Versterking van de veerkracht van het slimme elektriciteitsnet door blockchain-ondersteunde deep learning-modellen voor diefstaldetectie

Waarom gestolen stroom iedereen raakt

De meesten van ons gaan er vanzelfsprekend van uit dat wanneer we een schakelaar omzetten, het licht aangaat — en dat onze rekening min of meer overeenkomt met wat we hebben verbruikt. Maar wereldwijd verdwijnt een verrassend aandeel van de elektriciteit simpelweg door diefstal en manipulatie van meters. Deze onzichtbare verliezen kosten miljarden dollars, belasten netten en kunnen zelfs stroomuitval veroorzaken. Deze studie onderzoekt hoe het combineren van moderne kunstmatige intelligentie met blockchain — vooral bekend van cryptocurrencies — hulp kan bieden aan netbeheerders om verdachte verbruikspatronen snel te signaleren, eerlijke klanten te beschermen en het net soepel te laten draaien.

Een nieuw soort elektriciteitsnet

Traditionele elektriciteitsnetten waren ontworpen voor eenrichtingsverkeer: grote centrales die stroom naar woningen en bedrijven sturen. Het slim net van vandaag voegt een tweede ingrediënt toe: data. Slimme meters rapporteren gedetailleerde, met tijdstempels voorziene informatie over hoeveel elektriciteit iedere klant gebruikt. Die rijkdom is zowel een zegen als een uitdaging. Het maakt het mogelijk om ongewone patronen te zoeken die op diefstal wijzen, maar het volume en de complexiteit van de gegevens kunnen oudere detectiemethoden, die op eenvoudige regels of handgemaakte statistieken vertrouwen, overweldigend maken. Daarnaast moeten netbeheerders de privacy van klanten beschermen en aantonen dat bewijsmateriaal van fraude niet is gewijzigd.

Machines leren wat “normaal” is

De auteurs pakken deze problemen aan met een deep learning-model genaamd een LSTM-autoencoder. In plaats van van tevoren te worden verteld welke klanten eerlijk of oneerlijk zijn, wordt dit model alleen getraind op normaal gedrag en leert het typische dagelijkse en seizoensgebonden verbruikspatronen te comprimeren en vervolgens te reconstrueren. Voor de training reinigt het team de data zorgvuldig: ontbrekende metingen worden ingevuld, extreme glitches worden gladgestreken, waarden worden geschaald naar een gemeenschappelijk bereik en eenvoudige kenmerken worden toegevoegd, zoals tijd van de dag, dag van de week en maatstaven voor hoe stabiel of ‘piekend’ het verbruik van een klant is. Ze genereren ook kunstmatig voorbeelden van diefstalachtig gedrag — zoals omgekeerde gebruikspatronen of het stilletjes verkleinen van het dagverbruik — om een realistischer beeld te schetsen van wat het model kan tegenkomen.

Stille fraudeurs in de menigte opsporen

Eenmaal getraind fungeert de autoencoder als een zeer strikt geheugen van typisch gedrag. Voor een normale klant kan hij het ingevoerde patroon bijna perfect reconstrueren. Wanneer iemand aan een meter knoeit of een deel van het verbruik verbergt, past het patroon niet meer bij wat het model verwacht en stijgt de reconstructiefout. Door een drempel op deze fout te zetten, markeert het systeem waarschijnlijke diefstal zonder dat er gelabelde voorbeelden voor elke mogelijke truc nodig zijn. In tests op een echte dataset met verbruiksgegevens die veel soorten klanten over een jaar bestrijkt, behaalde de methode ongeveer 95% nauwkeurigheid en een hoge F1-score, wat betekent dat de meeste diefstalgevallen correct werden ontdekt zonder te veel valse alarmen.

Vertrouwen verankeren met blockchain

Om de detectieresultaten betrouwbaar te maken, voegt het raamwerk een lichtgewicht blockchain-laag toe. In plaats van ruwe meterlezingen op een energie-intensief digitaal grootboek te plaatsen, worden alleen de kernuitkomsten — zoals de beslissing van het model, de foutscore en een tijdstempel — naar de keten geschreven. Deze vermeldingen zijn cryptografisch met elkaar verbonden, zodat elke poging om eerdere records te wijzigen meteen opvalt. Slimme contracten op de blockchain kunnen automatisch vervolgacties triggeren, zoals het verzenden van waarschuwingen, het opleggen van boetes of het toekennen van beloningen aan consequent eerlijke gebruikers, zonder privéverbruiksgegevens bloot te geven. Deze scheiding houdt de berekeningen efficiënt en levert een controleerbaar spoor dat toezichthouders en klanten kunnen vertrouwen.

Wat dit betekent voor dagelijkse gebruikers

Voor gewone huishoudens en bedrijven is de boodschap hoopgevend: slimmer, datagedreven gereedschap kan elektriciteitsdiefstal terugdringen zonder het net in een privacynachtmerrie te veranderen. Door machines te leren wat normaal gedrag is en hun bevindingen vervolgens op een onveranderlijk grootboek vast te leggen, helpt het voorgestelde systeem netbeheerders financiële verliezen te beperken, tarieven eerlijker te houden en de belasting op elektriciteitslijnen te verminderen. In eenvoudige woorden is het alsof het net een scherper oog en een beter geheugen krijgt — een geheugen dat kan aangeven wanneer er iets niet klopt, kan bewijzen wat het heeft waargenomen en snel kan reageren, terwijl de gedetailleerde gewoonten van eerlijke klanten buiten het publieke zicht blijven.

Bronvermelding: 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

Trefwoorden: elektriciteitsdiefstal, slim net, deep learning, blockchain, energiezekerheid