Een stapelend ensemble met Pareto-optimalisatie voor schaalbare detectie van elektriciteitsdiefstal via hybride gegevensherstel en lichte uitrol

Waarom gestolen elektriciteit iedereen raakt

Elektriciteitsdiefstal klinkt misschien als een ver-van-je-bed-show, maar het verhoogt ongemerkt de stroomrekeningen, zet het netwerk onder druk en vergroot de kans op stroomstoringen. Wereldwijd worden lijnen illegaal afgetakt of meters gemanipuleerd, wat nutsbedrijven jaarlijks miljarden kost. Deze studie introduceert een nieuwe manier om zulke diefstal automatisch te detecteren in de enorme gegevensstromen van slimme meters, met als doel zowel de netstabiliteit als de portemonnee van eerlijke klanten te beschermen.

Hoe slimme meters zowel kunnen helpen als misleiden

Moderne slimme meters registreren hoeveel elektriciteit huishoudens en bedrijven dagelijks verbruiken en creëren zo een gedetailleerd beeld van de vraag in de tijd. In principe kunnen ongebruikelijke patronen in die registraties diefstal verraden, zoals plotselinge dalingen in gerapporteerd verbruik of vreemd onregelmatige pieken. In de praktijk zijn de gegevens echter rommelig: metingen ontbreken, sommige zijn beschadigd en echte klanten zijn veel talrijker dan dieven. Simpele regels of oudere software missen daardoor ofwel te veel diefstalgevallen of veroorzaken te veel valse alarmen, waardoor ze lastig te vertrouwen zijn in de praktijk.

Gebrekkige data opschonen voordat er een oordeel wordt geveld

De onderzoekers ontwikkelden een volledige pijplijn, genaamd STL-Net, die gegevenskwaliteit net zo serieus neemt als de uiteindelijke voorspelling. Eerst herstelt het ontbrekende metingen via een hybride proces dat meerdere technieken combineert en verschillende methoden kiest afhankelijk van hoe incompleet elk gedeelte van de data is. Vervolgens pakt het aan dat diefstalgevallen zeldzaam zijn door de data zorgvuldig te herbepalen, zodat de leeralgoritmen genoeg voorbeelden van verdacht gedrag zien zonder te overfitten. Ten slotte comprimeert het lange historie van dagelijks verbruik tot een kleinere set samenvattende kenmerken die toch belangrijke patronen behouden, waardoor het probleem sneller oplosbaar wordt terwijl het begrijpelijk blijft.

Meerdere slimme modellen stapelen in plaats van één grote zwarte doos

Centraal in STL-Net staat een aanpak die bekendstaat als stacking: in plaats van op één voorspellingsmodel te vertrouwen, traint het systeem meerdere verschillende modellen en leert het vervolgens hoe de outputs het beste gecombineerd kunnen worden. Hier schatten vier geavanceerde boomgebaseerde modellen elk de kans dat een klant elektriciteit steelt. Een vijfde model leert vervolgens hoe deze individuele oordelen gewogen en samengevoegd moeten worden tot een definitieve beslissing. Om te voorkomen dat het systeem te complex wordt, gebruiken de auteurs een genetische zoekstrategie die zoekt naar modelinstellingen die twee doelen tegelijk in balans brengen: hoge nauwkeurigheid en lage rekencosts. Deze “Pareto”-optimalisatie levert configuraties op die op beide doelen goed genoeg zijn, in plaats van extreem in slechts één daarvan.

Snel genoeg voor praktijkgebruik, en open voor controle

Op een grote echte dataset van de State Grid Corporation of China, met meer dan duizend dagen verbruik voor meer dan veertigduizend klanten, detecteerde STL-Net diefstal met zeer hoge betrouwbaarheid. Het overtrof een breed scala aan standaard machine-learningmethoden en diepe neurale netwerken en behaalde zowel sterke scores voor correcte identificatie van dieven als lage percentages voor het verkeerd labelen van eerlijke gebruikers. Het team bouwde ook een lichtere versie, STL-Lite, die het traagste onderdeel verwijdert om de reactietijd met ongeveer 40% te verkorten, waardoor het praktischer wordt voor apparaten met beperkte rekenkracht en vrijwel dezelfde detectiekwaliteit behoudt.

Zien waarom het systeem een klant markeert

Naast ruwe nauwkeurigheid moeten nutsbedrijven en toezichthouders begrijpen waarom een systeem een klant van diefstal beschuldigt. STL-Net pakt dit aan door een verklaringstechniek te gebruiken die elke beslissing toewijst aan de meest invloedrijke kenmerken, zoals recente veranderingen in verbruik over specifieke tijdsvensters. Deze verklaringen tonen aan dat het model zich richt op aanhoudende, verdachte verschuivingen in recent verbruik, in plaats van op geïsoleerde pieken, en stellen operators in staat randgevallen zorgvuldiger te onderzoeken. Deze transparantie helpt het model te transformeren van een mysterieuze zwarte doos naar een beslissingshulp die kan worden gecontroleerd en vertrouwd.

Wat dit betekent voor toekomstige stroomrekeningen en betrouwbaarheid

In eenvoudige termen toont de studie aan dat het mogelijk is een detectiesysteem voor elektriciteitsdiefstal te bouwen dat tegelijkertijd nauwkeurig, efficiënt en verklaarbaar is. Door zorgvuldig data te herstellen, zeldzame diefstalgevallen in balans te brengen, meerdere complementaire modellen te combineren en rekening te houden met rekensnelheid, biedt STL-Net een praktisch hulpmiddel voor nutsbedrijven. Als zulke systemen worden overgenomen en afgestemd op lokale omstandigheden, kunnen ze verborgen verliezen verminderen, eerlijke facturering ondersteunen en helpen het net stabieler te houden voor iedereen die ervan afhankelijk is.

Bronvermelding: 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

Trefwoorden: elektriciteitsdiefstal, slimme meters, machine learning, ensemblemodellen, beveiliging van het slimme net