Um ensemble em stacking com otimização de Pareto para detecção escalável de furto de eletricidade via reparo híbrido de dados e implantação leve

Por que o furto de eletricidade importa para todos

O furto de eletricidade pode parecer um problema distante, mas eleva silenciosamente as contas de energia, sobrecarrega a rede e aumenta a probabilidade de apagões. Ao redor do mundo, pessoas ligam-se ilegalmente às linhas ou adulteram medidores, custando bilhões de dólares às concessionárias a cada ano. Este estudo apresenta uma nova forma de identificar automaticamente esse furto nos vastos fluxos de dados provenientes de medidores inteligentes, com o objetivo de proteger tanto a estabilidade da rede quanto o bolso dos clientes honestos.

Como os medidores inteligentes podem ajudar e também enganar

Medidores inteligentes modernos registram o quanto residências e empresas consomem de eletricidade ao longo do tempo, criando um retrato detalhado da demanda. Em princípio, padrões incomuns nesses registros podem revelar furtos, como quedas súbitas no consumo informado ou rajadas estranhas e irregulares. Na prática, contudo, os dados são bagunçados: leituras desaparecem, algumas são corrompidas e clientes genuínos superam em muito os ladrões. Regras simples ou softwares mais antigos acabam por perder muitos casos de furto ou disparar falsos positivos demais, tornando-os pouco confiáveis em operações do mundo real.

Limpar dados falhos antes de tomar decisões

Os pesquisadores desenharam um pipeline completo, chamado STL-Net, que trata a qualidade dos dados com a mesma seriedade da predição final. Primeiro, reparam leituras ausentes por meio de um processo híbrido que combina várias técnicas, escolhendo métodos diferentes conforme o grau de incompletude de cada trecho dos dados. Em seguida, enfrentam o fato de que casos de furto são raros, reequilibrando cuidadosamente os dados para que os algoritmos de aprendizado vejam exemplos suficientes de comportamento suspeito sem sobreajustar. Finalmente, compactam longos históricos de consumo diário em um conjunto menor de características sumarizadas que preservam padrões-chave, tornando o problema mais rápido de resolver ao mesmo tempo que permanece compreensível.

Empilhar vários modelos inteligentes em vez de uma grande caixa-preta

No cerne do STL-Net está uma abordagem conhecida como stacking: em vez de confiar em um único modelo de predição, o sistema treina vários modelos diferentes e então aprende a combinar melhor suas saídas. Aqui, quatro modelos avançados baseados em árvores estimam separadamente a probabilidade de um cliente estar furtando eletricidade. Um quinto modelo aprende então a ponderar e fundir essas opiniões individuais em uma decisão final. Para evitar construir um sistema excessivamente complexo, os autores usam uma busca genética que procura configurações de modelos que equilibrem dois objetivos ao mesmo tempo: alta acurácia e baixo custo computacional. Essa otimização “Pareto” produz configurações que são boas em ambos os aspectos, em vez de extremas em apenas um.

Rápido o bastante para o campo, e aberto à inspeção

Em um grande conjunto de dados real da State Grid Corporation of China, cobrindo mais de mil dias de consumo de mais de quarenta mil clientes, o STL-Net detectou furtos com alta confiabilidade. Superou uma ampla gama de métodos padrões de aprendizado de máquina e redes neurais profundas, alcançando tanto fortes pontuações na identificação correta de ladrões quanto baixas taxas de rotulagem equivocada de usuários honestos. A equipe também construiu uma versão mais leve, STL-Lite, que remove o componente mais lento para reduzir o tempo de resposta em cerca de 40%, tornando-a mais prática para dispositivos com capacidade computacional limitada, preservando quase a mesma qualidade de detecção.

Ver por que o sistema marca um cliente

Além da acurácia bruta, concessionárias e reguladores precisam entender por que um sistema acusa um cliente de furto. O STL-Net atende a isso usando uma técnica de explicação que atribui cada decisão às características mais influentes, como mudanças recentes no consumo em janelas de tempo específicas. Essas explicações revelam que o modelo foca em deslocamentos suspeitos e sustentados no consumo recente, em vez de picos isolados, e permitem que operadores inspecionem casos limítrofes com mais cuidado. Essa transparência ajuda a transformar o modelo de uma caixa-preta misteriosa em uma ferramenta de apoio à decisão que pode ser auditada e confiada.

O que isso significa para contas futuras e confiabilidade

Em termos simples, o estudo mostra que é possível construir um detector de furto de eletricidade que seja preciso, eficiente e explicável ao mesmo tempo. Ao reparar dados com cuidado, balancear casos raros de furto, combinar vários modelos complementares e manter atenção à velocidade computacional, o STL-Net oferece uma ferramenta prática para concessionárias. Se adotados e ajustados às condições locais, tais sistemas poderiam reduzir perdas ocultas, apoiar cobranças mais justas e ajudar a manter a rede mais estável para todos que dela dependem.

Citação: 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

Palavras-chave: furto de eletricidade, medidores inteligentes, aprendizado de máquina, modelos ensemble, segurança da rede elétrica