Повышение эффективности недорогих датчиков для мониторинга ОИП в умных счетчиках с помощью алгоритмов ИИ

Почему важны более дешевые измерители электроэнергии

В большинстве домов и предприятий сейчас используют умные счетчики для отслеживания потребления электроэнергии. Помимо подсчета киловатт‑часов, эти счетчики также могут оценивать «чистоту» электропитания, что влияет на потери энергии, срок службы оборудования и даже размер счета. Однако датчики внутри доступных по цене счетчиков часто слишком просты, чтобы точно измерять качество питания. В этом исследовании изучается, может ли искусственный интеллект (ИИ) научить недорогие датчики вести себя как дорогое лабораторное оборудование при оценке ключевого показателя качества питания — общей гармонической искажаемости (ОИП), или THD.

Электричество, которое не совсем гладкое

В идеале напряжение и ток в линиях следовали бы совершенно гладким синусоидам. На практике современные приборы — светодиодные лампы, зарядные устройства для телефонов, привод с регулируемой скоростью и т. п. — «рубят» эти сигналы и вводят мелкие пульсации, известные как гармоники. Количество этой нежелательной «шероховатости» суммируется в показателе ОИП. Высокая ОИП может перегревать оборудование, сокращать срок службы и нарушать работу чувствительной электроники. Сегодня ОИП обычно вычисляют с помощью быстрого преобразования Фурье (FFT). Этот метод хорошо работает, если датчик фиксирует очень чистые и детализированные данные, но он быстро теряет точность, когда датчик дешевый, шумный или низкого разрешения — именно такие широко используются при массовом внедрении умных счетчиков.

Превращение простых датчиков в умные

Исследователи разработали схему, в которой высокоточный датчик выступал в роли учителя, а несколько недорогих датчиков — в роли учеников. Сначала они собрали детализированные электрические сигналы с помощью точного датчика и вычислили очень точные значения ОИП с использованием FFT, принимая их за эталон. Затем эти сигналы искусственно ухудшили, чтобы имитировать три класса экономичных датчиков — от относительно приличных до очень плохих. Для каждого недорогого датчика из его сигналов извлекали признаки с помощью FFT и подавали их на вход различным моделям ИИ. Цель состояла в том, чтобы выучить прямое соответствие между тем, что видит дешевый датчик, и тем, что бы показал точный датчик при тех же условиях.

Как ИИ научился исправлять ошибки

Были опробованы несколько известных методов машинного обучения: опорные векторы (SVM), случайные леса, искусственные нейронные сети и ансамблевый метод AdaBoost. Все они обучались предсказывать истинные значения ОИП по признакам недорогих датчиков. Модели тщательно настраивали и оценивали с помощью стандартных мер ошибки, сравнивающих предсказанные значения с эталонными. На сотнях синтетических тестовых сигналов и затем на реальных лабораторных измерениях при искаженных нагрузках все методы ИИ значительно превосходили прямой расчет FFT, примененный к дешевым датчикам. Классический подход FFT демонстрировал большие ошибки и очень низкое согласие с эталоном при ухудшении качества датчика, тогда как модели ИИ в основном сохраняли точность.

Выдающаяся роль одного метода обучения

Из протестированных подходов AdaBoost показал наиболее впечатляющие и стабильные результаты. Для лучших из экономичных датчиков его предсказания были практически неотличимы от высокоточного эталона, с ошибками настолько малыми, что статистическое согласие было близко к идеальному. Даже для худшего датчика AdaBoost сохранял высокую точность, тогда как традиционный метод FFT почти полностью терял состоятельность, демонстрируя очень слабую корреляцию с истинной ОИП и чрезвычайно большие ошибки. Другие модели, такие как случайные леса и SVM, тоже работали хорошо, но при ухудшении качества датчика их производительность падала сильнее. Нейронные сети оказались более чувствительны к шумным, низкоразрешающим данным, особенно в случае самых плохих датчиков.

Что это означает для повседневного использования электроэнергии

Исследование показывает, что грамотное программное обеспечение может компенсировать скромное оборудование в мониторинге электроэнергии. Изучая, как недорогие датчики обычно искажают и пропускают детали, ИИ может эффективно «переводить» их грубые показания в те высококачественные оценки ОИП, которые ранее были доступны только дорогим приборам. Для энергетических компаний и регуляторов это открывает возможность разворачивать большое количество доступных умных счетчиков, не теряя надежной информации о качестве питания. Для потребителей и отраслей это означает лучшую защиту оборудования, более точную оценку состояния сети и более интеллектуальное управление энергией при контролируемых затратах.

Цитирование: 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

Ключевые слова: умные счетчики, качество электроэнергии, гармонические искажения, недорогие датчики, машинное обучение