✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Industrial Informatics期刊2026年issue2推送（第2期/共9期）。本期推送精选了10篇研究论文，内容主要聚焦于智能电网与能源系统、物联网与无线技术、人工智能与数据驱动方法以及工业信息与控制系统等前沿交叉领域。具体研究主题涵盖需求响应、电网调节、边缘部署、图神经网络与强化学习控制等方向，展现了信息技术在能源、工业与城市基础设施中的创新应用。以上研究有助于提升系统的实时性、鲁棒性与工程可部署性，推动理论成果向工程实践转化。
本期目录
📖 第1篇：面向智能电网应用的动态高效用户类型识别：基于形状分析的方法论创新
📖 第2篇：激励驱动的实时点对点能源市场出清：赋能产消者组建联邦电厂以支持电网调节
📖 第3篇：面向射频挑战环境下多物联网设备的负载利用型恒压无线供能与数据传输系统
📖 第4篇：面向电力电子化电力系统的实时故障筛选：一种图神经网络-深度算子网络方法
📖 第5篇：基于强化学习的污水处理过程自适应事件触发控制
📖 第6篇：紧凑型自主扑翼飞行器：面向狭窄缝隙穿越的设计、建模与视觉控制
📖 第7篇：基于后验时空网络的智能充电桩电表测量不确定度数据驱动预测方法
📖 第8篇：配电系统中虚假数据注入攻击检测的分布式双阶段定位策略
📖 第9篇：融合评论文本表征的图神经网络推荐系统
📖 第10篇：基于混合图表示学习的工业无线网络轻量级链路调度算法
📖 第1篇
📌 面向智能电网应用的动态高效用户类型识别：基于形状分析的方法论创新
Dynamic and Memory-Efficient Shape-Based Methodologies for User Type Identification in Smart Grid Applications
作者：Rui Yuan，S. Ali Pourmousavi，Wen L. Soong，Jon A. R. Liisberg
本文面向智能电网中对用户侧设备（BTM）进行实时识别的应用场景，针对传统基于形状分析的用户识别在流式数据处理时的计算与内存瓶颈，提出了系统性的解决路径。研究以电力负荷/注入曲线的形状相似性为基础，构建了基于相似性轮廓(SP)动态更新的识别框架，设计了三个互补的更新策略以适配不同部署条件：无损的加法更新法、在固定窗口内平衡灵敏度与稳定性的固定内存法（含低/中/高惯性配置），以及通过字典学习实现压缩表示的码本方法。整体框架输入为流式功率曲线，输出为用户类型标签与相似性统计，信息流在边缘设备上以增量方式维护历史摘要以降低重复计算，与传统结构化特征方法相比，保持了更高的可解释性与运行可部署性。
在实现细节上，研究对三种策略分别定义了更新规则与边界条件，训练/推理采用在线增量计算：窗口管理、相似性度量（基于形状距离）与阈值决策组成在线管线。关键实现包括基于滑动窗口的历史摘要维护、针对固定内存法的惯性参数调整（低/中/高）、以及码本训练时的字典更新频率与压缩阈值设计。系统在边缘设备上的部署考虑了内存复杂度与更新延迟，优化目标为在有限存储下最小化识别延迟与维持分类精度；此外还设计了轻量化的异常检测与重校准流程以保证长期稳定性。
实验采用真实世界屋顶光伏用户数据进行仿真验证，对比了不采用动态更新的基线方法。结果显示，码本方法可实现内存节省>30%，固定内存法的低惯性配置在用户行为变化检测上最敏感，适用于需快速响应的场景；高惯性配置在长期模式保持上更稳健。各方法在准确率与更新延迟之间体现出可调的权衡，工程结论为：通过动态更新机制与可配置策略，可在资源受限的边缘设备上实现实时且可解释的BTM识别系统，适配于需求响应、电压调节与VPP调度等应用场景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11231346
📖 第2篇
📌 激励驱动的实时点对点能源市场出清：赋能产消者组建联邦电厂以支持电网调节
Enabling Federated Power Plant Formation of Prosumers via Incentive-Driven Real-Time Peer-to-Peer Energy Market Clearing for Grid Regulation
作者：Yuanxing Xia，Linjun Shi，Tinjun Lin，Jicheng Fang，Feng Wu
本文提出了一种面向分布式能源快速增长背景下的三层协调框架，将点对点（P2P）双边交易机制与实时系统调节紧密结合，核心思想是通过自组织的联邦电厂(FPP)聚合分散产消者，以既保留P2P的去中心化交易优势又享受虚拟电厂（VPP）的集中调度能力。框架明确定义了配电网运营商（DSO）、FPP管理者与个体产消者三方的角色與信息流，设计了基于成本差异的激励相容定价机制以保障个体经济利益并激励提供调节容量。
为解决由三层市场嵌入均衡约束带来的非凸性问题，本文提出并应用了精确松弛条件(ERC)以实现问题凸化，进而将复杂的优化问题转化为可实时求解的形式。为在通信与隐私受限的环境下实现去中心化市场出清，作者基于匈牙利方法设计了增强剪枝的分布式二分图匹配算法，利用日前影子价格预筛候选交易对以显著降低通信与计算量，适配实时部署的计算资源约束。
在改进的IEEE 69节点系统上进行案例研究，仿真结果显示FPP模式在社会福利与产消者总利润方面均优于传统VPP，算法在实时场景下表现出快速收敛与较小计算负担。关键结论包括：通过激励相容定价与ERC松弛相结合，并采用预筛剪枝的分布式匹配，可在满足隐私与通信约束下实现在秒级实时出清的能力，为去中心化能源系统中形成弹性、市场驱动的电网调节机制提供可行路径。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11201874
📖 第3篇
📌 面向射频挑战环境下多物联网设备的负载利用型恒压无线供能与数据传输系统
Load-Utilized Constant Voltage Wireless Power and Data Transfer System for Multiple IoT Devices in RF-Challenging Environments
作者：Jaeho Lee，Dongil Kang，Jihyeon Jeong，Byunghun Lee
本文面向地下/水下/强电磁干扰等射频挑战环境下的多设备无线供能与通信问题，提出了一种基于磁感应的多级多设备供能与数据传输体系结构。系统采用多米诺(domino)结构并引入统一的负载利用理念，使得多个设备在同一链路中既能获得恒压输出与数据传输一体化的能力，又能通过模块化级联实现可扩展性。为解决多级串联中供电与LSK调制互相干扰的问题，提出了关键策略负载-谐振器交错(LRI)，该策略通过交替排列负载与零电阻LC谐振器级以保障信号的穿透与解码。
实现上，作者对多级耦合的磁感应链路建立了等效模型，设计了负载利用开关与LSK编码的时序，以保证数据载波在多级结构中可恢复。关键实现要点包含谐振器的Q值选择、负载切换时序与发射端的同步解码算法；在硬件验证中考虑了土壤介质等射频屏蔽影响并采用匹配调节与实验校准以提高鲁棒性。研究强调了LSK数据传输与恒压供电间的协调设计，以及多级系统的信号衰减与相位管理策略。
在5至8级的实验配置与ex situ土壤测试中，系统为三台控制器分别提供了160 mW恒压功率，并实现了从传感器到所有设备同时的6 kbps数据传输；未采用LRI时数据传输失败，验证了该策略的关键性。工程结论表明：通过LRI与统一负载利用可在射频受限环境中实现功能集成的无线供能与通信，适用于智慧农业与远程环境监测等场景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11257835
📖 第4篇
📌 面向电力电子化电力系统的实时故障筛选：一种图神经网络-深度算子网络方法
Real-Time Contingency Screening for Converter-Dominated Power Systems: A Graphical-DeepONet Approach
作者：Genghong Lu，Siqi Bu
随着电力系统向变流器主导转型，传统以同步发电机为中心的暂态筛选不足以描述复合动态。为此，本文提出了Graphical-DeepONet框架，旨在直接从故障前测量（节点有功/无功等）与候选N-1故障位置信息预测发电机与变流器的完整暂态轨迹。该框架通过学习解算子映射（将初始测量映射到时间轨迹）避免了耗时的逐点时域仿真，从而显著提升实时性；同时设计了图神经网络辅助分支以提取与拓扑变化相关的时空特征，适配线路切断导致的拓扑改变。
实现细节包括基于图结构的编码器提取节点级输入特征，DeepONet主干用于学习操作数到解的映射，训练时采用均方误差与轨迹形状损失的组合以提升动力学轨迹还原精度。关键实现要点为解算子学习、图构建策略及用于处理不稳定轨迹的损失项设计；部署时可在安全评估流程中以毫秒级输出暂态曲线并计算稳定性指标，满足在线筛选需求。
在IEEE 39节点与118节点系统上的对比试验表明，Graphical-DeepONet在轨迹预测精度与推理速度上均优于LSTM与图物理信息神经网络等基线，能在复杂的新能源渗透场景中准确捕捉转子角/转速/PLL角度等关键量的演化。综上，本文提出的方法为在高比例可再生接入下实现实时安全评估提供了一种高效可行的工具。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11214458
📖 第5篇
📌 基于强化学习的污水处理过程自适应事件触发控制
Reinforcement Learning-Based Adaptive Event-Triggered Control for Wastewater Treatment Process
作者：Yi-Fan Yan，Dapeng Li，Dongjuan Li，Lei Liu，Yan-Jun Liu
本文面向污水处理（WWTP）中的多变量耦合与强非线性问题，提出了基于强化学习的辨识器-评价器-执行器架构，并引入动态的自适应事件触发(ETM)机制以降低通信与控制动作频率。体系先用在线的模糊神经网络(FNN)进行系统辨识，再在评价器-执行器环节利用李雅普诺夫障碍函数构造并近似求解HJB方程以得到近似最优控制策略，目标是同时满足溶解氧(DO)与硝态氮(NO)的跟踪性能与能源消耗约束。
实现上包含在线辨识模块、基于梯度下降优化贝尔曼残差的策略学习、以及根据输入幅值动态调整触发阈值的事件触发逻辑。关键实现要点包括FNN在线辨识、基于贝尔曼残差优化的策略更新、以及用于避免Zeno现象的触发间隔下界设计。模型训练采用仿真数据进行离线预训练并在运行中进行在线微调以适应天气与进水波动。
在涵盖干旱、雨天与暴雨工况的14天周期BSM1仿真评估中，AETOC在DO/NO跟踪精度、稳态误差及能耗（曝气/泵送）等指标上均优于传统PID与ETFNN方法，显著降低通信频率并保持闭环稳定性。工程结论为：将强化学习与动态事件触发结合，可在保证水质控制性能的同时有效降低运维能耗，适用于实际WWTP能耗优化与在线自适应控制部署。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11247853
📖 第6篇
📌 紧凑型自主扑翼飞行器：面向狭窄缝隙穿越的设计、建模与视觉控制
A Compact Autonomous Flapping-Wing Aerial Vehicle: Design, Modeling, and Vision-Based Control for Narrow Gap Traversal
作者：Jizhou Jiang，Wenfu Xu，Erzhen Pan，Haoyu Wang，Zhenkun Gong
本文提出了名为“雀鹰”的紧凑型自主扑翼平台，针对扑翼飞行器的非线性时变动力学、强气动耦合与欠驱动特性，从机械设计、建模到视觉控制形成完整闭环。机械创新包括轻量化的四连杆扑动机构、仿雀鹰翼型的柔性翼以及行星减速器组合，整体实现了较高的有效载荷比以便集成传感与计算单元。研究在建模层面采用周期平均法将时变系统近似为非线性时不变模型，为控制器设计提供理论基础。
感知方面，针对高速穿越时缝隙检测难题提出了基于自适应霍夫变换的视觉算法，能在像素层鲁棒提取缝隙几何参数并在无先验下工作；控制方面采用双环闭环伺服框架，集成TECS高度控制与级联PID姿态控制以保证在高速飞行下的位姿精度。关键实现要点包括视觉-控制的低延时接口、冗余IMU融合以及光流辅助定位策略。
实验在室内外进行了系统验证，平台翼展60cm的“雀鹰”在室内成功以最高5.6 m/s速度穿越直径80cm的圆形缝隙，剩余安全余量约10cm；在多次试验中在正常/低光照下的穿越成功率分别达到80%与60%，显著优于基于传统霍夫与YOLOv11的基准方法。该工作首次实现小型扑翼机器人在不借助外部定位下的高难度缝隙穿越，为扑翼无人机的自主敏捷飞行打开了新方向。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11260979
📖 第7篇
📌 基于后验时空网络的智能充电桩电表测量不确定度数据驱动预测方法
A Data-Driven Measurement Uncertainty Prediction for the Smart Charger Meters Based on a Posterior Spatio-Temporal Network
作者：Xuanding Dai，Hongkai Zhang，Huichun Lu，Lei Yu，Yuchen He，Lijuan Qian，Huanghui Zhang，Haiming Shao
针对充电桩内置电表的在线性能评估挑战，本文提出了基于概率框架的后验时空网络(POSTN)用于实时预测测量不确定度，从而同时反映准确度与精密度。模型由后验LeNet模块（用于空间特征提取并结合贝叶斯更新）和后验GRU模块（时间维度的不确定性建模）组成，采用概率化隐藏状态来刻画测量过程的不确定性演化。
训练过程中利用重参数化技术解决采样不可微问题，并在损失函数中结合似然项与KL散度正则化以平衡拟合与复杂度；实现细节包括特征工程（电压、电流、功率时序统计）、轻量化模型设计（仅关键层引入概率分布）以及在线推理的时间预算控制。关键实现要点为重参数化技术与概率化隐藏状态的工程化部署。
在中国福建某直流充电站的实际数据上（共1844个样本），POSTN在KL散度、巴氏距离、Wasserstein距离与RMSE等指标上均显著优于Transformer-Encoder-BiLSTM、CNN-LSTM、BPNN等对照方法，预测的置信区间与实测不确定度高度一致。工程结论是POSTN可用于替代人工现场检测实现电表测量不确定度的在线监测，从而降低运维成本并为计费/安全决策提供概率化依据。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11244147
📖 第8篇
📌 配电系统中虚假数据注入攻击检测的分布式双阶段定位策略
A Distributed Dual-Stage Localization Strategy for FDIAs Detection in Power Distribution Systems
作者：Yang Liu，Mi Wen，Ruilong Deng，Sha Peng，Yunsheng Xue，Yi Wu
面向配电系统中因测量设备广泛部署而带来的虚假数据注入攻击（FDIA）威胁，本文提出了双阶段定位策略：第一阶段为快速存在性检测，第二阶段为精确定位。第一阶段采用基于高斯混合自编码器架构并结合成本敏感损失CNN以应对数据质量差、类别不平衡的问题，实现对异常的高召回与低误报。
定位阶段采用基于累积状态转移概率的马尔可夫链定位方法，利用第一阶段输出的概率分布对受攻击设备进行精确追溯。系统架构采用边缘-云协同：存在性检测放在边缘以实现低延迟响应，计算密集的定位分析在控制中心完成，从而兼顾实时性与精度。
在调整后的IEEE 14节点与118节点配电测试系统上，策略在存在性检测阶段达到了准确率>91%且平均检测延迟<0.5s；定位阶段F1分数超过96.8%，显著优于KNN、SVM及单一深度模型。该方法工程价值在于无需修改现有状态估计框架即可部署，适合实际配电网的在线防护与运维响应。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11257839
📖 第9篇
📌 融合评论文本表征的图神经网络推荐系统
A Graph Neural Network Recommendation System for Joint Comment Text Representation
作者：Jun Min，Wenjin Wei，Binliang Wang，Zhiwei Gao，Daying Quan
本文提出了面向工业级推荐系统的RIC-GCN模型，核心在于将用户评论中的语义信息与图神经网络学习的交互拓扑进行联合表征，从而提升推荐质量。设计包含基于注意力机制的评论特征提取模块（滑动窗口切片+注意力加权），将提取的语义向量与GCN节点嵌入进行融合，形成联合上下文表示以驱动推荐预测。
为提升训练效率与采样质量，提出了并行优化随机负采样(PO-RNS)与后期切换的PPNS混合负采样策略：训练初期使用PO-RNS以加速并行迭代，后期用PPNS筛选高信息量负样本以提高精度。实现要点包括文本预处理、滑动窗口长度选择、注意力头数与负采样切换策略。
在Amazon-Books、Amazon-CDs与Yelp2018上对比NeuMF、LightGCN等基线，RIC-GCN在Recall@20和NDCG@20上均显著提升；其中在Amazon-Books上NDCG@20最高提升达5.88%，混合采样策略使后期采样时间相比全程PPNS减少约60%，在保证接近最优性能的同时显著提升训练效率。研究为电商与内容平台的工业化推荐提供了可行的文本+图融合实践。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11231371
📖 第10篇
📌 基于混合图表示学习的工业无线网络轻量级链路调度算法
A Lightweight Link Scheduling Algorithm in IWNs Based on Hybrid Graph Representation Learning
作者：Jiatong Zheng，Jialin Zhang，Wei Liang，Yutuo Yang，Ying-Chang Liang
本文针对工业无线网络（IWN）中密集设备下的链路调度问题，提出了L-GHG算法，该算法以混合二元图與超图表征干扰关系：二元图描述成对干扰，超图刻画并发传输下的累积干扰效应。此混合表示能更准确地捕捉工业场景中复杂的多方干扰，为后续调度决策提供更丰富的上下文信息。
在表示学习层，作者分别采用图神经网络与超图神经网络提取不同干扰类型下的节点特征，并设计了轻量级的特征融合模块用于调度决策。为避免超图组合爆炸，提出了基于信道状态信息的轻量级图划分策略，通过筛选关键干扰节点划分子图，有效削减搜索空间并降低计算复杂度；实现要点包括节点筛选阈值、子图大小限制与无监督训练流程。
仿真与真实工业场景实验表明，所提的无监督L-GHG在可扩展性和泛化性上均优于若干有监督基线，并在时间复杂度上表现更优。研究结论指出：通过混合图表示与轻量化划分策略，可在资源受限的IWN环境中实现高效且可扩展的链路调度，具备良好工程化落地潜力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11346032
点击关注 获取更多精彩