Hybrid‑GNN‑LSTM‑Framework zur Erkennung von Stromdiebstahl

Stromdiebstahl, auch als nichttechnische Verluste (NTL) bezeichnet, stellt weltweit eine erhebliche Bedrohung für die Energieversorgung dar. Er verursacht nicht nur finanzielle Einbußen, sondern gefährdet auch die Stabilität des Stromnetzes. Traditionelle Erkennungsmethoden, die meist reaktiv und zählermäßig ausgerichtet sind, greifen dabei oft zu kurz, weil sie die komplexen räumlich‑zeitlichen Dynamiken und das Verhalten von Diebstahlfällen nicht adäquat erfassen.

In dieser Studie wird ein neues, KI‑gestütztes Grid‑Intelligence‑Framework vorgestellt, das Zeitreihen‑Anomalieerkennung, überwachte Machine‑Learning‑Algorithmen und Graph Neural Networks (GNN) zu einer leistungsstarken Lösung vereint. Das System nutzt einen erweiterten Feature‑Set, der rollierende Mittelwerte, Spannungsabfall‑Schätzungen und einen kritischen Grid‑Imbalance‑Index umfasst, um die charakteristischen Signale von Diebstahlfällen besser zu identifizieren.

Die Methodik setzt auf einen LSTM‑Autoencoder, um zeitliche Anomalien zu bewerten, einen Random‑Forest‑Classifier für die Unterscheidung tabellarischer Merkmale und ein GNN, das die räumlichen Abhängigkeiten im Verteilnetz modelliert. Durch die Kombination dieser drei Komponenten entsteht ein hybrider Ansatz, der die jeweiligen Stärken ausnutzt.

Die experimentellen Ergebnisse zeigen, dass alleinige Anomalieerkennung mit einem F1‑Score von 0,20 kaum brauchbar ist. Das hybride Modell erreicht hingegen eine Gesamtgenauigkeit von 93,7 %. Durch die Abstimmung der Entscheidungs­schwellen mittels Precision‑Recall‑Analyse werden ein Diebstahl‑Precision von 0,55 und ein Recall von 0,50 erzielt, was die Anzahl der Fehlalarme deutlich reduziert.

Diese Ergebnisse bestätigen, dass die Integration von topologischer Netz‑Bewusstsein mit zeitlicher und überwachten Analyse eine skalierbare, risikobasierte Lösung für die proaktive Erkennung von Stromdiebstahl darstellt. Das vorgestellte Framework bietet damit einen vielversprechenden Ansatz, um die Effizienz und Sicherheit von Stromnetzen nachhaltig zu verbessern.