ENERGY次世代エネルギー
電力システムにおける連鎖故障進化経路予測のための物理制約付きLSTM
Physics-Constrained LSTM for Cascading Failure Evolution Path Prediction in Power Systems
MEEnergies · MDPI · CC BY 4.0
AIが原文を翻訳・要約しています
本稿では、電力システムの連鎖故障進化経路予測手法を提案する。データ不足と計算負荷の高い従来手法の課題に対し、3つの防御線の動作ロジックを組み込んだ連鎖故障シミュレーションモデルを構築し、大規模なイベントチェーンデータセットを生成する。次に、単語埋め込み、LSTMベースの時間モデリング、事前知識制約を組み合わせたシーケンス予測エンジンを開発し、電力システムの物理的動作ロジックを損失関数に組み込むことで予測の物理的妥当性を向上させる。IEEE 39バスAC/DCハイブリッドシステムでのシミュレーションの結果、周波数制限違反とシステム不安定性のシステムレベルのクリティカルイベントに対する単一ステップのTop-1精度はそれぞれ97.0%、96.8%を達成した。全体的なTop-1精度は89.8%、Top-3精度は98.2%であり、平均単一推論時間は約9.6ミリ秒で、従来の時間領域シミュレーションと比較して4700倍以上の高速化を実現した。平均早期警告リードタイムは1.78秒である。
KEY POINTS要点記事から抽出した重要情報
- 物理制約付きLSTMによる電力システム連鎖故障進化経路予測手法を提案し、IEEE 39バスAC/DCハイブリッドシステムでのシミュレーションで単一ステップTop-1精度97.0%、全体Top-1精度89.8%、Top-3精度98.2%を達成
- 平均単一推論時間は約9.6ミリ秒で、従来の時間領域シミュレーションと比較して4700倍以上の高速化を実現
CONTEXT文脈編集部による背景整理
電力システムの連鎖故障予測に物理制約付きLSTMを適用し、従来の時間領域シミュレーション比4700倍以上の高速化と高い予測精度を実現した点は、電力系統の安定運用・早期警報システムの実用化につながる技術的進展として注目に値する。AIと電力インフラの融合領域での実証結果であり、スマートグリッド関連企業や電力系統向けAIソリューション事業者の競争力向上に寄与する可能性がある。
原文を読むAnalyzed at 2026年8月13日 03:00