Укрепление устойчивости интеллектуальной сети с помощью моделей глубокого обучения, поддерживаемых блокчейном, для обнаружения кражи электроэнергии

Почему украденная энергия важна для всех

Большинство из нас считает само собой разумеющимся, что при включении выключателя загорается свет — и что наш счёт в целом соответствует использованной энергии. Но в разных странах значительная доля электроэнергии просто «исчезает» из‑за краж и вмешательств в счётчики. Эти невидимые потери стоят миллиарды долларов, создают нагрузку на сети и даже могут вызывать локальные отключения. В исследовании рассматривается, как сочетание современных методов искусственного интеллекта и блокчейна — более известного по криптовалютам — может помочь энергокомпаниям быстро обнаруживать подозрительные схемы потребления, защищать добросовестных клиентов и поддерживать стабильную работу сети.

Новый тип энергетической сети

Традиционные энергосети строились для однонаправленного потока: большие электростанции поставляют электроэнергию домам и предприятиям. Современные интеллектуальные сети добавляют второе измерение — данные. Умные счётчики отправляют подробную помеченную по времени информацию о потреблении каждого абонента. Это богатство данных и благо, и вызов одновременно. С его помощью можно выискивать нетипичные шаблоны, указывающие на кражу, но объём и сложность данных могут перегрузить старые методы обнаружения, основанные на простых правилах или вручную подобранной статистике. Кроме того, энергокомпании должны защищать приватность клиентов и уметь доказывать, что любые доказательства мошенничества не были подделаны.

Обучение машин представлению «нормы»

Авторы решают эти задачи с помощью модели глубокого обучения под названием LSTM‑автоэнкодер. Вместо того чтобы заранее помечать, кто честен, а кто нет, модель обучают только на нормальном поведении и она учится сжимать, а затем реконструировать типичные суточные и сезонные шаблоны потребления. Перед обучением команда тщательно очищает данные: заполняет пропуски, сглаживает экстремальные сбои, масштабирует значения к общему диапазону и добавляет простые признаки, такие как время суток, день недели и показатели стабильности или «пиковости» спроса клиента. Также искусственно генерируют примеры поведения, похожего на воровство — например, инвертирование профилей потребления или скрытое уменьшение дневного потребления — чтобы создать более сбалансированное представление о том, с чем модель может столкнуться.

Выявление тихих мошенников среди множества

После обучения автоэнкодер ведёт себя как строгая «память» типичного поведения. Для нормального абонента он способен практически точно восстановить входной профиль. Когда кто‑то вмешивается в счётчик или скрывает часть потребления, паттерн перестаёт соответствовать ожиданиям модели, и ошибка реконструкции резко возрастает. Установив порог по этой ошибке, система помечает вероятные случаи кражи, не требуя помеченных примеров для каждого возможного трюка. В тестах на реальном наборе данных по потреблению, охватывающем разные типы абонентов в течение года, подход показал приблизительно 95% точность и высокий F1‑балл, то есть верно выявлял большинство случаев кражи при минимуме ложных срабатываний.

Закрепление доверия с помощью блокчейна

Чтобы сделать результаты обнаружения заслуживающими доверия, в структуру добавлен лёгкий слой блокчейна. Вместо того чтобы заносить сырые показания счётчиков в энергоёмкий цифровой реестр, в цепочку записываются лишь ключевые выводы — например, решение модели, её оценка ошибки и отметка времени. Эти записи криптографически связаны, так что любая попытка изменить прошлые записи станет очевидной. Смарт‑контракты в блокчейне могут автоматически запускать последующие действия — отправку уведомлений, применение штрафов или поощрений добросовестным пользователям — не раскрывая при этом приватные данные о потреблении. Такое разделение сохраняет вычисления эффективными и одновременно обеспечивает проверяемую историю, которой могут доверять регуляторы и клиенты.

Что это означает для обычных пользователей

Для домохозяйств и предприятий посыл обнадёживающий: более умные, основанные на данных инструменты могут снизить кражи электроэнергии, не превращая сеть в кошмар для приватности. Обучая машины распознавать норму и фиксируя их выводы в защищённом от подделки реестре, предложенная система помогает энергокомпаниям уменьшать финансовые потери, поддерживать более справедливые тарифы и снижать нагрузку на линии электропередачи. Проще говоря, это как дать сети более зоркий взгляд и лучшую память — которая может заметить отклонение, доказать, что оно имело место, и быстро отреагировать, при этом не раскрывая подробные привычки честных потребителей публично.

Цитирование: 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

Ключевые слова: кража электроэнергии, интеллектуальная сеть, глубокое обучение, блокчейн, энергобезопасность