Mejora del rendimiento de sensores de bajo coste para la monitorización de THD en contadores inteligentes mediante algoritmos de IA

Por qué importan los contadores más baratos

La mayoría de los hogares y empresas dependen hoy de contadores inteligentes para registrar el consumo eléctrico. Más allá de contar kilovatios-hora, estos contadores también pueden comprobar cuán “limpia” es la energía, lo que influye en el desperdicio energético, la vida útil de los equipos e incluso en la factura. Pero los sensores en los contadores asequibles suelen ser demasiado básicos para medir con precisión esta calidad de la energía. Este estudio explora si la inteligencia artificial (IA) puede enseñar a sensores de bajo coste a comportarse como instrumentos de laboratorio costosos al verificar un indicador clave de calidad de la energía llamado distorsión armónica total, o THD.

Electricidad que no es del todo suave

En un mundo ideal, la tensión y la corriente en las redes seguirían formas de onda perfectamente suaves. En la realidad, dispositivos modernos como luces LED, cargadores de móviles y variadores de velocidad fragmentan estas ondas e introducen pequeñas ondulaciones conocidas como armónicos. La cantidad de esta “irregularidad” indeseada se resume en la THD. Una THD elevada puede sobrecalentar equipos, acortar su vida útil y afectar a la electrónica sensible. Hoy en día, la THD suele calcularse usando una herramienta matemática llamada Transformada Rápida de Fourier (FFT). Esto funciona bien si el sensor captura datos muy limpios y detallados, pero pierde precisión rápidamente cuando el sensor es barato, ruidoso o de baja resolución, el tipo ampliamente desplegado en grandes implantaciones de contadores inteligentes.

Convertir sensores simples en inteligentes

Los investigadores diseñaron un marco en el que un sensor de alta precisión actúa como profesor y varios sensores de bajo coste hacen de alumnos. Primero, recopilaron señales eléctricas detalladas con el sensor preciso y calcularon valores de THD muy exactos usando FFT, tratándolos como la verdad de referencia. Luego degradaron artificialmente estas señales para imitar tres clases de sensores económicos, desde relativamente decentes hasta muy deficientes. Para cada sensor de bajo coste, extrajeron características de sus señales usando FFT y las introdujeron en distintos modelos de IA. El objetivo fue aprender una correspondencia directa entre lo que ve el sensor barato y lo que habría informado el sensor preciso en las mismas condiciones.

Cómo la IA aprendió a corregir los errores

Se probaron varios métodos conocidos de aprendizaje automático: máquinas de vectores de soporte, bosques aleatorios, redes neuronales artificiales y una técnica de ensamblado llamada AdaBoost. Todos se entrenaron para predecir los valores verdaderos de THD a partir de las características de sensores de bajo coste. Los modelos se ajustaron cuidadosamente y se evaluaron con medidas de error estándar que comparan las predicciones con el sensor de referencia. A lo largo de cientos de señales de prueba sintéticas y posteriormente con mediciones reales de laboratorio bajo condiciones de carga distorsionada, todos los métodos de IA superaron ampliamente el cálculo directo de la FFT aplicado a los sensores baratos. El enfoque clásico de la FFT mostró errores grandes y muy poca concordancia con la referencia cuando la calidad del sensor descendía, mientras que los modelos de IA en gran medida preservaron la precisión.

El papel destacado de un método de aprendizaje

Entre los enfoques probados, AdaBoost ofreció los resultados más impresionantes y consistentes. Para los mejores sensores económicos, sus predicciones eran casi indistinguibles de la referencia de alta precisión, con errores tan pequeños que la concordancia estadística se acercaba a la perfección. Incluso para el peor sensor, AdaBoost mantuvo una elevada precisión, mientras que el método tradicional de la FFT prácticamente fracasó, mostrando una correlación muy débil con la THD verdadera y errores extremadamente grandes. Otros modelos como bosques aleatorios y máquinas de vectores de soporte también funcionaron bien, pero tendieron a deteriorarse más a medida que la calidad del sensor empeoraba. Las redes neuronales resultaron más sensibles a datos ruidosos y de baja resolución, especialmente en el caso del sensor más pobre.

Qué significa esto para el uso cotidiano de la energía

El estudio demuestra que un software inteligente puede compensar hardware modesto en la monitorización de la energía. Al aprender cómo los sensores de bajo coste suelen distorsionar y perder detalles, la IA puede “traducir” eficazmente sus lecturas toscas en estimaciones de THD de alta calidad que antes solo estaban disponibles con instrumentos caros. Para las compañías eléctricas y los reguladores, esto abre la puerta a desplegar un gran número de contadores inteligentes asequibles sin renunciar a información fiable sobre la calidad de la energía. Para consumidores e industria, significa mejor protección de los equipos, una evaluación más precisa de la salud de la red y una gestión energética más inteligente, todo ello manteniendo los costes bajo control.

Cita: 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

Palabras clave: contadores inteligentes, calidad de la energía, distorsión armónica, sensores de bajo coste, aprendizaje automático