Resumo Técnico: Detecção de Fraude na Geração com Preservação de Privacidade para Sistemas Fotovoltaicos Distribuídos

1. Declaração do Problema

A rápida expansão dos sistemas fotovoltaicos (PV) residenciais distribuídos introduziu uma nova forma de fraude de eletricidade: Fraude na Geração PV (PVG-FD). Diferentemente do roubo tradicional de eletricidade, que envolve a subnotificação do consumo, a PVG-FD envolve prosumidores mal-intencionados superdeclarando sua geração para reivindicar receitas excessivas junto às empresas de serviços públicos. Esse comportamento é particularmente desafiador de detectar devido à intermitência e incerteza inerentes à geração solar.

Os métodos de detecção existentes enfrentam três limitações principais:

1. Lacuna na Modalidade de Dados: Abordagens tradicionais frequentemente falham em modelar efetivamente as relações complexas, não lineares e dinâmicas entre os dados de geração PV e as condições meteorológicas (especificamente a irradiância solar). Essas fontes de dados diferem em significado físico, granularidade e características de ruído.
2. Privacidade e Escalabilidade: Paradigmas de treinamento centralizados exigem a agregação de dados sensíveis de medidores de múltiplas residências, criando riscos significativos de privacidade e gargalos de comunicação.
3. Desequilíbrio de Classes: Casos fraudulentos são raros em comparação com a geração normal. Em configurações distribuídas, onde os dados são particionados entre comunidades, a escassez de amostras de fraude por comunidade é exacerbada, dificultando a aprendizagem de características discriminativas.

2. Metodologia

O artigo propõe uma Estrutura de Detecção de PVG-FD Distribuída com Preservação de Privacidade baseada em Aprendizado Federado (FL). A estrutura permite que uma empresa de serviços públicos coordene múltiplas comunidades residenciais sem acessar dados locais brutos. A solução compreende dois componentes principais:

A. Modelo de Detecção em Nível Residencial (Local)

Cada comunidade treina um modelo de detecção local projetado para fundir dados de múltiplas fontes. A arquitetura inclui:

• Pré-processamento de Dados: Segmentação por janela deslizante de séries temporais de geração PV e condições meteorológicas (Irradiância Horizontal Difusa [DHI], Irradiância Horizontal Global [GHI] e Irradiância Normal Direta [DNI]).
• Extração de Características:
  • Geração PV: Processada por meio de uma rede de Memória de Curto e Longo Prazo (LSTM) para capturar dependências temporais nos dados univariados de geração.
  • Dados de Irradiância: Processados por meio de uma arquitetura CNN-LSTM. Uma convolução 2D extrai correlações espaciais entre as três métricas de irradiância, seguida por camadas LSTM para modelagem temporal.
• Mecanismo de Co-Atenção: Um módulo de fusão inovador que combina auto-atenção e atenção cruzada.
  • A auto-atenção refina características dentro de cada modalidade.
  • A atenção cruzada permite interação bidirecional, permitindo que as características de geração PV atendam às características de irradiância e vice-versa. Isso captura inconsistências indicativas de fraude.
• Previsão: Um Perceptron de Camadas Múltiplas (MLP) gera a probabilidade de fraude.

B. Estrutura de Aprendizado Federado (Global)

Para abordar privacidade e desequilíbrio de classes, a estrutura emprega:

• Divisão do Modelo: Os modelos locais são divididos em um Modelo Base (camadas rasas: LSTM, CNN-LSTM, Co-Atenção) e um Modelo de Cabeça (camadas profundas: MLP). Apenas os parâmetros do Modelo Base são enviados ao servidor para agregação; o Modelo de Cabeça permanece local para preservar limites de decisão específicos da tarefa.
• Regularização Baseada em Protótipos: Para mitigar o desequilíbrio de classes, a estrutura utiliza protótipos de classe (representações de embeddings para as classes normal e fraude).
  • Protótipos locais são computados a partir dos embeddings do modelo base.
  • Protótipos globais são agregados pelo servidor.
  • Um termo de regularização é adicionado à função de perda local para alinhar protótipos locais com protótipos globais usando similaridade cosseno. Isso aprimora a representação das classes minoritárias (fraude) sem compartilhar dados brutos.

3. Contribuições Principais

Os autores identificam três contribuições específicas:

1. Estrutura FL com Preservação de Privacidade: Um método distribuído para PVG-FD que permite treinamento colaborativo entre comunidades, preservando a privacidade dos dados e abordando explicitamente o desequilíbrio de classes.
2. Modelo de Fusão de Dados de Múltiplas Fontes: Um modelo de detecção em nível residencial que utiliza um mecanismo de co-atenção para modelar conjuntamente a geração PV e dados de irradiância multivariada, capturando dependências cruzadas complexas entre modalidades.
3. Regularização Baseada em Protótipos: Um mecanismo integrado à estrutura FL para melhorar a aprendizagem de representação relacionada à fraude e facilitar o compartilhamento de conhecimento entre comunidades, visando especificamente a escassez de amostras de fraude.

4. Resultados Experimentais

O método foi avaliado em um conjunto de dados do mundo real (Solar Home Electricity Data da Ausgrid) cobrindo 300 residências ao longo de três anos, com fraude sintética injetada para simular três tipos de ataque (inflação uniforme, inflação em janela de pico e deslocamento de tempo impulsionado por tarifas).

• Desempenho do Modelo Local: O modelo proposto superou as linhas de base mais avançadas (LSTM, CNN-LSTM, Transformer, Reformer, DLinear) em todas as métricas (Precisão, AUC, Pontuação F1, MCC). Alcançou 95,57% de precisão e 84,17% de Pontuação F1 sob a estrutura FedAvg.
• Robustez: O modelo demonstrou desempenho superior sob testes cruzados sazonais e condições de irradiância ruidosas (onde dados meteorológicos de alta granularidade foram substituídos por médias da comunidade).
• Eficácia da Estrutura FL: Em comparação com Local-only, FedAvg padrão, BalanceFL e FedNH, a estrutura proposta alcançou o melhor desempenho (96,90% de Precisão, 89,27% de Pontuação F1).
• Escalabilidade e Desequilíbrio: A estrutura manteve desempenho robusto à medida que o número de comunidades aumentava (reduzindo o tamanho dos dados locais) e sob desequilíbrio de classes extremo (taxa de fraude de 0,5%), onde alcançou a maior Precisão@5/1000 (65,51%) e a menor Taxa de Falsos Positivos.
• Eficiência de Comunicação: O método proposto reduziu a sobrecarga de comunicação por rodada em comparação com FedAvg e BalanceFL, trocando apenas parâmetros base e protótipos, em vez de pesos completos do modelo.

5. Significado e Alegações

O artigo afirma que a estrutura proposta aborda com sucesso os desafios críticos de privacidade, lacunas na modalidade de dados e desequilíbrio de classes na detecção de fraude em PV distribuída.

• Privacidade: Ao utilizar FL e divisão de modelo, a estrutura permite que empresas de serviços públicos aproveitem o conhecimento global sem comprometer a privacidade dos dados de residências individuais.
• Precisão: A integração de dados meteorológicos por meio de um mecanismo de co-atenção melhora significativamente a precisão de detecção em comparação com métodos que dependem apenas de dados de medidores ou fusão simples.
• Tratamento de Desequilíbrio: A estratégia de alinhamento de protótipos mitiga efetivamente a degradação de desempenho tipicamente associada a eventos de fraude raros em configurações distribuídas.

Os autores concluem que, embora o método demonstre alta precisão e robustez, trabalhos futuros devem explorar aprendizado semi-supervisionado/não supervisionado para reduzir a dependência de dados de fraude rotulados e desenvolver estratégias de comunicação adaptativas para reduzir ainda mais a sobrecarga. O design atual depende de um protocolo FL síncrono padrão, que exige comunicação completa em cada rodada.