論文要約：可逆性を持つコップマンベースのアーキテクチャを用いた電力網周波数ダイナミクスの予測

本論文は、電力システムの安定性において極めて重要な「系統周波数」のダイナミクスを予測するための新しいアプローチを提案し、その評価を行ったものです。特に、**可逆ニューラルネットワーク（Invertible Neural Networks: INNs）とコップマン演算子（Koopman operator）**の枠組みを組み合わせ、非可逆的な潜在表現による情報損失の問題を解決し、高精度な予測を実現する手法に焦点を当てています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

---

1. 背景と問題定義

• 課題: 現代の電力網は、再生可能エネルギー源（インバータベースで慣性が小さい）の導入により、周波数安定性の維持が困難になっています。システム安定性を確保するためには、擾乱後の状態変化を正確に予測することが不可欠です。
• 既存手法の限界:
  • コップマンベースのモデル: 非線形ダイナミクスを線形近似する強力な手法ですが、通常はオートエンコーダを用いて観測空間（潜在空間）へ変換します。
  • 情報損失の問題: 従来のオートエンコーダは可逆性（双射性）を保証していないため、物理状態空間から観測空間へのマッピングで情報が失われ、コップマン演算子の固有値や固有関数の推定精度が低下し、予測誤差が生じます。
  • INNs の課題: INNs は設計上、状態空間と潜在空間の間の双射マッピングを強制するため情報損失がありません。しかし、INNs には入力と出力の次元数が等しくなければならないという制約があり、コップマン演算子が低次元の非線形ダイナミクスを高次元の線形空間に埋め込む「次元上昇（dimension lifting）」の要件と矛盾します。

2. 提案手法とアーキテクチャ

本研究では、INNs のアーキテクチャ選択と、次元制限を克服するためのハイブリッドアプローチを検証しました。

A. 基礎となる INNs のアーキテクチャ比較

以下の 3 種類の可逆ネットワーク構造を評価対象としました：

1. カップリングレイヤー（Coupling Layers）: 入力ベクトルを分割し、片方を他方の条件付きで変換する方式（例：RealNVP, Glow, HINT, NICE）。
2. 残差ブロック（Residual Flows）: 残差接続を用いた可逆ネットワーク（例：i-RevNet, iResNet）。
3. ODE ベースのアプローチ: ニューラル常微分方程式（Neural ODEs）を用いた連続時間モデル。

B. ハイブリッド・インバース・コップマン・オートエンコーダ（Hybrid INN）

次元上昇の制限を克服するため、Frion らが提案した**拡張可逆コップマン・オートエンコーダ（AIKAE）**の概念を採用・拡張しました。

• 構造: 入力データを「可逆ネットワーク（INN）」と「非可逆な拡張ネットワーク（Extension Network）」の 2 つのパスに並列で入力します。
• 処理: 両者の出力を結合して高次元の潜在ベクトルとし、コップマン演算子で時間発展させます。予測後は、可逆部分のみを復元して元の状態を再構成します。
• 拡張ネットワークの種類:
  1. CNN ベース: 局所的な構造や時間的パターンを抽出。
  2. カーネルベース（RBF）: 高次元特徴空間への非線形マッピング。
  3. 深層残差拡張（Multitimescale）: SiLU 活性化関数とスキップ接続を用いた全結合残差ネットワーク。長期的な依存関係と複数スケールの周波数成分を捉える。

3. 実験設定

• データセット: IEEE-14 バスシステム（高速減衰ダイナミクス）と WECC-179 バスシステム（弱い減衰、広域振動）の 2 つのベンチマーク。
• シミュレーション: ANDES パッケージを用い、特定のバスに 0.1 秒の短絡故障を発生させて生成した周波数応答軌跡を使用。
• 評価指標: 相対二乗平均二乗誤差（RRMSE）。学習軌跡とテスト軌跡の両方で評価。
• 比較対象: 単独の INN、ハイブリッド INN、および拡張ネットワークのみを用いた基底線（EDMD）モデル。

4. 主要な結果

A. 基礎 INN の性能比較

• カップリングフロー（CF-INNs）の優位性: 線形結合カップリング（Affine coupling）を用いたモデル（All-In-One, Glow, RealNVP, HINT）が、学習・テスト双方で最も高い精度と汎化性能を示しました。特に、構造の安定性が寄与していると考えられます。
• 他のモデルの課題:
  • NICE（加算カップリング）: 複雑な非線形ダイナミクスの捕捉が困難で、長期的な予測（WECC データ）で性能が低下しました。
  • ODE ベース & iResNet: 数値的な逆変換やリプシッツ定数の制約により、詳細なダイナミクスの捕捉が不十分で、誤差が大きくなりました。

B. ハイブリッドアプローチの効果

• アーキテクチャ依存性: 拡張ネットワークの効果はベースモデルに強く依存しました。
  • 弱いベースモデル（ODE, iResNet）: 拡張ネットワーク（特に CNN やマルチタイムスケール）を組み合わせることで、RRMSE が最大 10% 改善されました。
  • 強いベースモデル（CF-INNs）: 既存の高性能な CF-INNs に拡張を加えても性能向上は見られず、場合によっては若干の劣化（特に Glow）が見られました。
• 最良の組み合わせ: **「All-In-One モデル」＋「マルチタイムスケール拡張（SiLU + Residual）」**の組み合わせが、最も困難な WECC テストセットで最良の結果（RRMSE 19.57%）を達成しました。これは、拡張ネットワークが追加の観測量として有効に機能し、汎化能力を向上させたことを示しています。

C. 拡張ネットワークの寄与の分析

• 可逆変換を恒等写像（Identity）に置き換えた実験（EDMD の基底線）により、拡張ネットワーク自体がコップマンリフティングに有効な特徴を提供できることが確認されました。特に「マルチタイムスケール拡張」は、学習データ・テストデータ双方で RRMSE を大幅に改善しました。

5. 結論と意義

• 結論:
  1. 電力網周波数ダイナミクスの予測において、**アフィン・カップリングを用いた INN（CF-INNs）**が構造的安定性と表現力のバランスが最も優れており、単独で高い性能を発揮します。
  2. 性能が劣る INN に対しては、非可逆な拡張ネットワークとのハイブリッド化が有効ですが、高性能なモデルに対しては必ずしも有効ではなく、場合によっては逆効果となる可能性があります。
  3. 最適なハイブリッド構成は、特定のアーキテクチャとデータセットに依存するため、慎重な評価が必要です。
• 学術的・実用的意義:
  • 従来のモデル駆動シミュレーションに依存せず、データ駆動で高精度な軌跡予測を可能にします。
  • INNs のアーキテクチャ選択と拡張手法の組み合わせに関する指針を提供し、電力システムの安定性解析や制御への応用を促進します。
  • 拡張ネットワークがコップマン演算子の「リフティング（次元上昇）」にどのように寄与するかを定量的に評価する枠組みを確立しました。

本研究は、電力システムの複雑な非線形ダイナミクスを、情報損失なく、かつ解釈可能な形でモデル化するための、アーキテクチャ設計の重要な指針を提供するものです。