Verbesserung der Leistung kostengünstiger Sensoren zur THD-Überwachung in Smart Metern mittels KI-Algorithmen

Warum günstigere Stromzähler wichtig sind

Die meisten Haushalte und Unternehmen verlassen sich heute auf Smart Meter, um den Stromverbrauch zu erfassen. Über die bloße Zählerstandserfassung von Kilowattstunden hinaus können diese Zähler auch die „Sauberkeit“ der Energie überprüfen, was Energieverluste, die Lebensdauer von Geräten und sogar Ihre Rechnung beeinflusst. Die Sensoren in preisgünstigen Zählern sind jedoch oft zu einfach, um diese Netzqualität genau zu messen. Diese Studie untersucht, ob künstliche Intelligenz (KI) kostengünstigen Sensoren beibringen kann, sich beim Prüfen eines wichtigen Netzqualitätsindikators, der Total Harmonic Distortion (THD), wie teure, laborstarke Instrumente zu verhalten.

Strom, der nicht ganz glatt ist

In einer idealen Welt würden Spannung und Strom in Leitungen perfekt glatte Wellenformen folgen. In der Realität zerschneiden moderne Geräte wie LED-Lampen, Telefonladegeräte und frequenzgesteuerte Antriebe diese Wellen und erzeugen kleine Störungen, die als Oberschwingungen bezeichnet werden. Das Ausmaß dieser unerwünschten „Rauheit“ fasst die THD zusammen. Hohe THD kann Geräte überhitzen, die Lebensdauer verkürzen und empfindliche Elektronik stören. Heute wird THD üblicherweise mit einem mathematischen Verfahren, der Fast Fourier Transform (FFT), berechnet. Das funktioniert gut, wenn der Sensor sehr saubere und detaillierte Daten erfasst, verliert aber schnell an Genauigkeit, wenn der Sensor billig, verrauscht oder niedrig aufgelöst ist — genau die Typen, die bei großflächigen Ausrollungen von Smart Metern weit verbreitet sind.

Einfache Sensoren in intelligente verwandeln

Die Forschenden richteten ein Rahmenkonzept ein, in dem ein hochpräziser Sensor die Rolle eines Lehrers übernimmt und mehrere kostengünstige Sensoren als Lernende fungieren. Zuerst sammelten sie mit dem präzisen Sensor detaillierte elektrische Signale und berechneten sehr genaue THD-Werte mittels FFT, die als Referenz (Ground Truth) dienten. Dann degradier­ten sie diese Signale künstlich, um drei Klassen ökonomischer Sensoren zu simulieren, von relativ brauchbar bis sehr schlecht. Für jeden kostengünstigen Sensor extrahierten sie Merkmale aus dessen Signalen mit FFT und fütterten diese in verschiedene KI-Modelle. Ziel war es, eine direkte Abbildung zu erlernen von dem, was der billige Sensor sieht, auf das, was der präzise Sensor unter denselben Bedingungen berichtet hätte.

Wie die KI lernte, Fehler zu korrigieren

Mehrere bekannte Methoden des maschinellen Lernens wurden getestet: Support Vector Machines, Random Forests, künstliche neuronale Netze und ein Ensemble-Verfahren namens AdaBoost. Alle wurden darauf trainiert, die wahren THD-Werte aus den Merkmalen der kostengünstigen Sensoren vorherzusagen. Die Modelle wurden sorgfältig abgestimmt und mit üblichen Fehlermessgrößen bewertet, die vorhergesagte Werte mit der Referenz vergleichen. Über Hunderte synthetischer Testsignale und später mit realen Labor­messungen unter verzerrter Last zeigten alle KI-Methoden eine deutliche Überlegenheit gegenüber der direkten FFT-Berechnung auf den billigen Sensoren. Der klassische FFT-Ansatz wies große Fehler und geringe Übereinstimmung mit der Referenz auf, sobald die Sensorqualität sank, während die KI-Modelle weitgehend die Genauigkeit bewahrten.

Die herausragende Rolle einer Lernmethode

Unter den getesteten Ansätzen lieferte AdaBoost die beeindruckendsten und konsistentesten Ergebnisse. Für die besten der ökonomischen Sensoren waren seine Vorhersagen fast nicht mehr von der hochpräzisen Referenz zu unterscheiden, mit so geringen Fehlern, dass die statistische Übereinstimmung nahezu perfekt war. Selbst beim schlechtesten Sensor behielt AdaBoost eine hohe Genauigkeit, während die traditionelle FFT-Methode nahezu versagte und nur sehr schwache Korrelationen mit der echten THD sowie extrem große Fehler zeigte. Andere Modelle wie Random Forests und Support Vector Machines schnitten ebenfalls gut ab, neigten aber bei abnehmender Sensorqualität stärker zum Absinken. Neuronale Netze erwiesen sich als empfindlicher gegenüber verrauschten, niedrig aufgelösten Daten, besonders im schlechtesten Sensorfall.

Was das für den alltäglichen Stromgebrauch bedeutet

Die Studie zeigt, dass clevere Software bescheidene Hardware in der Leistungsüberwachung ausgleichen kann. Indem KI lernt, wie kostengünstige Sensoren typischerweise verzerren und Details übersehen, kann sie deren grobe Messwerte effektiv in hochwertige THD‑Schätzungen „übersetzen“, wie sie bislang nur teure Instrumente lieferten. Für Versorgungsunternehmen und Aufsichtsbehörden eröffnet dies die Möglichkeit, große Stückzahlen preiswerter Smart Meter einzusetzen, ohne auf verlässliche Informationen zur Netzqualität verzichten zu müssen. Für Verbraucher und die Industrie bedeutet das besseren Schutz der Geräte, genauere Einschätzungen des Netzzustands und intelligenteres Energiemanagement bei gleichzeitig kontrollierten Kosten.

Zitation: 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

Schlüsselwörter: Smart Meter, Netzqualität, Oberschwingungsverzerrung, kostengünstige Sensoren, maschinelles Lernen