تعزيز مرونة الشبكة الذكية من خلال نماذج التعلم العميق المدعومة بالبلوك تشين لاكتشاف السرقة

لماذا تهم سرقة الطاقة الجميع

معظمنا يفترض ببساطة أنه عندما نغلق مفتاح الضوء فسوف تنار الأضواء—وأن فاتورتنا تتوافق إلى حد ما مع استهلاكنا. لكن حول العالم، جزء مفاجئ من الكهرباء «يختفي» ببساطة عبر السرقة والتلاعب بعدادات القياس. تُكلّف هذه الخسائر غير المرئية مليارات الدولارات، وتجهد شبكات الطاقة، وقد تتسبب أحيانًا في انقطاعات واسعة. تستعرض هذه الدراسة كيف أن الجمع بين الذكاء الاصطناعي الحديث والبلوك تشين—المعروف أساسًا من العملات المشفرة—يمكن أن يساعد شركات المرافق على رصد أنماط استخدام مريبة بسرعة، وحماية المشتركين الملتزمين، والحفاظ على تشغيل الشبكة بسلاسة.

نوع جديد من شبكات الطاقة

بُنيت شبكات الطاقة التقليدية لتدفق أحادي الاتجاه: محطات توليد كبيرة تبعث الكهرباء إلى المنازل والشركات. تضيف الشبكات الذكية اليوم عنصرًا ثانٍ—البيانات. تُبلغ العدادات الذكية عن معلومات مفصّلة وذات طوابع زمنية حول كمية الكهرباء التي يستهلكها كل مشترٍ. هذه الثروة من البيانات هي نعمة وتحدٍ في الوقت نفسه. فهي تتيح البحث عن أنماط غير عادية قد تشير إلى سرقة، لكن حجم وتعقيد البيانات قد يغلب طرق الكشف القديمة التي اعتمدت على قواعد بسيطة أو إحصاءات مصممة يدويًا. علاوة على ذلك، يجب على شركات المرافق حماية خصوصية العملاء وإثبات أن أي دليل على الاحتيال لم يُعدّل.

تعليم الآلات شكل "الطبيعي"

يتعامل المؤلفون مع هذه المشكلات باستخدام نموذج تعلم عميق يُدعى LSTM-autoencoder. بدلاً من إخبار النموذج مسبقًا من هم العملاء الشرفاء أو المخادعون، يُدرّب هذا النموذج فقط على السلوك الطبيعي ويتعلم ضغط ثم إعادة بناء أنماط الاستخدام اليومية والموسمية النموذجية. قبل التدريب، يقوم الفريق بتنقية البيانات بعناية: يملأ القراءات المفقودة، ويُلاطف الطفرات الشاذة، ويُعيد قياس القيم إلى نطاق مشترك، ويضيف ميزات بسيطة مثل وقت اليوم، ويوم الأسبوع، ومقاييس لمدى ثبات أو «قِمميّة» طلب العميل. كما يقومون بتوليد أمثلة اصطناعية لسلوك شبيه بالسرقة—مثل قلب أنماط الاستخدام أو تقليص الاستهلاك النهاري بهدوء—لخلق صورة أكثر توازنًا لما قد يواجهه النموذج.

كشف المحتالين الهادئين بين الحشود

بمجرد التدريب، يعمل الأوتوإنكودر كذاكرة صارمة للسلوك النموذجي. بالنسبة إلى عميل طبيعي، يمكنه إعادة إنشاء نمط الإدخال تقريبًا بدقة. عندما يقوم شخص ما بالتلاعب بالعداد أو إخفاء جزء من استهلاكه، لا يعود النمط يتوافق مع توقعات النموذج، فتقفز قيمة خطأ إعادة البناء. عن طريق تعيين عتبة على هذا الخطأ، يحدد النظام حالات السرقة المحتملة دون الحاجة إلى أمثلة معنونة لكل خدعة محتملة. في اختبارات على مجموعة بيانات استهلاكية حقيقية تغطي أنواعًا عديدة من العملاء على مدار عام، وصلت النهج إلى دقة تقارب 95% ودرجة F1 عالية، ما يعني أنه كشف معظم حالات السرقة بشكل صحيح مع تجنّب الكثير من الإنذارات الكاذبة.

ترسيخ الثقة بالبلوك تشين

لجعل نتائج الكشف موثوقة، يضيف الإطار طبقة بلوك تشين خفيفة الوزن. بدلًا من إدراج قراءات العدادات الخام على سجل رقمي مستهلك للطاقة الحاسوبية، تُكتب فقط المخرجات الرئيسية—مثل قرار النموذج، ودرجة خطؤه، والطابع الزمني—على السلسلة. تُرتبط هذه الإدخالات تشفيرياً بحيث يكون أي محاولة لتعديل السجلات السابقة واضحة فورًا. يمكن للعقود الذكية على البلوك تشين أن تفعل إجراءات متابعة تلقائيًا، مثل إرسال تنبيهات، أو تطبيق عقوبات، أو منح مكافآت للمستخدمين النزهاء باستمرار، دون كشف تفاصيل الاستهلاك الخاصة. تفصل هذه الآلية بين الكفاءة الحسابية وتقديم أثر قابل للتدقيق يمكن للجهات الرقابية والعملاء الوثوق به.

ماذا يعني هذا للمستخدمين اليوميين

بالنسبة للأسر والشركات العادية، الرسالة مشجعة: يمكن للأدوات الأذكى المعتمدة على البيانات تقليل سرقة الكهرباء دون تحويل الشبكة إلى كابوس خصوصي. عبر تعليم الآلات التعرف على السلوك الطبيعي ثم تأمين نتائجها على دفتر أستاذ لا يمكن العبث به، يساعد النظام المقترح شركات المرافق على الحد من الخسائر المالية، والحفاظ على أسعار أكثر عدلاً، وتقليل الضغط على خطوط النقل. ببساطة، إنه يشبه تزويد الشبكة بعين أكثر حدّة وذاكرة أفضل—قادرة على اكتشاف ما هو شاذ، وإثبات ما رأت، والاستجابة بسرعة، كل ذلك مع إبقاء عادات المستهلكين الملتزمين مفصلة ولكن خاصة.

الاستشهاد: Bibi, F., Rehman, S.U., Bibi, S. et al. Reinforcing smart grid resilience through blockchain-supported deep learning models for theft detection. Sci Rep 16, 10515 (2026). https://doi.org/10.1038/s41598-026-38824-w

الكلمات المفتاحية: سرقة الكهرباء, الشبكة الذكية, التعلم العميق, البلوك تشين, أمن الطاقة