強化学習ベースのインテリジェント適応保護リレー:アルゴリズム、応用、およびパフォーマンス指標の体系的比較レビュー
Reinforcement Learning-Based Intelligent Adaptive Protection Relays: A Systematic Comparative Review of Algorithms, Applications, and Performance Metrics
インバーターベースのリソース(IBR)と分散型電源(DG)の統合加速により、従来の電力システム保護の効果が低下している。本稿では、強化学習(RL)ベースのインテリジェント適応保護リレー(APR)に関するPRISMAガイドラインに沿った体系的なレビューを行う。1983年から2025年までに発表された72件の候補論文を検索し、18件の査読付き研究を詳細に分析した。本レビューは、RLアルゴリズムと電力システム保護リレーの交差点に焦点を当て、以下の点を提供する。(i)Q学習、SARSA、DQN、DDPG、PPO、SAC、REINFORCEを網羅する詳細なアルゴリズム分類。(ii)2つの補完的な比較表:1つ目は7つの強化学習カテゴリにわたるアルゴリズムファミリーの標準化された概要を示し、検証された定量的ベンチマークの広範な欠如を強調する。2つ目は代表的な研究の比較分析を示し、利用可能な場合は確認されたパフォーマンス指標、それ以外の場合は構造化された定性評価を詳述する。(iii)PRISMAフロー、アルゴリズムパフォーマンスレーダーチャート、技術準備レベル(TRL)マトリックスを示す構造化された図。(iv)方法論的品質、データセットの多様性、再現性に関する批判的統合。結果は、PPOが高IBR浸透下での適応協調パフォーマンスで最も強力な証拠を示していることを確認した。SACは隣接する電力システム制御問題(電圧調整、エネルギー配備)で強力なパフォーマンスを示すが、レビューされたコーパスでは保護に特化したSAC検証研究は特定されなかった。Q学習は、制約のある安全クリティカルな環境で依然として価値がある。特定された研究ギャップには、標準化された障害シナリオベンチマークの欠如、ハードウェアインザループ(HIL)検証の限定性、およびサイバーセキュリティ耐性の未探索が含まれる。説明可能なAI、デジタルツイン共同シミュレーション、および安全なRLフレームワークを包含する将来の方向性が体系的に概説されている。
- PRISMAガイドラインに沿った体系的レビューで、1983年から2025年までの72件の候補論文から18件の査読付き研究を精査し、RLベースの適応保護リレー(APR)を分析した
- Q学習、SARSA、DQN、DDPG、PPO、SAC、REINFORCEを網羅するアルゴリズム分類を提示した
- PPOが高IBR浸透下での適応協調パフォーマンスで最も強力な証拠を示すと確認された一方、保護に特化したSAC検証研究はレビュー対象コーパスでは特定されなかった
- 標準化された障害シナリオベンチマークの欠如、ハードウェアインザループ(HIL)検証の限定性、サイバーセキュリティ耐性の未探索が研究ギャップとして特定された
- 技術準備レベル(TRL)マトリックスやアルゴリズムパフォーマンスのレーダーチャートを含む構造化された図を提供し、説明可能なAIやデジタルツイン共同シミュレーション、安全なRLフレームワークを将来方向として概説した
強化学習を電力系統の保護リレーに適用する研究の体系的レビューであり、直接の企業・製品動向ではないものの、RLアルゴリズム選定の現状整理として投資判断の基礎情報になる。注目点は、PPOが高IBR浸透下の適応協調で最も強い証拠を持つ一方、SACは保護特化の検証研究が存在せず、標準ベンチマーク・HIL検証・サイバーセキュリティ耐性が未整備な点。つまり電力グリッド向けRLソリューションは実運用検証の段階に未到達で、定量ベンチマーク不在は投資評価の難しさ(デューデリ時の検証リスク)を意味する。HIL検証やデジタルツイン共同シミュレーションを提供する事業者は差別化余地が大きい。