技術概要：リアルタイムのサイバー物理的攻撃および故障分類のためのレイテンシを考慮した深層学習ベンチマーク

問題定義

現代の電力システムは、インバータベース資源（IBR）の統合と高度なサイバー物理インフラの進展によって変革を遂げています。この転換は、IBR が故障電流特性（制限された大きさ、高調波）を示すことで従来の保護方式に課題を提起し、一方でデジタル化がサイバー攻撃の対象領域を拡大させる、複雑な故障モードをもたらします。深層学習（DL）は、高いオフライン精度で物理的故障やサイバー攻撃を検出する可能性を示してきましたが、文献には重要なギャップが存在します。すなわち、多くの研究が静的データセット上の精度を優先し、現実的なストリーミング環境におけるエンドツーエンドの推論レイテンシを軽視しているという点です。

電力系統の保護における運用タイムラインは極めて厳しく、通常 1〜2 サイクル（16〜34 ms）以内に故障を隔離する必要があります。現在の研究には、これらの厳格なタイミング要件に対して DL モデルのレイテンシを定量化する、厳密で比較可能なベンチマークが欠如しています。その結果、「リアルタイム」適用性に関する主張は頻繁に裏付けられておらず、研究プロトタイプから保護グレードのシステムへの機械学習手法の展開を妨げる障壁となっています。

手法

このギャップに対処するため、著者らは産業グレードの電磁過渡シミュレータ（WinIGS）から生成された高忠実度の時間領域信号を用いた、レイテンシを考慮したベンチマーキングフレームワークを開発しました。

1. データ生成とテストベッド：

• シミュレータ： データセットは、グリッドダイナミクス、再生可能エネルギーの統合、およびマイクロ秒単位の精度での異常注入をモデル化するために WinIGS を使用して生成されました。
• テストベッド： 50 kVA の PV インバータと 30 kVA の蓄電池エネルギー貯蔵システム（BESS）を備えた、インバータが豊富なマイクログリッド。
• データ取得： 2 台のメアジングユニット（MU）から、IEC 61850 サンプルドバリュー（SV）ストリームを 4.8 kHz（208 µs 分解能）でエミュレートして取得。
• 異常： 本研究は、通常運転、各種物理的故障（SLG、LL、DLG、三相）、およびサイバー攻撃（CT/PT 比攻撃、GPS スプーフィング）を含む 17 の異なるクラスを網羅しています。
• 前処理： 特徴量は標準化され、50 サンプルのシーケンスがスライディングウィンドウアプローチを使用して生成されました。

2. モデルアーキテクチャ：
8 種類の異なる DL アーキテクチャが体系的に評価されました。

• 多層パーセプトロン（MLP）
• 1 次元畳み込みニューラルネットワーク（1D-CNN）
• 長短期記憶（LSTM）
• CNN-LSTM ハイブリッド
• トランスフォーマー
• 時間的畳み込みネットワーク（TCN）
• ResNet1D
• 時空間グラフ畳み込みネットワーク（ST-GCN）

3. リアルタイム推論パイプライン：
評価は、生時間領域サンプルを処理するストリーミングパイプライン上で実施されました。意思決定の安定性を確保するため、フレームワークは以下の手法を採用しました。

• 1 サイクル移動平均： 確率ベクトルを平滑化するための中心移動平均フィルタ（$N_{cyc} = 80$ サンプル）。
• 信頼度に基づく棄却： 最大信頼度が閾値（$\tau = 0.6$）を超えた場合のみ予測を出力する意思決定メカニズム。それ以外の場合、システムは棄却し（-1 を出力）、低信頼度の誤分類を防止します。

4. 評価指標：
本研究は、リアルタイム制約下でのパフォーマンスを評価するために 4 つの主要指標を定義しました。

• 精度： 正しく分類されたサンプルの割合。
• カバレッジ： 確信度の高い（棄却されていない）意思決定を持つサンプルの割合。
• 分類時間（$T_{cls}$）： 異常発生から正しく識別されるまでの間隔。
• 推論レイテンシ（$T_{inf}$）： 生測定値から意思決定を生成するために必要な計算遅延（平均順方向パス時間）。

主要な貢献

本論文は、以下の 3 つの主要な貢献を提示します。

1. 体系的な比較： 17 種類の異なる物理的およびサイバー異常を網羅する高忠実度ストリーミングデータ上での、8 種類の DL アーキテクチャの直接比較評価。
2. 実用的な推論パイプライン： ストリーミング環境における意思決定の安定性を向上させるための、循環フィルタリングと信頼度に基づく棄却を備えたリアルタイムパイプラインの実装。
3. 定量的レイテンシベンチマーク： この多様なモデル群に対するサブサイクル検出および分類レイテンシの最初の比較証拠。アルゴリズム的な分類速度とエンドツーエンドの推論レイテンシを明確に区別しています。

結果

トレーニング性能：
すべてのモデルは高いオフライン精度（>94%）を達成しました。MLP モデルは、パラメータ数が最も少ない（157k）にもかかわらず、99.66% の精度で最良の性能を発揮しました。トランスフォーマーモデルは、クラス不均衡に対する頑健性を示す最高バランス精度（99.88%）を達成しましたが、生精度（95.37%）は低かったです。

ストリーミング推論とレイテンシ：

• 安定性： 生のストリーミング予測は、著しいジッターと振動を示しました。1 サイクル移動平均フィルタと信頼度ゲートイングの適用により、分類が安定化し、誤報が排除され、モデルの信頼性が持続することが確認されました。
• 分類時間： すべてのモデルがサブサイクルの分類時間（3.38 ms から 14.83 ms の範囲）を達成し、必要な保護ウィンドウ（通常 <16 ms）内で異常を正常に識別しました。
• 推論レイテンシ： 高速な分類時間にもかかわらず、すべてのモデルにおいてエンドツーエンドの平均推論レイテンシは一貫して 3 サイクル（50〜90 ms）を超えました。例えば、MLP のレイテンシは 57.20 ms であり、ST-GCN は 88.89 ms に達しました。
• 特定のシナリオ：
  • CT 比攻撃： MLP とトランスフォーマーモデルが最も速く反応（<10 ms）し、再帰型モデル（LSTM、CNN-LSTM）は遅かった（>50 ms）。
  • ゾーン外故障： システムは、訓練ゾーン外の故障を誤分類するのではなく、信頼度を低下させて「未確認」（-1）としてフラグを立てることで、正しく識別しました。

意義と主張

本論文は、深層学習モデルがサブサイクル応答時間で電力系統の異常を検出・分類するアルゴリズム的能力を有している一方で、この能力と保護グレードの展開の間には依然として重要なギャップが存在すると結論付けています。一貫して 50〜90 ms のエンドツーエンド推論レイテンシは、一次保護機能に必要な典型的な 16〜34 ms のウィンドウを超えています。

著者らは、これらの知見がサブサイクル異常検出のための再現可能なベンチマークを確立すると主張しています。本研究は、現在のレイテンシプロファイルが一次保護よりも制御および状況認識機能に適していることを浮き彫りにしています。本論文は、これらの手法を現実のアプリケーションに移行するには、モデル精度のみに焦点を当てるのではなく、さらなる最適化とハードウェアアクセラレーションを通じてレイテンシギャップを埋める必要があることを強調しています。本研究は、次世代のインテリジェント保護システムの設計における精度、速度、複雑さのトレードオフを理解するための指針として機能します。