A Conceptual Model Development for Evaluating AI-Driven Predictive Maintenance in SCADA-Integrated Smart Grid Systems
Notice bibliographique
Résumé
This study develops a conceptual model for evaluating AI-driven predictive maintenance (PdM) in SCADA-integrated smart grid systems through a systematic review and meta-analysis conducted in accordance with the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) 2020 guidelines. A structured search across six major databases, IEEE Xplore, Scopus, Web of Science, ScienceDirect, ACM Digital Library, and Google Scholar, covering the period from January 2013 to December 2024 yielded 4,847 initial records, of which 63 studies met the full inclusion criteria following rigorous dual-reviewer screening, quality appraisal using the Newcastle-Ottawa Scale, and risk-of-bias assessment; pooled effect sizes were subsequently computed using a random-effects model (DerSimonian-Laird estimator) to account for inter-study heterogeneity (I² = 78.4%), with subgroup analyses stratified by AI algorithm type, grid segment, and SCADA integration depth. Meta-analytic findings revealed a weighted mean fault detection accuracy of 94.3% (95% CI: 92.1%–96.5%), with deep learning architectures — particularly LSTM and hybrid CNN-LSTM models — significantly outperforming traditional machine learning approaches (SMD = 0.67; 95% CI: 0.48–0.86, p < 0.001), and real-time SCADA-integrated configurations demonstrating markedly greater reductions in unplanned outage rates (SMD = 0.81; 95% CI: 0.59–1.03) relative to offline processing alternatives, with no significant publication bias detected via Egger's test (p = 0.16). Grounded in this synthesized evidence, the study proposes the SCADA-AI Predictive Maintenance Evaluation Framework (SAPMEF), a five-dimensional conceptual model encompassing data acquisition and sensor integration, AI model architecture selection, real-time SCADA communication fidelity, maintenance decision optimization, and grid resilience metrics, offering researchers, grid operators, and policymakers a structured, evidence-based instrument for benchmarking and deploying intelligent PdM solutions, while identifying cybersecurity resilience, model interpretability, and cross-grid transferability as critical priorities for future research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».