تحسين أداء المستشعرات منخفضة التكلفة لمراقبة إجمالي التشويه التوافقي في العدادات الذكية باستخدام خوارزميات الذكاء الاصطناعي

لماذا تهم العدادات الأرخص ثمناً

تعتمد معظم المنازل والشركات الآن على العدادات الذكية لتتبع كيفية استخدام الكهرباء. بخلاف احتساب الكيلوواط ساعة، يمكن لهذه العدادات أيضاً فحص مدى "نقاء" الطاقة، وهو ما يؤثر على هدر الطاقة، وعمر المعدّات، وحتى فاتورتك. لكن المستشعرات داخل العدادات الميسورة التكلفة غالباً ما تكون أساسية جداً لقياس جودة هذه الطاقة بدقة. تستكشف هذه الدراسة ما إذا كان بإمكان الذكاء الاصطناعي تعليم المستشعرات منخفضة التكلفة أن تتصرف مثل أدوات مختبرية باهِظة الثمن عند فحص مؤشر جودة طاقة رئيسي يسمى إجمالي التشويه التوافقي، أو THD.

كهرباء ليست سلسة تماماً

في عالم مثالي، ستتبع الجهد والتيار في خطوط الطاقة أشكال موجية سلسة تماماً. في الواقع، تقطع الأجهزة الحديثة مثل مصابيح LED وشواحن الهواتف ومحركات السرعات المتغيرة هذه الموجات وتدخل تموّجات صغيرة تُعرف بالتوافقيات. يتم تلخيص مقدار هذا "الخشن" غير المرغوب فيه بواسطة THD. يمكن أن يؤدي ارتفاع THD إلى زيادة سخونة المعدات، وتقليل عمرها، وإزعاج الإلكترونيات الحساسة. اليوم، يُحتسب THD عادةً باستخدام أداة رياضية تسمى تحويل فورييه السريع (FFT). تعمل هذه الأداة جيداً إذا سجّل المستشعر بيانات نظيفة ومفصّلة جداً، لكنها تفقد الدقة بسرعة عندما يكون المستشعر رخيصاً أو ضوضائياً أو منخفض الدقة — وهو النوع المستخدم على نطاق واسع في نشرات العدادات الذكية الكبيرة.

تحويل المستشعرات البسيطة إلى مستشعرات ذكية

أقام الباحثون إطار عمل يلعب فيه مستشعر عالي الدقة دور المعلم بينما تعمل عدة مستشعرات منخفضة التكلفة كطلاب. أولاً، جمعوا إشارات كهربائية مفصّلة بالمستشعر الدقيق وحسبوا قيم THD دقيقة جداً باستخدام FFT، معاملة هذه القيم كمرجع حقيقي. ثم أضعفوا هذه الإشارات اصطناعياً لتقليد ثلاث فئات من المستشعرات الاقتصادية، من الجيدة نسبياً إلى الضعيفة جداً. لكل مستشعر منخفض التكلفة، استخلصوا ميزات من إشاراته باستخدام FFT وأدخلوا هذه الميزات في نماذج ذكاء اصطناعي مختلفة. كان الهدف تعلم تحويل مباشر مما يراه المستشعر الرخيص إلى ما كان سيبلغه المستشعر الدقيق تحت نفس الظروف.

كيف تعلّم الذكاء الاصطناعي تصحيح الأخطاء

اختبر الفريق عدة طرق معروفة في تعلم الآلة: آلات الدعم الناقل (SVM)، وغابات القرار العشوائية، والشبكات العصبية الاصطناعية، وتقنية تجميعية تدعى AdaBoost. درّبت جميعها للتنبؤ بقيم THD الحقيقية انطلاقاً من ميزات المستشعرات منخفضة التكلفة. تم ضبط النماذج بعناية وتقييمها بمقاييس خطأ قياسية تقارن القيم المتنبأ بها مقابل المستشعر المرجعي. عبر مئات الإشارات الاختبارية الاصطناعية ولاحقاً مع قياسات مخبرية حقيقية تحت ظروف حمل مشوّهة، تفوقت كل طريقة ذكاء اصطناعي بشكل ملحوظ على حساب FFT المباشر المطبق على المستشعرات الرخيصة. أظهر نهج FFT الكلاسيكي أخطاء كبيرة واتفاقاً منخفضاً جداً مع المرجع عندما انخفضت جودة المستشعر، بينما حافظت نماذج الذكاء الاصطناعي إلى حد كبير على الدقة.

الدور البارز لطريقة تعلم واحدة

من بين الأساليب المختبرة، قدمت AdaBoost النتائج الأكثر إثارة للإعجاب والأكثر اتساقاً. بالنسبة لأفضل المستشعرات الاقتصادية، كانت تنبؤاتها تكاد لا تُميز عن المرجع عالي الدقة، بأخطاء صغيرة جداً لدرجة أن الاتفاق الإحصائي كان قريباً من الكمال. حتى بالنسبة لأسوأ مستشعر، حافظت AdaBoost على دقة عالية، بينما فشل نهج FFT التقليدي تقريباً، مظهراً ارتباطاً ضعيفاً للغاية مع THD الحقيقي وأخطاء شديدة الكبر. كما أدت نماذج أخرى مثل الغابات العشوائية وآلات الدعم الناقل أداءً جيداً لكنها كانت تميل إلى التراجع أكثر مع تدهور جودة المستشعر. برهنت الشبكات العصبية على حساسية أكبر تجاه البيانات الضوضائية ومنخفضة الدقة، لا سيما في حالة أسوأ مستشعر.

ماذا يعني هذا للاستخدام اليومي للطاقة

تُظهر الدراسة أن البرمجيات الذكية قادرة على تعويض عتاد متواضع في مراقبة الطاقة. من خلال تعلم كيفية تشويه المستشعرات منخفضة التكلفة وفقدانها للتفاصيل عادةً، يمكن للذكاء الاصطناعي "ترجمة" قراءاتها الخشنة إلى تقديرات THD عالية الجودة كانت متاحة سابقاً فقط من أدوات باهظة الثمن. بالنسبة لشركات المرافق والجهات المنظمة، يفتح هذا الباب أمام نشر أعداد كبيرة من العدادات الذكية الميسورة التكلفة دون التضحية بمعلومات موثوقة عن جودة الطاقة. بالنسبة للمستهلكين والصناعة، يعني ذلك حماية أفضل للمعدات، وتقييم أدق لصحة الشبكة، وإدارة طاقة أذكى مع إبقاء التكاليف تحت السيطرة.

الاستشهاد: Nacima, O., Chouaib, L., Meneceur, R. et al. Enhancing low-cost sensor performance for THD monitoring in smart meters using AI algorithms. Sci Rep 16, 10298 (2026). https://doi.org/10.1038/s41598-026-41359-9

الكلمات المفتاحية: العدادات الذكية, جودة الطاقة, التشويه التوافقي, المستشعرات منخفضة التكلفة, تعلم الآلة