基于边缘计算与联邦学习的大规模电力物联网自适应路由协议

让电网更聪明、融入日常生活

现代电网正转变为由智能电表、传感器、电动汽车和屋顶太阳能板组成的巨大数字系统。让所有这些设备保持顺畅通信并尽可能节能是一项艰巨的任务。本文提出了一种新的方式，帮助这些设备决定如何在电网中发送信息，从而使数据传输更快、能耗更低，同时保护敏感信息的隐私。

多样设备带来的挑战

当今的电力网络包含数百万种不同的设备：家庭智能电表、沿电力线布设的温度与电压传感器、变电站的控制器以及必须在毫秒级响应的保护继电器。它们使用不同的通信技术，具有各自的时序与能量需求。有些设备接入电网，可使用充足电力；另一些依靠微小电池，必须坚持数月乃至数年。仅仅寻找最短路径的传统路由方法忽视了这些差异，因而浪费能量、造成延迟，并在网络规模超过几千台设备时开始失效。

在边缘进行本地化思考

为应对这种复杂性，作者设计了一个分层系统，将智能分布到电网各处。最底层是众多现场设备；其上是靠近现场的小型计算节点（边缘节点），再上是区域性的“雾”节点，最后是云端。边缘节点靠近数据产生地，能够快速决定附近消息的传输路径，而无需等待远端中央服务器。它们发现周边有哪些设备，学习每个设备的负载与能耗情况，并选择在速度、可靠性与电池寿命之间取得平衡的路径。这种本地决策大幅缩短了对电网变化的响应时间。

在不共享原始数据的情况下共同学习

这项工作的一大关键思想是使用联邦学习——一种允许许多边缘节点训练共享预测模型而无需将原始数据发送至中心位置的方法。每个节点观察本地流量、链路质量和设备能量水平，然后训练其本地的机器学习模型副本，预测下一时刻网络的行为。节点周期性地只将模型参数（而非底层测量数据）上传到更高层节点，由其进行平均并返回改进后的模型。额外的隐私技术会在这些更新中加入噪声，防止重构任何单一设备的信息，帮助电力企业满足严格的数据保护法规。

实时自适应的路由

有了这些预测，路由系统可以在问题出现之前采取行动。如果模型预见某条链路即将过载，协议会将流量转移到备用路径；如果某个设备电池电量不足，它会被分配更轻的任务或进入更深的睡眠模式，其他节点接管其工作。路由选择同时由多个目标引导：为时限敏感的消息保持低延迟、在需要处保护电池寿命以及避开不可靠链路。背后运行的复杂学习算法会根据网络性能持续调整这些目标的重要性，从而使系统逐步改进。

经验证的速度与能效提升

研究者通过对包含多达1万台设备、采用现实无线信道并具备严格时限要求的电网网络进行详尽计算机仿真来测试他们的方法。与知名路由方法乃至强大的集中式机器学习解决方案相比，他们的自适应联邦设计在吞吐量上提高了35–50%，将端到端延迟降低了40–60%，并将总体能耗减少了45–65%。电池供电的传感器寿命延长了约2到近4倍，即使在设备故障或通信链路中断的情况下，系统仍保持稳定。重要的是，这些优势随网络规模增长而保持，而传统方法在约1000台设备后迅速恶化。

对未来能源系统的意义

用通俗的话说，这项工作展示了如何在不牺牲隐私的前提下，使充满智能设备的电网保持快速、可靠且高效。通过让本地边缘计算机从经验中学习并只共享它们学到的模型而非原始数据，构建出可以扩展到城市甚至国家级部署的通信系统。这有助于更容易地整合屋顶太阳能、电动汽车及其他新技术，同时降低能源浪费并延长现场设备的使用寿命。

引用: Zhang, Y., Zhang, S., Li, S. et al. Adaptive routing protocol for large-scale power internet of things based on edge computing and federated learning. Sci Rep 16, 12246 (2026). https://doi.org/10.1038/s41598-026-41074-5

关键词: 智能电网, 物联网, 边缘计算, 联邦学习, 节能路由