Melhorando o desempenho de sensores de baixo custo para monitoramento de THD em medidores inteligentes usando algoritmos de IA

Por que medidores de energia mais baratos importam

A maioria das residências e empresas hoje depende de medidores inteligentes para acompanhar o uso de eletricidade. Além de contabilizar kilowatt‑hora, esses medidores também podem verificar o quão “limpa” é a energia, o que afeta desperdício de energia, vida útil dos equipamentos e até sua conta. Mas os sensores dentro de medidores acessíveis costumam ser muito básicos para medir essa qualidade de energia com precisão. Este estudo investiga se a inteligência artificial (IA) pode ensinar sensores de baixo custo a se comportarem como instrumentos de laboratório caros ao verificar um indicador-chave da qualidade de energia chamado distorção harmônica total, ou THD.

Eletricidade que não é exatamente suave

Em um mundo ideal, a tensão e a corrente nas linhas de energia seguiriam formas de onda perfeitamente suaves. Na realidade, dispositivos modernos como lâmpadas LED, carregadores de celular e acionamentos de velocidade variável fragmentam essas ondas e introduzem pequenas ondulações conhecidas como harmônicos. A quantidade dessa “aspereza” indesejada é resumida pela THD. THD alta pode superaquecer equipamentos, encurtar vidas úteis e perturbar eletrônicos sensíveis. Hoje, a THD geralmente é calculada usando uma ferramenta matemática chamada Transformada Rápida de Fourier (FFT). Isso funciona bem se o sensor captura dados muito limpos e detalhados, mas rapidamente perde precisão quando o sensor é barato, ruidoso ou de baixa resolução — justamente o tipo amplamente usado em grandes implantações de medidores inteligentes.

Transformando sensores simples em inteligentes

Os pesquisadores estabeleceram uma estrutura na qual um sensor de alta precisão desempenha o papel de professor e vários sensores de baixo custo atuam como alunos. Primeiro, coletaram sinais elétricos detalhados com o sensor preciso e calcularam valores de THD muito precisos usando FFT, tratando‑os como verdade de referência. Em seguida, degradaram artificialmente esses sinais para imitar três classes de sensores econômicos, desde relativamente decentes até muito pobres. Para cada sensor de baixo custo, extraíram características de seus sinais usando FFT e as alimentaram em diferentes modelos de IA. O objetivo foi aprender um mapeamento direto do que o sensor barato vê para o que o sensor preciso teria reportado nas mesmas condições.

Como a IA aprendeu a corrigir os erros

Foram testados vários métodos conhecidos de aprendizado de máquina: máquinas de vetores de suporte, florestas aleatórias, redes neurais artificiais e uma técnica de conjunto chamada AdaBoost. Todos foram treinados para prever os valores verdadeiros de THD a partir das características dos sensores de baixo custo. Os modelos foram cuidadosamente ajustados e avaliados com medidas padrão de erro que comparam os valores previstos com o sensor de referência. Ao longo de centenas de sinais de teste sintéticos e depois com medições laboratoriais reais sob condições de carga distorcida, todos os métodos de IA superaram substancialmente o cálculo direto de FFT aplicado aos sensores baratos. A abordagem clássica de FFT apresentou grandes erros e concordância muito baixa com a referência quando a qualidade do sensor caiu, enquanto os modelos de IA em grande parte preservaram a precisão.

O papel de destaque de um método de aprendizado

Entre as abordagens testadas, o AdaBoost apresentou os resultados mais impressionantes e consistentes. Para os melhores sensores econômicos, suas previsões eram quase indistinguíveis da referência de alta precisão, com erros tão pequenos que a concordância estatística ficou próxima do perfeito. Mesmo para o pior sensor, o AdaBoost manteve alta precisão, enquanto o método tradicional de FFT quase falhou, mostrando correlação muito fraca com a THD verdadeira e erros extremamente grandes. Outros modelos, como florestas aleatórias e máquinas de vetores de suporte, também tiveram bom desempenho, mas tendiam a perder mais conforme a qualidade do sensor se degradava. Redes neurais mostraram‑se mais sensíveis a dados ruidosos e de baixa resolução, especialmente no caso do sensor mais pobre.

O que isso significa para o uso diário de energia

O estudo mostra que software inteligente pode compensar hardware modesto no monitoramento de energia. Ao aprender como sensores de baixo custo tipicamente distorcem e perdem detalhes, a IA pode efetivamente “traduzir” suas leituras rústicas em estimativas de THD de alta qualidade anteriormente disponíveis apenas em instrumentos caros. Para concessionárias e reguladores, isso abre a porta para implantar grande número de medidores inteligentes acessíveis sem abrir mão de informações confiáveis sobre qualidade de energia. Para consumidores e indústria, significa melhor proteção de equipamentos, avaliação mais precisa da saúde da rede e gerenciamento de energia mais inteligente — tudo isso mantendo os custos sob controle.

Citação: 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

Palavras-chave: medidores inteligentes, qualidade de energia, distorção harmônica, sensores de baixo custo, aprendizado de máquina