Un ensemble empilé avec optimisation de Pareto pour la détection évolutive du vol d’électricité via une réparation hybride des données et un déploiement léger

Pourquoi le vol d’électricité concerne tout le monde

Le vol d’électricité peut sembler un problème lointain, mais il fait augmenter discrètement les factures, surcharge le réseau et accroît le risque de coupures. Partout dans le monde, des personnes piratent des lignes ou trafiquent des compteurs, coûtant des milliards de dollars par an aux fournisseurs. Cette étude présente une nouvelle méthode pour détecter automatiquement ce type de fraude dans les vastes flux de données des compteurs intelligents, visant à protéger à la fois la stabilité du réseau et le portefeuille des clients honnêtes.

Comment les compteurs intelligents peuvent aider autant qu’induire en erreur

Les compteurs intelligents modernes enregistrent la consommation quotidienne des foyers et des entreprises, offrant une image détaillée de la demande dans le temps. En principe, des motifs inhabituels dans ces relevés peuvent révéler un vol, comme des chutes soudaines de consommation déclarée ou des pics irréguliers. En pratique, toutefois, les données sont brouillées : des relevés manquent, certains sont corrompus et les clients honnêtes sont bien plus nombreux que les fraudeurs. Des règles simples ou des logiciels anciens manquent soit trop de cas de fraude soit déclenchent trop de faux positifs, ce qui rend leur confiance difficile en conditions réelles.

Nettoyer les données défaillantes avant de porter un jugement

Les chercheurs ont conçu une chaîne complète, nommée STL-Net, qui accorde à la qualité des données la même importance que la prédiction finale. D’abord, elle répare les relevés manquants via un processus hybride combinant plusieurs techniques, choisissant des méthodes différentes selon le degré d’incomplétude de chaque segment de données. Ensuite, elle traite le fait que les fraudes sont rares en rééquilibrant soigneusement les données pour que les algorithmes d’apprentissage voient suffisamment d’exemples de comportements suspects sans surapprendre. Enfin, elle compresse les longues séries d’historique journalier en un ensemble réduit de caractéristiques synthétiques qui conservent les motifs clés, rendant le problème plus rapide à résoudre tout en restant interprétable.

Assembler plusieurs modèles intelligents plutôt qu’une grosse boîte noire

Au cœur de STL-Net se trouve l’approche dite de stacking : au lieu de faire confiance à un seul modèle prédictif, le système entraîne plusieurs modèles différents puis apprend à mieux combiner leurs sorties. Ici, quatre modèles avancés basés sur des arbres estiment chacun la probabilité qu’un client commette un vol. Un cinquième modèle apprend ensuite comment pondérer et fusionner ces avis individuels en une décision finale. Pour éviter de construire un système surcomplexe, les auteurs utilisent une recherche génétique qui explore des réglages visant à équilibrer deux objectifs simultanément : haute précision et faible coût computationnel. Cette optimisation « Pareto » produit des configurations bonnes sur les deux plans, plutôt qu’extrêmes sur un seul.

Assez rapide pour le terrain, et ouvert à l’inspection

Sur un grand jeu de données réel de la State Grid Corporation of China, couvrant plus d’un millier de jours de consommation pour plus de quarante mille clients, STL-Net a détecté le vol avec très grande fiabilité. Il a surpassé un large éventail de méthodes classiques d’apprentissage automatique et de réseaux neuronaux profonds, obtenant à la fois de solides scores pour l’identification correcte des fraudeurs et de faibles taux de mauvaise classification des usagers honnêtes. L’équipe a aussi développé une version allégée, STL-Lite, qui supprime le composant le plus lent pour réduire le temps de réponse d’environ 40 %, la rendant plus pratique pour des dispositifs à capacité de calcul limitée tout en préservant une qualité de détection quasi équivalente.

Voir pourquoi le système signale un client

Au-delà de la simple précision, les opérateurs et les régulateurs doivent comprendre pourquoi un système accuse un client de vol. STL-Net répond à cela en utilisant une technique d’explicabilité qui attribue chaque décision aux caractéristiques les plus influentes, comme les variations récentes de consommation sur des fenêtres temporelles spécifiques. Ces explications montrent que le modèle se concentre sur des changements soutenus et suspects de la consommation récente, plutôt que sur des pics isolés, et elles permettent aux opérateurs d’examiner plus attentivement les cas limites. Cette transparence aide à transformer le modèle d’une boîte noire mystérieuse en un outil d’aide à la décision vérifiable et digne de confiance.

Ce que cela signifie pour les futures factures et la fiabilité

En termes simples, l’étude montre qu’il est possible de construire un détecteur de vol d’électricité à la fois précis, efficace et explicable. En réparant soigneusement les données, en équilibrant les rares cas de fraude, en combinant plusieurs modèles complémentaires et en surveillant la rapidité de calcul, STL-Net propose un outil pratique pour les fournisseurs. S’il est adopté et adapté aux conditions locales, un tel système pourrait réduire les pertes cachées, soutenir une facturation plus équitable et contribuer à maintenir le réseau plus stable pour tous ceux qui en dépendent.

Citation: Rahaman, M.A., Mohamad Idris, R. A stacking ensemble with Pareto optimization for scalable electricity theft detection via hybrid data repair and lightweight deployment. Sci Rep 16, 14548 (2026). https://doi.org/10.1038/s41598-026-39693-z

Mots-clés: vol d’électricité, compteurs intelligents, apprentissage automatique, modèles ensemblistes, sécurité des réseaux intelligents