一种基于混合决策树和小波变换的弹性物联网框架，用于实现安全且可持续的光伏能源管理

《Sustainable Computing: Informatics and Systems》：A Resilient IoT-Enabled Framework Using Hybrid Decision Tree and Wavelet Transform for Secure and Sustainable Photovoltaic Energy Management

远程监测光伏模块的物联网架构及DT-CWT算法研究，提出融合决策树与连续小波变换的监测方法，有效抵御虚假数据注入攻击并降低能耗，适用于未来智能光伏系统的安全监控。

　　随着全球对可再生能源的依赖日益加深，特别是太阳能光伏（PV）系统，其性能监测变得尤为重要。太阳能光伏板是可再生能源生产的关键组件，但容易因热量积累而导致性能下降，进而影响发电效率。研究表明，光伏板过热会显著降低其输出功率，因此温度管理成为实现光伏系统最佳性能的关键因素。监测这些温度变化对于理解光伏系统在不同环境条件下的局限性至关重要。

为了提高光伏系统的效率，研究者们致力于开发多种冷却策略。被动冷却方法，如将光伏板集成到空调风道中，已被证明可以有效减少热量并提升效率，而无需额外的能源消耗。主动冷却技术，尤其是液体冷却，由于水的热导率高于空气，展现出显著的提升效果。有研究指出，循环水冷却可以将效率提高至5%左右，而强制循环系统则可以实现超过12%的效率提升。然而，水的沸点限制了其在极端环境中的应用。替代方法，如喷洒或将光伏板浸入水中，也显示出效率提升超过11%的潜力。尽管主动冷却系统能够显著提升性能，但它们需要额外的能源输入，这可能会增加运营成本并降低整体的可持续性。

可持续性体现在能量效率、计算负担低以及环境效益之间的平衡。相比之下，被动冷却技术通过提升光伏系统的效率而不增加能源消耗，提供了一种更具成本效益的解决方案。因此，继续研究主动和被动冷却策略，并结合高效的监测方法，对于最大化光伏系统性能和推动太阳能能源的可持续发展至关重要。

针对上述研究，有必要对冷却技术的工作过程进行监测，以确认其在行业中的适用性。目前，随着工业4.0的发展，智能电厂的能源管理推动了远程监测和控制平台的发展，这对于提升电力网络的性能具有重要意义。远程监测系统旨在观察光伏板的运行状态，但数据在互联网网络上传输时面临网络攻击和数据丢失的风险。这些风险为有效远程监测平台的实施带来了重大挑战。针对光伏系统和电力网络的网络攻击，不仅可能造成技术层面的破坏，还可能对能源供应的可靠性以及国家安全构成威胁。在光伏系统中，网络入侵可能破坏能源生产的完整性，导致电力生成和分配的中断。这些中断可能产生连锁反应，影响关键基础设施、基本服务和经济活动。此外，网络攻击还可能削弱国家的能源安全，通过破坏关键公用事业的韧性并影响应急响应能力。韧性指的是在异常或恶意条件下保持运行稳定的能力。随着光伏系统和电力网络越来越依赖互联的数字技术，它们面临的网络威胁也在增加，因此需要加强网络安全措施。

为应对这些威胁，必须采取全面的方法。该方法应结合技术创新、监管框架以及各利益相关方之间的合作。这些措施对于保护我们的能源基础设施的完整性和韧性至关重要。例如，虚假数据注入（FDI）攻击可以在通信渠道加密的情况下出现在传感器或数据层。虽然已有研究探讨了安全通信协议以减少此类攻击的可能性，但这些努力主要针对通信层的漏洞，未能充分解决数据和决策层的威胁。这导致了在开发能够有效保护通信并增强算法和决策过程对抗敌对操控的稳健框架方面存在重要的研究空白。在本研究中，我们通过提升机器学习模型的稳健性来解决这一空白，确保系统在加密通信条件下仍能抵御先进的网络攻击。通过同时关注数据完整性和算法的稳健性，我们的方法有助于构建智能、安全且可持续的能源网络。

在本文中，我们提出了一种创新的监测方法，结合连续小波变换（DT-CWT）和物联网（IoT）技术，用于远程监测光伏模块。该方法能够检测任何可能威胁系统的虚假数据，从而保护系统免受网络攻击。此外，网络攻击以不同级别执行，以强调所开发的DT-CWT模型的稳健性。网络攻击的稳健性指的是模型对故意构造的扰动的抵抗能力。该研究方法适用于所有将广泛应用于未来的光伏模块。本文的主要贡献如下：

- 开发了一种稳健的物联网架构，用于监测光伏模块，利用测量信号检测由网络攻击引起的虚假数据，并缓解网络攻击。
- 优化了DT-CWT算法的超参数，专门用于应对网络攻击，从而增强系统的稳健性及其抵御网络威胁的能力。
- 实现了一种基于小波变换的图像处理方法，将原始数据转换为图像，从而提高特征提取并提升DT算法在光伏监测中的准确性。
- 在各种网络攻击干扰下评估系统，以展示所提出的物联网架构在实时缓解网络威胁方面的韧性和稳健性。
- 设计了一种简单、可解释的架构，具有较低的计算负担，为光伏监测提供了一种更高效的替代方案，相较于其他复杂的机器学习技术。

本文的后续章节旨在全面展示研究结果。在第二部分，详细描述了光伏模块的数据分析，利用所提出的机器学习算法。随后，第三部分深入探讨了攻击建模，并介绍了所开发的智能监测架构，该架构集成了物联网和机器学习组件。第四部分展示了实验结果，并对研究相关的讨论进行了阐述。最后，第五部分总结了研究发现，并概述了未来可能的研究方向。

在本研究中，我们建立了实验室规模的实验设施，以在受控环境中进行数据收集。数据收集通过使用Raspberry Pi 4 Model B 4GB设备来测量光伏板的功率和效率，每秒进行一次。Python作为一种编程语言，用于向Raspberry Pi发送指令，使数据收集能够实时进行。当前和电压的测量使用了DFRobot I2C数字瓦特计，确保了数据的精确性和实时性。

现代电力网络在整合可再生能源来源方面面临诸多挑战。为了增强能源流动的依赖性，迫切需要进行范式转变，使电网更加智能化，并考虑新旧设备的运行能力。在这一新场景中，能源来源共享信息，使得用户能够直接获得电力，同时主电网可以接收多余的能源。然而，断开可再生能源如光伏和风能的连接，会增加电网全面停电的风险。

本研究的实验结果展示了光伏板在真实运行条件下的表现，包括数据集训练和DT-CWT模型的使用，以验证研究结果的有效性。通过该先进的系统，DT-CWT模型被用来在线验证智能电表的输出。数据是从智能光谱仪实时收集的，在不同的运行条件下，如无冷却和有冷却的光伏板中进行测试，以确保模型的适应性和准确性。

光伏系统的条件监测是通过网络和云平台远程进行的，使用MQTT协议来处理信号。在互联网网络上传输过程中，光伏板的功率和效率信号容易受到攻击者的干扰，攻击者可能会篡改这些信号或阻止其传输。为了检查物联网网络的漏洞并实施网络攻击，使用Nmap工具来查找IP地址、开放端口和主题名称。随后，使用MQTT Explorer工具来了解信号传输的具体情况，从而评估系统的安全性。

在部署考虑方面，本研究提出了一种适用于实际光伏环境的DT-CWT基于物联网系统，重点关注可持续性、网络攻击的韧性以及系统的可扩展性。其中，可持续性与边缘部署相结合，该系统优化了边缘推理的能源效率，运行时硬件功耗低于3瓦。这一低能耗特征支持了可持续部署，特别是在离网或偏远的太阳能农场中。此外，系统还考虑了与商业设备的集成，以确保其在实际应用中的兼容性和可扩展性。

本研究的结论指出，本文提出了一种新的物联网架构，用于监测光伏模块的性能，利用机器学习技术来检测和缓解由网络攻击引起的虚假数据注入。所提出的DT-CWT方法能够有效分析光伏模块的信号，同时保持较低的计算负担。研究结果表明，DT-CWT模型在准确性和处理时间方面优于其他机器学习算法。具体而言，DT-CWT模型实现了97.89%的准确率和1.32毫秒的处理时间，显著优于传统方法。

此外，本研究还指出了一些未引用的参考文献，包括[4]、[5]、[6]、[9]、[11]和[42]。这些文献可能提供了与本研究相关的重要背景和理论支持，但由于某些原因未在文中引用。未来的研究可以进一步探索这些文献中的方法，以补充和优化当前的研究成果。

在作者贡献方面，Mahmoud N. Ali负责撰写、审阅和编辑，以及撰写原始稿件、可视化、验证、软件开发和方法设计。Mohammed Amer负责撰写、审阅和编辑，撰写原始稿件、可视化、验证、数据管理以及概念设计。Mahmoud Elsisi负责撰写、审阅和编辑，撰写原始稿件、可视化、验证、软件开发、方法设计、资金获取以及概念设计。Chun-Lien Su负责撰写、审阅和编辑，资源管理、调查研究以及资金获取。

本研究的作者声明他们没有已知的可能影响本研究报告的财务利益或个人关系。此外，本研究得到了部分支持，来自国家高雄科技大学，以及部分来自台湾的国家科学与技术委员会（Grant No.: 113–2221-E-992–086-MY3）。这些支持对于研究的顺利进行和成果的实现起到了关键作用。

总之，本研究通过整合物联网和机器学习技术，提出了一种创新的光伏模块监测方法，有效应对网络攻击和虚假数据注入问题。该方法不仅提高了光伏系统的性能和安全性，还为未来可持续能源网络的发展提供了重要的技术基础。通过实验验证和实际部署考虑，研究结果展示了其在现实环境中的适用性和有效性。未来的研究可以进一步探索该方法的优化和扩展，以适应更广泛的应用场景和更高的安全需求。