PrivEdge: un marco híbrido dividido‑federado de aprendizaje para la detección en tiempo real de hurto de electricidad en nodos edge

Manteniendo las luces justas y honestas

El hurto de electricidad puede parecer un caso marginal, pero drena silenciosamente hasta 100 000 millones de dólares al año de las compañías eléctricas en todo el mundo y puede representar una gran parte de la electricidad que circula por algunas redes. Esos ingresos perdidos acaban traduciéndose en facturas más altas, menos inversión en infraestructura y un suministro menos fiable para los clientes honestos. Al mismo tiempo, los datos detallados de los contadores inteligentes modernos, que podrían ayudar a atrapar a los ladrones, plantean complicadas cuestiones sobre la privacidad de los consumidores. Este artículo presenta PrivEdge, una nueva forma de detectar en tiempo real patrones de consumo sospechosos impulsando la inteligencia hacia pequeños dispositivos junto al contador, mientras se mantiene la mayor parte de los datos personales cerca del hogar.

El problema de vigilar hasta el último vatio

Los sistemas tradicionales para detectar hurto eléctrico se basan en recopilar enormes cantidades de datos de consumo en bruto de millones de contadores y analizarlos en un centro de datos central. Ese enfoque funciona, pero es costoso en comunicaciones, lento para reaccionar y crea un tentador cúmulo de datos detallados del hogar que puede entrar en conflicto con estrictas normas de privacidad. Los métodos más recientes, basados en aprendizaje descentralizado, intentan mantener los datos en el lado del cliente compartiendo solo actualizaciones de modelos. Sin embargo, muchos de estos aún requieren demasiada potencia de cálculo en dispositivos pequeños, no funcionan bien con clientes cuyos patrones de consumo varían ampliamente, o solo se han probado en entornos de laboratorio idealizados en lugar de en condiciones reales y complejas.

Un guardián más inteligente junto al contador

PrivEdge toma una ruta diferente dividiendo la tarea de detección entre un dispositivo pasarela de bajo coste—implementado aquí en una Raspberry Pi 4 conectada a cada contador inteligente—y un servidor central. En la pasarela, un software ligero limpia lecturas faltantes, reescala los datos, los comprime en un conjunto reducido de características y utiliza una red neuronal compacta con conciencia temporal para convertir el consumo reciente en una breve “huella” numérica. Solo esta huella compacta, no la traza detallada de cuándo herviste agua o encendiste el aire acondicionado, se envía al servidor. Esto reduce drásticamente la cantidad de información que debe transmitirse y ayuda a proteger los patrones de vida cotidiana ocultos en los datos en bruto.

Aprender juntos sin compartir secretos

En el servidor, esas huellas alimentan la parte profunda de la red neuronal y una colección de modelos clásicos de aprendizaje automático como árboles de decisión y clasificadores de vectores de soporte. Sus salidas se combinan mediante un meta‑modelo simple que aprende a ponderar cada uno, formando un conjunto (ensemble) más preciso y resistente que cualquier detector individual. Múltiples pasarelas participan en un proceso de entrenamiento coordinado: en lugar de subir datos en bruto, envían periódicamente actualizaciones de modelo que el servidor promedia y devuelve, permitiendo que todo el sistema aprenda a partir de muchas regiones a la vez. Además, los autores aplican salvaguardas prácticas de privacidad, incluida la agregación segura de actualizaciones y la inyección cuidadosamente ajustada de ruido en las señales compartidas, así como cifrado opcional de alta seguridad para los despliegues más sensibles.

Diseñado para la red real, no solo para el laboratorio

Para comprobar si este diseño funciona fuera de la teoría, los investigadores probaron PrivEdge con un conjunto de datos del mundo real muy usado de la State Grid de China, que contiene años de consumos etiquetados como normales o fraudulentos de decenas de miles de clientes. Lo compararon con los métodos centralizados, federados, divididos e híbridos líderes, todos bajo las mismas condiciones de preprocesado y hardware. PrivEdge alcanzó alrededor del 98 % de precisión y puntuación F1, superando a todos los competidores mientras enviaba solo información intermedia compacta en lugar de flujos de datos completos. Ejecuciones largas de 24 horas con hardware en lazo (hardware‑in‑the‑loop) en pasarelas Raspberry Pi mostraron un uso de CPU bajo y estable, consumo de energía modesto y tiempos de respuesta del orden de milisegundos, incluso al simular retrasos de red, pérdida de paquetes y múltiples contadores conectados a una sola pasarela.

Protegiendo la privacidad mientras se atrapan a los tramposos

Dado que cualquier señal compartida puede, en principio, filtrar información, los autores fueron más allá y montaron ataques realistas de privacidad y seguridad contra su propio sistema. En pruebas de "caja negra" donde un atacante solo ve las puntuaciones finales de hurto—no el funcionamiento interno—los intentos de inferir quién estaba en los datos de entrenamiento o de reconstruir patrones detallados de consumo rindieron poco mejor que adivinar al azar. Cuando simularon clientes que deliberadamente intentaban envenenar el modelo compartido con actualizaciones falsas, los métodos de agregación robusta en el servidor neutralizaron en gran medida el impacto. En conjunto, el estudio sugiere que PrivEdge puede actuar como un vigilante práctico y respetuoso con la privacidad: ayuda a las compañías eléctricas a detectar una amplia gama de comportamientos sutiles y flagrantes de hurto en tiempo real, usando hardware edge económico, sin convertir los contadores inteligentes en dispositivos de vigilancia omniscientes.

Cita: Ramadan, A., Shouman, M.A., Attiya, G. et al. PrivEdge: a hybrid split–federated learning framework for real-time electricity theft detection on edge nodes. Sci Rep 16, 9685 (2026). https://doi.org/10.1038/s41598-026-39064-8

Palabras clave: hurto de electricidad, redes inteligentes, IA en el edge, aprendizaje federado, análisis preservador de la privacidad