Förbättra prestanda hos lågkostnadssensorer för THD‑övervakning i smarta mätare med AI‑algoritmer

Varför billigare elmätare spelar roll

De flesta hem och företag förlitar sig nu på smarta mätare för att följa hur elektricitet används. Utöver att räkna kilowattimmar kan dessa mätare också kontrollera hur ”ren” elen är, vilket påverkar energiförluster, utrustningens livslängd och till och med din räkning. Men sensorerna i prisvärda mätare är ofta för enkla för att mäta denna elkvalitet noggrant. Denna studie undersöker om artificiell intelligens (AI) kan lära lågkostnadssensorer att bete sig som dyra, laboratoriekvalitativa instrument när de kontrollerar en viktig indikator på elkvalitet kallad total harmonisk distorsion, eller THD.

El som inte är helt slät

I en ideal värld skulle spänningen och strömmen i kraftledningar följa perfekt släta vågformer. I verkligheten klyver moderna apparater som LED‑lampor, telefonladdare och varvtalsstyrningar dessa vågor och introducerar små ripplar kända som harmoniska frekvenser. Mängden av denna oönskade ”grovhet” sammanfattas av THD. Hög THD kan överhetta utrustning, förkorta livslängden och störa känslig elektronik. Idag räknas THD vanligtvis ut med ett matematiskt verktyg kallat snabba Fouriers transformen (FFT). Detta fungerar väl om sensorn fångar mycket rena och detaljerade data, men tappar snabbt i noggrannhet när sensorn är billig, brusig eller lågupplöst — den typ som ofta används i storskaliga utbyggnader av smarta mätare.

Att göra enkla sensorer smarta

Forskarna byggde ett ramverk där en högprecisionssensor spelar lärarens roll och flera lågkostnadssensorer agerar elever. Först samlade de in detaljerade elektriska signaler med den precisa sensorn och beräknade mycket exakta THD‑värden med FFT, vilka betraktades som referenssanningen. Sedan försämrade de dessa signaler artificiellt för att efterlikna tre klasser av ekonomiska sensorer, från relativt bra till mycket dåliga. För varje lågkostnadssensor extraherade de egenskapsmått från dess signaler med FFT och matade dessa till olika AI‑modeller. Målet var att lära en direkt avbildning från vad den billiga sensorn ser till vad den precisa sensorn skulle ha rapporterat under samma förhållanden.

Hur AI lärde sig rätta felen

Flera välkända maskininlärningsmetoder testades: stödvektormaskiner (SVM), slumpmässiga skogar (random forests), artificiella neurala nätverk och en ensemblemetod kallad AdaBoost. Alla tränades för att förutsäga de sanna THD‑värdena utifrån lågkostnadsensorernas egenskapsmått. Modellerna ställdes in noggrant och utvärderades med standardiserade felmått som jämför förutsagda värden med referenssensorn. Över hundratals syntetiska testsignaler och senare med verkliga laboratoriemätningar under förvrängda belastningsförhållanden överträffade alla AI‑metoder den enkla FFT‑beräkningen som applicerades direkt på de billiga sensorerna. Den klassiska FFT‑metoden visade stora fel och mycket låg överensstämmelse med referensen när sensorkvaliteten sjönk, medan AI‑modellerna till stor del bevarade noggrannheten.

En framträdande metod

Bland de testade angreppssätten gav AdaBoost de mest imponerande och konsekventa resultaten. För de bästa av de ekonomiska sensorerna var dess förutsägelser nästan oskiljbara från högprecisionsreferensen, med fel så små att den statistiska överensstämmelsen var nära perfekt. Även för den sämsta sensorn bibehöll AdaBoost hög noggrannhet, medan den traditionella FFT‑metoden nästan misslyckades och visade mycket svag korrelation med den sanna THD samt extremt stora fel. Andra modeller som random forests och stödvektormaskiner presterade också väl men tenderade att försämras mer i takt med att sensorkvaliteten sjönk. Neurala nätverk visade sig vara känsligare för brusiga, lågupplösta data, särskilt i fallet med den sämsta sensorn.

Vad detta betyder för vardaglig elkonsumtion

Studien visar att smart mjukvara kan kompensera för blygsam hårdvara i elövervakning. Genom att lära sig hur lågkostnadssensorer typiskt förvränger och missar detaljer kan AI effektivt ”översätta” deras grova avläsningar till de högkvalitativa THD‑uppskattningar som tidigare bara fanns från dyra instrument. För elbolag och reglerande myndigheter öppnar detta dörren till att distribuera stora antal prisvärda smarta mätare utan att ge upp tillförlitlig information om elkvalitet. För konsumenter och industrin betyder det bättre skydd av utrustning, noggrannare bedömning av nätets hälsa och smartare energihantering — samtidigt som kostnaderna hålls under kontroll.

Citering: 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

Nyckelord: smarta mätare, elkvalitet, harmonisk distorsion, lågkostnadssensorer, maskininlärning