Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework

技術要約：実行可能なハンズオン・フレームワークを用いた人工知能と電力システム教育の架け橋

問題提起
人工知能（AI）は、モデリング、予測、最適化、制御において電力およびエネルギーシステムの中核となりつつあるが、初心者や学際的な学習者向けの教育リソースには大きな隔たりが存在する。既存のアカデミックな著作の多くは、専門的な応用やハイレベルな研究に重点を置いており、初心者が断片的な、文脈のないコードや、抽象的すぎるワークフローに直面することを余儀なくされている。さらに、著者らが行ったコミュニティ調査では、92%の研究者および実務家が、AIモデルを実行する前に少なくとも一つの障壁（例：不十分な背景知識、ハードウェアの制限、環境設定の問題など）があると報告している。加えて、94%の回答者が、電力分野に特化したハンズオン形式のコースを求めている。MNIST（手書き数字認識）などの一般的な例に基づいた現在の汎用チュートリアルは、時系列データ、波形、潮流量といった電力システム特有の問題とは関連性が低いと認識されている。

手法
これらのギャップに対処するため、著者らは「エンジニアリングに基づいたAI（Engineering-Grounded AI: EGAI）」のためのフレームワークを提案する。これは、AIのワークフローがタスクに依存しないブラックボックスとして機能するのではなく、確立された工学および電力システムのドメインルールに従うものである。この手法は、以下の3つのコアコンポーネントで構成される。

1. コミュニティ主導のデザイン： 電力・エネルギー分野の研究者および実務家を対象としたターゲット調査（N=52）を実施し、具体的な学習障壁とリソースへの嗜好を特定した。これが教育資料のデザインに直接反映されている。
2. 漸進的な知識マッピング： 本フレームワークは、コアとなるAI概念と代表的な電力システム・タスクを明示的に組み合わせることで、学習モジュールを「漸進的な難易度の階段」に沿って整理している。このマッピングは、以下の結合を通じて孤立化を回避する：
   • 非線形回帰と負荷曲線予測の結合
   • 畳み込みニューラルネットワーク（CNN）と潮流サロゲートモデルの結合
   • 学習された制約条件とセキュリティ制約付き意思決定の結合
   • 深層強化学習（DRL）と蓄電池制御の結合
   • 物理情報ニューラルネットワーク（PINN）とスイング方程式の結合
3. 実行可能なモジュール・ライブラリ： 著者らは、Jupyter Notebookとして公開される6つのオープンソースのハンズオン・モジュールを開発した。これらはローカル環境またはGoogle Colabで実行可能であり、再現性と修正の容易性を確保するために、統一されたテンプレート構造（設定、データ生成、モデル構築、学習、評価、可視化）を採用している。モジュールは以下の3つのティアに分類される：
   • ティア1（基礎）： 関数近似（解析関数）および負荷曲線フィッティング（実測データ）のための汎用ディープニューラルネットワーク（DNN）テンプレート。
   • ティア2（ドメイン結合）： 修正されたPJM 5バス系統を用いたCNNベースの潮流サロゲート。モンテカルロ法で生成されたデータを用い、運転設定値からバス電圧およびライン潮流を予測する。
   • ティア3（フロンティア）： DNN支援型最適化（混合整数線形計画法への学習済み制約の埋め込み）、蓄電池エネルギー貯蔵システム（BESS）のスケジューリングのためのDRL、および疎なデータを用いたスイング方程式を解くためのPINNを含む高度な応用。

主な貢献

• ニーズ分析： コミュニティ調査を通じた、学習障壁とドメイン特化型AI教育の需要に関する実証的な検証。
• デザイン・フレームワーク： AI概念を電力システム・タスクにマッピングする構造化されたアプローチ。これは、一般的な例を超え、物理的に解釈可能な問題へと移行するものである。
• オープン・モジュール・ライブラリ： 基本的な回帰から物理情報学習に至るまでのスペクトラムをカバーする6つの実行可能なモジュールの提供。これらはすべて、共有された構成可能なノートブック・テンプレートに基づいている。
• 再現性と検証： これらのリソースをIEEEのオンラインコースおよびIEEE Power & Energy Society (PES) のウェビナーシリーズを通じて提供し、教材のアクセシビリティと再現性を確保した。

結果
本フレームワークは、初期の展開とコミュニティ・エンゲージメントを通じて検証された：

• ウェビナー出席者数： 関連するウェビナーのパートIには590名以上のライブ視聴者が集まり、IEEE PESウェビナーの中で最も視聴者の多かったトップ10に入った。
• リポジトリのエンゲージメント： オープンソース・リポジトリは、公開後2週間以内に344件以上のアクセスを記録した。
• 技術的性能：
  • 基礎的なDNNテンプレートは、異なる関数族（三角関数、多項式）および実際の負荷データに対して正常に汎化性能を示した。
  • CNNによる潮流サロゲートは、モデル容量が十分な学習長と組み合わされる必要があることを示した。200エポック、240個のフィルタで学習されたモデルは、バス電圧において平均絶対誤差（MAE）が$10^{-3}$ puを下回り、学習不足のバリアントを大幅に上回った。
  • BESS制御のためのDRLモジュールは、蓄電池なしのベースラインと比較して5.9%のコスト削減を達成し、単純なサイクル規則を上回る結果を出した。これにより、状態・行動・報酬の結合が検証された。
  • PINNモジュールは、疎なデータで学習した場合でも、通常のニューラルネットワークよりも正確に回転角および角速度の軌跡を再現することに成功し、支配方程式を埋め込むことの価値を実証した。

意義
本論文は、本研究が「最小限かつ拡張可能なコーディング・ベースライン」を提供することで、電力システムへのAI適用における参入障壁を下げると主張している。学習者を大規模言語モデル（LLM）への受動的な依存から、パラメータ、アーキテクチャ、および問題定式化に対する能動的な実験へとシフトさせることで、本フレームワークは、AIが物理システムとどのように相互作用するかについての深い理解を促進する。著者らは、このアプローチが「エンジニアリングに基づいたAI」を推進し、電力システムにおけるAIツールが、確立された工学原則に適合する入力、ワークフロー、および出力を持つことを保証すると考えている。本フレームワークは、電力システムのみならず、基礎的なAI概念と高度なドメイン特化型応用との間の溝を埋める、他のデータ駆動型工学分野にも再利用可能なテンプレートとして設計されている。