グリッド連系太陽光マイクログリッドにおける線路故障検出のための人工知能技術の比較分析
Comparative Analysis of Artificial Intelligence Techniques for Line Fault Detection in On-Grid Solar Microgrids
本研究は、グリッド連系太陽光マイクログリッド(SMG)における線路故障(LF)検出のための4つの人工知能(AI)技術、すなわち畳み込みニューラルネットワーク(CNN)、長短期記憶(LSTM)、サポートベクターマシン(SVM)、ランダムフォレスト(RF)の性能を比較分析した。IEEE 6バスベンチマークに基づくSMGテストシステムをMATLAB/Simulink 2025aで実装し、様々なLF条件下での電圧・電流データを生成した。全モデルは、精度、適合率、再現率、F1スコア、ノイズ耐性、計算速度といった同一の性能指標で評価された。結果として、深層学習(DL)モデルが古典的な機械学習アプローチを上回り、CNNが99.79%の精度と99.78%のF1スコアで最高の性能を示し、次いでLSTMが98.97%の精度と98.92%のF1スコアを達成した。SVMとRFはそれぞれ98.25%と95.75%の精度を達成し、トレーニング時間は3分未満であった。これらの結果は、グリッド連系SMGにおけるAIベースのLF検出のための堅牢な比較ベンチマークを提供し、性能と計算要件に基づいた適切なAI技術の選択に関する実用的なガイダンスを提供する。
本稿はグリッド連系太陽光マイクログリッドにおける故障検出にAI技術(CNN, LSTM, SVM, RF)を適用した学術研究である。99.79%という高い検出精度が示されているが、これはシミュレーションレベルでのベンチマーク結果であり、実システムへの実装・製品化・事業化には至っていない。投資家視点では、電力系統のAI診断・予知保全領域の技術動向として参考になるが、特定企業の業績や具体的な事業インパクトに直結する情報ではないため、短期的な投資判断の材料としては限定的である。