ハイブリッド機械学習フレームワークによる電力系統安定性予測とモデル評価
Hybrid machine learning framework for electrical grid stability prediction using comparative model evaluation
本研究では、電力系統の安定性予測における機械学習および深層学習アプローチの体系的な比較評価を実施した。10,000件の観測データからなる分散型4ノードスター型電力システムのシミュレーションデータセットを使用し、6つの従来の機械学習モデル(ロジスティック回帰、ランダムフォレスト、勾配ブースティング、XGBoost、LightGBM、RBFカーネルSVM)と4つの深層学習アーキテクチャ(ディープ多層パーセプトロン、1D-CNN、CNN-LSTM、Bi-LSTM)を比較した。さらに、高性能なブースティングモデルからの相補的な表現を線形メタ学習器を通じて統合するハイブリッドスタッキングアンサンブルを開発した。ドメイン知識を組み込むため、元の12の系統パラメータから7つの物理情報に基づいた特徴量をエンジニアリングし、19次元の特徴空間を生成した。モデル性能は、精度、加重F1スコア、ROC-AUC、マシューズ相関係数、クラスごとの適合率と再現率を用いて、層化5分割交差検証で評価した。SHAPベースの分析により、特徴量の寄与を定量化し、モデルの解釈可能性を向上させた。提案されたハイブリッドスタッキングアンサンブルは、精度96.85%、加重F1スコア0.9685、ROC-AUC 0.9953、MCC 0.9319を達成し、最高の全体予測性能を示した。SHAP分析は、物理情報に基づいた相互作用特徴量、特にτ−P相互作用と電力バランス特性が、元の系統反応時間パラメータと組み合わせられた場合に、実質的な識別情報を提供することを示唆した。この結果は、ハイブリッドアンサンブル学習と物理情報に基づいた特徴量エンジニアリングの組み合わせが、電力系統の安定性予測に対して、正確で解釈可能、かつ計算上実用的なソリューションを提供することを示している。
- 10,000件の観測データからなる分散型4ノードスター型電力システムのシミュレーションを用い、6種の従来型機械学習モデルと4種の深層学習アーキテクチャを層化5分割交差検証で比較評価した。
- ブースティングモデルの相補的表現を線形メタ学習器で統合するハイブリッドスタッキングアンサンブルを開発し、精度96.85%、加重F1 0.9685、ROC-AUC 0.9953、MCC 0.9319を達成した。
- 元の12系統パラメータから7つの物理情報ベース特徴量を追加し19次元特徴空間を構築、SHAP分析でτ−P相互作用や電力バランス特性が識別情報を提供することを示した。
学術シミュレーション研究であり直接の投資対象ではないが、電力系統の安定性予測にハイブリッドスタッキングアンサンブルと物理情報ベースの特徴量エンジニアリングを組み合わせ高精度(精度96.85%、ROC-AUC 0.9953)を達成した点は、AIの産業応用(グリッド運用・異常予測・デジタルツイン)の実用化余地を示す。SHAPによる解釈可能性確保は規制産業でのAI導入に効く要素で、電力インフラ・AI分析基盤への投資テーマとして押さえたい。