управляемой процессами. Структура иллюстрирует последовательную интеграцию сбора данных с помощью IoT, предобработки данных, проектирования признаков, оркестрации рабочих процессов, интеллектуального принятия решений, совместной работы облака и периферийных вычислений, а также автоматизированной приемки для проверки низковольтных распределительных сетей. IoT = интернет вещей; LV = низкое напряжение; ML = машинное обучение. Пожалуйста, нажмите здесь, чтобы просмотреть этот рисунок в большем размере.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Протокол
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 Sk). 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, …, nm}denotes the workflow nodes corresponding to individual processing stages (e.g., data input, preprocessing, validation, and decision-making), and E = {eij}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 ∈ ℝd, 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.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Результаты
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...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Обсуждение
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...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Раскрытие информации
Авторы заявляют об отсутствии конкурирующих финансовых или нефинансовых интересов.
Благодарности
Авторы благодарят портал открытых данных UK Power Networks за предоставление общедоступного набора данных Open LV Network & Smart Meter, использованного в данном исследовании. Данное исследование не получило внешнего финансирования.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Apache Spark | Apache Software Foundation | Версия 3.4+ | Аналитика больших данных |
| Apache Superset | Apache Software Foundation | Версия 3.x | Аналитическая панель |
| Docker Engine | Docker Inc. | Версия 24.x | Развертывание приложения |
| MQTT-брокер Eclipse Mosquitto | Фонд Eclipse | Версия 2.x | Обмен данными |
| EdgeX Foundry (версия Jakarta или более поздняя) | LF Edge (Linux Foundation) | Версия Джакарта / Женева | Управление граничными устройствами |
| Flask / FastAPI | Проекты паллет / Себастианáв Ramíрезультат | Flask 2.3+ / FastAPI 0.100+ | Интеграция с серверным API |
| Grafana | Grafana Labs | Версия 10.x | Визуализация и мониторинг |
| Промышленный шлюз IoT | Advantech / Siemens | ECU-1251 / SIMATIC IOT2040 | Связь «датчик — облако» |
| Датчики IoT (датчики напряжения/тока) | Texas Instruments / Analog Devices | INA219 / ACS712 | Мониторинг сети в реальном времени |
| Комплект разработчика Jetson Nano | NVIDIA Corporation | 945-13450-0000-100 | Инференс ИИ на периферии |
| Kubernetes | Cloud Native Computing Foundation (CNCF) | Версия 1.27+ | Масштабируемость рабочего процесса |
| Модель LSTM (Keras/TensorFlow) | Google (TensorFlow/Keras) | Включено в TF 2.12+ | Прогнозирование и предсказание нагрузки |
| Модуль PLC (связь по электросетям) | STMicroelectronics | ST7580 | Связь в интеллектуальных энергосетях |
| Plotly Dash | Plotly Inc. | Версия 2.x | Интерактивная визуализация |
| Python 3.10 | Python Software Foundation | Версия 3.10.x | Обработка и анализ данных |
| PyTorch | Meta AI | Версия 2.0+ | Реализация глубокого обучения |
| Алгоритм случайного леса | Scikit-learn | Включено в версию 1.3 и выше | Классификация неисправностей |
| Raspberry Pi 4 Model B (4 ГБ ОЗУ) | Raspberry Pi Foundation | RPI4-MODBP-4GB | Периферийная обработка данных |
| React.js / Angular | Meta / Google | React 18.x / Angular 16+ | Разработка пользовательского интерфейса |
| Модуль трансивера RS-485 | Maxim Integrated (Analog Devices) | MAX485 | Подключение промышленных устройств |
| Scikit-learn | Разработчики Scikit-learn | Версия 1.3+ | Модели машинного обучения |
| Метод опорных векторов (SVM) | Scikit-learn | Включено в версию 1.3+ | Классификация и валидация |
| TensorFlow | Google LLC | Версия 2.12+ | Обучение модели |
| Twilio / Firebase Cloud Messaging | Twilio Inc. / Google | Неприменимо | Оповещения и уведомления |
| Модуль Wi-Fi | Espressif Systems | ESP8266 / ESP32 | Передача данных |
| XGBoost | DMLC (Distributed ML Community) | Версия 1.7+ | Интеллектуальная поддержка принятия решений |
Ссылки
- 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.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.