分散型発電所の監視における説明可能なAIの性能と公平性の両立：異常検知

要約: 信頼性の高い異常検知は、分散型発電所の監視システムにおいて運用の継続性を確保し、保守コストを削減する上で不可欠です。特に、通信事業者がディーゼル発電機に大きく依存している地域では重要です。しかし、この課題は極端なクラス不均衡、解釈性の欠如、地域クラスタ間の公正性の問題の可能性によって難しくなります。本研究では、アンサンブル法（LightGBM、XGBoost、Random Forest、CatBoost、GBDT、AdaBoost）とベースラインモデル（サポートベクターマシン、K最近傍法、多層パーセプトロン、ロジスティック回帰）を、高度なリサンプリング手法（SMOTE および Tomek Links、ENNを含む）と組み合わせ、カメルーンのディーゼル発電機運用データの不均衡を解決する教師ありMLフレームワークを提案します。解釈可能性は SHAP（SHapley Additive exPlanations）を用いて達成され、公平性は運用クラスタ間の Disparate Impact Ratio (DIR) によって定量化されます。さらに、地域間のドメインシフトを捉えるため Maximum Mean Discrepancy (MMD) を用いてモデルの一般化を評価します。実験結果は、アンサンブルモデルがベースラインを一貫して上回ることを示し、LightGBM が F1 スコア0.99 を達成し、クラスター間のバイアスは最小限でした（DIR 約0.95）。SHAP分析は、燃料消費量と日次の実行時間を主要な予測因子として強調し、運用者にとって実用的な洞察を提供します。我々の知見は、異常検知において性能、解釈性、フェアネスのバランスを取ることが可能であることを示しており、産業用電力管理におけるより公平で説明可能なAIシステムの道を開きます。 {
color{black} 最後に、オフライン評価を超えて、訓練済みモデルを実際のリアルタイム監視にデプロイする方法についても説明します。コンテナ化されたサービスがリアルタイムで処理し、低遅延の予測を提供し、運用者向けに解釈可能な出力を提供できる方法を示します。