Poprawa działania tanich czujników do monitorowania THD w licznikach inteligentnych za pomocą algorytmów AI

Dlaczego tańsze liczniki mają znaczenie

W większości domów i firm dziś polega się na licznikach inteligentnych do śledzenia zużycia energii elektrycznej. Poza zliczaniem kilowatogodzin, liczniki te mogą też sprawdzać, jak „czyste” jest zasilanie, co wpływa na straty energii, żywotność urządzeń, a nawet wysokość rachunku. Jednak czujniki w przystępnych cenowo licznikach są często zbyt proste, by dokładnie mierzyć tę jakość zasilania. W tej pracy badano, czy sztuczna inteligencja (AI) może nauczyć tanie czujniki zachowywać się jak drogie, laboratoryjne instrumenty przy ocenie kluczowego wskaźnika jakości zasilania, zwanego całkowitymi zniekształceniami harmonicznymi (THD).

Prąd, który nie jest zupełnie gładki

W idealnym świecie napięcie i prąd w liniach energetycznych miałyby idealnie gładkie kształty fal. W rzeczywistości nowoczesne urządzenia, takie jak lampy LED, ładowarki do telefonów czy napędy o zmiennej prędkości, „kroją” te fale i wprowadzają małe zakłócenia znane jako harmoniczne. Ilość tej niechcianej „szorstkości” jest podsumowana przez THD. Wysokie THD może powodować przegrzewanie się urządzeń, skracać ich żywotność i zakłócać działanie wrażliwej elektroniki. Dziś THD zwykle oblicza się za pomocą narzędzia matematycznego zwanego szybką transformatą Fouriera (FFT). Działa to dobrze, jeśli czujnik rejestruje bardzo czyste i szczegółowe dane, ale szybko traci dokładność, gdy czujnik jest tani, zaszumiony lub niskiej rozdzielczości — czyli taki, jaki powszechnie stosuje się przy szerokich wdrożeniach liczników inteligentnych.

Przekształcanie prostych czujników w „mądre”

Badacze stworzyli ramy, w których czujnik wysokiej precyzji pełni rolę nauczyciela, a kilka tanich czujników działa jako uczniowie. Najpierw zebrali szczegółowe sygnały elektryczne przy użyciu precyzyjnego czujnika i obliczyli bardzo dokładne wartości THD za pomocą FFT, traktując je jako odniesienie. Następnie sztucznie pogorszyli te sygnały, aby naśladować trzy klasy ekonomicznych czujników, od stosunkowo przyzwoitych po bardzo słabe. Dla każdego taniego czujnika wyodrębniono cechy z jego sygnałów przy użyciu FFT i podano je różnym modelom AI. Celem było nauczenie bezpośredniego odwzorowania tego, co widzi tani czujnik, na to, co zarejestrowałby precyzyjny czujnik w tych samych warunkach.

Jak AI nauczyła się korygować błędy

Przetestowano kilka dobrze znanych metod uczenia maszynowego: maszyny wektorów nośnych (SVM), lasy losowe, sztuczne sieci neuronowe oraz technikę zespołową zwaną AdaBoost. Wszystkie zostały wytrenowane, by przewidywać rzeczywiste wartości THD na podstawie cech dostarczanych przez tanie czujniki. Modele były starannie dostrajane i oceniane za pomocą standardowych miar błędu, które porównują wartości przewidywane z wartością odniesienia. Na setkach syntetycznych sygnałów testowych, a później na rzeczywistych pomiarach laboratoryjnych przy obciążeniach powodujących zniekształcenia, każda metoda AI znacząco przewyższała proste obliczenia FFT stosowane bezpośrednio do danych z tanich czujników. Klasyczne podejście FFT wykazywało duże błędy i bardzo niską zgodność z odniesieniem w miarę pogarszania się jakości czujnika, podczas gdy modele AI w dużej mierze zachowały dokładność.

Wyjątkowa rola jednej metody uczenia

Wśród testowanych podejść AdaBoost dał najbardziej imponujące i spójne wyniki. Dla najlepszych z ekonomicznych czujników jego przewidywania były prawie nie do odróżnienia od precyzyjnego odniesienia, z błędami tak małymi, że zgodność statystyczna była bliska doskonałej. Nawet dla najgorszego czujnika AdaBoost zachował wysoką dokładność, podczas gdy tradycyjna metoda FFT niemal zawiodła, wykazując bardzo słabą korelację z rzeczywistym THD i wyjątkowo duże błędy. Inne modele, takie jak lasy losowe i SVM, również radziły sobie dobrze, lecz miały tendencję do większego pogorszenia wraz ze spadkiem jakości czujnika. Sieci neuronowe okazały się bardziej wrażliwe na zaszumione, niskorozdzielcze dane, szczególnie w przypadku najsłabszego czujnika.

Co to oznacza dla codziennego korzystania z energii

Badanie pokazuje, że sprytne oprogramowanie może rekompensować skromny sprzęt w monitoringu energii. Ucząc się, jak tanie czujniki zazwyczaj zniekształcają i pomijają szczegóły, AI może skutecznie „tłumaczyć” ich surowe odczyty na rodzaj wysokiej jakości estymat THD, dostępnych wcześniej tylko z drogich instrumentów. Dla operatorów sieci i regulatorów otwiera to możliwość wdrażania dużej liczby przystępnych cenowo liczników inteligentnych bez rezygnacji z rzetelnych informacji o jakości zasilania. Dla konsumentów i przemysłu oznacza to lepszą ochronę sprzętu, dokładniejszą ocenę stanu sieci i inteligentniejsze zarządzanie energią przy jednoczesnym kontrolowaniu kosztów.

Cytowanie: 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

Słowa kluczowe: liczniki inteligentne, jakość zasilania, zniekształcenia harmoniczne, tanio kosztujące czujniki, uczenie maszynowe