ハイブリッドデータ修復と軽量展開によるスケーラブルな窃電検出のためのパレート最適化を伴うスタッキングアンサンブル

なぜ盗電はみんなに関係あるのか

電力の盗用は遠い問題のように聞こえるかもしれませんが、実際には請求額を密かに引き上げ、電力網に負担をかけ、停電のリスクを高めます。世界各地で送電線を不正に分岐したりメーターを改ざんしたりしており、電力会社に年間数十億ドルの損失をもたらしています。本研究は、スマートメーターから流れる膨大なデータの中からこうした窃盗を自動的に見つけ出す新しい手法を提案し、系統の安定性と正直な顧客の負担を守ることを目指しています。

スマートメーターは助けにも誤導にもなりうる

現代のスマートメーターは家庭や事業所が日々どれだけ電力を使っているかを記録し、時間的な需要の詳細な図を作ります。本来なら、記録に現れる異常なパターン、たとえば報告使用量の急な低下や不規則な断続的増減などが窃盗を示すことがあります。しかし実際にはデータは荒れており、読み取り値が欠落したり一部が破損したり、正規の顧客が窃盗者よりはるかに多数を占めます。単純なルールや旧来のソフトウェアでは窃盗事例を見逃しすぎたり誤検知が多すぎたりして、現場で信頼できる運用が難しくなります。

判断の前に欠陥データをきちんと整える

研究者たちは、最終的な予測と同等にデータ品質を重視するパイプライン「STL-Net」を設計しました。まず、複数の手法を組み合わせ、データのどの部分がどれだけ欠けているかに応じて最適な方法を選ぶハイブリッドプロセスで欠測値を修復します。次に、窃盗事例が稀であるという問題に対処するため、学習アルゴリズムが過学習せずに十分な異常例を学べるようにデータのバランスを細かく調整します。最後に、日次使用履歴の長い系列を主要なパターンを保持したまま少数の要約特徴に圧縮し、問題を解く速度を上げつつ説明可能性を保ちます。

一つの大きなブラックボックスではなく複数の賢いモデルを重ねる

STL-Netの中核はスタッキングと呼ばれる手法です。単一モデルに頼るのではなく、複数の異なるモデルを訓練し、それらの出力をどう組み合わせるかを学習します。本システムでは、まず4つの高度なツリーベースモデルがそれぞれ顧客の窃盗確率を推定します。さらに第五のモデルがこれら個別の予測を重みに応じて融合し最終判定を行います。過度に複雑な構成にならないよう、著者らは遺伝的探索戦略を用い、精度の高さと計算コストの低さという二つの目標を同時に満たす設定を探索します。この“パレート”最適化により、どちらか一方に極端に偏らない両立可能な構成が得られます。

現場で十分に高速かつ検査可能

中国国家電網の大規模実データ（4万名超の顧客について千日超の使用履歴）で評価した結果、STL-Netは非常に高い信頼度で窃盗を検出しました。多様な標準的機械学習手法や深層ニューラルネットワークを上回り、窃盗者を正しく識別するスコアが高い一方で、正直な利用者を誤ってラベル付けする率は低く抑えられました。研究チームはさらに、最も遅い構成要素を取り除いて応答時間を約40%短縮した軽量版STL-Liteも構築しており、検出精度をほぼ維持しつつ計算資源の限られたデバイスでも実用的です。

なぜその顧客が疑われるのかを示す

単なる精度にとどまらず、電力会社や規制当局はなぜ顧客が窃盗と判断されたのかを理解する必要があります。STL-Netは説明手法を用い、各判定に最も影響を与えた特徴（例えば特定の時間窓における消費の最近の変化）を割り当てることでこの要件に応えます。これらの説明から、モデルが単発の急騰ではなく持続的で疑わしい最近の使用変化に注目していることが明らかになり、境界的なケースを運用者が慎重に検査できるようになります。この透明性により、モデルは不可解なブラックボックスではなく、監査可能で信頼できる意思決定支援へと変わります。

将来の電気料金と信頼性に意味するところ

要するに、本研究は高精度で効率的かつ説明可能な電力窃盗検出器を同時に構築することが可能であることを示しています。データの慎重な修復、稀な窃盗事例のバランス調整、補完的な複数モデルの組み合わせ、計算速度への配慮を通じて、STL-Netは電力事業者にとって実用的なツールを提供します。地域の条件に合わせて導入・調整されれば、隠れた損失を減らし、公正な請求を支援し、系統の安定性を高めることに寄与する可能性があります。

引用: 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

キーワード: 電力窃盗, スマートメーター, 機械学習, アンサンブルモデル, スマートグリッドのセキュリティ