Yapay zeka algoritmalarıyla akıllı sayaçlarda THD izleme için düşük maliyetli sensör performansının artırılması

Daha ucuz güç ölçerlerin önemi

Çoğu ev ve iş yeri artık elektrik kullanımını takip etmek için akıllı sayaçlara güveniyor. Kilovat-saatleri saymanın ötesinde, bu sayaçlar gücün ne kadar “temiz” olduğunu da kontrol edebilir; bu durum enerji kaybını, ekipmanın ömrünü ve hatta faturanızı etkiler. Ancak uygun fiyatlı sayaçların içindeki sensörler genellikle güç kalitesini doğru ölçmek için çok basit kalır. Bu çalışma, yapay zekânın (YZ) düşük maliyetli sensörleri, toplam harmonik bozulma (THD) adlı önemli bir güç kalitesi göstergesini incelerken pahalı, laboratuvar sınıfı cihazlar gibi davranmaya “öğretebilip öğretmediğini” araştırıyor.

Tam olarak düzgün olmayan elektrik

İdeal bir dünyada, iletim hatlarındaki gerilim ve akım mükemmel derecede düzgün dalga biçimleri izlerdi. Gerçekte ise LED aydınlatmalar, telefon şarj cihazları ve değişken hız sürücüleri gibi modern cihazlar bu dalgaları parçalar ve harmonikler olarak adlandırılan küçük dalgalanmalar üretir. Bu istenmeyen “pürüzlülüğün” miktarı THD ile özetlenir. Yüksek THD ekipmanları aşırı ısıtabilir, ömürlerini kısaltabilir ve hassas elektroniği bozabilir. Günümüzde THD genellikle Hızlı Fourier Dönüşümü (FFT) adlı matematiksel araçla hesaplanır. Bu yöntem, sensör çok temiz ve ayrıntılı veri yakaladığı sürece iyi çalışır; ancak sensör ucuz, gürültülü veya düşük çözünürlüklü olduğunda —ki bu tür sensörler akıllı sayaçların yaygın kurulumlarında sıkça kullanılır— doğruluğunu hızla kaybeder.

Basit sensörleri akıllı hale getirmek

Araştırmacılar, yüksek doğruluklu bir sensörün öğretmen, birkaç düşük maliyetli sensörün ise öğrenci rolünde olduğu bir çerçeve kurdu. Önce hassas sensörle ayrıntılı elektrik sinyalleri topladılar ve FFT kullanarak çok doğru THD değerleri hesaplayıp bunları referans gerçek değerler olarak ele aldılar. Ardından bu sinyalleri yapay olarak bozarak nispeten iyi olandan çok kötü olana kadar üç sınıf ekonomik sensörü taklit ettiler. Her düşük maliyetli sensör için sinyallerden FFT ile özellikler çıkardılar ve bunları farklı YZ modellerine verdiler. Amaç, ucuz sensörün gördüğü ile aynı koşullar altında hassas sensörün raporlayacağı değer arasında doğrudan bir eşleme öğrenmekti.

YZ hataları nasıl düzelmeyi öğrendi

Destek vektör makineleri, rastgele ormanlar, yapay sinir ağları ve AdaBoost adlı bir topluluk tekniği gibi bilinen birkaç makine öğrenimi yöntemi test edildi. Hepsi düşük maliyetli sensör özelliklerinden gerçek THD değerlerini tahmin etmek üzere eğitildi. Modeller titizlikle ayarlandı ve tahmin edilen değerleri referans sensörle karşılaştıran standart hata ölçümleriyle değerlendirildi. Yüzlerce sentetik test sinyali ve daha sonra bozulu yük koşulları altındaki gerçek laboratuvar ölçümleri boyunca, her YZ yöntemi ucuz sensörlere doğrudan uygulanan basit FFT hesaplamasını önemli ölçüde geride bıraktı. Klasik FFT yaklaşımı sensör kalitesi düştüğünde büyük hatalar ve referansla çok düşük uyum gösterirken, YZ modelleri genel olarak doğruluğu korudu.

Bir öğrenme yönteminin öne çıkması

Test edilen yaklaşımlar arasında AdaBoost en etkileyici ve tutarlı sonuçları verdi. Ekonomik sensörlerin en iyisi için tahminleri, referans yüksek doğruluklu sensörden neredeyse ayırt edilemez düzeydeydi; hatalar o kadar küçük oldu ki istatistiksel uyum neredeyse mükemmele yakın çıktı. En kötü sensör için bile AdaBoost yüksek doğruluğu korudu; oysa geleneksel FFT yöntemi neredeyse başarısız oldu, gerçek THD ile çok zayıf korelasyon ve son derece büyük hatalar gösterdi. Rastgele ormanlar ve destek vektör makineleri gibi diğer modeller de iyi performans gösterdi ancak sensör kalitesi düştükçe daha fazla gerileyebildiler. Sinir ağları, özellikle en kötü sensör durumunda, gürültülü ve düşük çözünürlüklü verilere karşı daha hassas olduğu görüldü.

Günlük güç kullanımı için anlamı

Çalışma, akıllı yazılımın güç izleme donanımındaki sınırlamaları telafi edebileceğini gösteriyor. YZ, düşük maliyetli sensörlerin tipik olarak nasıl bozulduğunu ve hangi ayrıntıları kaçırdığını öğrenerek, bu kaba okumaları daha önce yalnızca pahalı cihazlardan elde edilebilen yüksek kaliteli THD tahminlerine “çevirme” yeteneğine sahip. Elektrik şirketleri ve düzenleyiciler için bu, güvenilir güç kalitesi bilgilerini feda etmeden çok sayıda uygun fiyatlı akıllı sayaç dağıtma imkânı açıyor. Tüketiciler ve sanayi için ise bu, ekipman korumasının iyileştirilmesi, şebeke sağlığının daha doğru değerlendirilmesi ve maliyetleri kontrol altında tutarken daha akıllı enerji yönetimi anlamına geliyor.

Atıf: 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

Anahtar kelimeler: akıllı sayaçlar, güç kalitesi, harmonik bozulma, düşük maliyetli sensörler, makine öğrenimi