随着智能电网平台的逐步构建，用电环节的数字化转型也有了实质性进展。介绍了边缘计算在用电信息采集、智能用电服务系统、智能充电的研究及应用情况，阐述了区块链在电费结算、电力交易和电动车充电领域的研究及应用情况。分析了智慧用电实际应用中的关键技术问题，探讨了面向边缘侧的区块链技术、云边协同与区块链的融合应用、平台与数据集成设计、多方对账业务的应用等。

近年来电力行业大力开展智能电网建设，新技术的融合应用成为智能电网的发展趋势。从电网用电侧实际业务需求出发，设计了基于边缘计算与区块链融合的智慧用电平台，该平台在传统平台上将区块链技术与边缘计算进行融合应用，将原有中心化的模式向去中心化模式转变，通过下沉采集和计算压力，减轻云端计算负荷、降低网络压力，提升用电数据采集和高效应用能力；同时用区块链技术赋能边缘计算，实现协同、安全可信和数据共享。阐述了智慧用电平台的总体技术架构以及云端、边端边缘节点、边端区块链的具体技术架构、平台逻辑架构、业务应用架构和总体数据架构。在完成平台架构设计的基础上，梳理了用电平台中智能费控、多方电费对账、智慧台区的具体业务逻辑，并提出了对应的设计方案和实现流程。该平台可以满足高实时性电费计算、用电检查、线损分析、电压质量监测等精益化用电管理需求，更好地服务于现代供电服务体系和多样互动的用电体系建设。

从理论、关键技术、具体架构设计等层面研究了云边协同与区块链的融合应用。云边协同与区块链融合架构研究与设计包括了总体融合应用研究与设计、云边协同与区块链交互应用设计、基于云边协同的区块链管理功能设计、基于云边协同的智能合约管理设计、基于云边协同的区块链数据管理设计。通过研究云边协同与区块链融合的可行性和优势，设计出两者互相融合的通用性架构，该架构可以应用于智慧用电、智能网联汽车、智慧管网、工业物联网等应用场景。

随着边缘计算需求激增，云边协同成为未来重要演进方向，云边协同发展的难点之一是对边缘端及运行于其上的应用的部署、管理和更新升级，而容器技术为解决以上问题提供了思路。基于容器技术轻量化、部署快、易移植的特点，研究了基于容器化的云边高效应用管控方法，包括在云边协同的总体架构中增加容器设计、基于容器进行应用协同设计；研究了云端部署更新管理机制；对容器的应用部署及更新、容器及应用下发等设计内容也进行了研究和实现。通过实验验证，该方法在系统能耗、效率、计算时延和云端 CPU（中央处理器）使用效率方面得到了显著提高，进而使系统更新速率、服务器可用边缘节点数量以及处理的数据容量都有所提升，能够大幅度对云边协同系统进行优化，同时也大幅度提高了整体系统的计算能力。通过该技术的应用可以改善智慧用电平台边缘侧计算资源紧张、边缘设备异源异构、服务管理需求复杂多样等问题，实现了智慧用电云边协同平台的高效应用管控。

介绍了目前解决区块链存储问题的研究进展及解决方案。结合智慧用电平台边缘侧区块链的部署情况，在区块链轻型应用方面，采用分布式哈希表（DHT）分布式区块链存储方式实现边侧区块链数据存储。通过边侧区块链节点历史区块数据定时备份、共识算法多样选择和区块链镜像裁剪等方法配合实现边侧区块链节点的轻量化。指出随着电力物联网技术应用场景的丰富和持续发展，仍需持续深入研究，以寻找更加优化的算法模型和解决方案。

针对风电叶片轻微裂纹难于检测的问题，提出一种基于改进 YOLOv5s模型的检测方法：通过在主干网络部分使用空洞空间金字塔池化（ASPP）代替空间金字塔池化（SPP）以适应不同大小和比例的目标，将注意力机制模块（squeeze and excitation，SE）插入主干网络中以增加网络对微小缺陷的敏感度，使用结构化交并比损失（SIoU-Loss）代替完全交并比损失（CIoU-Loss），以进一步提高新网络的准确性和训练速度。针对以上检测方法采用自建数据集进行对比实验，实验结果表明，改进 YOLOv5s 模型的平均精度均值（mAP）为 94.29%，与YOLOv5s模型相比提升了7.03个百分点，检测精度与其他的主流模型对比依然具有优势，检测速度为42.78 f/s。该方法在风电叶片内腔缺陷检测方面具有较好的使用性能和效果。

针对风电叶片内腔结构复杂、缺陷种类多样、难以准确检测等问题，提出了改进的单次多边界框检测器（SSD）缺陷检测算法，并提出 3方面改进：通过将 SSD 基础网络由可变形卷积神经网络（VGG-16）变成残差网络（ResNet101）以优化预测边界框的回归和分类任务的输入特征；通过加入全卷积空间注意力模块（FCSE）使模型更加关注重要特征，从而提高检测的准确性；通过在损失函数中添加超参数来控制平滑区域，使模型更加稳定。在自建风电叶片内腔数据集上的对比实验表明，改进的 SSD 模型平均精度（mAP）值为 83.6%，比原始 SSD模型提升了 9.4个百分点，检测精度优于其他基于 SSD 框架的主流模型，同时该模型大幅减少了模型参数量，降低了模型的复杂度和存储需求，检测速度为31.6 f/s，可满足实际生产工作中的检测速度需要。