Migliorare le prestazioni di sensori a basso costo per il monitoraggio del THD nei contatori intelligenti usando algoritmi di IA

Perché contano i contatori più economici

Oggi la maggior parte delle case e delle aziende si affida ai contatori intelligenti per monitorare l’uso dell’elettricità. Oltre a conteggiare i chilowattora, questi contatori possono anche verificare quanto la corrente sia “pulita”, un aspetto che incide sugli sprechi energetici, sulla durata degli apparecchi e persino sulla bolletta. Tuttavia, i sensori presenti nei contatori economici sono spesso troppo elementari per misurare con precisione questa qualità della potenza. Questo studio esplora se l’intelligenza artificiale (IA) possa insegnare ai sensori a basso costo a comportarsi come strumenti costosi e di laboratorio nel rilevare un indicatore chiave della qualità della potenza chiamato distorsione armonica totale, o THD.

Elettricità non perfettamente liscia

In un mondo ideale la tensione e la corrente nelle linee elettriche seguirebbero forme d’onda perfettamente regolari. Nella realtà, dispositivi moderni come lampadine LED, caricabatterie per telefoni e azionamenti a velocità variabile frammentano queste onde e introducono piccole ondulazioni note come armoniche. La quantità di questa “ruvidità” indesiderata è riassunta dal THD. Un THD elevato può surriscaldare le apparecchiature, ridurne la vita utile e disturbare l’elettronica sensibile. Oggi il THD viene di solito calcolato con uno strumento matematico chiamato Trasformata Veloce di Fourier (FFT). Questo funziona bene se il sensore cattura dati molto puliti e dettagliati, ma perde rapidamente accuratezza quando il sensore è economico, rumoroso o a bassa risoluzione — proprio il tipo ampiamente usato nelle grandi distribuzioni di contatori intelligenti.

Trasformare sensori semplici in sensori intelligenti

I ricercatori hanno messo a punto un quadro in cui un sensore ad alta precisione funge da insegnante e diversi sensori a basso costo agiscono da studenti. Per prima cosa hanno raccolto segnali elettrici dettagliati con il sensore preciso e calcolato valori di THD molto accurati usando la FFT, trattandoli come verità di riferimento. Poi hanno degradato artificialmente questi segnali per simulare tre classi di sensori economici, dal relativamente buono al molto scadente. Per ciascun sensore a basso costo hanno estratto caratteristiche dai suoi segnali usando la FFT e le hanno fornite a diversi modelli di IA. L’obiettivo era apprendere una mappatura diretta da ciò che vede il sensore economico a ciò che il sensore preciso avrebbe riportato nelle stesse condizioni.

Come l’IA ha imparato a correggere gli errori

Sono stati testati diversi metodi noti di apprendimento automatico: macchine a vettori di supporto, foreste casuali, reti neurali artificiali e una tecnica di ensemble chiamata AdaBoost. Tutti sono stati addestrati a prevedere i valori veri di THD a partire dalle caratteristiche dei sensori a basso costo. I modelli sono stati accuratamente ottimizzati e valutati con misure di errore standard che confrontano i valori predetti con il sensore di riferimento. Su centinaia di segnali di test sintetici e successivamente con misure di laboratorio reali sotto carichi distorti, ogni metodo di IA ha sovraperformato sostanzialmente il calcolo FFT applicato direttamente ai sensori economici. L’approccio classico basato sulla FFT ha mostrato grandi errori e una concordanza molto bassa con il riferimento al diminuire della qualità del sensore, mentre i modelli di IA hanno in larga misura preservato l’accuratezza.

Il ruolo di spicco di un metodo di apprendimento

Tra gli approcci testati, AdaBoost ha fornito i risultati più impressionanti e coerenti. Per i sensori economici migliori, le sue previsioni erano quasi indistinguibili dal riferimento ad alta precisione, con errori così piccoli che l’accordo statistico era vicino alla perfezione. Anche per il sensore peggiore, AdaBoost ha mantenuto un’elevata accuratezza, mentre il metodo FFT tradizionale ha quasi fallito, mostrando una correlazione molto debole con il THD vero ed errori estremamente grandi. Altri modelli come le foreste casuali e le macchine a vettori di supporto hanno anch’essi performato bene ma tendevano a peggiorare maggiormente con il degrado della qualità del sensore. Le reti neurali si sono dimostrate più sensibili ai dati rumorosi e a bassa risoluzione, specialmente nel caso del sensore più povero.

Cosa significa per l’uso quotidiano dell’elettricità

Lo studio mostra che un software intelligente può compensare hardware modesto nel monitoraggio della potenza. Imparando come i sensori a basso costo tipicamente distorcono e perdono dettagli, l’IA può effettivamente “tradurre” le loro letture approssimative in stime di THD di qualità elevata precedentemente disponibili solo con strumenti costosi. Per le utility e i regolatori, questo apre la strada alla diffusione di un gran numero di contatori intelligenti accessibili senza rinunciare a informazioni affidabili sulla qualità della potenza. Per i consumatori e l’industria significa una migliore protezione delle apparecchiature, una valutazione più accurata dello stato della rete e una gestione dell’energia più intelligente, il tutto mantenendo i costi sotto controllo.

Citazione: 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

Parole chiave: contatori intelligenti, qualità della potenza, distorsione armonica, sensori a basso costo, apprendimento automatico