Комбинированный ансамбль с оптимизацией по Парето для масштабируемого обнаружения краж электроэнергии посредством гибридного восстановления данных и лёгкого развёртывания

Почему кража электроэнергии важна для всех

Кража электроэнергии может казаться далёкой проблемой, но она тихо повышает счета за свет, перегружает сеть и увеличивает риск отключений. По всему миру люди незаконно подключаются к линиям или вмешиваются в работу счётчиков, что обходится коммунальным компаниям в миллиарды долларов ежегодно. В этом исследовании предлагается новый способ автоматически выявлять такие кражи в огромных потоках данных от умных счётчиков, с целью защитить как стабильность сети, так и кошельки добросовестных потребителей.

Как умные счётчики и помогают, и вводят в заблуждение

Современные умные счётчики фиксируют ежедневное потребление электроэнергии домами и предприятиями, формируя детальную картину спроса во времени. В принципе необычные шаблоны в этих записях могут выдать кражу — например, резкие падения зафиксированного потребления или странно нерегулярные всплески. На практике же данные часто шумные: показания пропадают, часть данных повреждена, а честных клиентов значительно больше, чем воров. Простые правила или старое программное обеспечение либо пропускают слишком много случаев краж, либо дают слишком много ложных срабатываний, что снижает их надёжность в реальной эксплуатации.

Очистка повреждённых данных перед вынесением решения

Исследователи разработали полноценный конвейер под названием STL-Net, который рассматривает качество данных так же серьёзно, как и итоговый прогноз. Сначала он восстанавливает пропущенные показания с помощью гибридного процесса, сочетающего несколько методов и выбирающего подход в зависимости от степени неполноты конкретной части данных. Далее он решает проблему редкости случаев краж, аккуратно перебалансируя данные так, чтобы алгоритмы обучения видели достаточное количество примеров подозрительного поведения, не приводя к переобучению. Наконец, он сжимает длинные истории ежедневного потребления в меньший набор сводных признаков, сохраняя ключевые закономерности — это ускоряет решение задачи и остаётся понятным.

Комбинация нескольких умных моделей вместо одной чёрной коробки

В основе STL-Net лежит подход, известный как стекинг: вместо того чтобы полагаться на одну модель прогнозирования, система обучает несколько различных и затем учится лучшим образом комбинировать их выходы. Здесь четыре современных моделей на основе деревьев отдельно оценивают вероятность того, что клиент ворует электроэнергию. Пятая модель затем изучает, как взвешивать и объединять эти индивидуальные мнения в окончательное решение. Чтобы не создавать чрезмерно сложную систему, авторы применяют генетический поиск по гиперпараметрам, который ищет настройки, балансирующие сразу две цели: высокую точность и низкую вычислительную стоимость. Такая «парето»-оптимизация даёт конфигурации, достаточно хорошие по обеим метрикам, а не экстремальные только по одной.

Достаточно быстро для практики и прозрачно для проверки

На большой реальной выборке от State Grid Corporation of China, охватывающей более тысячи дней использования у более чем сорока тысяч клиентов, STL-Net обнаружил кражи с очень высокой надёжностью. Он превзошёл широкий спектр стандартных методов машинного обучения и глубоких нейронных сетей, достигая как высоких показателей по корректному выявлению воров, так и низких показателей ошибочной маркировки честных пользователей. Команда также создала облегчённую версию — STL-Lite — которая убирает самый медленный компонент, сокращая время отклика примерно на 40%, что делает систему более практичной для устройств с ограничёнными вычислительными ресурсами при сохранении почти того же качества обнаружения.

Понимание причин, по которым система пометила клиента

Помимо простой точности, коммунальным компаниям и регуляторам важно понимать, почему система обвиняет клиента в краже. STL-Net решает эту задачу с помощью техники объяснения, которая связывает каждое решение с наиболее влиятельными признаками, например с недавними изменениями потребления в определённых временных окнах. Эти объяснения показывают, что модель обращает внимание на устойчивые, подозрительные сдвиги в недавнем потреблении, а не на одиночные всплески, и позволяют операторам тщательнее проверять пограничные случаи. Такая прозрачность помогает превратить модель из загадочной чёрной коробки в средство поддержки принятия решений, которое можно аудитировать и которому можно доверять.

Что это означает для будущих счетов и надёжности сети

Проще говоря, исследование показывает, что возможно создать детектор краж электроэнергии, который одновременно точен, эффективен и объясним. За счёт аккуратного восстановления данных, балансировки редких случаев краж, комбинации нескольких взаимодополняющих моделей и контроля вычислительной скорости STL-Net предлагает практический инструмент для коммунальных компаний. При адаптации к местным условиям такие системы могут сократить скрытые потери, способствовать более справедливому выставлению счетов и помогать поддерживать стабильность сети для всех, кто от неё зависит.

Цитирование: 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

Ключевые слова: кража электроэнергии, умные счётчики, машинное обучение, ансамблевые модели, безопасность интеллектуальной сети