חיזוק החוסן של הרשת החכמה באמצעות מודלי למידה עמוקה הנתמכים בבלוקצ’יין לגילוי גניבת חשמל

מדוע חשמל גנוב חשוב לכולנו

רובנו מניחים שכאשר אנחנו מדליקים מתג, האור נדלק — ושהחשבון שלנו פחות או יותר תואם את מה שהשתמשנו. אבל ברחבי העולם חלק ניכר מהחשמל פשוט "נעלם" דרך גניבה ומניפולציות של מדידים. אובדנים בלתי נראים אלה עולים במיליארדי דולרים, מעמיסים על רשתות החשמל, ולעתים אף עלולים לגרום להפסקות חשמל. המחקר הזה בוחן כיצד שילוב של בינה מלאכותית מתקדמת ובלוקצ’יין — הידוע בעיקר מזירות המטבעות הקריפטוגרפיים — יכול לעזור לחברות החשמל לזהות דפוסי שימוש חשודים במהירות, להגן על הלקוחות הגונים ולשמור על תפקוד חלק של הרשת.

סוג חדש של רשת כוח

רשתות החשמל המסורתיות נבנו לזרימה בכיוון אחד: תחנות כוח גדולות ששולחות חשמל החוצה לבתים ולעסקים. הרשתות החכמות של היום מוסיפות מרכיב שני — נתונים. מדידים חכמים מדווחים מידע מפורט וממוסמך בזמן על כמות החשמל שכל לקוח צורך. העושר הזה הוא גם ברכה וגם אתגר. הוא מאפשר לחפש דפוסים חריגים שמעידים על גניבה, אך נפח וסיבוביות הנתונים עלולים להעמיס על שיטות גילוי ישנות שהתבססו על כללים פשוטים או סטטיסטיקות מעשה ידי אדם. מעבר לכך, חברות החשמל חייבות להגן על פרטיות הלקוחות ולהוכיח שכל ראיה להונאה לא שונתה.

ללמד מכונות מהו "נורמלי"

המחברים מתמודדים עם בעיות אלה באמצעות מודל למידה עמוקה שנקרא מקודד-פענח LSTM (LSTM-autoencoder). במקום לספק מראש תוויות לגבי אילו לקוחות הוגנים או מטעמים, המודל הזה מאומן רק על התנהגות נורמלית ולומד לדחוס ואז לשחזר דפוסי שימוש יומיוניים ועונתיים טיפוסיים. לפני האימון הצוות מנקה בקפידה את הנתונים: ממלא קריאות חסרות, מטשטש תקלות קיצוניות, משנה סקאלה של ערכים לטווח משותף, ומוסיף תכונות פשוטות כמו שעת היום, יום השבוע ומדדים של כמה יציב או "נוקשה" הביקוש של הלקוח. הם גם מייצרים באופן מלאכותי דוגמאות של התנהגות הדומה לגניבה — כגון היפוך דפוסי צריכה או הקטנת צריכה ביום באופן שקט — כדי ליצור תמונה מאוזנת יותר של מה שהמודל עלול להיתקל בו.

לזהות רמאויות שקטות בתוך ההמון

לאחר האימון, המקודד-פענח פועל כמו זיכרון מחמיר של התנהגות טיפוסית. עבור לקוח נורמלי הוא יכול לשחזר כמעט במדויק את דפוס הקלט. כאשר מישהו מתעסק במד או מסתיר חלק מהצריכה שלו, הדפוס כבר לא מתאים למה שהמודל מצפה וטעויות השחזור קופצות. על ידי קביעת סף לשגיאה זו, המערכת מסמנת גניבה אפשרית מבלי להזדקק לדוגמאות מתוייגות של כל טריק אפשרי. במבחנים על מערך צריכה אמיתי המכסה סוגים רבים של לקוחות לאורך שנה, הגישה הגיעה לכדי דיוק של כ-95% וציון F1 גבוה, כלומר היא תפסה נכון את רוב מקרי הגניבה תוך הימנעות ממספר גבוה של אזעקות שווא.

להבטיח אמינות באמצעות בלוקצ’יין

כדי להפוך את תוצאות הגילוי לאמינות, המסגרת מוסיפה שכבת בלוקצ’יין קלת משקל. במקום לדחוס קריאות מד מדעיות גולמיות לשרשרת דיגיטלית שצורכת אנרגיה רבה, רק התוצרים המרכזיים — כגון החלטת המודל, ציון השגיאה והחותמת זמן — נרשמים בשרשרת. רשומות אלה מקושרות קריפטוגרפית כך שכל ניסיון לשנות רשומות עבר יהיה ברור לעין. חוזים חכמים בבלוקצ’יין יכולים להפעיל אוטומטית פעולות המשך, כגון שליחת התראות, הטלת קנסות או מתן תגמולים למשתמשים שנשארים הוגנים באופן עקבי, מבלי לחשוף פרטי צריכה פרטיים. ההפרדה הזו שומרת על יעילות חישובית ומספקת מסלול ניתן לביקורת שהרגולטורים והלקוחות יכולים לסמוך עליו.

מה זה אומר للمשתמשים היומיומיים

לאצל Hausholds ובתי עיסוק רגילים המסר הוא מעודד: כלים חכמים מונעי נתונים יכולים להפחית את גניבת החשמל מבלי להפוך את הרשת לסיוט פרטיות. על ידי לימוד מכונות לזהות התנהגות נורמלית ולאחר מכן לאבטח את הממצאים על גבי יומן חסין זיופים, המערכת המוצעת עוזרת לחברות החשמל להגביל אובדנים כספיים, לשמור על מחירים הוגנים יותר ולהפחית עומס על קווי חשמל. בפשטות, זה כמו להעניק לרשת גם ראייה חדה יותר וגם זיכרון טוב יותר — כזה שיודע להגיד מתי משהו לא תקין, להוכיח מה הוא ראה ולהגיב במהירות, וכל זאת תוך שמירה על פרטיות ההרגלים המפורטים של הלקוחות ההגונים.

ציטוט: 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

מילות מפתח: גניבת חשמל, רשת חכמה, למידה עמוקה, בלוקצ’יין, ביטחון אנרגטי