Hibrit veri onarımı ve hafif dağıtım yoluyla ölçeklenebilir elektrik hırsızlığı tespiti için Pareto optimizasyonlu bir yığın topluluğu

Çalınan elektriğin herkesi neden ilgilendirdiği

Elektrik hırsızlığı uzak bir sorun gibi görünse de faturaları sessizce yükseltir, şebekeyi zorlar ve kesinti olasılığını artırır. Dünyanın dört bir yanında insanlar hatlara izinsiz müdahale eder veya sayaçlarla oynar; bu, her yıl dağıtım şirketlerine milyarlarca dolar maliyet çıkarır. Bu çalışma, akıllı sayaçlardan gelen büyük veri akışında bu tür hırsızlığı otomatik olarak tespit etmenin yeni bir yolunu sunarak hem şebeke kararlılığını hem de dürüst müşterilerin bütçesini korumayı amaçlıyor.

Akıllı sayaçlar hem yardım edebilir hem de yanıltabilir

Modern akıllı sayaçlar, konut ve işletmelerin günlük elektrik tüketimini kaydeder ve zaman içindeki talebin ayrıntılı bir resmini oluşturur. İlke olarak, bu kayıtlardaki olağandışı desenler, bildirilen kullanımda ani düşüşler veya garip düzensiz patlamalar gibi durumlar hırsızlığı ortaya çıkarabilir. Ancak pratikte veriler düzensizdir: okumalar eksik olur, bazıları bozulur ve gerçek müşteriler hırsızlardan çok daha fazladır. Basit kurallar veya eski yazılımlar ya çok fazla hırsızlık vakasını kaçırır ya da çok fazla yanlış alarm üretir; bu da saha operasyonlarında güvenilmesini zorlaştırır.

Yargıya varmadan önce hatalı verileri temizlemek

Araştırmacılar, verinin kalitesini nihai tahmin kadar ciddiye alan STL-Net adlı eksiksiz bir iş akışı tasarladı. Önce, eksik okumaları her bölümün ne kadar eksik olduğuna bağlı olarak farklı yöntemler seçen birkaç tekniği birleştiren hibrit bir süreçle onarıyor. Ardından, hırsızlık vakalarının nadir olma gerçeğini, öğrenme algoritmalarının şüpheli davranış örneklerini aşırı uyum göstermeden yeterince görmesini sağlamak için veriyi dikkatle yeniden dengeleyerek ele alıyor. Son olarak, günlük uzun geçmişleri, temel desenleri koruyan daha küçük bir özet özellik setine sıkıştırarak problemi çözmeyi hızlandırıyor ve hâlâ anlaşılabilir kılıyor.

Tek bir kara kutu yerine birkaç akıllı modeli üst üste koymak

STL-Net’in özünde stacking olarak bilinen bir yaklaşım bulunuyor: tek bir tahmin modeline güvenmek yerine sistem birkaç farklı modeli eğitiyor ve ardından bunların çıktılarının en iyi nasıl birleştirileceğini öğreniyor. Burada dört gelişmiş ağaç tabanlı model her bir müşterinin elektrik çalma olasılığını tahmin ediyor. Beşinci bir model ise bu bireysel görüşleri nasıl ağırlıklandırıp birleştireceğini öğreniyor. Aşırı karmaşık bir sistem kurmamak için yazarlar, yüksek doğruluk ile düşük hesaplama maliyetini aynı anda dengeleyen model ayarlarını arayan genetik bir arama stratejisi kullanıyor. Bu “Pareto” optimizasyonu, yalnızca tek bir konuda aşırı olmak yerine her iki açıdan da yeterince iyi olan yapılandırmalar veriyor.

Saha için yeterince hızlı ve incelenmeye açık

Çin Devlet Şebekesi’nden alınan, kırk binden fazla müşterinin binlerce günlük kullanımını kapsayan büyük gerçek bir veri kümesinde STL-Net hırsızlığı çok yüksek güvenilirlikle yakaladı. Geniş bir standart makine öğrenimi yöntemleri ve derin sinir ağları yelpazesini geride bırakarak hem hırsızları doğru tanıma konusunda güçlü puanlar hem de dürüst kullanıcıları yanlış etiketleme oranlarında düşük değerler elde etti. Ekip ayrıca yanıtlama süresini yaklaşık %40 oranında azaltmak için en yavaş bileşeni kaldıran daha hafif bir versiyon olan STL-Lite’ı geliştirdi; bu, sınırlı hesaplama gücüne sahip cihazlar için daha pratik olmasını sağlarken tespit kalitesinin neredeyse aynısını koruyor.

Sistemin bir müşteriyi neden işaretlediğini görmek

Saf doğruluğun ötesinde, dağıtım şirketleri ve düzenleyiciler bir sistemi müşteriyi hırsızlıkla suçladığında nedenini anlamaya ihtiyaç duyar. STL-Net bunu, her kararı en etkili özelliklere atayan bir açıklama tekniği kullanarak ele alıyor; örneğin belirli zaman pencerelerindeki son tüketim değişiklikleri gibi. Bu açıklamalar modelin tekil sıçramalar yerine son kullanımdaki sürekli, şüpheli değişikliklere odaklandığını ortaya koyuyor ve operatörlerin sınırdaki vakaları daha dikkatli incelemesine izin veriyor. Bu şeffaflık, modeli gizemli bir kara kutudan denetlenip güvenilebilecek bir karar yardımcısına dönüştürmeye yardımcı oluyor.

Gelecekteki faturalar ve şebeke güvenilirliği için bunun anlamı

Basitçe söylemek gerekirse çalışma, doğru, verimli ve açıklanabilir bir elektrik hırsızlığı tespitçisi oluşturmanın mümkün olduğunu gösteriyor. Verileri dikkatle onararak, nadir hırsızlık vakalarını dengeleyerek, birbirini tamamlayan birkaç modeli birleştirerek ve hesaplama hızına dikkat ederek STL-Net dağıtım şirketleri için pratik bir araç sunuyor. Benimsendiği ve yerel koşullara göre uyarlandığı takdirde, bu tür sistemler gizli kayıpları azaltabilir, daha adil faturalamayı destekleyebilir ve şebekeye bağımlı herkes için daha kararlı bir elektrik arzına katkıda bulunabilir.

Atıf: 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

Anahtar kelimeler: elektrik hırsızlığı, akıllı sayaçlar, makine öğrenimi, topluluk modelleri, akıllı şebeke güvenliği