PrivEdge : un cadre d’apprentissage hybride split–fédéré pour la détection en temps réel du vol d’électricité sur des nœuds en périphérie

Préserver un éclairage juste et honnête

Le vol d’électricité peut sembler être un cas marginal et obscur, mais il prive silencieusement les compagnies d’énergie de jusqu’à 100 milliards de dollars par an dans le monde et peut représenter une part importante de l’électricité circulant dans certains réseaux. Ces pertes de revenus se traduisent in fine par des factures plus élevées, des investissements plus faibles dans les infrastructures et une fourniture d’électricité moins fiable pour les consommateurs honnêtes. Parallèlement, les données détaillées des compteurs intelligents modernes, qui pourraient aider à repérer les fraudeurs, soulèvent des questions épineuses de confidentialité des consommateurs. Cet article présente PrivEdge, une nouvelle méthode pour repérer en temps réel des schémas de consommation suspects en déployant l’intelligence sur de petits appareils proches du compteur, tout en conservant la plupart des données personnelles à proximité du domicile.

Le problème de surveiller chaque watt

Les systèmes traditionnels de détection du vol d’électricité reposent sur la collecte de quantités massives de données d’usage brutes issues de millions de compteurs et leur analyse dans un centre de données centralisé. Cette approche fonctionne, mais elle est coûteuse en communication, lente à réagir et crée un trésor tentant de données ménagères détaillées qui peut entrer en conflit avec des règles strictes de confidentialité. Les méthodes plus récentes basées sur l’apprentissage décentralisé cherchent à conserver les données côté client tout en ne partageant que des mises à jour de modèles. Cependant, nombre de ces solutions exigent encore trop de puissance de calcul sur de petits appareils, ne s’adaptent pas bien aux clients aux profils de consommation très hétérogènes, ou n’ont été testées que dans des environnements de laboratoire idéalisés plutôt que dans des conditions réelles et chaotiques.

Un portier plus intelligent au niveau du compteur

PrivEdge opte pour une voie différente en répartissant la tâche de détection entre un dispositif passerelle à faible coût — implémenté ici sur un Raspberry Pi 4 connecté à chaque compteur intelligent — et un serveur central. Sur la passerelle, un logiciel léger nettoie les relevés manquants, remet les données à l’échelle, les compresse en un petit ensemble de caractéristiques et utilise un réseau neuronal compact tenant compte du temps pour transformer la consommation récente en une courte « empreinte » numérique. Seule cette empreinte compacte, et non la trace fine d’un moment où vous avez fait bouillir de l’eau ou allumé la climatisation, est envoyée ensuite. Cela réduit fortement la quantité à transmettre et contribue à protéger les motifs de vie quotidienne cachés dans les données brutes.

Apprendre ensemble sans partager de secrets

Côté serveur, ces empreintes alimentent une partie plus profonde du réseau neuronal et un ensemble de modèles classiques d’apprentissage automatique tels que des arbres de décision et des classificateurs à vecteurs de support. Leurs sorties sont combinées par un méta‑modèle simple qui apprend à pondérer chacune d’elles, formant un ensemble plus précis et plus résilient que n’importe quel détecteur isolé. Plusieurs passerelles participent à un processus d’entraînement coordonné : au lieu de téléverser des données brutes, elles envoient périodiquement des mises à jour de modèle que le serveur moyenne et renvoie, permettant au système d’apprendre à partir de nombreuses régions simultanément. En complément, les auteurs ajoutent des protections pratiques pour la vie privée, notamment l’agrégation sécurisée des mises à jour et une injection de bruit finement réglée dans les signaux partagés, ainsi qu’un chiffrement optionnel renforcé pour les déploiements les plus sensibles.

Conçu pour le réseau réel, pas seulement pour le laboratoire

Pour vérifier si ce design tient en dehors de la théorie, les chercheurs ont testé PrivEdge sur un jeu de données réel largement utilisé provenant de la State Grid chinoise, contenant des années de consommations étiquetées normales et frauduleuses de dizaines de milliers de clients. Ils l’ont comparé à des approches centralisées, fédérées, split et hybrides de pointe, toutes soumises aux mêmes prétraitements et conditions matérielles. PrivEdge a atteint environ 98 % de précision et de score F1, surpassant tous les concurrents tout en n’envoyant que des informations intermédiaires compactes au lieu de flux de données complets. Des tests longue durée, en boucle matérielle de 24 heures sur des passerelles Raspberry Pi ont montré une utilisation CPU faible et stable, une consommation électrique modeste et des temps de réponse à l’échelle de la milliseconde, même en simulant des retards réseau, des pertes de paquets et la connexion de plusieurs compteurs à une même passerelle.

Protéger la vie privée tout en démasquant les fraudeurs

Parce que tout signal partagé peut, en principe, laisser fuir de l’information, les auteurs sont allés plus loin et ont orchestré des attaques réalistes de confidentialité et de sécurité contre leur propre système. Dans des tests « black‑box » où un attaquant ne voit que les scores finaux de vol — et non le fonctionnement interne — les tentatives d’inférer qui figurait dans les données d’entraînement ou de reconstruire des schémas de consommation détaillés n’ont guère fait mieux que le hasard. Lorsqu’ils ont simulé des clients cherchant délibérément à empoisonner le modèle partagé avec de fausses mises à jour, les méthodes d’agrégation robustes côté serveur ont en grande partie neutralisé l’impact. Dans l’ensemble, l’étude suggère que PrivEdge peut agir comme un chien de garde pratique et respectueux de la vie privée : il aide les services publics à détecter en temps réel une large gamme de comportements de fraude subtils et flagrants, en utilisant du matériel d’edge peu coûteux, sans transformer les compteurs intelligents en dispositifs de surveillance omniscients.

Citation: 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

Mots-clés: vol d’électricité, réseaux intelligents, IA en périphérie, apprentissage fédéré, analyses préservant la vie privée