מערך סטאקים עם אופטימיזציית פארטו לגילוי גניבת חשמל בקנה מידה באמצעות תיקון נתונים היברידי והטמעה קלת משקל

מדוע גניבת חשמל חשובה לכולם

גניבת חשמל עשויה להישמע כבעיה מרוחקת, אך היא מגבירה בשקט את חשבונות החשמל, מעמיסה על הרשת ומגבירה את הסיכון להפסקות חשמל. ברחבי העולם אנשים מנקזים קווים באופן בלתי חוקי או משבשים מדדים, מה שמעלה עלויות לתחנות החשמל במיליארדי דולרים מדי שנה. המחקר הזה מציג שיטה חדשה לזיהוי אוטומטי של גניבות כאלה בזרמי הנתונים העצומים המגיעים ממדדי חשמל חכמים, במטרה להגן על יציבות הרשת ועל כיסם של הלקוחות הישרים.

כיצד מדדי החכם יכולים לעזור וגם להטעות

מדדי חשמל מודרניים רושמים כמה חשמל בתים ועסקים צורכים מדי יום, ויוצרים תמונה מפורטת של הביקוש לאורך זמן. עקרונית, דפוסים חריגים ברישומים אלה יכולים לחשוף גניבה, כמו ירידות פתאומיות בדיווח על צריכה או פרצי פעילות לא סדירים. למעשה, עם זאת, הנתונים מלוכלכים: קריאות חסרות, חלקן פגומות, והלקוחות החוקיים עולים בהרבה על הגנבים. חוקים פשוטים או תוכנה ישנה מפספסים יותר מדי מקרים של גניבה או מפעילים יותר מדי אזעקות שווא, מה שמקשה על אמינותם בתפעול שוטף.

ניקוי נתונים פגומים לפני קבלת החלטות

החוקרים תכננו צינור עיבוד מלא, הנקרא STL-Net, שמתייחס לאיכות הנתונים ברצינות זהה לזו של התחזית הסופית. תחילה, הוא מתקן קריאות חסרות בתהליך היברידי המשלב מספר טכניקות, ומחליט איזו שיטה להתאים לכל קטע נתונים לפי מידת החוסריות. לאחר מכן הוא מתמודד עם העובדה שמקרי גניבה נדירים על ידי איזון מדויק של הנתונים, כך שהאלגוריתמים ילמדו מספיק דוגמאות להתנהגות חשודה בלי להיצמד יתר על המידה. לבסוף הוא דוחס היסטוריות ארוכות של צריכה יומית לקבוצה קטנה יותר של תכונות סכמיות ששומרות על דפוסים מפתח, מה שהופך את הבעיה למהירה יותר לפתרון ועם זאת ברורה יותר.

לא שיקס אחד גדול ולא שקוף — שילוב של כמה מודלים חכמים

במרכז STL-Net עומד גישה שמכונה סטאקים: במקום להסתמך על מודל יחיד, המערכת מאמנת מספר מודלים שונים ואז לומדת כיצד לשלב בצורה מיטבית את תוצריהם. כאן, ארבעה מודלים מתקדמים מבוססי עצים מעריכים כל אחד את הסיכוי של לקוח לגנוב חשמל. מודל חמישי לומד כיצד לשקלל ולמזג את הדעות האישיות הללו להחלטה סופית. כדי להימנע מבניית מערכת מיותרת ומסובכת, המחברים משתמשים באסטרטגיית חיפוש גנטית שמחפשת הגדרות מודל המאזנות בין שתי מטרות במקביל: דיוק גבוה ועלות חישובית נמוכה. אופטימיזציית "פארטו" הזאת מניבה תצורות שבאות לידי ביטוי היטב בשני הממדים, במקום להיות קיצוניות רק באחד מהם.

מהיר מספיק לשטח ופתוח לבחינה

על מאגר נתונים גדול אמיתי מחברת State Grid של סין, שכולל יותר מאלף ימי שימוש ביותר מארבעים אלף לקוחות, STL-Net זיהה גניבות באמינות גבוהה מאוד. הוא עלה על מגוון שיטות סטנדרטיות של למידת מכונה ורשתות עצביות עמוקות, והשיג הן ציוני חיזוי חזקים לזיהוי גנבים והן שיעורי טעויות נמוכים בסימון לקוחות ישרים. הצוות גם בנה גרסה קלילה יותר, STL-Lite, שמסירה את הרכיב האיטי ביותר כדי לקצר את זמן התגובה בכ־40% בקירוב, מה שהופך אותה לפרקטית יותר להתקנים עם יכולת חישוב מוגבלת ובאותה עת שומרת כמעט את אותה איכות גילוי.

לראות מדוע המערכת מסמנת לקוח

מעבר לדיוק הגולמי, חברות תשתית ורשויות רגולציה זקוקות להבנה מדוע מערכת מאשימה לקוח בגניבה. STL-Net מתמודד עם זה באמצעות טכניקת הסבר שמייחסת כל החלטה לתכונות המשפיעות ביותר, כגון שינויים אחרונים בצריכה במסגרת חלונות זמן ספציפיים. ההסברים האלה מראים שהמודל מתמקד בשינויים ממושכים וחשודים בצריכה האחרונה, ולא בקפיצות מבודדות, ומאפשרים למפעילים לבדוק מקרי גבול ביתר זהירות. שקיפות זו מסייעת להפוך את המודל מכלי מסתורי לעזר בקבלת החלטות שניתן לבחון ולסמוך עליו.

מה המשמעות לזה עבור חשבונות החשמל והאמינות בעתיד

באופן פשוט, המחקר מראה שניתן לבנות גלאי גניבת חשמל שהוא מדויק, יעיל והסברתי בו־זמנית. על ידי תיקון מושכל של נתונים, איזון מקרים נדירים של גניבה, שילוב מספר מודלים משלימים ושמירה על מהירות חישוב, STL-Net מציע כלי פרקטי לחברות תשתית. אם יאומץ ויותאם לתנאים מקומיים, מערכות כאלה יכולות לצמצם אבדות נסתרים, לתמוך בחיוב הוגן ולעזור לשמור על יציבות הרשת עבור כל העוסקים בה.

ציטוט: 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

מילות מפתח: גניבת חשמל, מדדי חשמל חכמים, למידת מכונה, מודלי אנדום, ביטחון רשת חכמה