スマートグリッドにおける限定的なラベル下での詳細な負荷プロファイリングのためのGridCL
GridCL for fine-grained load profiling in smart grids under limited labels
スマートグリッドにおける需要応答とエネルギー管理のためには詳細な負荷プロファイリングが重要であるが、教師ありアプローチは高品質なラベル付きデータセットの不足により制約を受けている。この課題に対処するため、スマートグリッドにおける低ラベル負荷プロファイリングのための自己教師あり対照学習フレームワークであるGridCLを提案する。GridCLは、保守的な入力摂動(小さな時間的ローリング、乗法的摂動、エネルギー再正規化)を用いてペアの日次負荷ビューを形成し、それらを時間的畳み込みエンコーダーと組み合わせてラベルなしデータから識別表現を学習する。3つの匿名化された都市データセットと1つのプールされたベンチマークでの実験により、GridCLはプールされたAllCitiesベンチマークで0.648±0.115 ARI、0.719±0.064 NMI、0.620±0.046シルエットのクラスタリング品質を達成し、都市レベルでの最高のARI 0.804±0.084も達成した。スパースラベル評価下では、GridCLは10%のラベル付きユーザーのみでプールされたベンチマークで0.845±0.042の精度に達し、20%と30%のラベル付きユーザーでそれぞれ0.851±0.033と0.849±0.034の精度で安定している。これらの結果は、GridCLが実用的なスマートグリッド設定における詳細な負荷プロファイリングのための効果的な低ラベルソリューションを提供することを示している。
- 自己教師あり対照学習フレームワークGridCLを提案し、限定的なラベルデータ下で高精度な負荷プロファイリングを実現した
- 3つの匿名化都市データセットとPooledベンチマークで評価し、10%ラベル付きユーザーのみで0.845精度を達成した
本稿で提案されているGridCLは、スマートグリッドにおける需要応答やエネルギー管理の精度向上に貢献する技術である。限られたラベルデータで高精度な負荷プロファイリングを実現できる点が実用的であり、電力需要の可視化・最適化が進むことでエネルギー分野のDXやスマートグリッド関連スタートアップ・計測制御ベンダーへの投資機会に直結する可能性がある。