Robustness Evaluation of Machine Learning Models for Fault Classification and Localization In Power System Protection

電力網を、電気の巨大で賑やかな都市だと想像してみてください。長年、「交通整理員」（保護システム）は単純なルールブックを使用してきました。もし光が特定のパターンで点滅したら、回路を遮断するというルールです。しかし今、この都市は変化しています。ソーラーパネルや風力タービンがあちこちに現れ、電気の流れは予測不能で荒々しいものになっています。古いルールブックは混乱しつつあります。

そこに、機械学習（ML）が登場します。これは、都市全体を見渡し、「ああ、北側で短絡（ショート）が起きている！」と言えるような、超スマートでデータに飢えた探偵です。しかし、ここには落とし穴があります。現実の世界では、探偵が必ずしも完璧な手がかりを得られるとは限りません。時には無線がノイズで途切れたり、センサーが故障したり、あるいは数秒間の動きを見逃したりすることもあります。

この論文は、極めて重要な問いを投げかけています。もし私たちのAI探偵が、感覚の一部を失ったとしても、果たして事件を解決できるのか、それともパニックに陥ってしまうのか？

探偵の2つの仕事

研究者たちは、高度なシミュレーション（電力網の超正確なビデオゲーム）を用いて、AIモデルに2つの特定のタスクをテストしました。

1. 故障分類 (Fault Classification: FC): 何が起きているのか（例：「単線接地なのか、それとも三相接地なのか？」）を特定する。
2. 故障箇所特定 (Fault Localization: FL): 送電線のどの地点でトラブルが発生しているのか（正確な場所）を突き止める。

「壊れたセンサー」実験

チームは、単にAIがタフであることを期待しただけではありません。AIがどのように痛みに対処するかを見るために、あえて意図的に壊してみました。彼らは3種類の災難をシミュレートしました。

• 感覚の喪失: もしAIが電圧を見られなくなったら？ あるいは電流を見られなくなったら？ あるいは特定の相（例えば「A相」のチャンネル）だけを失ったら？
• スローモーション: データが、鮮明で高速なストリームではなく、バッファリング中の動画のようにゆっくりと送られてきたら？
• 通信遮断: コントロールセンターへの接続が数ミリ秒間途切れたら？

大きな発見： 「種類」 vs 「場所」

ここが、この物語の最も驚くべき部分です。AI探偵は、故障の「種類」を特定することに関してはカメレオンのように適応力がありますが、「場所」を見つけることに関しては**脆い（もろい）**のです。

1. 「何が」はタフである（故障分類）
電圧データや電流データを隠しても、AIの「これは短絡だ！」と言う能力はほとんど揺らぎませんでした。スコアは0.99（1.0が完璧）と、極めて堅実でした。たとえ電気データの1つの相を丸ごと失ったとしても、スコアは0.85〜0.87程度にわずかに低下しただけでした。

• 教訓: AIは、たとえ手がかりの半分を失ったとしても、故障の「指紋」を認識することに長けています。それは、歌詞がカットされていても、ビートを聞けば曲を判別できるようなものです。

2. 「どこで」は敏感である（故障箇所特定）
しかし、故障の正確な地点を見つけるとなると、AIは目を大きく見開いている必要がありました。

• 電流データを隠すと、場所特定におけるエラーは71%跳ね上がりました（平均エラーが7.80から13.36へ）。
• 電圧データを隠すと、エラーは**163%**も爆発的に増加しました（20.56まで上昇）。
• 教訓: 電圧はこのAIにとってのGPSです。電圧がなければ、探偵は暗闇の中を彷徨うことになります。論文は、AIは電圧なしでも問題の「種類」を推測できるかもしれないが、「場所」を知るためには絶対に電圧が必要であると示唆しています。

「スローモーション」テスト

チームは、データストリームを、6,400 fpsではなく100 fpsで再生するように、動画をスローダウンさせました。

• 「何が」に対して: AIは100 Hzまで速度が落ちるまではほとんど気にしませんでした。400 Hzであっても、依然としてチャンピオンであり続けました。
• 「どこで」に対して: AIはもっと早くから躓き始めました。800 Hzでは問題ありませんでしたが、200 Hzになるとエラーが著しく増大しました。
• 教訓: 何が起きたかを知るために超高速のカメラは必要ありませんが、どこで起きたかを正確に知るためには、高速なフレームレートが必要です。

「通信遮断」テスト

最後に、彼らはAIが数ミリ秒（5〜40 ms）の間、接続を失う状況をシミュレートしました。

• 結果: AIは驚異的な回復力を見せました。20 ms以下のデータ消失であれば、パフォーマンスに全く影響を与えませんでした。実際、一瞬だけ、場所特定のエラーが（7.80から7.48へと）わずかに改善した場面もありましたが、著者らはこれはシミュレーション上の単なる幸運な偶然であり、魔法のようなトリックではないと注釈しています。遮断が40 msに達すると、エラーが再び上昇し始めました。

これが将来に意味すること

この論文は、単にどんなAIでも電力網に投入して、あとは祈るだけではいけないと結論付けています。これらのシステムを安全にするためには：

• 電圧は王様である: AIが常に電圧データを受け取れるようにしなければなりません。電圧センサーが故障すれば、「場所」を特定するシステムは崩壊します。
• 冗長性が重要である: 1つの相（A、B、またはC）を失うことが性能に悪影響を与えるため、3つの相すべてがグリッドを見守っている状態を確保する必要があります。
• 速度が重要である: すべてに対して可能な限り高速なデータが必要なわけではありませんが、故障箇所を特定するためには、少なくとも800 Hzが必要です。

著者らは、これらの結果は特定のグリッド構成のシミュレーションによるものであることに注意を促しています。彼らはまだ、これを実際の物理的な電力網でテストしてはいません。しかし、もし彼らの「ビデオゲーム」での結果が現実世界でも通用するならば、それはエンジニアに明確な設計図を与えます。欠損データを想定したAIを構築しつつ、決して、決して、電圧センサーを失わせないようにすることです。