Verbetering van de prestaties van goedkope sensoren voor THD‑monitoring in slimme meters met behulp van AI‑algoritmen

Waarom goedkopere elektriciteitsmeters ertoe doen

De meeste woningen en bedrijven vertrouwen tegenwoordig op slimme meters om het elektriciteitsverbruik bij te houden. Naast het tellen van kilowatturen kunnen deze meters ook controleren hoe “schoon” de spanning is, wat invloed heeft op energieverlies, de levensduur van apparatuur en zelfs op uw rekening. De sensoren in betaalbare meters zijn echter vaak te simpel om deze netkwaliteit nauwkeurig te meten. Deze studie onderzoekt of kunstmatige intelligentie (AI) goedkope sensoren kan leren zich te gedragen als dure, laboratoriumkwaliteit‑instrumenten bij het controleren van een belangrijke netkwaliteitsindicator, de totale harmonische vervorming, ofwel THD.

Elektriciteit die niet helemaal glad is

In een ideale wereld zouden spanning en stroom in leidingnetten perfecte, gladde golfvormen volgen. In de praktijk hakken moderne apparaten zoals LED‑verlichting, telefoonladers en frequentieregelaars deze golven in stukken en brengen kleine rimpels aan die bekendstaan als harmonischen. De mate van deze ongewenste “ruwheid” wordt samengevat door THD. Een hoge THD kan apparatuur doen oververhitten, de levensduur verkorten en gevoelige elektronica storen. Tegenwoordig wordt THD meestal berekend met een wiskundig hulpmiddel genaamd de Fast Fourier Transform (FFT). Dit werkt goed als de sensor zeer schone en gedetailleerde data vastlegt, maar het verliest snel aan nauwkeurigheid wanneer de sensor goedkoop, ruisig of van lage resolutie is — juist het type dat veel gebruikt wordt bij grootschalige uitrol van slimme meters.

Van eenvoudige sensoren naar slimme sensoren

De onderzoekers bouwden een raamwerk waarin een hoog‑precisie sensor de rol van leraar speelt en meerdere goedkope sensoren als leerlingen fungeren. Eerst verzamelden ze gedetailleerde elektrische signalen met de precieze sensor en berekenden zeer accurate THD‑waarden met behulp van FFT, die als grondwaarheid werden beschouwd. Vervolgens degradeerden ze deze signalen kunstmatig om drie klassen economische sensoren na te bootsen, van relatief redelijk tot zeer slecht. Voor elke goedkope sensor haalden ze kenmerken uit de signalen met FFT en voedden deze in verschillende AI‑modellen. Het doel was een directe koppeling te leren van wat de goedkope sensor ziet naar wat de precieze sensor onder dezelfde omstandigheden zou hebben gerapporteerd.

Hoe de AI de fouten leerde corrigeren

Er werden verschillende bekende machine‑learningmethoden getest: support vector machines, random forests, kunstmatige neurale netwerken en een ensembletechniek genaamd AdaBoost. Alle modellen werden getraind om de ware THD‑waarden te voorspellen op basis van kenmerken van goedkope sensoren. De modellen werden zorgvuldig afgestemd en geëvalueerd met standaard foutmaten die voorspelde waarden vergelijken met de referentiesensor. Over honderden synthetische testsignalen en later met echte laboratoriummetingen onder vervormde belastingsomstandigheden presteerde elke AI‑methode aanzienlijk beter dan de eenvoudige FFT‑berekening toegepast op de goedkope sensoren. De klassieke FFT‑aanpak toonde grote fouten en zeer lage overeenstemming met de referentie wanneer de sensorkwaliteit daalde, terwijl de AI‑modellen de nauwkeurigheid grotendeels behielden.

De opvallende rol van één leermethode

Onder de geteste benaderingen leverde AdaBoost de meest indrukwekkende en consistente resultaten. Voor de beste van de economische sensoren waren de voorspellingen bijna niet te onderscheiden van de hoog‑precisie referentie, met fouten zo klein dat de statistische overeenstemming bijna perfect was. Zelfs voor de slechtste sensor behield AdaBoost hoge nauwkeurigheid, terwijl de traditionele FFT‑methode vrijwel faalde en zeer zwakke correlatie met de ware THD en extreem grote fouten liet zien. Andere modellen zoals random forests en support vector machines presteerden ook goed, maar raakten meer inprecies naarmate de sensorkwaliteit verslechterde. Neurale netwerken bleken gevoeliger voor lawaaiige, laag‑resolutie data, vooral bij de slechtste sensor.

Wat dit betekent voor dagelijks stroomgebruik

De studie toont aan dat slimme software tekortkomingen in bescheiden hardware kan compenseren bij stroommonitoring. Door te leren hoe goedkope sensoren typisch vervormen en details missen, kan AI hun ruwe metingen effectief “vertalen” naar hoogwaardige THD‑schattingen die voorheen alleen beschikbaar waren via dure instrumenten. Voor netbeheerders en toezichthouders opent dit de mogelijkheid om grote aantallen betaalbare slimme meters uit te rollen zonder betrouwbare informatie over netkwaliteit op te geven. Voor consumenten en de industrie betekent het betere bescherming van apparatuur, nauwkeurigere beoordeling van de gezondheid van het netwerk en slimmer energiemanagement, terwijl de kosten onder controle blijven.

Bronvermelding: 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

Trefwoorden: slimme meters, netkwaliteit, harmonische vervorming, goedkope sensoren, machine learning