PrivEdge: hybrydowy framework split–federated learning do wykrywania kradzieży energii w czasie rzeczywistym na węzłach brzegowych

Utrzymywanie światła fair i uczciwego

Kradzież energii może brzmieć jak marginalny, mroczny przypadek, jednak po cichu odbiera firmom energetycznym na całym świecie nawet do 100 miliardów dolarów rocznie i w niektórych sieciach odpowiada za znaczną część przepływającej energii. Utracone przychody ostatecznie przekładają się na wyższe rachunki, słabsze inwestycje w infrastrukturę i mniej niezawodne zasilanie dla uczciwych odbiorców. Jednocześnie szczegółowe dane z nowoczesnych inteligentnych liczników, które mogłyby pomóc łapać złodziei, rodzą trudne pytania o prywatność konsumentów. W artykule przedstawiono PrivEdge — nowe podejście do wykrywania podejrzanych wzorców zużycia w czasie rzeczywistym poprzez przeniesienie inteligencji na niewielkie urządzenia przy liczniku, przy jednoczesnym zachowaniu większości danych osobowych blisko źródła.

Problem obserwowania każdego wata

Tradycyjne systemy wykrywania kradzieży energii opierają się na gromadzeniu ogromnych ilości surowych danych o zużyciu z milionów liczników i analizowaniu wszystkiego w centralnym centrum danych. To podejście działa, ale jest kosztowne pod względem przesyłu danych, wolno reaguje i tworzy kuszący zbiór szczegółowych danych domowych, który może kolidować z surowymi zasadami prywatności. Nowsze metody oparte na zdecentralizowanym uczeniu próbują trzymać dane po stronie klienta, przekazując jedynie aktualizacje modeli. Jednak wiele z nich nadal wymaga zbyt dużej mocy obliczeniowej na małych urządzeniach, słabo radzi sobie z klientami o bardzo zróżnicowanych wzorcach zużycia albo było testowane jedynie w idealizowanych warunkach laboratoryjnych zamiast w rzeczywistych, złożonych scenariuszach.

Sprytniejszy strażnik przy liczniku

PrivEdge wybiera inną drogę, dzieląc zadanie wykrywania między tanią bramkę — zaimplementowaną tutaj na Raspberry Pi 4 podłączonym do każdego inteligentnego licznika — a serwer centralny. Na bramce lekkie oprogramowanie uzupełnia brakujące odczyty, przeskalowuje dane, kompresuje je do mniejszego zestawu cech i używa zwartej sieci neuronowej uwzględniającej informacje czasowe, by zamienić ostatnie zużycie w krótki numeryczny „odcisk palca”. Tylko ten kompaktowy odcisk, a nie oryginalny, szczegółowy wykres pokazujący, kiedy zagotowałeś wodę czy włączyłeś klimatyzację, jest przesyłany dalej. To znacznie zmniejsza ilość przesyłanych danych i pomaga osłonić codzienne wzorce życia ukryte w surowych pomiarach.

Wspólne uczenie bez dzielenia się tajemnicami

Po stronie serwera te odciski trafiają do głębszej części sieci neuronowej oraz do zestawu klasycznych modeli uczenia maszynowego, takich jak drzewa decyzyjne i klasyfikatory wektorów nośnych. Ich wyniki są łączone przez prosty meta‑model, który uczy się, jak je ważyć, tworząc zespół (ensemble) bardziej dokładny i odporny niż pojedynczy detektor. Wiele bramek uczestniczy w koordynowanym procesie trenowania: zamiast przesyłać surowe dane, okresowo wysyłają aktualizacje modeli, które serwer uśrednia i odsyła z powrotem, co pozwala całemu systemowi uczyć się z danych z wielu regionów jednocześnie. W trakcie autorzy dokładają praktyczne osłony prywatności, w tym bezpieczną agregację aktualizacji i starannie skalibrowane wprowadzanie szumu do współdzielonych sygnałów, a także opcjonalne, silne szyfrowanie dla najbardziej wrażliwych wdrożeń.

Zbudowany dla rzeczywistej sieci, nie tylko laboratorium

Aby sprawdzić, czy ten projekt sprawdza się poza teorią, badacze przetestowali PrivEdge na szeroko używanym, rzeczywistym zestawie danych ze State Grid z Chin, zawierającym wieloletnie, oznakowane przypadki normalnego i oszukańczego zużycia od dziesiątek tysięcy klientów. Porównali go z wiodącymi podejściami scentralizowanymi, federacyjnymi, split i hybrydowymi, wszystkie w tych samych warunkach wstępnego przetwarzania i sprzętu. PrivEdge osiągnął około 98% dokładności i F1‑score, przewyższając wszystkich konkurentów przy jednoczesnym przesyłaniu jedynie skompaktowanej informacji pośredniej zamiast pełnych strumieni danych. Długie, 24‑godzinne testy sprzętowe z Raspberry Pi jako bramkami wykazały niskie i stabilne wykorzystanie CPU, umiarkowane zużycie energii oraz czasy reakcji na poziomie milisekund, nawet przy symulowanych opóźnieniach sieci, utracie pakietów i wielu licznikach podłączonych do jednej bramki.

Ochrona prywatności przy wykrywaniu oszustw

Ponieważ dowolny współdzielony sygnał może w zasadzie ujawniać informacje, autorzy poszli dalej i przeprowadzili realistyczne ataki na prywatność i bezpieczeństwo przeciwko własnemu systemowi. W testach „black‑box”, gdy atakujący widzi jedynie końcowe wyniki dotyczące kradzieży — a nie wewnętrzne mechanizmy — próby wywnioskowania, kto znajdował się w danych treningowych lub rekonstrukcji szczegółowych wzorców zużycia, wypadły niewiele lepiej niż losowe zgadywanie. Gdy zasymulowali klientów celowo próbujących zatruć współdzielony model fałszywymi aktualizacjami, odporne metody agregacji na serwerze w dużej mierze neutralizowały wpływ. W sumie badanie sugeruje, że PrivEdge może działać jako praktyczny, świadomy prywatności strażnik: pomaga przedsiębiorstwom energetycznym wykrywać szeroki zakres subtelnych i jawnych zachowań złodziejskich w czasie rzeczywistym, wykorzystując tani sprzęt brzegowy, bez przemiany inteligentnych liczników w wszechwidzące urządzenia nadzoru.

Cytowanie: 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

Słowa kluczowe: kradzież energii, inteligentne sieci energetyczne, edge AI, uczenie federacyjne, analizy zachowujące prywatność