综述：现代电网通信架构中的机器学习与人工智能模型及技术：技术、研究空白、应用与可持续解决方案综述

《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Machine learning and artificial intelligence models and techniques in modern power grid communication architecture: A survey of technology, research gaps, applications, and sustainable solution

　　

摘要

智能电网正在经历不同阶段的发展，人工智能（AI）模型也是其中的一部分。在智能电网系统的近期发展中，存在一些尚未解决的研究领域，特别是在隐私技术、可扩展性以及更高效的数据处理技术方面。本文所提出的综述重点阐述了智能电网开发中各个集成阶段的研究空白。在智能电网开发的初始阶段，面临的挑战包括：1）机器对机器（M2M）通信中的可扩展性问题，2）影响电压稳定的通信延迟问题，以及3）实施基于遗传算法（GA）的电网状态估计时的高计算成本。本综述进一步扩展到智能电网的扩展阶段，重点关注了5G与AI的融合，同时揭示了网络可靠性、延迟以及抗电磁干扰协议方面的困难。此外，本文还讨论了在电网运行中部署卷积神经网络（CNN）和增强现实（AR）所面临的问题。通过数字技术实现电网互操作性，结果表明亟需引入边缘控制器技术和有效的信息物理安全机制，以确保在采用联邦学习（FL）算法时满足隐私保护要求。本文揭示了区块链技术与AI、多智能体深度强化学习（MADRL）的融合在实时电网性能优化以及通信安全与扩展方面所面临的挑战。最新的技术包括无人机（UAV）、6G和元学习技术的应用，这些技术已被证明是有效的，但仍需进一步的研究。

1. 引言

1.1 机器学习（ML）和人工智能（AI）在智能电网中的作用——主要驱动力

机器学习（ML）与人工智能（AI）在智能电网和电力网络通信中的结合已成为现代能源系统中的一种革命性趋势。本综述旨在深入探讨ML和AI如何被用于解决关键问题、推动创新并确保该行业的可持续性[1]。在5G、物联网（IoT）、软件定义网络（SDN）甚至6G等先进网络出现之后，为智能电网中的精确信息传输、资源管理和低延迟提供了平台（[2,3,4,5,6]）。边缘计算、网络切片和物联网通信协议等技术有助于实现分布式计算和可靠的通信，从而实现有效的能源管理和故障检测（[7,8]）。预测分析和预测算法是此类系统的核心组成部分，这些算法与神经网络（如RNN和LSTM）相结合时，可提供精确的预测和异常检测，以实现最佳运行效率（[9,10,11]）。强化学习（RL）方法，包括深度强化学习（DRL）和多智能体深度强化学习（MADRL），在优化能源分配以及将可再生能源融入微电网和城市能源网络方面发挥了重要作用（[12,13,14,8]）。此外，AI还被用于智能电网的安全防护，通过联邦学习（FL）和异常检测来确保数据完整性（[15,16,17]）。这些进步展示了AI在构建可持续、韧性智慧城市中的关键作用（[18,19,20]）。本综述识别出了重要的研究空白[21]，例如可扩展性挑战、与遗留系统的集成以及AI模型的实时部署[[22], [23]]。通过弥补这些空白，本综述突显了ML和AI在变革能源系统方面的潜力，确保为未来提供高效、安全且可持续的解决方案。图1展示了本文的图形摘要，以阶段形式（阶段1至阶段5）概述了本文涵盖的领域。

下载：下载高分辨率图片（1MB）下载：下载全尺寸图片

图1. 图形摘要——智能电网基础设施及新兴通信技术进展。

为了进一步提高本综述的实用性，每个主要技术章节末尾都附有简短的"主要要点"部分。该部分将所讨论的文献转化为实践指导，进一步帮助研究人员了解未来哪些技术更适合智能电网通信。

1.2 研究空白及本工作的重点

本工作旨在提供一份全面、综合的智能电网技术综述。本工作的重点在于通过分析现有文献的碎片化状况来弥合差距，具体包括：1）弥合不同技术领域（物联网、ML/AI、区块链和6G通信）之间的鸿沟，2）分析相互关联的挑战（包括数据管理、延迟、安全性和通信协议），3）评估实际应用策略，4）综合以往碎片化综述的研究成果，涵盖物联网与基于ML的基础设施[24]、通信网络与深度学习（DL）[25]、AI、ML、物联网和区块链技术[26]、6G融合与智慧城市应用[27]、ML漏洞[28]、物联网应用[29]、大数据技术[30]以及网络安全协议[31]，5）考察智能电网基础设施的演进及新兴技术趋势（图2）。本工作最终采用整体性方法来理解现代智能电网系统中有效的技术集成，同时解决实际应用挑战。

下载：下载高分辨率图片（1MB）下载：下载全尺寸图片

图2. 智能电网技术发展时间线综述。

1.3 智能电网技术、相互关联的问题及本工作范围

本工作旨在提供一份详细的智能电网技术综合分析，通过弥合多个技术学科（即物联网（IoT）、ML/AI、区块链技术和6G通信）之间的技术鸿沟来解决碎片化的研究结果。本研究所将评估相互关联的问题，包括1）数据处理，2）延迟，3）安全性，以及4）通信协议。通过整合以往研究中不同的概念，本研究考察了智能电网基础设施在新兴通信技术发展背景下的演进，如图1所示，以为现代智能电网系统提供切实可行的解决方案。图1的展示在表1中进一步讨论，涉及各阶段的重点领域、覆盖年份及研究主题。

表1. 本研究各阶段的重点领域

| 阶段 | 年份 | 主要定义 | 重点领域 |
|------|------|----------|----------|
| 阶段1 | 2012–2019 | 智能电网基础智能 | 配电网络、状态估计、遗传算法、M2M/HAN、早期AI/ML |
| 阶段2 | 2020–2021 | 5G-IoT与边缘智能智能电网 | 5G需求响应、边缘AI、分布式ML、上层控制单元、储能、家庭区域网络 |
| 阶段3 | 2022 | 具有隐私感知智能的安全5G智能电网 | 隐私5G、联邦学习（FL）、增强现实（AR）、抗电磁干扰（EMI）通信、信息物理系统（CPS）、边缘计算 |
| 阶段4 | 2023 | 智慧城市与信息物理系统集成 | 网络切片、自动驾驶汽车、智能建筑、CPS、边缘计算、区块链-AI集成、无人机技术 |
| 阶段5 | 2024–至今 | 面向未来的6G-AI自主智能电网 | 6G物联网、服务等级协议（SLA）、基于联邦学习的能源预测、区块链、网络韧性、生成式/分布式AI |

注：AI、AR、EMI、FL、HAN、IoT、M2M、ML、SLA和UAV分别是人工智能（artificial intelligence）、增强现实（augmented reality）、电磁干扰（electromagnetic interference）、联邦学习（federated learning）、家庭区域网络（home area network）、物联网（internet of things）、机器对机器通信（machine-to-machine）、机器学习（machine learning）、服务等级协议（service level agreement）和无人机（unmanned air vehicle）的缩写。

1.4 相关已有综述文献

已评审的参考文献聚焦于物联网、ML、AI、区块链和通信网络，考察了智能电网中的各种技术和挑战。文献[24]强调了基于物联网和ML的能源管理和可再生能源集成，该工作更多聚焦于能源管理技术而非通信技术。文献[25]的研究提供了通信网络和深度学习技术的详细分析，主要侧重于自优化。文献[26]集成了AI、ML、物联网和区块链以提高效率、安全性和自动化水平，同时解决了数据隐私、安全漏洞和实时数据处理等挑战[32]。文献[32]探讨了6G、AI、ML、物联网、云计算和区块链在智慧城市应用中的作用，但在大规模数据管理、隐私问题和安全风险方面缺乏深度。

文献[28]的研究聚焦于基于物联网智能电网中ML应用的漏洞，特别是针对对抗性ML攻击以及对系统控制和安全性的风险。文献[29]的工作全面分析了智能电网中的物联网应用，强调安全漏洞，但在实际实施和定量评估方面有所欠缺。同样，文献[30]中关于大数据和基于ML方法的研究解决了智能电网中物联网集成的负荷预测和成本降低问题，但在通信技术相关方面关注不足。最后，文献[31]全面调查了智能电网中的网络攻击、网络安全需求和标准化问题，但未能对智能电网相关的各种问题进行广泛研究。

从上述文献综述中可以看出，现有智能电网技术文献中存在诸多局限性，且过度侧重于物联网、ML和通信网络相关的技术问题。表2对上述相关综述论文进行了总结。

表2. 相关综述文献总结

| 参考文献 | 描述与贡献 | 局限性 |
|----------|------------|--------|
| [28] | 综述了基于物联网智能电网中ML应用的漏洞，聚焦于对抗性ML攻击，识别了对系统控制、电力信号完整性和整体安全性的风险。 | 该论文针对ML应用和物联网设备导致智能电网安全性问题进行了研究。 |
| [29] | 对智能电网中现有物联网应用提供了全面分析，并识别出安全漏洞是一个主要问题。 | 虽然该研究提供了有价值的框架和前景展望，但其局限性在于缺乏实际实施案例研究或定量评估，使所提出方案的实用效果在很大程度上仍停留在理论层面。 |
| [26] | 聚焦于基于AI、ML、物联网和区块链的智能电网技术，以提高效率、安全性和自动化水平。该研究强调了用于能源预测、异常检测和故障管理的ML方法。 | 主要涵盖数据隐私、安全漏洞、物联网能耗和实时数据处理等挑战。 |
| [32] | 综述了6G、AI、ML、物联网、云计算和区块链在智慧城市应用中的集成，提升了连接性、自动化和城市数据管理能力。 | 该综述涵盖了6G网络与ML技术的集成，但在管理大规模数据、隐私问题、安全风险以及确保城市系统中低延迟性能方面的论述不够深入。 |
| [30] | 该论文的主要贡献在于对物联网集成智能电网中大数据技术和ML应用进行了全面分析，用于负荷预测、数据采集和成本优化。 | 物联网集成智能电网是该论文的主要关注点，在涵盖ML和大数据技术的同时，难以解决通信技术相关的问题。 |
| [25] | 综述了应用于电网骨干网自优化、网络生存性、数据采集和故障诊断的通信网络和DL技术。 | 详细涵盖了通信网络方面，但主要侧重于自优化。 |
| [24] | 综述了用于能源管理和可再生能源集成的基于物联网和ML的电网基础设施，提高了电网预测的准确性和可再生能源的集成效果。 | 该综述主要关注基于物联网和ML的智能电网网络，其他通信技术未进行综述。 |
| [31] | 该论文的关键贡献在于对各种网络攻击、网络安全需求及相关安全标准和协议进行了全面分析，提供了对智能电网信息物理系统（SG-CPS）网络安全性的全面了解。 | 该论文涵盖了所有与网络安全和其他安全协议相关的内容，但缺乏对智能电网中发生的所有其他问题的全面综述。 |
| [33] | 提供了AI/ML在智能电网中应用的全面综述。 | 对智能电网的网络安全分析不够充分。 |
| [34] | 对AI与6G在智能电网中集成的综述。 | 相比于其他通信技术，更加侧重于6G技术。 |

注：IoT、ML、DL、AI、6G、SG-CPS、SEMS和AMI分别是物联网（Internet of Things）、机器学习（Machine Learning）、深度学习（Deep Learning）、人工智能（Artificial Intelligence）、第六代移动通信技术（Sixth Generation）、智能电网信息物理系统（Smart Grid Cyber-Physical Systems）、智能能源管理系统（Smart Energy Management Systems）和高级计量基础设施（Advanced Metering Infrastructure）的缩写。

1.5 最新综述的必要性

基于表2中识别出的局限性，进行全面综述是必要的。所讨论的文献揭示了在解决智能电网技术集成和挑战方面存在"孤岛式"的倾向。例如，文献[24]的早期综述仅关注物联网和ML在电网基础设施中的应用。相比之下，文献[25]将其范围限定于通信网络解决方案和用于自优化的深度学习机制。虽然较新的综述试图扩大覆盖范围，文献[26]在智能电网背景下考虑了AI、ML、物联网和区块链技术，但仅关注了数据隐私的安全威胁。尽管文献[32]扩大了范围以考虑智慧城市中的6G集成，但在应对大规模数据管理和实时性能能力方面的挑战上仍显不足。最后，较新的文献表明，在不同问题的处理方面存在碎片化特征[28]：涵盖ML漏洞[29]、物联网应用[30]、大数据处理机制以及[31]网络安全协议。新的综述将在综合这些多样化技术方面的同时，解决它们相互关联的挑战，特别是关注理论方案的实践应用以及现代智能电网系统中各种1）通信技术、2）安全协议和3）数据管理策略的整体集成方面将具有重要价值。

图2展示了智能电网基础设施发展在最新技术趋势方面的时间线。

**1.6 综述方法简述**

本研究所综述的文章和研究发现的主要信息来源是Google Scholar和Elsevier的Scopus数据库。初始文献检索使用以下查询条件进行：

"TITLE-ABS-KEY ("智能电网" AND ("机器学习" OR "人工智能" OR "物联网" OR "IoT" OR "5G" OR "6G" OR "区块链" OR "联邦学习" OR "网络安全" OR "网络切片" OR "边缘计算" OR "通信架构")) AND PUBYEAR ≥ 2012 AND PUBYEAR < 2026 AND (LIMIT-TO (LANGUAGE, "English"))"

选择过程聚焦于符合图3和图4所述特定标准的文章。检索集中关注智能电网及其相关通信技术。这包括：1) 智能电网与各种通信技术的融合；2) 人工智能和机器学习技术在各个领域电力系统发展中的作用；3) 电力系统优化技术。综述文章的时间跨度选定为2012年至今，因为在这一时期智能电网系统经历了多个发展阶段。所提出的综述涵盖了该领域的所有变量，研究在全球范围内进行，没有限制于任何特定地区或国家。

下载：下载高清图片（737KB）
下载：下载全尺寸图片
图3. 综述方法论。

下载：下载高清图片（586KB）
下载：下载全尺寸图片
图4. 论文选择流程图。

此外，还根据与特定类型通信技术相关的文章进行了二次筛选，例如"5G"、"6G"、"物联网"与"智能电网"相关的文章。这种方法确保了所有与智能电网技术最新发展相关的文献都被纳入，这些发展涉及通信、数据分析、人工智能、机器学习、增强现实、物联网设备等不同领域。下方的图4分别突出了以上讨论的所有领域。上述标准的检索字符串如下所示：

"智能电网" AND "机器学习"，"智能电网" AND "人工智能"，"智能电网" AND "物联网"，"智能电网" AND "5G"，"智能电网" AND "6G"，"智能电网" AND "区块链"，"智能电网" AND "联邦学习"，"智能电网" AND "网络安全"，"智能电网通信架构"，"智能电网" AND "网络切片"，以及"智能电网" AND "边缘计算"。

所选论文的详细说明如下：

- **技术论文总数：** 120篇
- **主要出版商（按数量排序）：** 其他（33）、IEEE（28）、Elsevier（20）、MDPI（16）、行业/网络（10）、Springer（5）、预印本（3）、E3S/会议论文集（1）、SSRN/预印本（1）、Wiley（1）、ACM（1）
- **出版物类型推断（基于来源/出版商字符串的启发式判断）：** 期刊：74篇，会议：18篇，网络/行业来源：10篇，书章节：6篇，预印本：4篇，论文/学位论文：2篇
- **主题覆盖：**
- 智能电网通信架构/5G-6G-物联网网络——85篇
- AI/ML网络安全、异常检测和隐私——11篇
- AI/ML能源管理、调度和优化——8篇
- 其他/周边方法学支持——6篇
- 可再生能源整合、分布式能源、储能和可持续性——4篇
- 综述/分类法基础——3篇
- 与电网相邻的智能城市/物联网应用——1篇

**1.6.1 论文纳入标准：**

论文纳入标准如Fig. 3所述，此外还考虑以下条件。经过同行评审的英文研究（2012-2025年），涉及智能电网、AI/ML、物联网、5G/6G、区块链、网络安全、能源管理、边缘计算和优化，且具有明确的技术贡献或研究缺口。

**1.6.2 论文排除标准：**

与智能电网无关的研究，没有AI/ML或通信方面的传统电力系统论文，重复文章，非技术性或无法获取的文章，以及缺乏足够方法学细节的研究。

图4展示了初始考虑的论文总数，以及如何基于论文纳入/排除标准完成最终选择的。

**1.7 本文的创新性**

与之前将智能电网通信网络和深度学习技术与AI/ML应用作为独立实体覆盖的综述不同，本工作提供了一个跨层的、以通信为中心的分类体系，整合了1) AI/ML模型、2) 通信基础设施、3) 网络安全机制、4) 区块链、5) 物联网，以及6) 5G/6G与边缘智能服务，并涵盖了运行限制和可能的研究缺口。在本工作中，表1还展示了分阶段分析，作为智能电网演进过程中的缺口到解决方案的映射。在下方的表3中，与本综述最接近的两项研究进行了比较，以进一步扩展创新性部分。

表3. 创新性分析比较表。

| 参考文献 | 主要覆盖内容 | 局限性 | 本文增添的价值 |
|---------|------------|-------|-------------|
| [26] | AI、ML、物联网和区块链智能电网技术提供了改进的效率、安全性和自动化。ML方法用于能源预测、异常检测和故障管理。 | 主要覆盖了数字技术，但较少关注如何根据通信架构、延迟需求、边缘计算、5G/6G集成以及分阶段实施缺口来组织这些技术。 | 本工作将AI/ML、区块链和网络安全技术与通信技术、网络约束、系统应用和未来的研究方向联系起来。 |
| [25] | 通信网络，应用于自优化、网络生存性、数据采集和故障诊断的深度学习技术。 | 本工作的主要焦点在于通信和自优化，与区块链、物联网、联邦学习、6G、网络安全和能源管理应用的集成非常有限。 | 本研究工作将分类体系从仅通信分析扩展到跨层智能电网架构，涵盖通信、AI/ML、物联网、网络安全、区块链和可持续能源管理解决方案。 |

**1.8 论文的其余结构**

论文的构成如下：本研究工作从第1节的基本概念开始，然后进入第2节涵盖的通信和网络技术。第3节将讨论ML和AI技术，特别强调强化学习、深度学习和联邦学习的应用。第4节将讨论物联网和智能电网技术之间的协同作用，重点关注实时优化和区块链网络安全等重要领域。第5节将讨论能源管理，重点放在整合可再生能源和采用需求响应解决方案上。第6节将重点讨论网络安全问题，包括入侵检测和 cyber-physical 攻击预防。第7节将突出研究缺口，第8节将讨论解决方案。

**2. 通信和网络技术**

通信和网络技术包括：1) 无线通信技术、2) 先进网络和网络切片技术、3) 监控、安全和故障检测、4) 物联网和AI驱动的智能电网应用，以及5) 基础设施效率和网络优化。

**2.1 无线通信技术**

在过去几年中，各种形式的通信技术已被用于增强智能电网的能力，特别是在家庭区域网络（HAN）方面。表4概述了一些关于智能电网无线通信技术的论文。例如，在参考文献[2]中，机器对机器（M2M）通信技术被应用于实现HAN中的实时通信。[35]在此基础上，将Wi-Fi整合到住宅建筑的智能电网能源管理系统（EMS）中，并结合5G、物联网和其他先进技术来提高能源效率。[6]探讨了5G和物联网在智能电网需求响应中的作用，重点关注实时数据传输的重要性。此外，[37]研究了在基于认知无线电的智能电网中使用反射通信技术，旨在优化资源分配并增强网络性能。

表4. 通信技术见解摘要

| 参考文献 | 年份 | 技术 | 研究对象 | 特征 | 运行条件/约束 |
|---------|-----|-----|---------|------|-------------|
| [2] | 2012 | Zigbee、Wi-Fi、蓝牙、ML | 智能电网HAN：M2M通信 | 综述智能电网HAN中的M2M通信技术 | 通信延迟、拥塞、延迟问题 |
| [6] | 2020 | 5G、物联网、mMTC | 智能电网需求响应：增强通信基础设施 | 重点关注5G在需求响应中的作用，强调低延迟和可靠性 | 大规模部署、设备管理问题 |
| [37] | 2020 | 反射通信、DRL | 智能电网多用户反射通信网络 | 优化上行资源分配，考虑业务优先级 | 频率受限、环境变化、能量约束 |
| [35] | 2018 | 分布式ML、Wi-Fi、神经网络 | 住宅建筑智能电网EMS：能源效率 | 分析居民行为和能源画像 | 资源有限、通信不确定性 |

a: 5G、IoT、mMTC、DRL、ML、M2M、EMS、DR、HAN分别是第五代移动通信、物联网、海量机器类通信、深度强化学习、机器学习、机器对机器、能源管理系统、需求响应、家庭区域网络的缩写。

参考文献[2]中的研究对智能M2M通信进行了分析，以增强智能电网中的家庭区域网络（HANs）。其目的是使用低功耗无线技术改善家庭电器和控制中心之间的数据传输，包括Zigbee、Wi-Fi、蓝牙超宽带（UWB）以及3G/CDMA。通过引入智能网关架构，优先进行高效数据传输，缓解了通信延迟、拥塞以及需要管理多种协议等主要问题。所提出的方法旨在减少延迟、提高可靠性，并启用智能电网环境中的高效实时监控，从而提高整体电力系统的管理和适应性。

参考文献[35]中的工作介绍了一种分布式学习系统，用于基于智能网关网络拓扑的住宅建筑智能电网实时能源消费的智能能源管理。该架构采用基于实时Wi-Fi室内定位的居民行为分析结合能源画像，以实现短期能源负载预测和可再生能源分配。使用分布式神经网络框架和增量最小二乘求解器，系统在资源有限的物联网设备上实现了高精度和高效性能。实验表明，与常规方法相比，峰值负载和能源成本有显著降低。

参考文献[6]讨论了5G网络和物联网在通过智能电网实现需求响应（DR）方面的潜力。图5(a)显示，5G的一些优势包括快速数据传输、低延迟、广泛连接和安全性；因此，5G有助于有效实施灾难恢复。通过使用5G技术，可以轻松控制系统中的负载变化，从而在稳定性、可靠性和成本节约方面提高电力系统的性能。该论文讨论了采用5G技术进行需求响应的相关问题。

下载：下载高清图片（642KB）
下载：下载全尺寸图片
图5. (a) 与物联网关联的物联网网络可行性流程[6]，以及(b) DRL方法机制[37]。

参考文献[37]中的研究介绍了一种深度强化学习（DRL）方法，用于改进智能电网中多用户反射通信网络的资源分配。图5(b)显示了本文献中应用的方法。利用异步优势演员-评论家（A3C）方法论来有效优先排序和分配上行资源，重点满足动态环境中高优先级用户的需求。采用K-means聚类来提高资源分配的效率，特别是在大型网络中。所提出的技术增强了整体吞吐量并满足高优先级用户的通信需求，使其成为具有多样化通信需求的智能电网应用的可行解决方案。

**2.2 先进网络和网络切片技术**

在智能电网中，考虑通信网络路由时，网络发挥着重要作用。表5涵盖了与网络切片技术和网络相关的各种文献特征。参考文献[39]中的研究提出了一种深度强化学习（DRL）方法，用于优化智能电网通信网络中的路由，重点关注最小化网络-物理危害。风险评估模型评估节点负载、链路负载和通信延迟等因素，以提供最佳路径从而增强电网可靠性。所提出的基于DRL的策略采用深度Q学习网络（DQN），通过辨别降低负载集中度并减少危害的路径，优于传统技术。该研究强调了利用智能路由来提高系统弹性和稳定性，从而增强对关键通信路径故障的抗打击能力的优势。

表5.

表a. 所研究系统的先进网络与切片技术对比

a. DRL、DQN、SDN、A3C、LSTM、KNN、5G、AI、IoT、ML、NFV、BESS、CNN分别是深度强化学习、深度Q网络、软件定义网络、异步优势演员-评论家、长短期记忆网络、K近邻、第五代移动通信、人工智能、物联网、机器学习、网络功能虚拟化、电池储能系统、卷积神经网络的缩写。

**a. 所研究系统的先进网络与切片技术对比**

| 参考文献 | 年份 | 技术 | 所研究系统 | 特征 | 运行条件/约束 |
|---------|------|------|-----------|------|--------------|
| [40] | 2023 | 5G、网络切片、CNN、LSTM、边缘计算 | 智能电网通信服务 | 利用神经网络进行网络切片以实现高效的服务分配 | 管理延迟、带宽和网络效率 |
| [41] | 2022 | DRL、5G、网络切片、边缘控制器 | 智能车联网与智慧城市 | 关注智慧城市应用的低延迟和高可靠性 | 边缘资源约束、动态需求适应 |
| [42] | 2022 | AI、IoT、5G、ML、SDN、NFV | 集成AI、IoT和5G的下一代智能电网 | 从传统电网向软件驱动的智能电网转变 | 挑战：网络安全、通信、互操作性 |
| [27] | 2022 | DRL、BESS、5G、可再生能源（太阳能、风能） | 使用BESS由可再生能源供电的5G基站 | 优化电池操作，减少对外部电网的依赖 | 管理可再生能源的间歇性、电池衰减 |
| [39] | 2020 | DRL、DQN、风险评估、5G无线通信 | 具有风险感知路由规划的智能电网通信网络 | 基于DRL的路由，平衡节点/链路负载，最小化服务延迟 | 必须考虑过高的节点/链路负载、中断 |
| [43] | 2020 | SDN、5G、光网络、DRL、A3C | 具有协同分配路由的智能电网通信网络 | 结合IP和光网络，使用DRL优化服务路由 | 最小化延迟、保持稳定性、负载均衡 |
| [44] | 2020 | 网络切片、边缘计算、LSTM、K-means、KNN | 5G智能电网中的电动汽车充电预测 | 基于AI的预测，混合AI进行聚类和分类 | 处理异构用户需求、实时处理 |
| [7] | 2020 | 5G网络切片、强化学习 | 智能电网电力服务的网络切片动态优化 | 优化网络切片以提升电力服务的质量（QoS） | 预测未来流量、管理带宽和延迟 |

**正文翻译：**

在本研究[43]中，提出了一种深度强化学习方法，用于在基于SDN架构运行的5G IP和光智能电网通信网络中联合分配服务路由。所提出的算法利用A3C技术来改善混合IP和光网络中路由路径的性能，其重点在于减少所需时间和平衡网络风险。基于仿真实验，可以得出结论：与传统方法（如蚁群算法和模拟退火方法）相比，A3C方法提高了收敛速率和性能。

在文献[44]中，作者提出了电动汽车充电行为分析方法（EV-CBA），该方法利用5G网络、网络切片、边缘计算和AI技术来提升对电动汽车充电行为的预测能力。所提出的架构包含三层智能电网，其中所提出的技术采用了一种结合K-means、KNN和LSTM的AI方法来实现在充电行为方面的聚类分析、分类和预测。这项技术有潜力通过提高充电效率和减少充电过程中的等待时间来提升常规用户的预测准确性。

文献[7]的工作提出了一种利用强化学习优化智能电网5G网络中切片资源的技术。作者强调需要借助根据预测网络负载进行动态切片的方法来解决智能电网中一些服务相关需求的适配问题[45]。强化学习的应用通过评估可能的网络状态来改善资源分配过程，从而提升了网络的响应能力。根据仿真实验的结果，所提出的方法在静态和比例方法中表现出更好的性能，特别是在资源高效分配方面。图6展示了该文献中提出的映射方案。

未来智能电网技术，部署AI、IoT和5G技术以提升性能并增加可靠性和安全性[42]。重点是传统电网向下一层次的基于软件的智能电网的过渡，该智能电网能够提供实时监测、自愈能力和改进的能源管理。所提出概念架构的构建依赖于利用5G进行低延迟通信、AI进行自主控制和故障检测、以及软件定义网络（SDN）/网络功能虚拟化（NFV）进行网络管理。

在本研究[41]中，作者提出了一种面向5G技术的自适应网络切片深度强化学习方案，具体应用于智能车联网和智能城市场景。特别是，作者引入了雾无线电接入网络（F-RAN）框架，利用深度强化学习来管理网络切片过程并解决网络边缘的资源分配问题。

文献[27]的研究提出了一种电池储能系统（BESS），利用深度强化学习（DRL）优化电池的放电和充电过程，为5G基站提供可再生能源供电。所提出的系统将太阳能和风能发电机与电池储能系统（BESS）集成在一起，以减少对外部传统电网的依赖，旨在将能源成本降低多达77.9%。DRL模型动态调整电池操作以适应可再生能源发电和电力需求的变化，从而优化可再生能源的使用并提高5G网络的整体可持续性。

文献[40]的研究提出了在智能电网通信服务中实施神经网络以实现5G网络切片的方法。该模型采用了一种层次化调度算法，包括用于智能电网通信服务分类的1D CNN和用于网络流量预测的BILSTM。该方法通过根据智能电网通信服务的需求将服务分配到特定的5G网络切片中来优化资源分配。利用边缘计算可以减小延迟并有效管理智能电网中各种类型的服务。

## 2.3. 监测、安全和故障检测

从监测、安全和故障检测的角度来看，文献[46]的工作研究了5G、AI和多传感器数据融合技术在增强电网运营智能化管理中的应用。该研究强调了5G的极低延迟和AI的高级分析如何能够实现实时监测、数据驱动的决策制定以及主动的故障预防。该系统旨在利用多传感器数据融合来收集和分析全面数据，以提高电网运营的安全性和效率。所提出的方法提供了一种高级监测解决方案，减少了对人力资源的依赖，改善了问题检测，并最大化了电力系统的安全性和效率。

在研究[47]中，一种基于深度学习的AI技术被应用于检测并抵御针对启用5G网络的电动汽车充电站（EVCS）的网络攻击企图。此外，该研究分析了包括DDoS、FDI、APT和勒索软件在内的网络物理攻击，并设计了具有深度学习能力的入侵检测系统以更准确地检测攻击。还提出了一些缓解方法，包括使用TD3来减少攻击影响。通过利用5G网络切片技术，该方法旨在提供高服务水平保证和安全性。

本论文[48]考察了基于DER的配电所面临的安全挑战，特别关注DNP3等不安全协议中的缺陷。具体而言，该研究开发了一种基于监督式ML的新型异常检测方案，称为ML-ADS。具体地，所提出的ML算法用于检测针对基于DER的通信协议的网络物理攻击，特别是针对DNP3协议的情况。该方法设计了一个适用于DER DNP3通信协议的特征工程数据集，并在HIL环境下进行了评估。结果表明检测准确率为99.83%，并伴随极低的延迟和极小的假阳性和假阴性率，使其适用于智能电网的实时应用。

文献[49]概述了一种面向5G智能电网的自适应信息安全解决方案，利用人工神经网络（ANN）和基于案例的学习来提高通信安全的有效性。该方案采用了具有零信任架构的多层安全框架（图7(a)），确保在数据传输、认证和网络隔离等多个层次进行保护。作者设计该方案以防范各种风险，包括终端劫持和拒绝服务攻击，并改善智能电网通信网络中的传输路径。实验结果表明，通信效率提高，丢包率降低，智能电网应用的安全性得到改善。

在这篇研究论文[50]中，作者研究了将强化学习（RL）算法与概率布尔网络（PBNs）结合应用于EPDS（电力配电系统）中智能设备（智能电力路由器——IPR）建模的可行性。所提出的方法旨在通过利用源自基因调控网络的PBNs搜索、排序和纠正电网问题，从而提高电网的灵活性和可靠性。作者使用PRISM进行模型验证，以验证所建议架构（图7(b)）的有效性，确保电网能够动态适应各种挑战。

本论文[51]评估了FL技术在6G技术支持的智能电网上提升安全措施的有效性。利用FL技术，智能电表可以通过深度学习算法学习检测异常，而无需暴露机密信息，从而解决了隐私相关的问题。所提出的系统由一个结合边缘计算和云（AWS）计算服务的层次化结构组成。在本地环境使用树莓派设备和AWS云配置进行的仿真实验评估了所提出的方法，这也从图8中可见，证明了其在真实6G智能电网中应用的可行性，确保数据隐私并针对网络攻击提供强大的安全保障。

本论文提供了[52]一种面向智能电网和电力通信网络的创新故障检测（FD）架构，采用张量计算和元学习技术。张量计算用于处理多维、异构大数据，填补缺失值，并进行数据融合以提高故障检测准确性。元学习中的模型无关元学习（MAML）方法被用于创建一种缺陷诊断模型，使其能够从受限的数据集中高效学习。如图9所示，该FD方案即使使用有限数量的故障样本，也能有效识别和分析潜在缺陷，为智能电网维护提供了可靠的解决方案并确保系统可靠性。表6展示了智能电网监测和故障检测的关键领域。

**表6. 智能电网监测和故障检测特征a**

| 参考文献 | 年份 | 技术 | 所研究系统 | 特征 | 运行条件/约束 |
|---------|------|------|-----------|------|--------------|
| [51] | 2024 | 6G、FL、云计算、DL、IDS | 利用FL和6G提升智能电网安全性 | 面向智能电网安全的隐私保护异常检测 | 通信延迟、可扩展性、实时检测 |
| [52] | 2024 | 张量计算、元学习、CNN、MAML、数据融合 | 智能电网和电力通信网络的故障诊断 | 张量计算用于大数据处理，元学习用于故障诊断 | 处理稀疏数据，在有限样本下保持准确性 |
| [47] | 2022 | 深度学习、TD3、DRL、5G、GAN | 5G启用的电动汽车充电站（EVCS） | 使用深度学习检测和缓解网络物理攻击 | 挑战：网络和物理层均存在漏洞、高维数据 |
| [48] | 2022 | ML（监督式ML）、IoT | 智能电网中的DER网络 | 基于ML的IT/OT攻击异常检测，含数据增强 | 通信协议漏洞、延迟问题 |
| [49] | 2022 | ANN、基于案例的学习、零信任 | 5G启用的智能电网 | 使用ANN的自适应信息安全系统，用于传输路径选择 | 5G IoT安全漏洞、多层安全措施 |
| [50] | 2022 | RL、PBN、IPR、EPDS | 用于EPDS可靠性和韧性的智能电网设备 | 检测并缓解智能电力路由器中的故障 | 电网的动态特性、故障缓解挑战 |
| [46] | 2020 | 5G、AI、多传感器数据融合、ML | 使用AI和5G的电网运营监测 | 5G、AI和数据融合的集成以实现实时故障预防 | 大量实时数据、需要持续AI模型训练 |

a. 5G、AI、ML、TD3、DRL、GAN、IoT、ANN、RL、PBN、IPR、EPDS、6G、DL、IDS、CNN、MAML分别是第五代移动通信、人工智能、机器学习、孪生延迟深度确定性策略梯度、深度强化学习、生成对抗网络、物联网、人工神经网络、强化学习、概率布尔网络、智能电力路由器、电力配电系统、第六代移动通信、深度学习、入侵检测系统、卷积神经网络、模型无关元学习的缩写。

## 2.4. 基于IoT和AI的智能电网应用

本节介绍了基于IoT和AI的智能电网应用。文献[53]的工作代表了一个AI能力中心，利用5G多接入边缘计算（MEC）来增强智能电网应用中的AI服务。该平台采用边缘计算来实现AI应用的实时执行，保证低延迟和高带宽服务。

该系统结合了批处理和流处理模式，能够实现有效的分布式数据分析。其中一个突出的应用是利用音频识别来监测电气设备，实时检测异常。所提出的解决方案增强了AI驱动的智能电网监控的适应性和响应能力，从而提高了运营效率和安全性。文献[54]关注智能电网背景下利用IoT和ML推进电力管理的应用，涉及高效通信、需求预测和数据收集[34]。IoT与智能电表的集成使实时监控成为可能[55]；使用ML算法预测电力消耗将有助于优化该过程。文章中讨论的其他问题包括数据包丢失、网络拥塞以及与智能电网相关的缺乏标准等方面。文章提出了如何增强网络设计和能量收集以解决这些问题的建议。文献[56]关注智能电网背景下利用IoT和ML推进电力管理的应用，涉及高效通信、需求预测和数据收集。IoT与智能电表的集成使实时监控成为可能[55]；使用ML算法预测电力消耗将有助于优化该过程。文章中讨论的其他问题包括数据包丢失、网络拥塞以及与智能电网相关的缺乏标准等方面。文章提出了如何增强网络设计和能量收集以解决这些问题的建议。参考文献[18]强调了AI基于IoT系统结合6G技术在增强可持续智慧城市中的应用。研究人员探讨了利用新兴的6G技术（包括VLC和THz）的可能性，因为与以往相比，它们具有更好的连接性、更低的延迟和更高的数据传输速率等优势[57]。区块链被强调为增强智慧城市中IoT安全的关键技术，能够实现去中心化和透明的数据管理[33]。文献[58]考察了利用5G技术、ML和自主技术增强智能电网和城市交通系统的最新进展。这突出了不同系统之间的交织关系，特别是5G在实现超低延迟和各种设备之间有效通信方面的应用，这对于智能电网和城市交通控制中的决策至关重要[59]。论文中使用的核心技术包括利用UAV监测城市交通系统和V2X通信来提高车辆的态势感知能力。论文所涉及的挑战包括网络安全、数据融合以及NFV系统中的资源分配。文献[60]提出了一个用于增强Zigbee智能家庭网络预测性维护的ML框架。所提出的系统采用XGBoost和萤火虫优化算法来主动检测问题，使智能家庭中的IoT设备能够及时有效地进行维护[61]。该方法利用智能家居传感器数据预测潜在故障，从而提高服务可靠性并延长设备寿命。该框架展示了98%的准确率，在增强维护技术、降低成本以及确保Zigbee智能家庭环境中联网设备的持续运行方面具有巨大潜力。参考文献[12]中的分析提出了一个针对可持续智慧城市中智能电网的增强型能源管理框架，利用6G IoT、AI和区块链等技术。该系统采用ML模型，如决策树、XGBoost和LSTM-RNN，来预测电网负载稳定性、管理微电网能源分配并优化太阳能使用。区块链增强了能源交易中的透明度，促进了信任和安全性。当代技术的集成旨在提高电网的效率、稳定性和韧性，同时通过有效利用可再生能源促进更加可持续的城市环境。文献[62]提出了一种使用IoT和5G通信技术的SEMS，以提高智能电网网络的效率。所提出的系统使用DSM方法结合先进的5G通信技术，通过负载转移和削峰来控制能源消耗。该系统集成了智能电表、基于云的中件和API，以管理从住宅到工业的各种场景中的能源。系统评估显示显著的节能效果（范围为5%至53%）和有效的需求侧控制，突出了在智能电网应用中整合IoT、AI和5G改变能源管理的潜力。表7列出了AI/IoT驱动智能电网应用的约束。表7. IoT驱动应用的系统研究

| 参考文献 | 年份 | 技术 | 研究对象 | 特征 | 运行条件/约束 |
|---------|------|------|---------|------|--------------|
| [58] | 2024 | 5G、ML、自主技术、UAV、NFV、V2X | 智能电网和城市交通系统优化 | 利用5G、ML、UAV提高基础设施效率和安全性 | 数据集成、安全、动态资源分配 |
| [60] | 2024 | Zigbee、ML、萤火虫优化、XGBoost、IoT | Zigbee智能家庭网络的预测性维护 | 使用高级ML进行系统故障预测和及时维护 | 大规模传感器数据管理、确保准确性和及时性 |
| [12] | 2024 | 6G IoT、AI、区块链、ML、Deep Q RL、LSTM-RNN | 可持续智慧城市的智能电网 | AI、IoT和区块链的能源管理、电网稳定性和可再生能源整合 | 实时数据管理、电网稳定性、能源消耗平衡 |
| [62] | 2024 | IoT、5G、智能能源管理 | IoT智能能源管理系统（SEMS） | 实时监控、中件集成和负载控制 | 智能电表和云系统的可扩展性和集成 |
| [18] | 2023 | AI、6G、区块链、IoT | 可持续智慧城市 | AI和6G驱动的智慧城市基础设施IoT与区块链 | 网络效率、隐私问题、区块链集成的高延迟 |
| [54] | 2021 | IoT、ML、智能电表、云通信、负载预测 | 利用IoT和ML进行高级电力管理的智能电网 | 使用IoT和ML模型从智能电表预测电力需求 | 通信拥塞、数据包丢失、电池寿命、能量收集 |
| [56] | 2021 | ML、IoT、5G、智能电表、相控阵天线 | 优化通信和电力的智能电网电力系统 | 将ML与IoT集成用于电压调节和能源生产 | 管理通信可靠性、处理EMI、确保能源效率 |
| [53] | 2020 | 5G MEC、AI、音频识别、边缘计算 | 使用5G和MEC进行实时数据分析的智能电网 | 边缘的灵活AI部署AI能力中心 | 管理实时数据、确保低延迟、高带宽 |

注：5G MEC、AI、边缘计算、ML、IoT、智能电表、EMI、6G、区块链、UAV、NFV、V2X、Zigbee、萤火虫优化、XGBoost、Deep Q RL、LSTM-RNN分别是第五代多接入边缘计算、人工智能、边缘计算、机器学习、物联网、智能电表、电磁干扰、第六代、区块链、无人驾驶飞行器、网络功能虚拟化、车联网、Zigbee、萤火虫优化、极端梯度提升、深度Q学习强化学习、长短期记忆-循环神经网络的缩写。

2.5 基础设施效率与网络优化

本节介绍基础设施效率与网络优化。文献[63]提出了一种ML方法，旨在评估5G智能电网应用的网络质量。作者提出了一个结合长短期记忆网络（LSTM）和多头注意力机制（MA）的模型，根据包括媒体服务和精密控制在内的多种服务需求预测网络连接质量[64]。利用随机森林算法和LSTM-MA，该模型可以准确识别服务类型并相应地修改网络质量评估[65]。实验结果表明，所提出的LSTM-MA模型在预测网络质量方面优于已有方法，包括支持向量机（SVM）和RNN-MA，展示了更高的准确性和可靠性，适用于各种智能电网服务。文献[66]提出了一种以优化为导向的ML算法，可用于利用5G技术提高智能家居的安全性。利用基于Sailfish的架构，可以使用分布式IP移动性管理（SbDMM）来实现安全路由并促进智能家居设备之间的可靠数据传输。所提出的模型利用ML通过确保密码密钥的正确管理来优化路由过程，从而在移动节点（MN）和对应节点（CN）之间建立安全通信。文献[67]提出了一种基于深度学习和博弈论的闭环自动化解决方案，用于O-RAN 5G网络切片，具体应用于智能电网背景下。作者提出使用基于SLA的技术来应对5G智能电网中各种网络切片（如eMBB、uRLLC和mMTC）的需求变化。为了更高效地进行资源分配以保证效率和公平性，作者使用博弈论和深度学习技术将组合资源调度问题建模为非凸问题[68]。下表8汇总了以上所有参考文献。

表8. 网络优化的运行条件

| 参考文献 | 年份 | 技术 | 研究对象 | 特征 | 运行条件/约束 |
|---------|------|------|---------|------|--------------|
| [67] | 2023 | 5G、O-RAN、DL、博弈论 | 5G智能电网应用 | 使用博弈论和深度学习的基于SLA的服务自动化 | 资源调度挑战 |
| [63] | 2022 | ML（随机森林、LSTM、多头注意力） | 智能电网中的5G无线网络 | 使用ML模型（LSTM-MA）评估网络质量以提高准确性 | 媒体和精密控制服务对不同质量的需求 |
| [66] | 2022 | 5G、DMM、ML | 智能家居安全系统 | 具有优化路由的安全通信 | 低速网络、可扩展性、密钥交换 |

注：ML、LSTM、MA、5G、DMM、O-RAN、DL、SLA分别是机器学习、长短期记忆、多头注意力、第五代、动态移动性管理、开放无线接入网络、深度学习、服务等级协议的缩写。

上述章节进一步以表格形式扩展，将文献转化为实际应用，因为需要在本节结尾给出一些实用的经验总结，如图10所示。

图10. 本节的实用经验总结（通信和网络技术）

3. ML和AI技术

本节讨论机器学习和AI技术，包括1）强化学习技术，2）用于预测和优化的ML模型，3）深度学习和神经网络应用，以及4）联邦学习、区块链和生成式AI。

3.1 强化学习技术

在讨论强化学习技术时，文献[69]描述了一种IoT使能的模型，该模型使用来自多种来源的可再生能源，如压电传感器、热电发电机和太阳能电池板。该模型为家庭和行业提供能源。ANN和ANFIS模型均用于预测发电量；与ANFIS模型相比，ANN模型证明了更高的准确性。该模型的目的是应对不断增长的能源需求并有效产生和储存能源。图11显示了所提出的ANN方案的树结构。

图11. ANN方案树[69]

文献[70]关注分布式能源资源（DER）与智能电网集成的方式。该过程包括使用AI、IoT和区块链技术来改进智能电网管理。AI技术用于分析并实现自动控制与预测，而IoT允许实时数据共享。区块链技术的应用使能源供应过程中所有参与方之间的安全交易成为可能。本文开展的研究重点在于电动汽车和储能技术对DER整合的支持作用。挑战包括确保通信安全和保护信息完整性。图12显示了智能电网与不同类型发电的互联关系。

图12. 智能电网在不同类型发电和利用来源中的作用[70]

参考文献[14]中提出了一种L-DRL算法，其中L-DRL表示长短期记忆与深度强化学习算法，旨在提高5G能源物联网（IoE）中可再生能源的利用。所提出的算法使用LSTM处理数据不确定性，并使用DDPG优化能源整合策略。如图13所示，所提出的系统管理能源存储和用户需求，以确保可再生能源利用的稳定性和效率。基于真实气象数据的仿真结果表明，该方法在能源整合方面显著改善，适用于实际的大规模万物互联应用。

图13. 最优可再生能源方案[14]

文献[71]提出了一种结合AR和AI用于电网应急培训的系统，采用卫星通信技术。所提出的系统旨在通过提供结合虚拟和真实元素的沉浸式体验来提高培训效果，从而促进紧急情况下的决策、协调和整体响应能力。AR培训使救援队伍能够在逼真的环境中进行练习，而卫星通信确保实时连接。参与者的反馈显示热情和技能发展增加，突出了AR和AI在电力系统应急培训中的潜力。

在文献[4]中，作者提出了一种创新的基于5G智能电网的RAN切片方法，利用AI技术改进网络资源管理。

在这项研究中，IEC 61850 服务的集成是在具备无线接入网（RAN）切片的超越 5G 平台上进行的，如图 14 所示。采用了深度强化学习（DRL）技术来最大化无线资源分配，从而能够更高效地管理保护、监测和计量等对延迟敏感的智能电网服务。结果表明，AI 驱动的 RAN 切片带来了资源效率，降低了网络延迟，并维持了智能电网服务的服务质量（QoS）合规性。
下载：下载高分辨率图像 (589KB) 下载：下载全尺寸图像
图 14. RAN 切片方法 [4]。

参考文献 [72] 中的研究探讨了物联网技术在智能电网中的采用，以及利用人工智能（AI）和机器学习（ML）方法来解决采用过程中出现的问题。该论文强调了物联网在提高智能电网的能源管理、监控和法规方面的意义。该论文分析了各种机器学习算法，如神经网络和决策树，这些算法被用于解决与能源消耗、安全和优化相关的问题。该论文还讨论了一些面临的问题，如数据安全和互操作性，并提出了通过先进的 AI 技术克服它们的有效方法。

研究 [13] 介绍了一种安全的多智能体深度强化学习（MADRL）方法（图 15），用于利用基于逆变器的可再生能源对配电网络进行实时分散式管理。所提出的方法利用多智能体深度强化学习（MADRL）提供电压无功控制（VVC），同时缓解通信延迟并保持电压安全。该问题被构建为一个受限马尔可夫博弈，并利用孪生延迟深度确定性策略梯度（TD3）来提高学习效率。在图 15 中，展示了数学和通信工作流，其中配电网络表现为环境，每个代理代表本地单元，如分布式能源（DER）控制器、智能逆变器和能源管理节点。在每一步，通过通信层对所有潮流量进行现场测量。代理 k 考虑状态向量 sk 或 s，基于给定的状态，演员网络生成潮流值的控制动作 ak。动作通过通信网络中继，之后电网移动到下一个状态 sk'，产生由电压偏差、功率损耗和控制努力值组成的奖励 rk。模拟结果表明，所提出的方法可以有效地以分散方式调节电压，减少功率损耗，并缓解通信延迟的影响。表 9 总结了所有机器学习和人工智能技术。
下载：下载高分辨率图像 (754KB) 下载：下载全尺寸图像
图 15. MADRL 方法 [13]。

表 9. 强化学习技术的特点 a。
| Ref | Year | Technology | System under Study | Characteristics | Operating Condition/Constraints |
| :--- | :--- | :--- | :--- | :--- | :--- |
| [72] | 2023 | Tensor Computing, DRL, MAAC | Smart grid and power network | Optimizes system performance using tensor computing and DRL | Deals with managing big data and achieving optimal situation awareness |
| [13] | 2023 | MADRL, TD3, VVC | Distribution grids with renewables | Uses MADRL for decentralized voltage regulation in renewables | Manages voltage fluctuations and communication delays for grid stability |
| [4] | 2022 | DRL, RAN Slicing, AI | 5G-enabled Smart Grid | AI and DRL for resource allocation in smart grids | Focus on low-latency and efficient resource management |
| [71] | 2021 | AR, AI, Satellite Communication | Power grid emergency training | AR and AI enhance training with real-time communication via satellite | Requires integration of virtual/real elements and low-latency communication |
| [70] | 2020 | AI, IoT, Blockchain, FL, NN | DER in Smart Grids | Integrates AI, IoT, and blockchain for DER management | Challenges include cybersecurity, data management, and resilient integration |
| [14] | 2020 | LSTM, DRL, DDPG, Energy Storage, IoE | 5G-based IoE for renewable energy | Optimizes energy accommodation and manages storage and demand | Deals with data authenticity, renewable energy fluctuations, and supply-demand balancing |

a AI、IoT、FL、NN、LSTM、DRL、DDPG、IoE、AR、RAN、MAAC、MADRL、TD3、VVC 分别是 Artificial Intelligence（人工智能）、Internet of Things（物联网）、Federated Learning（联邦学习）、Neural Networks（神经网络）、Long Short-Term Memory（长短期记忆）、Deep Reinforcement Learning（深度强化学习）、Deep Deterministic Policy Gradient（深度确定性策略梯度）、Internet of Everything（万物互联）、Augmented Reality（增强现实）、Radio Access Network（无线接入网）、Multi-Agent Actor-Critic（多智能体演员 - 评论家）、Multi-Agent Deep Reinforcement Learning（多智能体深度强化学习）、Twin Delayed Deep Deterministic Policy Gradient（孪生延迟深度确定性策略梯度）、Voltage and VAR Control（电压无功控制）的缩写。

状态转移方程如下所示，公式 (1)、(2) 被视为潮流方程，出自 [13]。
(1) $PPV(i,t)=PD(i,t)+Vi,t\sum_{ij\in L}DNVj,t(Gijcos\theta ij,t+Bijsin\theta ij,t),$
(2) $QPV(i,t)=QD(i,t)+Vi,t\sum_{ij\in L}DNVj,t(Gijsin\theta ij,t+Bijcos\theta ij,t),$
(3) $PPV2(i,t)+QPV2(i,t)≤SPV$
电压安全要求 [13]。
(4) $Vmin≤Vi,t≤Vmax,$
并且总有功损耗是节点净注入之和 [13]，
(3) $Ploss=\sum_{i\in\varepsilon D}NPinj,i.$
因此，[13] 的控制目标/优化公式（公式 (3)、(4)、(5)）是最小化 Ploss，受限于逆变器容量和电压安全约束，其中 rk 是奖励函数，表示为 Ploss 的负值 [13]
(4) $sk=(t,PPV,k,PD,k,QD,k,Vk)$
(5) $ak=QPV,k$
(6) $rk=?Ploss$

参考文献 [13] 的框架如图 15 所示，可以与相同的电压 - 无功控制问题的替代公式化方法进行比较。在参考文献 [[9]，[62]，[73]] 中，电压设定值 DRL 将该任务构建为一个无约束马尔可夫博弈，其目标是最小化电压偏差。软约束 MADRL 方法 [[74]，[75]，[76]] 虽然将问题建模为受限马尔可夫博弈，但它通过将惩罚项融入奖励来处理电压限制。所提出的安全 MADRL 方法 [13] 也将问题表述为最小化功率损耗（公式 (6)）的受限马尔可夫博弈，但通过解析二阶锥投影严格执行电压限制，在功率损耗最接近最优值的同时实现了 100% 的电压安全（零违规）。

3.2. 用于预测和优化的机器学习模型
智能电网通信网络配备了最先进的机器学习模型，用于优化和预测潮流参数 [77]，表 10 解释了涵盖此方面的所有参考文献。研究 [11] 介绍了一种机器学习方法，用于识别智能电网通信网络中的隐蔽网络欺骗（CCD）攻击。该系统利用遗传方法进行特征选择，以提高受损数据检测的精度，同时降低计算复杂度。所选特征输入支持向量机（SVM）分类器，以提高对 CCD 攻击的检测能力。图 16 中定义的框架使用 IEEE 标准测试设备进行评估，与传统方法相比，展示了更高的准确性和计算效率，特别是在大型电力网络中。这种方法增强了智能电网在网络攻击情况下的可靠性和安全性。

表 10. 智能电网中用于预测和优化的机器学习模型 a
| Ref | Year | Technology | System under Study | Characteristics | Operating Condition/Constraints |
| :--- | :--- | :--- | :--- | :--- | :--- |
| [11] | 2018 | GA, SVM, MLP, Naive Bayes | Smart Grid | ML for CCD detection in state estimation using GA-based feature selection. | Computational cost, feature dimensionality, communication delays increase with system size. |
| [78] | 2020 | DNN, OPF, Stochastic Learning | Smart Inverters | Reactive power control in distribution grids with communication constraints. | Minimizing data exchange and uncertainty handling in grid conditions. |
| [79] | 2021 | CNN, LSTM, RNN, STFT | IoT-based Load Monitoring | Deep CNN framework for non-intrusive load monitoring with data de-noising and time-frequency transformation. | High-frequency data handling, error reduction, and load identification accuracy. |
| [80] | 2021 | AI, IoT, ML, Genetic Algorithms | Renewable Energy Systems | AI optimization of renewable energy production and consumption with IoT integration. | Managing IoT data, real-time communication, and integration of varying energy sources. |
| [81] | 2022 | AI, IoT, ML (SVM, KNN, DT, CNN) | Smart Grid | Collaborative ML for cyber threat detection with high classification accuracy. | Real-time threats, privacy concerns, and high classifier accuracy. |
| [82] | 2023 | ML, XGBoost | Smart Grid Communication Network | Multi-class traffic management for smart grid communication with high accuracy. | Efficient transmission, resource allocation, and traffic classification. |
| [74] | 2024 | ML, LSTM, FF, Decision Trees | Smart Grid Communication Networks | Evaluation of four ML models for routing in urban environments. | Managing routing in varied urban environments with different node distributions. |

a GA、SVM、MLP、Naive Bayes、DNN、OPF、CNN、RNN、STFT、AI、ML、KNN、DT、XGBoost、FF 分别是 Genetic Algorithms（遗传算法）、Support Vector Machines（支持向量机）、Multi-Layer Perceptron（多层感知机）、Naive Bayes（朴素贝叶斯）、Deep Neural Networks（深度神经网络）、Optimal Power Flow（最优潮流）、Convolutional Neural Networks（卷积神经网络）、Recurrent Neural Networks（循环神经网络）、Short-Time Fourier Transform（短时傅里叶变换）、Artificial Intelligence（人工智能）、Machine Learning（机器学习）、K-Nearest Neighbors（K 近邻）、Decision Trees（决策树）、Extreme Gradient Boosting（极端梯度提升）、Feed Forward（前馈）的缩写。
下载：下载高分辨率图像 (457KB) 下载：下载全尺寸图像
图 16. 隐蔽网络检测流程 [11]。

本文 [78] 提出了一种新的深度学习方法，用于通信受限配电网络中智能逆变器的无功功率控制。在这项工作中，考虑了一种分层结构，具有双深度神经网络（DNN）结构，其中主 DNN 由公用事业公司控制，从 DNNs 由逆变器控制，以最小化对通信的要求。该结构使用随机原始对偶优化解决最优潮流问题，考虑到馈线约束，以实现电压调节并最小化功率损耗。

在这篇研究论文 [79] 中，提出了一种新型深度时空卷积神经网络（DST-CNN）的概念，用于物联网赋能的智能电网环境中的非侵入式负荷监测与识别（NILM）。在该框架中，利用 AM-PCA 改善信号处理，而 STFT 用于将稳态电流波形图像转换为频域图像。利用 CNN、LSTM 和 RNN 的融合对提取的特征进行建模，以开发精确的负荷检测，从而提高效率和精度。

参考文献 [80] 中的工作评估了人工智能和物联网技术在可再生能源系统中的应用，以检查通过更高的效率、规模和可靠性所取得的进展。人工智能用于诸如基于神经网络的能源优化技术、模糊逻辑和遗传算法 [83] 等可再生能源技术，用于预测太阳能和风能等各种可再生能源产生的能量。物联网的融入提供了对可再生能源系统的自动化、自适应和即时控制。

在这项工作 [81] 中，提出了一项关于人工智能和物联网在开发智能电网环境中的隐私保护型和协作式感知方面的应用调查。该方法涉及使用预测模型来确定已识别的网络威胁是安全还是危险，使用支持向量机、K 近邻、决策树和卷积神经网络等机器学习技术。实验结果表明准确率高达 97%，凸显了人工智能和物联网在保护智能电网系统免受网络威胁以及改进发电厂投运过程方面的潜力。

文献 [82] 介绍了在智能电网通信网络中使用机器学习的一种流量控制技术。目标是解决智能电网中日益增长的通信复杂度，这需要一种自适应方法来管理流量，以满足多样的通信需求 [84]。在他们的方案中，他们开发了一种使用机器学习算法进行多类流量分类的方法。该研究采用了 XGBoost 进行流量分类，实现了 98.42% 的准确率和 99.14% 的 F1 分数。结果表明，所提出的技术可以有效地优先处理对时间敏感的服务，从而提高各种智能电网应用的网络性能。

参考文献 [74] 中的研究考虑了与 RPL 协议结合使用的基于机器学习的方法在智能电网通信（路由算法）中的有效性和适应性，如图 17 所示，适用于不同的城市环境。在该实验中，在巴塞罗那、蒙特利尔和罗马三个不同城市的背景下，分析了四种不同的机器学习模型（LSTM、前馈神经网络、决策树和朴素贝叶斯）。很明显，两种模型（LSTM 和决策树）在某些情况下表现出更高的有效性；然而，它们在不同城市区域的泛化能力较低。
下载：下载高分辨率图像 (197KB) 下载：下载全尺寸图像
图 17. RPL 路由 [74]。

3.3. 深度学习与神经网络应用
本节讨论了深度学习和神经网络的应用。论文 [85] 提出了一种集成机器学习和物联网技术的智能电网管理系统，用于安全高效的能源管理。引入了一种采用复杂代理模型的需求侧管理引擎，用于控制能源消耗并防范网络威胁。该系统采用物联网家庭区域网络（HAN）收集实时数据，并利用朴素贝叶斯分类器识别安全问题，图 18 (a) 展示了该系统的可视化表示。高级能源管理代理（AEMA）通过优先处理负载和管理能源分配来改善能源效率，在维持系统安全的同时最小化整体消耗。

论文 [86] 专注于物联网、人工智能和雾计算在改善可再生能源发电背景下的数据收集和能源效率方面的应用。考虑了通过不同物联网设备收集数据相关的挑战，考虑到能源利用、网络健壮性和延迟等问题。在这方面，作者支持强化学习和长短期记忆（LSTM）的结合。创建的雾计算框架有助于提高可再生能源发电（REG）的能源效率和物联网设备的性能。

论文 [87] 探讨了深度学习在预测 5G 扇区载波电力方面的应用，并评估了 MLP 和 LSTM 网络的效率。发现 MLP 网络在所有测试数据集中始终比 LSTM 更高效，因此在这种情况下是更好的选择。

特征重要性分析表明，每时隙的资源元素（REs）数量是最关键的特征，这一点也在图18(b)中得到了验证。该研究旨在通过准确的功耗预测来提高5G网络中功率池化的有效性，同时也呼吁对实时适用性和聚合数据的性能进行更多调查。下载：下载高分辨率图像（587KB）下载：下载全尺寸图像 图18. (a)提出的系统设计[85]，和(b)基于MLP和LSTM的框架[87]。文献[88]中的一项工作提出了一种去中心化的智能电网巡检系统，该系统采用由深度学习和5G通信技术驱动的自动化无人机（UAVs）。所提出的方法论将深度卷积神经网络（CNNs）与注意力机制相结合，以增强智能电网中实时缺陷识别的能力。图像超分辨率提高了视觉数据质量，而注意力机制则突出了关键的故障特征，从而提高了模型的准确性。实验结果表明，与现有的方法相比，该模型高效且成本低，充分满足了智能电网和5G基站巡检的实时运行和维护要求。文献[89]的研究探讨了人工智能在提高智能电网通信网络内部能源管理和分配方面的变革潜力。作者研究了机器学习在需求预测、故障识别预测分析和能源分配优化中的应用，突出了人工智能在管理太阳能板和风力涡轮机等分布式能源资源中的作用。该研究强调了数据隐私、技术复杂性和互操作性等问题，并建议进一步研究以增强人工智能在实时处理和安全措施方面的能力。人工智能集成的目标是提高智能电网的效率、可靠性和可持续性[76]。表11讨论了深度学习与神经网络在智能电网中的应用。

表11. 深度学习与神经网络在智能电网中的应用 a.

| 参考文献 | 年份 | 技术 | 研究对象系统 | 特征 | 约束条件 |
|---------|------|------|------------|------|---------|
| [85] | 2021 | ML、IoT、HAN、DSM、朴素贝叶斯 | 智能电网中的需求侧管理 | 基于ML的需求侧管理与IoT设备结合，实现能效提升和欺诈检测 | 挑战：网络威胁、实时数据处理和安全IoT通信 |
| [86] | 2022 | AI、RL、LSTM、雾计算 | 可再生能源中的IoT | 基于AI的强化学习用于节能和降低延迟 | 处理异构IoT环境中的数据收集、能耗和网络寿命 |
| [87] | 2022 | DL、MLP、LSTM、特征重要性 | 5G功耗预测 | 比较MLP和LSTM用于功耗预测，MLP显示更高的准确性 | 关注网络波动下的低资源预测 |
| [88] | 2023 | 5G、UAV、DL（CNN、注意力机制） | 智能电网巡检 | 使用无人机结合DL和图像超分辨率进行实时故障检测 | 旨在以低计算需求降低成本 |
| [89] | 2024 | AI、ML、预测分析 | 智能电网通信 | AI用于需求预测、故障检测和资源优化 | 挑战包括隐私、技术复杂性和互操作性 |

a. ML、IoT、HAN、DSM、AI、RL、LSTM、DL、MLP、5G、UAV、CNN、SVM、KNN、DT、XGBoost和FF分别是机器学习、物联网、家庭区域网络、需求侧管理、人工智能、强化学习、长短期记忆、深度学习、多层感知器、第五代、无人机、卷积神经网络、支持向量机、K近邻、决策树、极端梯度提升和前馈的缩写。

3.4. 联邦学习、区块链和生成式AI

本节讨论联邦学习、区块链和生成式AI。文献[20]探讨了AI和自主6G网络在智慧城市数字生态系统发展中的应用。它采用了一种整体策略，整合AI、IoT、区块链、联邦学习和边缘云计算技术，以提升服务质量并满足智慧城市的服务水平协议。文献[90]中的一项工作涉及机器学习、AI和5G技术在智能能源和楼宇管理领域的应用（见图19）。该论文重点介绍了应用这些技术进行自动化、提升效率和改善性能在管理楼宇活动和提高能源效率方面的优势。论文中的一个关键要点是，IoT技术在智能电网和楼宇的实施与优化中扮演着重要角色。该技术有助于更高效地连接设备，同时增加基于收集数据做出的决策。论文中讨论的另一个问题是关于网络安全、隐私以及5G技术在农村与城市环境中的应用所面临的挑战。下载：下载高分辨率图像（268KB）下载：下载全尺寸图像 图19. 基于5G/AI的智能功率管理基础设施[90]。文献[91]中的综述广泛评估了在SEMS中整合AI、大数据、IoT和区块链等高级数字技术的情况。在文中，评估了AI模型在准确预测能源消耗、资源最优分配和有效管理需求响应方面的能力。该文强调了数据挖掘和大规模数据处理系统对提升AI能力的重要性。此外，它评估了IoT在连接不同设备和系统以促进高效数据传输和存储方面的效用，以及区块链技术在确保安全去中心化能源交易方面的能力。论文在图20中总结性地概述了将这些技术整合到能源管理中面临的重要挑战和进一步研究的方向。下载：下载高分辨率图像（810KB）下载：下载全尺寸图像 图20. 智能电网与数字技术[91]。文献[92]中的一项工作提出了ML-RPL作为智能路由协议，利用机器学习算法来提高无线智能电网网络（WSGN）的运行效率。CatBoost算法被应用于低功耗有损网络路由协议（RPL）中，其中节点选择基于数据包传输成功的概率。机器学习模型的训练使用了通过模拟蒙特利尔智能电表安装获得的经验数据。图21中提出的技术相较于现有的基于RPL的协议，在数据包传输率和端到端延迟方面表现出显著改进，突显了机器学习在改善智能电网通信网络方面的潜力。下载：下载高分辨率图像（372KB）下载：下载全尺寸图像 图21. 所提出技术的表示[92]。在本研究[93]中，探索了群优化技术（SOT）的实施作为提高数据传输、分析和质量服务（QoS）过程的途径。强调了IoT技术在促进智能设备与能源系统之间交互以及连接它们的基础设施方面的重要性。研究人员寻求实施SOT来解决与协作智能环境中多目标QoS改进相关的复杂和NP-hard问题。文献[94]中的研究提出了一种利用生成式人工智能（GenAI）来增强智能电网通信和数据处理的创新方法。该项目的目标是解决智能电网传感器产生的日益增长的数据量所带来的通信瓶颈和隐私问题[75]。论文提出实施一个利用GenAI模型的分布式学习系统。在该架构中，人工数据在电网边界生成，从而减少了对传输未处理数据的需要。这种方法不仅保护了匿名性，还提高了通信效率。实证证据表明，这一策略提高了能源需求预测的准确性，同时显著减少了对通信的需求并保护了机密信息。图22突出了该文献的关键领域。下载：下载高分辨率图像（462KB）下载：下载全尺寸图像 图22. GenAI通信框架[94]。表12展示了智能电网新兴技术的表格表示。

表12. 智能电网新兴技术 a.

| 参考文献 | 年份 | 技术 | 研究对象系统 | 特征 | 运行条件/约束 |
|---------|------|------|------------|------|-------------|
| [20] | 2022 | AI、IoT、联邦学习、区块链、6G网络 | 智慧城市 | 支持智慧城市服务的AI赋能6G网络 | 高数据速率、能效、安全性、低延迟；隐私、网络拥塞和集成方面的挑战 |
| [90] | 2022 | ML、AI、5G | 智能能源与楼宇管理 | 任务自动化，如气候控制、安防、能源管理 | 需要高速低延迟网络；城乡环境间的集成挑战 |
| [91] | 2023 | AI、大数据、IoT、区块链 | 智能能源管理系统（SEMS）、能源预测与负荷管理 | 混合AI用于能源管理、大数据用于AI增强、IoT用于连接、区块链用于安全能源交易 | 数据安全、系统集成、AI训练数据需求、强大的数据挖掘、去中心化区块链 |
| [92] | 2023 | ML、CatBoost、RPL、WSN、NAN | 无线智能电网网络（WSGN） | 使用CatBoost的ML-RPL协议实现WSGN中的优化路由 | 降低通信开销的挑战，平衡延迟和传输率 |
| [93] | 2023 | 群优化、IoT | 智能电网与电力通信 | 利用IoT和SOT优化智能电网中的QoS | NP-hard问题复杂度、数据共享和资源管理 |
| [94] | 2024 | 生成式AI、分布式学习、ML（LSTM、GANs、扩散模型） | 智能电网系统 | 用于合成数据生成和能源需求预测的分布式学习 | 通信效率、隐私保护和减少数据传输 |

a. AI、IoT、FL、6G网络、ML、5G、大数据、CatBoost、RPL、WSN、NAN、群优化、LSTM和GANs分别是人工智能、物联网、联邦学习、第六代网络、机器学习、第五代、大数据、类别提升、低功耗有损网络路由协议、无线传感器网络、非学术网络、群优化技术、长短期记忆和生成对抗网络的缩写。

在图23中，本节的要点如下所示，同时突出了关键的工程约束和开放性研究问题。下载：下载高分辨率图像（477KB）下载：下载全尺寸图像 图23. 本节的实际要点（机器学习与AI技术）。

4. IoT与智能电网技术

本节讨论IoT与智能电网技术。它被分为1）IoT与智能电网通信、2）AI、机器学习与能源管理、3）IoT、区块链与安全、4）边缘计算与实时能源优化。

4.1. IoT与智能电网通信

在当前研究论文[95]中，作者专注于将区块链和AI融入IoT以支持可持续智慧城市。这反映了整合这些技术的重要性，因为它们可以为智慧城市的不同应用提供更高的安全性、可扩展性和效率，尤其是智能交通系统。在这方面，区块链确保信息的去中心化和安全性，而AI促进自动化和分析。一种智能电网技术[96]借助IoT和ANN技术管理并实时监控能源的分配与消耗。在该技术中，太阳能电池板发电，然后通过具有ESP32微控制器和树莓派服务器的IoT设备进行管理。ANN预测和管理能源流动，准确率达到了89.50%。通过该技术的运用，消费者可以通过Android应用程序控制电气活动，从而参与能源管理。在论文[97]中，描述了一种基于机器学习的适用于IoT赋能智慧城市的电力调度系统。这篇论文的焦点在于高效利用能源资源并降低用户的电费。系统中使用的电力调度模型包括CDBR算法与粒子群优化（PSO）方法，用于智能家居中的有效电力调度。IoT设备用于收集关于能源消耗、负荷调度和峰均比的信息。表13突出了IoT与智能电网通信方面的创新。

表13. 智能电网通信创新 a.

| 参考文献 | 年份 | 技术 | 研究对象系统 | 特征 | 运行条件/约束 |
|---------|------|------|------------|------|-------------|
| [95] | 2020 | 区块链、AI、IoT、ITS、智能合约 | 可持续智慧城市网络 | 区块链和AI用于智慧城市的安全性、可持续性和效率 | 数据隐私、可扩展性、信任管理、法规问题和互操作性 |
| [96] | 2020 | IoT、ANN、ESP32、功率传感器、树莓派 | 带太阳能板的智能电网 | IoT与ANN用于太阳能供电电网中的能源管理和决策 | 管理能源变异性、高效数据传输、可靠性和实时优化 |
| [97] | 2021 | ML、PSO、CDBR、IoT、IBR | 智慧城市电力网 | IoT与ML用于智能家居中的电力调度和成本优化 | 处理可变需求、电力分配和可再生能源优化 |

a. AI、IoT、ITS、ANN、ML、PSO、CDBR和IBR分别是人工智能、物联网、智能交通系统、人工神经网络、机器学习、粒子群优化、基于案例的推理和智能电池路由的缩写。

4.2. AI、ML与能源管理

在本节中，研究论文[5]描述了一种新颖的深度强化学习（DRL）策略，旨在针对IoE产生的不确定性优化分层微电网中可再生能源的利用。图24中描述的算法融合了TD-GAN架构与混合集中式与去中心化方法，以提高调度效率和容量。仿真结果表明，混合策略优于其他方法，因为它提供了更好的适应性和经济效率，并成功应对了与通信延迟和可再生能源集成相关的挑战。下载：下载高分辨率图像（448KB）下载：下载全尺寸图像 图24. 分层微电网[5]。这篇论文[10]研究了ML和IoT在智能电网系统中的应用，重点在于旨在优化能源管理的预测模型。

物联网技术被用于通过智能电表和其他设备从建筑物中收集实时能耗数据。这些数据使用循环神经网络（RNN）和长短期记忆网络（LSTM）模型进行分析，这些模型可应用于预测建筑物的能耗。因此，所考虑的系统旨在优化能源资源的使用，提高系统的有效性，并协助决策制定。文献[98]中提出的需求侧管理（DSM）引擎为物联网赋能的智能电网提供安全且具有弹性的DSM，特别是讨论了提高能源效率和抵御网络攻击的能力方面的改进。该DSM引擎纳入了朴素贝叶斯分类器来检测智能电网系统中的任何威胁或欺诈行为（图25）。此外，还使用了高级能源管理代理（AEMA）和接口控制代理（ICA）来改善能源管理并减少通信中断。模拟结果表明，该DSM引擎显著降低了智能电网系统的能耗并提高了能源效率。表14概述了与人工智能和能源管理相关的研究领域。

下载：下载高分辨率图像（294KB） 下载：下载完整尺寸图像 图25. HAN上的朴素贝叶斯分类器树[98]。表14. 人工智能和能源管理中的研究领域 a。

| 文献 | 年份 | 技术 | 研究系统 | 特征 | 运行条件/约束 |
|------|------|------|----------|------|----------------|
| [5] | 2020 | 深度强化学习、时序域生成对抗网络、归一化优势函数、物联网 | 分层微电网 | 将深度强化学习与微电网集成以提高可再生能源容量并应对通信不确定性 | 必须管理时延、丢包以及影响性能的无线通信波动 |
| [10] | 2020 | 机器学习、物联网、智能计量、RNN、LSTM | 智能电网基础设施 | 使用RNN和LSTM进行能源管理和能耗预测的机器学习和物联网技术 | 必须处理大量数据，确保准确的预测，并管理异构设备 |
| [98] | 2020 | 机器学习、朴素贝叶斯、物联网、家庭局域网、安全DSM | 智能电网中的安全DSM引擎 | 带有机器学习分类器的物联网赋能DSM引擎以优化能耗和安全性 | 必须应对网络威胁、数据完整性和能源分配，同时缓解虚假数据注入和盗窃等攻击 |

a. DRL、TDGAN、NAF、IoE、ML、IoT、SM、RNN、LSTM、HAN、DSM分别是深度强化学习、时序域生成对抗网络、归一化优势函数、物联网、机器学习、物联网、智能计量、循环神经网络、长短期记忆网络、家庭局域网、需求侧管理的缩写。

**4.3 物联网、区块链与安全**

本节中，文章[99]探讨了物联网在智能电网动态热额定（DTR）中的应用，重点介绍了输电线路导体的实时温度监测。为提高通信可靠性，传感器被组织成簇，单个传感器代表整个组。建立了多样化的通信通道以提供弹性。作者推荐使用人工神经网络（ANN）进行传感器聚类，从而实现从全局到局部决策层面的知识迁移，这在图26中也有所体现。尽管本地ANN在约70%的情况下与全局决策保持一致，但其聚类性能仍然强劲，显示出与全局聚类相比微不足道的偏差。

下载：下载高分辨率图像（499KB） 下载：下载完整尺寸图像 图26. 智能电网中的热额定[99]。

文献[100]中的研究专注于将人工智能和物联网技术相结合，以提高当前能源电网系统的高效性。主要关注的是通过使用人工智能驱动的物联网所能获得的效益，以改善电力分配、减少电力浪费，并最终促进从传统电网向智能电网系统的过渡。该方法的一些主要要素包括基于物联网的通信系统、诸如网络威胁等挑战，以及应用区块链技术以帮助提高隐私和去中心化能力（图27）。

下载：下载高分辨率图像（323KB） 下载：下载完整尺寸图像 图27. 基于人工智能和物联网的能源管理方案[100]。

文章[101]探讨了物联网、人工智能和区块链在智能电网应用中的集成，以提高效率和安全性。作者研究了利用区块链技术提高物联网赋能智能电网的网络安全性，解决传统电力网络的脆弱性。该文献对近年来在智能电网环境中使用人工智能和区块链技术以确保可靠通信、数据完整性和安全信息交换的进展进行了文献综述。该文强调了区块链通过增强数据交换、提高能源效率和加强电网隐私保护来改变能源分配行业的潜力。下图28展示了该文所提出的阶段。

下载：下载高分辨率图像（163KB） 下载：下载完整尺寸图像 图28. 物联网赋能智能电网的阶段[101]。

文献[97]详细介绍了一款用于促进住宅建筑中高效监测和管理能源消耗的智能电表。这款物联网智能电表依赖云连接来传输与能源需求和供应相关的信息，并在能耗超过阈值时发出警报。所提出的智能电表利用人工智能和深度学习来预测和应对能源消耗的变化，这通过使用公开可用的数据来实现。能源短缺和过剩是这款智能电表需要解决的主要问题。表15进一步概述了基于物联网的系统特征。

表15. 基于物联网系统的运行条件 a。

| 文献 | 年份 | 技术 | 研究系统 | 特征 | 运行条件/约束 |
|------|------|------|----------|------|----------------|
| [99] | 2022 | ANN、物联网 | 智能电网输电线路监测 | 基于ANN的动态热额定聚类，具有冗余路由以保证通信鲁棒性 | 实时温度测量；决策者之间弥合知识鸿沟的挑战 |
| [101] | 2023 | 物联网、人工智能、区块链 | 智能电网 | 物联网与人工智能集成用于数据共享、分析和网络安全；区块链用于安全数据交换 | 网络威胁脆弱性、数据隐私需求、高效通信以及现有基础设施的集成 |
| [102] | 2024 | 物联网、人工智能、深度学习 | 家庭能源监测 | 带有人工智能和物联网的智能电表用于能源优化；云通信平台 | 旨在解决供应过剩/不足并发送通知；实际实施有待验证 |

a. ANN、IoT、AI、Deep Learning分别是人工神经网络、物联网、人工智能、深度学习的缩写。

**4.4 边缘计算与实时能源优化**

边缘计算和能源优化在多篇论文中有所介绍[103,104]以及[73]，并在表16中进一步阐述。文献[104]中的研究提供了一种基于人工智能、由物联网促进的边缘-云计算解决方案，用于智能微电网中的能源管理。其目标是利用边缘端的机器学习算法进行实时的能源生产和消耗预测，以提高能源管理的有效性。云端将这些预测结果进行汇总以优化能源交易和调度。通过最优能源调度，所提出的方法展示了在不同微电网配置中的可扩展性，并提高了可再生能源使用的效率。报告还强调了系统在集成各种分布式能源（DER）方面的灵活性，以及其在能源交易操作中的熟练表现。

表16. 边缘计算的局限性与研究系统 a。

| 文献 | 年份 | 技术 | 研究系统 | 特征 | 约束 |
|------|------|------|----------|------|------|
| [104] | 2021 | AI、IoT、边缘计算、ML、云计算 | 智能微电网 | 开放架构集成人工智能和物联网用于能源预测和优化，使用边缘设备和云端聚合 | 挑战包括处理能源不确定性、最小化延迟以及平衡微电网能源 |
| [103] | 2023 | ML、PLC、智能电网、输电线理论 | 微电网配电 | 随机网络模拟器生成拓扑用于训练机器学习以基于特征预测PLC链路质量 | 确保跨网络的泛化能力和低计算复杂度的准确SNR预测 |
| [73] | 2024 | 边缘计算、混合整数线性规划、深度强化学习、OTN、分布式并行 | 智能电网通信 | AI服务导向的资源调度框架，结合MILP和DRL优化边缘数据中心中的训练 | 管理动态工作负载、激励资源共享并最小化分布式训练中的任务积压 |
| [9] | 2024 | AI、多阶段学习迁移、IoT、安全协议 | 智能城市 | 基于AI的多阶段学习迁移（MSLL），使用MMS Transformer进行负载管理，捕获长程依赖以实现高效预测 | 解决安全性、可扩展性和实时负载管理，同时确保计算效率 |

a. AI、IoT、Edge Computing、ML、Cloud Computing、PLC、MILP、DRL、OTN分别是人工智能、物联网、边缘计算、机器学习、云计算、电力线通信、混合整数线性规划、深度强化学习、光传送网的缩写。

文献[103]中提出的工作分析了用于智能电网PLC链路可靠性预测的机器学习技术。图29(a)中展示了一个网络拓扑示例。考虑了配电网络结构中的复杂性，特别是在微电网中，并提出了一种生成随机但真实的网络拓扑的方法。这些网络拓扑用于训练机器学习算法，仅基于拓扑参数预测PLC链路的可靠性。这是自顶向下和自底向上信道建模的绝佳示例。

下载：下载高分辨率图像（898KB） 下载：下载完整尺寸图像 图29. (a) 网络拓扑示例[103]，和(b) 动态计算资源调度策略[73]。

另一项工作提出了一种针对智能电网通信网络中计算资源的动态调度方案，特别关注涉及分布式数据并行的AI应用[73]。该方案试图解决使用边缘计算设施而非依赖服务于中心目的的数据中心来调度AI应用计算任务所相关的问题。建议采用MILP和DRL模型来改善计算任务在边缘数据中心之间的分配。所提出方法的主要目标是提高计算资源的效率并最小化工作负载积压，以实现更经济的运行（见图29(b)）。

文献[9]中的研究引入了一种增强型多阶段学习迁移（MSLL）方法，用于物联网赋能的智能城市中的负载控制，旨在提高能源效率和可持续性。MSLL方法利用MMS Transformer——一种专为多变量时间序列数据设计的基于Transformer的模型，通过捕获长程依赖关系实现准确的能源需求预测。所提出的系统利用物联网数据整合环境、社会和运营因素，从而确保安全和高效的负载管理。该研究强调了隐私保护协议在解决安全问题方面的重要性，将所提方法引入作为智能城市环境中可持续能源管理的可扩展和高效工具。图30涵盖了本节的实践方面，同时聚焦于关键研究问题。

下载：下载高分辨率图像（430KB） 下载：下载完整尺寸图像 图30. 本节的实践要点（物联网和智能电网技术）。

**5. 能源管理与优化**

本节讨论能源管理与优化，包括：1）可再生能源集成与储能，2）需求响应与智能电网管理，3）高级优化与强化学习。

**5.1 可再生能源集成与储能**

从可再生能源集成与储能的角度来看，论文[105]提出了一个将电力系统、人工智能和通信技术相结合的协同仿真框架，以评估智能电网应用。在所提出的框架中，电力系统建模使用DigSILENT PowerFactory软件完成，MAS仿真使用JADE软件执行，而通信网络仿真使用OMNeT++软件进行。该接口使用Python语言编写的脚本构建，促进了实时仿真和数据共享，从而为智能电网相关的各种问题提供了实用解决方案。该框架被应用于配电网中的电压稳定性问题，以评估协同仿真框架在研究各系统之间相互作用方面的帮助。

文献[106]中的论文提出了一个去中心化机器学习框架，用于增加小型基站（SCBS）中可再生能源资源的分配，这些SCBS集成在5G网络时代的微电网中。提出了一种新的能量流控制单元（EFCU）方法（见图31），该方法提供自主可再生能源资源重新分配，无需中心化系统的参与。机器学习被用于通过预测能源需求并优化能源资源分配来提高SCBS中能源供应的可靠性，以提供小型基站的可持续能源供应。

下载：下载高分辨率图像（534KB） 下载：下载完整尺寸图像 图31. 能量流控制单元（EFCU）技术[106]。

本研究[107]的目标是通过检查利用剩余可再生能源为6G网络中分布式学习集群供电的方式来提高AI功能性的可持续性。对于分布式AI学习，作者提出使用可再生能源（如风力发电场）的剩余能源为小型计算机设备供电。除了引入使用ARIMA进行能源产量预测的仿真框架外，该文还强调了与波动的可再生能源可用性相关的困难。该方法试图改善任务调度并增加AI模型的可持续性，这与未来6G技术的能效目标相一致。表17进一步按仿真软件类型和特征对以上参考文献进行了分类。

表17.

可再生能源集成与存储相关文献

表17. 基于可再生能源集成与存储的技术

| 参考文献 | 年份 | 技术 | 研究对象系统 | 特征 | 运行条件/约束 |
|---|---|---|---|---|---|
| [105] | 2015 | DigSILENT PowerFactory、JADE、OMNeT++、Python API | 智能电网 | 电压稳定化 | 整合来自电力系统、人工智能和通信网络的工具进行联合仿真以实现电压稳定 | 通信延迟影响电压支撑；联合仿真相比统一工具是更具成本效益的替代方案 |
| [106] | 2022 | 机器学习、微电网、EFCU | 超越5G的小基站 | 基于机器学习的微电网中分布式可再生能源优化 | 聚焦于降低运营成本和提高可再生能源利用率 |
| [107] | 2023 | 6G、AI、联邦学习、可再生能源 | 6G网络和分布式学习集群 | 利用多余可再生能源为6G AI模型的分布式学习集群供电 | 依赖可再生能源盈余；面临能源波动和可靠性方面的挑战 |

注：a. JADE、OMNeT++、Python API、ML、EFCU、6G、FL分别是Java Agent Development Framework、Objective Modular Network Testbed in C++、Python Application Programming Interface、Machine Learning、Microgrid Energy Flow Control Unit、6th Generation、Federated Learning的缩写。

**5.2 需求响应与智能电网管理**

管理智能电网在需求响应方面也是一项具有挑战性的任务[108]，各种技术被应用于此，如表18所示。文献[109]概述了一种配备AI和物联网功能的家庭能源管理系统（HEMS），旨在提高摩洛哥住宅建筑的能效。该系统通过供应侧管理（SSM）和需求侧管理（DSM）作为控制方法，增强了能效并纳入了可再生能源。为了在降低成本的同时最大化用户舒适度，该HEMS采用了多目标优化方法，该方法考虑了可再生能源发电量和实时价格。目前作为测试平台项目实施的HEMS，在光伏能源自用率和成本降低方面均显示出显著提升，表明其具有增强家庭能源管理可持续性和效率的潜力。

表18. 基于技术的智能电网管理

| 参考文献 | 年份 | 技术 | 研究对象系统 | 特征 | 约束 |
|---|---|---|---|---|---|
| [109] | 2021 | AI、IoT、PSO、MPC | HEMS | 结合SSM和DSM提高能效；通过优化最小化成本并最大化舒适度 | 应对可再生能源波动、用户舒适度和基础设施异构性 |
| [110] | 2023 | 微电网、5G、VANET、RL | 智能电网 | 使用强化学习优化微电网能源管理并监控VANET流量 | 应对VANET中的移动性、通信开销和延迟 |

注：a. AI、IoT、PSO、MPC、5G、VANET、RL分别是Artificial Intelligence、Internet of Things、Particle Swarm Optimization、Model Predictive Control、5th Generation、Vehicular Ad-hoc Network、Reinforcement Learning的缩写。

文献[110]提出了一种专门针对微电网的能源管理和监控系统，设计用于5G系统中的车辆自组织网络（VANET），如图32所示，并借助对抗神经网络中的强化学习。该框架旨在提高网络能效和使用寿命，从而优化其性能，减少能耗并提升服务水平。该系统已被证明能够有效地处理高密度和高移动性的VANET，提供了一个具有最小延迟和减少数据包传输的节能系统。根据实验结果，所提出系统的性能改善明显，能效达83%，训练准确率达96%。

（下载：下载高分辨率图像（397KB））（下载：下载完整尺寸图像）

图32. VANET能源管理和监控系统[110]

**5.3 高级优化与强化学习**

本节对高级优化和强化学习进行讨论。在文献[8]中，提出了一种基于MS-ABC的技术来提高智能电网通信网络中的资源分配，如图33(a)所示。换言之，重点在于解决DAU中的中继和功率分配问题，以降低电力成本并提高通信过程的效率[[111],[112]]。该解决方案通过非线性规划问题的形式表示，并使用罚函数方法将其转化为无约束形式。在丢包率和效率方面，MS-ABC被认为比传统技术更有效。

（下载：下载高分辨率图像（475KB））（下载：下载完整尺寸图像）

图33. (a) MS-ABC方法[8]，(b) 虚拟网络嵌入挑战方案[113]

在文献[113]中，提出了一种利用深度强化学习概念和边缘计算网络的资源分配技术，用于智能电网以提高资源管理效率。在所提出的框架中，资源分配被视为虚拟网络嵌入问题，如图33(b)所示，使用了网络切片和多域虚拟网络的概念。该算法的主要目标包括满足各种QoS要求、减少碎片化对资源的影响、提高长期收入和用户请求完成率。实验结果证明，所提出的解决方案与传统方法相比具有更高的效率。

表19提供了关于研究领域优化和强化学习的更多细节。

表19. 优化与强化学习的运行条件

| 参考文献 | 年份 | 技术 | 研究对象系统 | 特征 | 运行条件/约束 |
|---|---|---|---|---|---|
| [8] | 2019 | MS-ABC、合作通信网络、中继分配、功率分配、FDM | 智能电网通信网络 | 为数据聚合单元（DAU）优化中继分配和功率分配以降低公用事业成本 | 功率限制和最小化丢包的约束；合作通信模型解决通信不确定性 |
| [113] | 2023 | DRL、边缘计算网络、网络切片、VNE、多域虚拟网络模型 | 智能电网 | 使用DRL和边缘计算进行资源分配，应对用户和服务需求增长的同时确保QoS | 必须管理差异化QoS、低延迟、资源碎片化和用户请求嵌入的高成功率 |

注：a. MS-ABC、Cooperative Communication Networks、FDM、DRL、VNE分别是Modified Salp Swarm Algorithm Based Clustering、Cooperative Communication Networks、Frequency Division Multiplexing、Deep Reinforcement Learning、Virtual Network Embedding的缩写。

图34涵盖了本节推荐的实用技术，如下所示。

（下载：下载高分辨率图像（400KB））（下载：下载完整尺寸图像）

图34. 本节的实用要点（能源管理与优化）

**6. 网络安全与入侵检测**

本节讨论网络安全和入侵检测，并将其分类为：1) 入侵检测系统、2) 信息物理攻击与安全、3) 智能电网与通信安全、4) 分布式能源（DER）与网络安全。

**6.1 入侵检测系统**

在讨论入侵检测系统时，文献[17]概述了一种基于机器学习的入侵检测系统，旨在通过使用IEC 61850 GOOSE信号来提高智能电网的网络安全。该系统通过GOOSE消息参数评估通信流量，以区分标准操作和网络攻击。评估了五种不同的机器学习技术（决策树、随机森林、支持向量机、k近邻、AdaBoost），使系统在检测网络入侵方面达到了卓越的准确性。如图35(a)所示，所提出的方法旨在减少智能电网通信中的漏洞，并在IEC 62351标准之外实施额外的安全层，从而提高电力系统基础设施抵御网络攻击的整体弹性。

（下载：下载高分辨率图像（649KB））（下载：下载完整尺寸图像）

图35. (a) 基于机器学习的入侵检测系统设计[17]，(b) 基于联邦学习的入侵检测系统（HFed-IDS）[16]

文献[16]提出了一种分层联邦学习（FL）入侵检测系统（HFed-IDS），旨在保护5G智能电网中的高级计量基础设施（AMI）[114]。它利用基于Transformer的架构检测网络攻击，同时通过联邦学习保护用户隐私。分层方法通过在边缘服务器上聚合本地模型后再将其发送到云端，降低了通信成本和延迟。如图35(b)所示，所提出的系统旨在准确识别入侵同时保持隐私，与传统集中式方法相比，表现出更高的检测精度和更低的通信开销。表20以表格形式展示了网络安全与入侵检测的讨论。

表20. 网络安全与入侵检测的特征

| 参考文献 | 年份 | 技术 | 研究对象系统 | 特征 | 运行条件/约束 |
|---|---|---|---|---|---|
| [17] | 2021 | ML、IEC 61850、IEC 62351 | 智能电网 | 基于机器学习的入侵检测，使用GOOSE消息保护电力系统通信 | 应对变化的电网条件和实时处理高频GOOSE消息 |
| [16] | 2022 | FL、Transformer-IDM、AMI、5G | 5G智能电网中的AMI网络攻击检测 | 用于隐私保护的检测的联邦学习 | 大数据量、可扩展性、隐私保护 |

注：a. ML、IEC 61850、IEC 62351、FL、Transformer-IDM、AMI、5G分别是Machine Learning、International Electrotechnical Commission 61850、International Electrotechnical Commission 62351、Federated Learning、Transformer-based Intrusion Detection Model、Advanced Metering Infrastructure、Fifth Generation的缩写。

**6.2 信息物理攻击与安全**

文献[115]研究了AI与5G技术的集成以缓解现代智能电网中的信息物理风险。作者指出，由于智能电网依赖开放通信技术，使其容易受到网络攻击。提出将AI与增强的5G连接相结合，作为提高电力系统安全性、稳定性和运行效率的方法。该研究提出了一种综合方法，通过应用AI预测分析和5G技术的快速连接能力，来缓解风险并确保关键电力基础设施的稳定性。表21将进一步阐述信息物理攻击部分。

表21. 信息物理攻击详情

| 参考文献 | 年份 | 技术 | 研究对象系统 | 特征 | 约束 |
|---|---|---|---|---|---|
| [115] | 2021 | AI、5G | 智能电网 | 利用AI和5G缓解信息物理攻击，增强安全性和稳定性 | 挑战包括开放通信带来的漏洞、网络威胁以及SCADA-PMU集成 |

注：a. AI、5G、SCADA、PMU分别是Artificial Intelligence、Fifth Generation、Supervisory Control and Data Acquisition、Phasor Measurement Units的缩写。

**6.3 智能电网与通信安全**

在本节中，文献[116]讨论了AI与物联网的结合，以开发各种智能城市应用，旨在提高城市生活质量和可持续性。包括智能家居、医疗、交通控制和废物管理等领域，重点介绍了采用无线传感器网络（WSN）的节能系统进展。该研究探讨了区块链和机器学习在增强数据安全和优化城市运营方面的应用，最终为智能城市创建可扩展且安全的数字基础设施。相关问题包括能源管理、数据隐私以及多种技术的无缝集成。

文献[15]提出了一种生成式AI方法，用于检测智能电网通信中多播消息的异常，特别关注数字变电站。所提出的架构称为CyberGridToD，利用大语言模型（LLM）进行任务导向对话（ToD），以检测GOOSE和采样值（SV）多播消息中的异常。与需要持续重新训练的传统机器学习方法不同，CyberGridToD通过上下文理解独立适应新的异常。该框架使用硬件在环（HIL）测试平台进行评估，与人在环（HITL）过程和基于机器学习的入侵检测系统（IDS）相比，展示了其优越的可扩展性和适应性。结果表明，基于LLM的方法可以显著增强智能电网安全，实现高效实时的异常检测。表22将上述文献总结为不同类别。

表22. 智能电网安全的特征与约束

| 参考文献 | 年份 | 技术 | 研究对象系统 | 特征 | 约束 |
|---|---|---|---|---|---|
| [116] | 2022 | AI、IoT、WSN、ML、Blockchain | 智慧城市 | 探索AI和IoT用于智能家居、交通、医疗和能源系统，采用节能WSN | 挑战包括能效、数据隐私、实时处理和设备集成 |
| [15] | 2024 | GenAI、LLMs、入侵检测、HIL | 智能电网 | CyberGridToD使用LLM检测智能电网多播消息中的异常 | 平衡适应性而无需频繁重新训练，管理多样化的协议和不断演变的威胁 |

注：a. AI、IoT、WSN、ML、GenAI、LLMs、HIL分别是Artificial Intelligence、Internet of Things、Wireless Sensor Networks、Machine Learning、Generative AI、Large Language Models、Hardware-in-the-Loop的缩写。

**6.4 分布式能源与网络安全**

分布式能源也需要一个安全平台来提供智能电网弹性。网络安全涵盖防止未经授权的访问、检测恶意行为和提供数据保护，而网络弹性则关注基于DER的智能电网系统在成功遭受网络入侵后继续运行的能力。在文献[117]中，AI/ML不仅仅被视为检测入侵的网络安全工具，也被视为一种运营弹性赋能者，用于攻击影响评估、自适应DER协调、应急支持、电压/频率支撑和攻击后的恢复。DER特有的弹性机制在下面的表23中进一步讨论。

表23. DER特有的弹性机制

| DER弹性目标 | DER的机制 | AI/ML技术的作用 |
|---|---|---|
| 1. 影响评估 | 攻击映射：智能逆变器、DER控制器、AMI、通信网关、电动汽车充电器和微电网控制器 | 基于ML的异常检测 |
| 2. 预防 | 安全：DER通信、认证、访问控制和固件安全 | AI辅助风险评分 |
| 3. 检测 | 监控：DER测量、逆变器命令、网络流量、智能电表数据 | AI基于IDS模型 |
| 4. 缓解 | 隔离：被入侵的DER、回退控制和弹性电压/频率调节 | DRL/MADRL基于纠正控制 |
| 5. 恢复 | 恢复：服务、DER重新同步和微电网孤岛化/重新连接 | ML基于恢复 |

主要工程约束作为关键框如图36所示，进一步增强了本节结论，因为它也涵盖了可能需要回答的主要研究问题。

（下载：下载高分辨率图像（437KB））（下载：下载完整尺寸图像）

图36. 本节的实用要点（网络安全与入侵检测）

为涵盖AI/ML技术在实际智能电网通信系统中的实施，图37展示了一个端到端的参考架构。它展示了数据如何从物理层收集，通过通信层传输，随后到达嵌入保护系统的边缘层，最终到达控制/执行层的云计算层。

每一层都有各自独立的功能。物理/感知层被视为用于从电网和物联网设备采集数据的层级，涵盖传感聚类以实现输电线路监测[99]、物联网赋能的感知[30]以及负荷识别[79]。通信层涵盖5G/6G传输，其基础在于文献[74,92]，重点在于基于机器学习的路由协议（RPL），而5G无线接入网（RAN）切片则参考了文献[4]，电力线通信（PLC）质量参考了文献[103]，以及5G与物联网结合用于电网服务参考了文献[6]。边缘层与集成保护共同构成第三层，基于5G的虚拟智能继电保护[118]、边缘资源[73]以及基于联邦学习（FL）用于5G智能电网的身份识别[16]是主要研究文献。基于云联邦学习的云计算层[51]专注于优化和能源交易，并结合边缘云能源管理框架，还涵盖云端整合边缘预测以实现能源交易和调度[104]。电压调节、分布式能源（DER）和逆变器控制是控制/执行层的职责，涵盖基于多智能体深度强化学习（MADRL）的逆变器控制[13]、智能逆变器无功功率控制[78]、需求侧管理（DSM）执行[98]以及电压稳定[105]。

图37. 将机器学习/人工智能组件集成到智能电网通信栈中的端到端参考架构。

7. 智能电网技术基础设施中已识别的研究空白

本节讨论了智能电网技术中已识别的研究空白。这些空白被分为以下类别：1) 智能电网技术的挑战，2) 5G和人工智能整合的挑战，3) 软件安全与隐私，4) 区块链、人工智能和多智能体深度强化学习在智能电网运行中的集成，5) 智能电网运行的创新，以及6) 基于机器学习的智能电网分析的可信性。

7.1 智能电网整合的挑战：奠基阶段

在智能电网整合的初期阶段，智能电网技术的开发和部署中暴露出若干根本性挑战。这一时期的研究指出了重大局限性，特别是在机器对机器（M2M）通信以及分布式机器学习在电网运行中的实施方面。文献[2,35]指出了家庭区域网络（HANs）中M2M通信系统的可扩展性问题，这阻碍了高效的数据交换并限制了电网资源的实时监控和控制。

此外，文献[105]在2015年强调了影响电网电压稳定的通信延迟，揭示了在及时数据交换至关重要的情况下电网运行的脆弱性。文献[11]在2018年探讨了将基于遗传算法（GA）的算法集成到电网状态估计中的挑战。高昂的计算成本和适应动态电网条件的困难被认为是主要障碍。这些早期研究强调了需要更好的通信系统、增强的AI/ML集成以及更高效的优化方法，以应对智能电网系统日益增加的复杂性，并为智能电网发展的后续阶段铺设更先进解决方案的道路。

7.2 5G和人工智能在智能电网中的整合挑战：扩展阶段（2020-2021年）

智能电网与人工智能和5G的整合提供了智能电网能力的进一步扩展，同时也带来了整合智能电网技术时的复杂性增加，研究聚焦于若干新兴挑战。文献[[5], [6], [7], [10], [14], [37], [39], [43], [44], [46], [70], [95]]和[98]中的研究讨论了实施5G赋能的需求响应系统和用于智能电网通信的回波散射网络的困难。这还提出了与网络可靠性、延迟以及日益互联网络中数据流量管理相关的挑战。文献[96, 54, 78]和[56]中的研究聚焦于边缘人工智能在电网实时运行中的应用，以及这种方法如何通过在被采集点进行数据分析来改善决策过程。研究还考虑了在电磁干扰（EMI）条件下保持可靠通信通道的挑战。文献[79, 104, 71]和[80]中进一步探讨了将卷积神经网络（CNN）应用于电网负荷预测所面临的挑战，并结合了对使用增强现实（AR）和AI技术维护电网系统的潜力分析。这些技术的引入伴随着自身的挑战，包括技术集成相关的挑战。

7.3 智能电网中的软件、安全与隐私

在推进阶段（2022年），智能电网系统的现代化取得了多项成就。文献[[42], [47], [99], [48], [49], [63]]和[50]中的研究人员探索了电网运行中的空白和机遇。其中一些空白包括实现软件互操作性的困难，这涉及将不同技术集成到智能电网中。此外，研究人员发现需要边缘控制器来改善决策和电网系统的效率。另一个空白是信息物理安全，研究人员需要探索并提出有效的安全措施来应对来自信息物理攻击的危险。最后，还需要更多策略来确保电网的安全和优化。另一方面，文献[[4], [16], [20], [66], [90], [119]]和[116]中研究人员识别的机遇包括将联邦学习用于与5G电网网络集成。这对于解决隐私问题至关重要，因为电网中不同设备之间共享各种类型的敏感信息。

7.4 区块链、人工智能和多智能体深度强化学习在智能电网运行中的集成

区块链、人工智能（AI）和多智能体深度强化学习（MADRL）在智能电网中的集成给智能电网技术带来了若干挑战。已有多项研究揭示了高级电网技术中的主要问题。文献[113, 92, 18, 19, 32, 40, 67, 72, 82, 88, 93, 101, 103, 107, 110, 120]和[13]中的研究探讨了区块链与人工智能的集成，与智能电网安全相关。研究人员旨在表明这两种技术的结合如何改善电网网络中的数据完整性、认证以及去中心化决策。另一个问题是需要使用基于服务级别协议（SLA）的系统自动化电网服务，以增强电网服务。此外，基于MADRL的电压调节研究探讨了使用人工智能优化电网电压。这些研究主要关注优化网络切片的困难，这是创建高效且高度灵活电网通信网络的关键组成部分。最后，智能电网的实时张量计算研究提出了对需要能在实时环境中执行计算的高速高性能计算的需求。

7.5 电网运行的创新：无人机、6G和元学习

当前格局反映了智能电网技术中的新兴关注点和进展，如文献[94, 51, 52, 15, 58, 118, 12, 9, 62]和[74]中所强调的。负责电网监测的无人机（UAV）部署是研究人员关注的领域之一。预计无人机可以显著提高电网基础设施的监视、故障检测和维护功能。研究人员还建议采用可扩展的Zigbee网络以改善智能电网设备之间更好且更安全的，这是智能电网技术的未来发展方向之一。可扩展的6G-IoT网络将确保更好更快的通信链路用于数据管理。此外，已做出努力部署和扩展联邦学习算法以改善电网运行。预计基于联邦学习的系统将提供分布式和私有的数据存储与管理以及学习能力。研究人员提出开发可扩展且鲁棒的元学习模型，以帮助检测和管理工作电网系统中的不同故障场景。主要目标是确保模型能够适应网络中的任何故障和模式。此外，开发和使用隐私保护的联邦学习模型用于电网预测是研究人员的未来关注领域之一。

7.6 基于机器学习的智能电网分析的可信性

除了传统的信息物理威胁外，确保基于机器学习方法的智能电网分析完整性是另一个关键挑战。如文献[28]所强调的，部署在基于物联网的智能电网中的机器学习模型可能遭受对抗性攻击、虚假数据注入、数据投毒、模型传输攻击以及由于电网结构和通信环境变化导致的数据分布变化。所有这些安全问题都与所选的通信范式密切相关。在集中式方法中，训练在云环境中进行，来自AMI、PMU、DER和物联网的大量数据必须传输到控制中心，这带来了通信成本增加以及易受拦截或投毒的问题。基于边缘的解决方案在延迟和安全方面有所改进，但以易受硬件故障、资源受限和有偏数据集的影响为代价。

下表24展示了所综述技术与现有协同仿真平台的映射关系。

表24. 所综述技术与现有协同仿真平台及实现框架的映射。

| 技术领域 | 通信仿真器/平台 | 电力系统仿真器/平台 | 中间件/集成框架 | 典型应用 | 协同仿真组合 | 参考文献 |
|---------|--------------|----------------|--------------|---------|-----------|--------|
| 智能电网通信架构 | OMNeT++、IEC 61850、Modbus、OPC-UA | SILENT PowerFactory、真实高压/中压变电站 | Python API | 通信延迟分析、电压调节、控制研究 | OMNeT++ + PowerFactory + Python | [61,59] |
| 物联网赋能智能电网 | ZigBee、Wi-Fi、蓝牙、HAN、云通信 | MATLAB/Simulink、可再生能源测试平台 | MQTT、Raspberry Pi、ESP32、云平台 | 智能计量、需求响应、能源监控 | ZigBee + MATLAB/Simulink + MQTT | [2,77,73,3,36,95] |
| 基于AI/ML的能源管理 | 物联网网络、智能电表通信 | 配电网、微电网、IEEE 13节点系统 | Python、边缘-云平台 | 预测、需求预测、电压控制、能源优化 | Python + IEEE测试系统 + ML模型 | [75,57,26,84,25,43] |
| 5G赋能智能电网 | 5G网络切片、SDN、NFV、MEC | 微电网、配电系统、EV充电系统 | 边缘计算、云计算 | URLLC、PMU通信、EV充电、电网自动化 | 5G网络切片 + MEC + 配电网 | [52,58,29,76,72,41,20,119] |
| 6G赋能智能电网 | 6G网络、AI赋能通信 | 分布式学习系统、智慧城市 | 联邦学习、区块链 | 智能自动化、超低延迟服务 | 6G + 联邦学习 + 智能电网 | [86,27,16,116,109,37] |
| 网络安全与入侵检测 | IEC 61850、GOOSE、AMI、5G网络 | 硬件在环测试平台、DER系统 | 联邦学习、大语言模型、IDS平台 | FDI检测、DDoS缓解、异常检测 | AMI + 联邦学习 + HIL测试平台 | [22,93,88,81,54,109,80] |
| 区块链赋能智能电网 | 物联网通信网络、智能电表 | DER系统、智能能源管理系统 | 智能合约、边缘-云平台 | 点对点能源交易、安全交易 | 区块链 + 物联网 + 智能电网 | [89,60,86,87,66,37] |
| 边缘/雾计算 | MEC、边缘计算网络 | 微电网、分布式能源系统 | 边缘-云架构 | 实时分析、分布式控制、AI服务 | MEC + 边缘计算 + 微电网 | [76,57,107,48,14] |
| 可再生能源与DER集成 | 物联网网络、5G通信 | 微电网、智能逆变器、BESS | AI/ML框架 | 可再生能源预测、能源调度、DER管理 | 5G + BESS + 微电网 | [118,26,101,13,37] |
| 数字孪生与实时监控 | IEC 61850、OPC-UA、Modbus | 实时高压/中压变电站、HIL平台 | Python、大语言模型框架 | 延迟估计、预测性维护、实时监控 | IEC 61850 + HIL + Python | [61,59,80] |

在表25中，对本综述涵盖的不同AI/ML模型进行了定量比较。下表中的所有论文均基于电力系统通信应用进行选择。

表25. 所调查AI/ML模型的定量比较矩阵 a。

| 参考文献 | AI/ML模型 | 应用/功能 | 通信延迟 | 数据包传输/递送率 | 带宽/通信节省 | 计算开销 | 报告的标志性性能 | 测试系统/数据集 |
|---------|---------|---------|---------|-------------|-----------|---------|------------|------------|
| [94] | 生成式AI（分布式） | 边缘数据合成以减少原始数据传输 | NR | NR | 显著减少通信量（数值NR） | NR | 提高需求预测精度；保护隐私 | 分布式学习智能电网架构 |
| [74] | LSTM、前馈神经网络、决策树、朴素贝叶斯 | 跨城市的ML辅助RPL路由 | NR | 评估路由效率（数值NR） | NR | NR | 某些场景下LSTM和决策树最佳；泛化能力低 | 巴塞罗那、蒙特利尔、罗马仿真 |
| [92] | CatBoost（ML-RPL） | 无线智能电网网络的RPL路由 | 相比RPL的端到端延迟更低（定性） | 相比RPL基线改善PDR（定性） | NR | NR | 相比RPL的改善（数值NR） | 蒙特利尔智能电表仿真 |
| [88] | CNN + 注意力机制（无人机上） | 实时缺陷检测，智能电网/5G巡检 | NR | NR | NR | 计算需求低（定性） | 高效且成本效益的实时性能（数值NR） | 无人机影像 + 5G、超分辨率 |
| [110] | 强化学习 + 对抗神经网络 | 5G VANET微电网的能源管理 | 最小延迟（定性） | 减少数据包传输（定性） | NR | NR | 83%能效；96%训练准确率 | 密集/移动VANET仿真 |
| [13] | MADRL + TD3（电压无功控制） | 分布式电压调节 | 缓解通信延迟（定性） | NR | NR | NR | 减少功率损耗；电压安全（数值NR） | 约束马尔可夫博弈电网仿真 |
| [87] | 多层感知机 vs LSTM | 5G扇区载波功率预测 | NR | NR | NR | 低资源关注（定性） | 多层感知机准确率优于LSTM（数值NR） | 5G功耗数据集 |
| [114] | 分层联邦学习（IDS） | 隐私保护入侵检测 | NR | NR | 相比集中式减少通信开销（定性） | 相比集中式更低（定性） | 改善检测精度（数值NR） | 分层联邦学习边缘-云IDS |
| [4] | 深度强化学习 + RAN切片 | 无线资源分配，5G智能电网服务 | 减少网络延迟（定性） | NR | NR | NR | QoS合规；资源效率（定性） | 超越5G RAN切片上的IEC 61850 |
| [79] | DST-CNN（CNN + LSTM + RNN） | 非侵入式负荷监测（NILM） | NR | NR | NR | NR | 改善负荷识别准确率与效率（数值NR） | 物联网赋能智能电网；STFT电流图像 |
| [14] | L-DRL（LSTM + DDPG） | 5G物联网中的可再生能源接纳 | NR | NR | NR | NR | 显著改善能源集成增益（数值NR） | 气象数据；大规模物联网 |
| [78] | 双DNN（主从结构） | 通信约束下的无功功率控制 | NR | NR | 最小化数据交换（定性） | NR | 电压调节；功率损耗最小化（数值NR） | 通信约束配电网 |
| [11] | GA + SVM（多层感知机、朴素贝叶斯） | 隐蔽网络欺骗检测（状态估计） | 通信延迟随规模增长（定性） | NR | NR | 通过GA特征选择减少（定性） | 相比传统方法改善准确率（数值NR） | IEEE标准测试系统 |

a 缩写说明：BESS为电池储能系统，DSM为需求侧管理，DST-CNN为深度时空卷积神经网络，FL为联邦学习，FP/FN为误报/漏报，NILM为非侵入式负荷监测，NR为主要来源中未报告，PDR为数据包递送率，qual.为仅报告定性方向（无数值），RAN为无线接入网，VVC为电压-无功控制。

8.

智能电网整合不同阶段提出的解决方案

鉴于人工智能/机器学习技术能够提高智能电网的效率，在考虑可持续解决方案时也必须考虑到能源需求。大语言模型（LLM）的训练和持续边缘推理也会增加计算能源消耗及其相关的环境足迹。因此，可持续的人工智能部署应通过采用较轻便的机器学习模型，在模型准确性与能源效率之间取得平衡，LLM的训练可以离线进行，并使用基于可再生能源的数据中心。这确保了覆盖智能电网整合各阶段的更优方案，重点关注通信技术。

8.1 HAN内M2M通信的可扩展性

可以设计基于边缘计算的层次化和智能化M2M通信模型，以实现带宽和延迟的最佳利用。采用WiFi和Zigbee等现有模型以及网状网络的混合通信方法可以实现可扩展性。此外，基于AI的路由算法将允许动态网络平衡。

8.2 分布式机器学习在电网运行中的实施

部署分布式机器学习系统，如联邦学习（FL），允许边缘节点在无需集中数据存储的情况下进行协作学习。这将缓解延迟和数据隐私问题。此外，区块链机器学习模型可以确保电网运行系统的 securely 数据传输。

8.3 电网电压稳定中的通信延迟

部署基于5G/6G的低延迟通信规则和实际反馈回路，用于电压稳定。边缘AI可以帮助预测并动态调整电网电压，减少对集中式数据处理的依赖。

8.4 基于GA的算法在电网状态估计中的整合

使用遗传算法（GA）与神经网络的混合化来增强GA优化过程，以实现更快的收敛和更精确的电网状态估计。将GA优化与深度学习模型结合是一种可行的方法。

8.5 5G使能的需求响应系统

部署利用URLLC技术的5G使能需求响应解决方案，以促进电网上的快速可靠需求响应。由基于AI的算法实现的预测分析可以帮助预测峰值，并实时调整容量以平衡能源流。

8.6 智能电网通信中的后向散射网络

利用后向散射通信技术降低电力网络中低功耗设备的能耗。这可以通过整合多跳后向散射网络和复杂的信号处理技术来实现。

8.7 边缘AI在实时电网运行中的整合

通过整合能够立即处理信息的边缘控制器，进一步加强边缘AI实施，用于负荷预测、故障检测和流程优化。这种方法将大幅减少云处理的使用。

8.8 抗电磁干扰通信协议

通过采用跳频和纠错算法创建抗电磁干扰的通信协议，以在电磁条件下保持有效通信。5G及未来技术的应用将使这成为可能。

8.9 CNN框架在电网负荷识别中的应用

利用卷积神经网络（CNN）基于时间序列数据分析中的模式来识别电网负荷。将CNN与物联网传感器结合可以为更准确的实时负荷预测做出贡献。

8.10 AR-AI在电网维护中的整合

通过为工人提供AR眼镜，将AR和AI整合到电网管理中，使他们能够看到电网的实时数据以及基于AI算法的维护建议。

8.11 软件驱动的电网互操作性

构建开源中间件架构，以帮助各种电网元素之间的互操作。此类中间件架构必须符合特定的行业标准，包括用于通信目的的IEC 61850和用于数据交换的OPC UA。

8.12 边缘控制器整合

安装能够处理电网数据以管理优化活动的边缘控制器，如局部方式的频率控制和负荷管理。此类控制器必须利用由AI驱动的决策模型以确保更好的效率，而无需中央系统。

8.13 网络物理安全措施

通过使用基于人工智能的系统对电网数据进行异常检测，确保网络物理基础设施的安全。区块链整合将为电网上的所有操作提供不可变的记录。

8.14 联邦学习与隐私问题

使用联邦学习保护隐私。在联邦学习中实施差分隐私，以在不损害模型性能的情况下保护用户隐私。保护隐私的FL方法将有助于实现安全且去中心化的共享和学习。

8.15 区块链-AI在电网安全中的整合

将区块链与AI结合应用，以实现安全的电网运行。借助区块链，将获得电网操作的防篡改记录，这有助于基于这些记录使用AI做出最佳决策。

8.16 基于SLA的电网服务自动化

利用AI技术为电网服务构建SLA，以促进其管理和监控的自动化，确保最佳运行。区块链技术可以通过智能合约用于服务级别协议的自动化。

8.17 MADRL用于电压调节

在电压调节中实施MADRL方法，使用经过训练的代理来调节电网中的电压。MADRL方法允许调整控制策略，从而改善电网系统中的电压。

8.18 优化网络切片

实施网络切片的使用，为电网中的某些操作提供独特的资源，如用于电压控制和需求响应管理的关键通信。可以应用人工智能来调整网络切片以适应电网状况。

8.19 实时张量计算

在边缘启用张量计算以促进电网中的实时处理。在边缘计算设备上部署TensorFlow Lite或PyTorch Mobile模型将有助于减少延迟时间并使电网管理更具响应性。

8.20 用于电网监控的UAV系统

实施带有AI支持的图像分析的UAV以实时监控电网。UAV可以执行电力系统系统的空中检查，并发现任何问题，如设备损坏、植被过度生长或动物干扰。

8.21 用于电网通信的可扩展Zigbee网络

将Zigbee与网状网络结合使用，以实现可扩展的低功耗无线通信系统。在自适应网络拓扑系统中应用自愈功能可以提高电网网络上Zigbee无线通信的可靠性。

8.22 6G-IoT系统用于增强的电网运行

研究采用6G-IoT系统以促进电网各组件之间的快速低延迟连接。预计该技术将有助于改进电网系统的实时监控和控制。

8.23 元学习模型用于电网故障诊断

设计元学习算法，使系统能够通过有限的样本学习并适应新遇到的电网故障。这样，模型可以从各种可能的故障中学习，并提供诊断未知故障的解决方案。

8.24 用于需求预测的隐私保护分布式学习

使用隐私保护的分布式学习机制，如同态加密或安全多方计算（SMPC），在利用多个电网设备间协作学习优势的同时，保护需求预测信息的机密性。

表26总结了智能电网整合各期间已识别的研究差距及提出的解决方案，重点关注通信、实时运行、安全、隐私和AI整合。

表26. 改进智能电网整合的解决方案

| 研究时期 | 研究差距 | 提出的解决方案 |
|---|---|---|
| 基础时期（2012-2018） | HAN内M2M通信可扩展性 | 开发使用边缘计算、混合通信模型和AI驱动路由算法的自适应M2M通信框架 |
| | 分布式机器学习在电网运行中的实施 | 实施FL用于去中心化协作学习，以及基于区块链的ML模型用于安全数据交换 |
| | 电网电压稳定中的通信延迟 | 使用5G/6G低延迟通信协议和边缘AI进行实时电压稳定 |
| | 基于GA的算法在电网状态估计中的整合 | 将遗传算法（GA）与神经网络结合，以实现更快的收敛和更好的电网状态估计 |
| 扩展阶段（2020-2021） | 5G使能的需求响应系统 | 开发具有超可靠低延迟通信和AI驱动需求预测的5G驱动需求响应系统 |
| | 智能电网通信中的后向散射网络 | 整合多跳后向散射网络与高级信号处理，以实现智能电网应用的可扩展性和可靠性 |
| | 边缘AI在实时电网运行中的整合 | 部署边缘控制器进行实时任务如负荷预测和故障检测，减少对云处理的依赖 |
| | 抗电磁干扰通信协议 | 开发使用跳频和纠错技术的抗EMI协议，由5G及后续技术支撑 |
| | CNN框架用于电网负荷识别 | 使用与物联网传感器集成的CNN进行准确的实时电网负荷预测 |
| | AR-AI在电网维护中的整合 | 实施具有AI驱动维护建议的AR眼镜，以减少停机时间并改善预测性维护 |
| 进步阶段（2022） | 软件驱动的电网互操作性 | 开发支持行业标准（如IEC 61850、OPC UA）的开源中间件平台，以实现无缝电网整合 |
| | 边缘控制器整合 | 实施具有AI驱动决策模型的边缘控制器，用于局部电网优化 |
| | 网络物理安全措施 | 部署AI驱动异常检测系统和区块链，以增强电网安全性和可追溯性 |
| | 联邦学习与隐私问题 | 使用差分隐私技术和保护隐私的FL框架，确保安全的数据共享 |
| 近期发展（2023） | 区块链-AI在电网安全中的整合 | 将区块链与AI结合，实现防篡改的电网运行和实时决策 |
| | 基于SLA的电网服务自动化 | 开发AI驱动的SLA模型和智能合约，用于电网服务管理和合规性的自动化 |
| | MADRL用于电压调节 | 在电网范围内实施多智能体深度强化学习（MADRL）用于实时电压调节 |
| | 优化网络切片 | 使用AI驱动的网络切片进行资源分配和低延迟通信，贯穿电网运行 |
| | 实时张量计算 | 在边缘设备中实施TensorFlow Lite或PyTorch Mobile模型，用于实时电网运行处理 |
| 当前格局（2024） | 用于电网监控的UAV系统 | 整合具有AI驱动图像处理的UAV，用于实时监控和故障检测 |
| | 用于电网通信的可扩展Zigbee网络 | 使用Zigbee与网状网络实现可扩展、低功耗通信，实施自愈网络拓扑 |
| | 6G-IoT系统用于增强的电网运行 | 整合6G-IoT系统，用于动态电网运行的超高速度、低延迟通信 |
| | 元学习模型用于电网故障诊断 | 开发元学习模型，用于基于有限数据和多样化故障场景的自适应电网故障诊断 |
| | 用于需求预测的隐私保护分布式学习 | 实施同态加密或安全多方计算，用于隐私保护的需求预测 |

注：AI, IoT, WSN, ML, GenAI, LLMs, HIL, GA, M2M, FL, EMI, CNN, AR, UAV, 5G, 6G 分别是人工智能、物联网、无线传感器网络、机器学习、生成式AI、大语言模型、硬件在环、遗传算法、机器对机器、联邦学习、电磁干扰、卷积神经网络、增强现实、无人机、第五代、第六代的缩写。

9. 结论

智能电网整合先进技术，如5G、AI、区块链和边缘计算，既带来了重大挑战，也提供了有前途的解决方案。这些技术的快速演进提供了革命性改变能源系统的潜力，通过实现实时通信、高效资源管理和增强的安全性。然而，仍有紧迫的问题需要解决，如管理通信延迟、确保M2M系统的可扩展性、改进电网状态估计以及防范网络威胁。分布式能源资源间的有效通信，结合实时决策能力，是实现更高效和更具韧性的电网所必需的。由AI驱动的解决方案，如预测分析和需求响应机制，在优化能源使用和缓解电网拥塞方面具有巨大前景。此外，区块链可以在增强电网运行的透明度、安全性和问责制方面发挥关键作用，支持去中心化控制和数据安全共享。边缘计算的应用可以减少延迟并改善实时决策，支持更加敏捷和响应性的电网管理。要充分发挥这些技术的潜力，持续的跨学科研究对于开发既适应性强又可扩展的解决方案至关重要。随着智能电网基础设施的发展，工业界、学术界和政策制定者之间的合作将是关键，以开发能够应对日益复杂的能源需求、发电和存储的系统，确保更加可持续和可靠的能源未来。

作者贡献声明

M. J. Almheiri：构思和设计实验；执行实验；分析和解释数据；提供试剂；材料；分析工具或数据；撰写——初稿。
H. M. Khalid：构思和设计实验；执行实验；分析和解释数据；提供试剂；材料；分析工具或数据；撰写——审阅与编辑。
A. Ismail：构思和设计实验；执行实验；分析和解释数据；提供试剂；材料；分析工具或数据；撰写——审阅与编辑。
A. Gulraiz：构思和设计实验；执行实验；分析和解释数据；提供试剂；材料；分析工具或数据；撰写——审阅与编辑。

Majid J. Almheiri | Haris M. Khalid | Abdulla Ismail | Asif Gulraiz
职业研究系，智慧城市，罗切斯特理工学院（RIT）迪拜校区，阿拉伯联合酋长国