知的エネルギーセキュリティに向けて：スマートグリッドにおける大規模な電力窃盗検知のための統合的スパイド（時空間）およびグラフ学習フレームワーク

Abstract

電力窃盗および非技術的損失（NTL）は、現代のスマートグリッドにおいて依然として重大な課題であり、大きな経済的損失を引き起こすとともに、グリッドの信頼性を損ないます。本研究では、電力窃盗検知とインテリジェントなエネルギー監視のための統合型人工知能フレームワークである SmartGuard Energy Intelligence System（SGEIS）を提案します。提案システムは、教師あり機械学習、深層学習に基づく時系列モデリング、ノン・イントルーシブ・ロード・モニタリング（NILM）、およびグラフベースの学習を組み合わせることで、時間的および空間的な消費パターンの両方を捉えます。包括的なデータ処理パイプラインを開発し、特徴量エンジニアリング、多尺度の時間分析、ルールベースの異常ラベリングを組み込みます。Long Short-Term Memory（LSTM）、Temporal Convolutional Networks（TCN）、オートエンコーダを含む深層学習モデルを用いて、異常な使用パターンを検知します。並行して、Random Forest、Gradient Boosting、XGBoost、LightGBM といったアンサンブル学習手法を分類に利用します。グリッドのトポロジーと空間的依存関係をモデル化するために、グラフニューラルネットワーク（GNN）を適用し、相互に接続されたノード間で相関する異常を特定します。NILM モジュールは、集約信号から家電レベルの消費を分解することで、解釈可能性を高めます。実験結果は強力な性能を示しており、Gradient Boosting は ROC-AUC 0.894 を達成し、またグラフベースのモデルは高リスクノードの特定において 96% 超の精度を示します。ハイブリッドなフレームワークは、時間的、統計的、空間的なインテリジェンスを統合することで、検知の堅牢性を向上させます。全体として、SGEIS は、電力窃盗検知のためのスケーラブルで実用的なソリューションを提供し、高い精度、向上した解釈可能性、そして現実のスマートグリッド導入における強い可能性を示します。