使用人工智能算法提升低成本传感器在智能电表中监测总谐波失真的性能

廉价电能表为何重要

如今大多数家庭和企业都依赖智能电表来跟踪用电情况。除了计量千瓦时，这些电表还可以检测电能有多“洁净”，而这会影响能量损耗、设备寿命，甚至你的电费账单。但价格适中的电表内部的传感器往往过于基础，无法准确测量这种电能质量。本研究探讨人工智能（AI）能否让低成本传感器在检测一个关键电能质量指标——总谐波失真（THD）时，表现得像昂贵的实验室级仪器。

并非完全平滑的电力

在理想情况下，输电线路中的电压和电流应呈现完美平滑的波形。现实中，诸如 LED 灯、手机充电器和变频驱动等现代设备会切割这些波形并引入称为谐波的小波动。这种不受欢迎的“粗糙度”由 THD 来概括。高 THD 会使设备过热、缩短寿命，并干扰敏感电子设备。如今通常用快速傅里叶变换（FFT）来计算 THD。当传感器获取的是非常干净且高分辨率的数据时，FFT 工作良好，但当传感器便宜、噪声多或分辨率低——这正是智能电表大规模部署中常见的情况——准确性就会迅速下降。

将简单传感器变得智能

研究人员构建了一个框架，让高精度传感器扮演教师，而若干低成本传感器作为学生。首先，他们用精密传感器采集详细的电信号，并用 FFT 计算出非常准确的 THD 值，作为参考真值。然后他们人为降级这些信号，以模拟三类经济型传感器，从相对不错到非常差。对于每种低成本传感器，他们从其信号中用 FFT 提取特征，并将这些特征输入不同的 AI 模型。目标是学习一种直接映射——把廉价传感器看到的内容，转换为在相同条件下精密传感器会报告的结果。

AI 如何学会纠正误差

研究测试了多种知名的机器学习方法：支持向量机、随机森林、人工神经网络以及一种名为 AdaBoost 的集成技术。所有模型都被训练以从低成本传感器特征预测真实的 THD 值。模型经过精心调参，并用标准误差度量来评估预测值与参考传感器之间的差异。在数百个合成测试信号以及后续在受畸变负载条件下的真实实验室测量中，所有 AI 方法在很大程度上优于直接对廉价传感器应用 FFT 的传统做法。当传感器质量下降时，经典的 FFT 方法表现出较大误差并与参考值的契合度很低，而 AI 模型则在很大程度上保留了准确性。

一种学习方法的突出表现

在测试的方案中，AdaBoost 展现了最为令人印象深刻且稳定的结果。对于性能最好的经济型传感器，其预测几乎与高精度参考无法区分，误差极小，统计一致性接近完美。即便是对于最差的传感器，AdaBoost 仍维持较高的准确性，而传统的 FFT 方法几乎失效，表现出与真实 THD 很弱的相关性和极大的误差。其他模型如随机森林和支持向量机也表现良好，但随着传感器质量下降，它们的性能更容易下滑。神经网络对噪声大、低分辨率的数据则更为敏感，尤其在最差的传感器情况下表现明显。

这对日常用电意味着什么

这项研究表明，巧妙的软件可以弥补电能监测中硬件的不足。通过学习低成本传感器通常如何扭曲和遗漏细节，AI 能有效地将其粗糙读数“翻译”为此前只有昂贵仪器才能提供的高质量 THD 估计。对于电力公司和监管机构而言，这为在不放弃可靠电能质量信息的前提下大规模部署经济型智能电表打开了可能。对于消费者和工业用户，这意味着更好地保护设备、更准确地评估电网健康以及更智能的能量管理，同时把成本控制在可接受范围内。

引用: 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

关键词: 智能电表, 电能质量, 谐波失真, 低成本传感器, 机器学习