Amélioration des performances de capteurs à faible coût pour la surveillance du THD dans les compteurs intelligents à l’aide d’algorithmes d’IA

Pourquoi des compteurs moins chers comptent

La plupart des logements et des entreprises s’appuient aujourd’hui sur des compteurs intelligents pour suivre la consommation d’électricité. Au‑delà du comptage des kilowattheures, ces compteurs peuvent aussi vérifier la « propreté » de l’alimentation, ce qui a des conséquences sur le gaspillage d’énergie, la durée de vie des équipements et même le montant de la facture. Mais les capteurs intégrés dans les compteurs abordables sont souvent trop basiques pour mesurer correctement cette qualité de l’énergie. Cette étude examine si l’intelligence artificielle (IA) peut apprendre à des capteurs à faible coût à se comporter comme des instruments de laboratoire coûteux lorsqu’il s’agit de vérifier un indicateur clé de la qualité électrique appelé distorsion harmonique totale, ou THD.

Une électricité qui n’est pas tout à fait lisse

Dans un monde idéal, la tension et le courant dans les lignes électriques suivraient des formes d’onde parfaitement lisses. En réalité, des appareils modernes tels que les lampes LED, les chargeurs de téléphone et les variateurs de vitesse tronquent ces ondes et introduisent de petites ondulations appelées harmoniques. Le niveau de cette « rugosité » indésirable est résumé par le THD. Un THD élevé peut provoquer une surchauffe des équipements, réduire leur durée de vie et perturber l’électronique sensible. Aujourd’hui, le THD est généralement calculé à l’aide d’un outil mathématique appelé transformée de Fourier rapide (FFT). Cela fonctionne bien si le capteur capture des données très propres et détaillées, mais la précision chute rapidement lorsque le capteur est bon marché, bruyant ou de faible résolution — le type même largement déployé dans les campagnes de compteurs intelligents.

Transformer des capteurs simples en capteurs intelligents

Les chercheurs ont mis en place un cadre où un capteur de haute précision joue le rôle d’enseignant et plusieurs capteurs à faible coût font office d’étudiants. D’abord, ils ont collecté des signaux électriques détaillés avec le capteur précis et ont calculé des valeurs de THD très exactes à l’aide de la FFT, considérées comme la vérité terrain. Ils ont ensuite dégradé artificiellement ces signaux pour simuler trois classes de capteurs économiques, allant de relativement acceptables à très médiocres. Pour chaque capteur à faible coût, ils ont extrait des caractéristiques de ses signaux via la FFT et les ont fournies à différents modèles d’IA. L’objectif était d’apprendre une correspondance directe entre ce que voit le capteur bon marché et ce que le capteur de précision aurait rapporté dans les mêmes conditions.

Comment l’IA a appris à corriger les erreurs

Plusieurs méthodes d’apprentissage automatique bien connues ont été testées : machines à vecteurs de support, forêts aléatoires, réseaux neuronaux artificiels, et une technique d’ensemble appelée AdaBoost. Toutes ont été entraînées pour prédire les valeurs vraies de THD à partir des caractéristiques des capteurs à faible coût. Les modèles ont été soigneusement réglés et évalués avec des mesures d’erreur standard comparant les valeurs prédites au capteur de référence. Sur des centaines de signaux synthétiques de test puis sur des mesures de laboratoire réelles sous charges déformées, chaque méthode d’IA a largement surpassé le calcul FFT appliqué directement aux capteurs bon marché. L’approche FFT classique montrait de grosses erreurs et une très faible concordance avec la référence lorsque la qualité du capteur diminuait, tandis que les modèles d’IA préservaient en grande partie la précision.

Le rôle marquant d’une méthode d’apprentissage

Parmi les approches testées, AdaBoost a fourni les résultats les plus impressionnants et les plus constants. Pour les meilleurs des capteurs économiques, ses prédictions étaient presque indiscernables de la référence de haute précision, avec des erreurs si faibles que l’accord statistique était proche de la perfection. Même pour le capteur le plus médiocre, AdaBoost conservait une grande précision, alors que la méthode FFT traditionnelle échouait presque, affichant une corrélation très faible avec le THD réel et des erreurs extrêmement élevées. D’autres modèles tels que les forêts aléatoires et les machines à vecteurs de support ont également bien performé mais ont eu davantage tendance à se dégrader avec la qualité des capteurs. Les réseaux neuronaux se sont montrés plus sensibles aux données bruyantes et de faible résolution, en particulier dans le cas du capteur le plus pauvre.

Ce que cela signifie pour l’usage quotidien de l’électricité

L’étude montre que des logiciels intelligents peuvent compenser un matériel modeste pour la surveillance électrique. En apprenant comment les capteurs à faible coût déforment et perdent typiquement des détails, l’IA peut « traduire » efficacement leurs mesures approximatives en estimations THD de haute qualité auparavant réservées aux instruments coûteux. Pour les distributeurs et les régulateurs, cela ouvre la voie au déploiement massif de compteurs intelligents abordables sans renoncer à des informations fiables sur la qualité de l’énergie. Pour les consommateurs et l’industrie, cela signifie une meilleure protection des équipements, une évaluation plus précise de la santé du réseau et une gestion de l’énergie plus intelligente, tout en maîtrisant les coûts.

Citation: 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

Mots-clés: compteurs intelligents, qualité de l’électricité, distorsion harmonique, capteurs à faible coût, apprentissage automatique