שיפור ביצועי חיישנים זולים למעקב THD במחשבי חשמל חכמים באמצעות אלגוריתמים של בינה מלאכותית

מדוע מד חשמל זול משנה

במרבית הבתים ובמקומות העבודה כיום נשענים על מחשבי חשמל חכמים למעקב צריכת החשמל. מעבר לספירת קילוואט‑שעות, מחשבים אלה יכולים גם לבחון עד כמה הזרם והמתח "נקיים", מצב שמשפיע על בזבוז אנרגיה, אורך חיי ציוד ואפילו על חשבון החשמל. עם זאת, החיישנים במכשירים זולים הם לעתים בסיסיים מדי כדי למדוד בצורה מדויקת את איכות החשמל. המחקר בוחן האם בינה מלאכותית (AI) יכולה ללמד חיישנים חסכוניים להתנהג כמו מכשירים מעבדתיים יקרים כאשר בודקים מדד מרכזי של איכות המתח שנקרא עיוות הרמוניה כולל, או THD.

חשמל שאינו חלק לגמרי

בעולם אידיאלי המתח והזרם בקווי ההספק יעקבו אחר צורות גל חלקות לחלוטין. במציאות, מכשירים מודרניים כגון נורות LED, מטעני טלפון ומנעני מהירות משתנה חותכים את הגלים ומכניסים גליונים קטנים המכונים הרמוניות. כמות "הגסות" הבלתי רצויה הזו מסוכמת על‑ידי THD. THD גבוה עלול לחמם ציוד יתר על המידה, לקצר את חייו ולהפריע למכשירים רגישים. כיום THD מחושבת בדרך כלל באמצעות כלי מתמטי שנקרא מהפך פורייה מהיר (FFT). זה עובד היטב אם החיישן לוכד נתונים נקיים ומפורטים מאוד, אך דיוקו יורד מהר כאשר החיישן זול, רועש או בעל רזולוציה נמוכה — בדיוק סוג החיישנים שמשתמשים בהם בפריסות רחבות של מחשבים חכמים.

להפוך חיישנים פשוטים לחכמים

החוקרים בנו מסגרת שבה חיישן בעל דיוק גבוה משחק את תפקיד המורה וכמה חיישנים זולים משחקים את תלמידים. תחילה, הם רשמו אותות חשמליים מפורטים עם החיישן המדויק וחישבו ערכי THD מאוד מדויקים באמצעות FFT, וכינו אלה אמת קרקעית. אחר כך הם השחיתו באופן מלאכותי את האותות כדי לחקות שלוש קטגוריות של חיישנים חסכוניים, מרמה סבירה יחסית ועד רמה ירודה מאוד. עבור כל חיישן זול הוציאו תכונות מהאותות באמצעות FFT והזינו אותן למודלים שונים של AI. המטרה הייתה ללמוד מיפוי ישיר ממה שהחיישן הזול רואה למה שהחיישן המדויק היה מדווח בתנאים זהים.

כיצד ה‑AI למד לתקן את השגיאות

נבדקו מספר שיטות מוכרות בלמידת מכונה: מכונות וקטור תמיכה, יערות אקראיים, רשתות עצביות מלאכותיות וטכניקת אנסמבל בשם AdaBoost. כולן אומנו לחזות את ערכי ה‑THD האמיתיים מתוך תכונות החיישנים הזולים. המודלים לכוונו בקפידה והוערכו באמצעות מדדי שגיאה סטנדרטיים שמשווים את הערכים החזויים בהתאם לחיישן הייחוס. על פני מאות אותות מבוצעים סינתטית ולאחר מכן במדידות מעבדתיות אמיתיות תחת עומסים מעוותים, כל שיטת ה‑AI התעלתה במידה ניכרת על חישוב ה‑FFT הפשוט שהוחל ישירות על החיישנים הזולים. הגישה הקלאסית של FFT הציגה שגיאות גדולות והתאמה נמוכה מאוד עם הייחוס כאשר איכות החיישן ירדה, בעוד המודלים של ה‑AI שמרו במידה רבה על דיוק.

התפקיד הבולט של שיטת למידה אחת

מבין הגישות שנבדקו, AdaBoost נתנה את התוצאות המרשימות והעקביות ביותר. עבור החיישנים החסכוניים הטובים ביותר, הניבו תחזיותיה תוצאות כמעט בלתי ניתנות להבחנה מהייחוס המדויק, עם שגיאות כל כך קטנות שההתאמה הסטטיסטית הייתה קרובה לשלמות. גם עבור החיישן הגרוע ביותר, AdaBoost שמרה על דיוק גבוה, בעוד שהשיטה המסורתית של FFT כמעט נכשלת, הציגה קורלציה חלשה מאוד עם ה‑THD האמיתי ושגיאות עצומות. מודלים אחרים כגון יערות אקראיים ומכונות וקטור תמיכה אף הם הופיעו טוב אך נטו להידרדר יותר ככל שאיכות החיישן ירדה. רשתות עצביות הוכחו כרגישות יותר לנתונים רועשים ובעלי רזולוציה נמוכה, במיוחד במקרה של החיישן החלש ביותר.

מה המשמעות לשימוש היומיומי בחשמל

המחקר מראה שתוכנה חכמה יכולה לפצות על חומרה צנועה במעקב חשמל. על‑ידי למידת האופן שבו חיישנים זולים מטשטשים ומחמיצים פרטים, AI יכול למעשה "לתרגם" את הקריאות הגסות שלהם לאומדני THD איכותיים שהיו זמינים בעבר רק באמצעות מכשירים יקרים. לרשויות אספקת החשמל ולרגולטורים, זה פותח פתח לפריסת כמות גדולה של מחשבים חכמים חסכוניים מבלי לוותר על מידע אמין על איכות המתח. לצרכנים ולתעשייה, המשמעות היא הגנה טובה יותר על ציוד, הערכה מדויקת יותר של מצב הרשת וניהול אנרגיה חכם יותר — כל זאת תוך שמירה על עלויות נמוכות.

ציטוט: 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

מילות מפתח: מחשבי חשמל חכמים, איכות המתח, עיוות הרמוני, חיישנים זולים, למידת מכונה