PrivEdge: un framework ibrido split–federated per il rilevamento in tempo reale dei furti di elettricità sui nodi edge

Mantenere le luci giuste e oneste

Il furto di elettricità può sembrare un caso limite nascosto, ma sottrae silenziosamente fino a 100 miliardi di dollari all’anno alle compagnie elettriche in tutto il mondo e può rappresentare una larga quota dell’elettricità che circola in alcune reti. Quel fatturato perso ricade poi in bollette più alte, minori investimenti nelle infrastrutture e un servizio meno affidabile per i clienti onesti. Allo stesso tempo, i dati dettagliati dei moderni contatori intelligenti, che potrebbero aiutare a individuare i ladri, sollevano complesse questioni sulla privacy dei consumatori. Questo articolo presenta PrivEdge, un nuovo approccio per individuare in tempo reale schemi di consumo sospetti spostando l’intelligenza verso piccoli dispositivi vicino al contatore, mantenendo però la maggior parte dei dati personali vicino a casa.

Il problema di sorvegliare ogni watt

I sistemi tradizionali per rilevare il furto di elettricità si basano sulla raccolta di enormi quantità di dati grezzi di consumo da milioni di contatori e sull’analisi centralizzata in un data center. Questo approccio funziona, ma è costoso in termini di comunicazione, lento nelle risposte e crea un ricco deposito di dati domestici dettagliati che può confliggere con normative severe sulla privacy. Metodi più recenti basati sull’apprendimento decentralizzato cercano di mantenere i dati lato cliente condividendo solo aggiornamenti del modello. Tuttavia, molti di questi richiedono ancora troppa potenza computazionale sui dispositivi piccoli, non gestiscono bene clienti con schemi di consumo molto diversi o sono stati testati solo in ambienti di laboratorio idealizzati piuttosto che nelle caotiche condizioni del mondo reale.

Un guardiano più intelligente al contatore

PrivEdge prende una strada diversa, suddividendo il compito di rilevamento tra un gateway a basso costo—qui implementato su un Raspberry Pi 4 collegato a ciascun contatore intelligente—e un server centrale. Sul gateway, software leggero pulisce le misurazioni mancanti, riscalare i dati, li comprime in un insieme ridotto di caratteristiche e utilizza una rete neurale compatta sensibile al tempo per trasformare i consumi recenti in una breve “impronta” numerica. Solo questa impronta compatta, e non la traccia fine di quando avete fatto bollire l’acqua o acceso il condizionatore, viene inviata oltre. Ciò riduce drasticamente la quantità di dati da trasmettere e contribuisce a schermare i modelli di vita quotidiana nascosti nei dati grezzi.

Imparare insieme senza condividere segreti

Lato server, queste impronte confluiscono nella parte più profonda della rete neurale e in una raccolta di modelli di machine learning classici come alberi decisionali e classificatori a vettori di supporto. I loro output vengono combinati da un semplice meta-modello che impara a pesare ciascuno, formando un ensemble più accurato e resistente di qualsiasi singolo rilevatore. Molti gateway partecipano a un processo di addestramento coordinato: invece di caricare dati grezzi, inviano periodicamente aggiornamenti del modello che il server media e rimanda indietro, permettendo al sistema di apprendere contemporaneamente da molte regioni. Lungo il percorso gli autori aggiungono protezioni pratiche per la privacy, inclusa l’aggregazione sicura degli aggiornamenti e un’iniezione calibrata di rumore nei segnali condivisi, oltre a crittografia opzionale di livello elevato per gli scenari più sensibili.

Progettato per la rete reale, non solo per il laboratorio

Per verificare se questo progetto regge al di fuori della teoria, i ricercatori hanno testato PrivEdge su un ampiamente usato dataset reale della State Grid cinese, contenente anni di consumi etichettati normali e fraudolenti provenienti da decine di migliaia di clienti. Lo hanno confrontato con i principali approcci centralizzati, federated, split e ibridi, tutti nelle stesse condizioni di preprocessing e hardware. PrivEdge ha raggiunto circa il 98% di accuratezza e F1-score, superando tutti i concorrenti mentre inviava solo informazioni intermedie compatte invece dei flussi di dati completi. Lungo test hardware-in-the-loop di 24 ore sui gateway Raspberry Pi hanno mostrato un utilizzo CPU basso e stabile, consumo energetico contenuto e tempi di risposta a livello di millisecondi, anche simulando ritardi di rete, perdita di pacchetti e più contatori collegati a un singolo gateway.

Proteggere la privacy mentre si scoprono i truffatori

Poiché qualsiasi segnale condiviso può, in linea di principio, trapelare informazioni, gli autori sono andati oltre e hanno messo in scena attacchi realistici di privacy e sicurezza contro il proprio sistema. Nei test “black-box” in cui un attaccante vede solo i punteggi finali di furto—non il funzionamento interno—i tentativi di inferire chi fosse nei dati di addestramento o di ricostruire pattern di consumo dettagliati hanno dato risultati poco migliori del caso. Quando hanno simulato client che cercavano deliberatamente di avvelenare il modello condiviso con aggiornamenti falsi, i metodi di aggregazione robusta sul server hanno in gran parte neutralizzato l’impatto. Complessivamente, lo studio suggerisce che PrivEdge può funzionare come un cane da guardia pratico e attento alla privacy: aiuta le utility a scoprire un’ampia gamma di comportamenti di furto, sottili e grossolani, in tempo reale, usando hardware edge economico, senza trasformare i contatori intelligenti in dispositivi di sorveglianza onniveggenti.

Citazione: 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

Parole chiave: furto di elettricità, reti intelligenti, edge AI, federated learning, analisi che preservano la privacy