電力 AI エンドツーエンド
研究プロジェクト

この研究で実証したこと

1. 5 分粒度の電力需給データに対して、 自前 906M parameter Transformer が Chronos zero-shot を上回った (10 ターゲット中 7 で勝利)。 B300 の HBM 容量を活かした 4032 step (約 14 時間) のコンテキストが鍵。
2. Chronos の予測残差から 92 日分の系統異常 5,545 件を自動抽出。 同時発生分析で「太陽光起動 → LNG 火力急減 → 連系線逆流」 という連鎖イベントが 12 月の朝 09:00 帯に集中していることを発見。
3. AI が異常を 61 タイプに自動分類。 Chronos encoder で 768 次元埋め込み → UMAP + HDBSCAN。 物理的に意味のあるパターン (朝の太陽光起動、 夕方需要ピーク、 深夜風力スパイク等) に自動分離。
4. 1〜6 時間先の異常を予測する 25M Transformer を学習 (8 GPU DDP、 1.5 分)。 太陽光異常は AUC 0.87 で予測可能、 風力は AUC 0.57 で困難 (本質的にランダム)。
5. Granger Causality で「太陽光 → LNG 火力」(F=216) が最強の因果関係と判明。 LNG 火力 ⇔ 連系線は双方向因果 (需給バランスの調整)。
6. 強化学習 (PPO) で系統運用ポリシーを自己発見。 異常予測モデルを reward shaping に再利用した PPO agent が、 高忠実度シミュレータ上で LNG 火力を 25% 削減しつつバランスを維持できる運用を学習。

アプローチ進化

vs Chronos zero-shot (同一 val 期間で公平比較)

val 期間: 2025-12-12〜2026-01-01 (約 20 日、 stride=24、 同一 sampling)

手法

1. val 期間 (2025-10〜2026-01、 92 日、 25,472 step) の全 5 分時点で Chronos T5-base zero-shot 予測
2. 残差 r = (実績 − 予測中央値) を計算
3. 系列毎に残差の標準偏差 σ_r を求め、 z-score = r / σ_r で正規化
4. |z| > 3 (軽度) / 5 (中度) / 8 (重大) で異常を抽出
5. 同時刻に複数系列で異常が起きるイベントを「系統運用イベント」として深掘り

計算時間: B300 × 1 枚で 11.5 分 (10 系列 × 25,472 step = 254,720 予測)、 30.7 GB 使用

検出統計

同時発生イベント (大規模系統イベント候補)

|z|>5 の異常が複数系列で同時刻に発生 = 系統運用上の大きなイベント

処理パイプライン

1. 各異常イベントの直前 24h (288 step) の context を Chronos T5 encoder に入力
2. last_hidden_state を mean pool → 768 次元 embedding
3. 同時刻の他 9 系列正規化値を連結 → 778 次元 feature
4. UMAP (cosine, n_neighbors=30) で 2 次元投影
5. HDBSCAN (min_cluster=30) で 自動クラスタリング

計算時間: 8 秒 (5,545 × 768 dim embedding)、 GPU 1 枚で約 0.5 GB

結果: 61 クラスタ + 1,084 ノイズ

AI がデータだけから物理的に意味のあるパターンに自動分離。 上位 10 クラスタ:

Test 結果: ターゲット別 AUC / AP

手法

• Raw level: 各系列の差分系列で双方向 OLS 回帰、 F 統計量で帰無仮説「X の過去 12 step は Y を予測に寄与しない」を検定
• Residual level: Chronos 残差で同じ検定 → 自己相関で説明できない本質的因果
• Lead-lag 相互相関: 異常 binary mask の ±2h 相互相関プロファイル

計算時間: 3.5 秒 (100 ペア × Granger 検定)

Top 因果関係 (Raw level)

PowerGridEnv 設計 (gymnasium 互換)

v3 環境で 4 モード比較 (val 期間 30 episode)

ディレクトリ構成

成果物/
├── index.html                      ← このレポート
├── README.md                       使用ガイド
├── SESSION_2026-05-21.md           生レポート (1842行、 詳細記録)
├── DETAILED_RESULTS_2026-05-21.md  さらに詳細な数値記録
│
├── plots/  (13 枚 PNG、 約 3 MB)
│   ├── z_histograms.png             異常 z-score 分布
│   ├── anomaly_timeline.png         92 日異常タイムライン
│   ├── top5_anomaly_context.png     Top 5 異常 context
│   ├── umap_clusters.png            UMAP 61 クラスタ
│   ├── umap_by_target.png           UMAP × ターゲット色
│   ├── umap_by_hour.png             UMAP × 時刻色
│   ├── granger_heatmap.png          因果ヒートマップ
│   ├── causality_graph.png          因果ネットワーク
│   ├── lead_lag_profile.png         lead-lag プロファイル
│   ├── rl_rollout_example.png       RL rollout 24h
│   ├── rl_action_hist.png           RL 行動分布
│   ├── v3_mode_comparison.png       RL v3 4 モード比較
│   └── v3_action_summary.png        RL 行動サマリ
│
├── models/  (約 1.9 GB)
│   ├── train_5min_906M/             自前 906M Transformer (best.pt, history.json, norm.npz)
│   ├── anomaly_forecaster_25M/      異常予測 Transformer (best.pt, test_metrics)
│   ├── rl_v3/                       PPO 4 モード (ppo_v3, bc, ppo_v3_bc, ppo_v3_anom)
│   ├── anomaly_signal/              事前推論 (119232, 3) lookup table
│   ├── anomaly_residuals/           10 ターゲット残差 npz + 5,545 イベント CSV
│   ├── anomaly_embedding/           UMAP 2D 座標 + cluster labels + embeddings.npz
│   └── causal/                      Granger F 統計量行列 (npz)
│
├── data/  (約 36 MB)
│   ├── grid_5min.parquet            119,232 step × 10 ターゲット系列
│   └── grid_30min_v3.parquet        262,560 step × 20 ターゲット + AMeDAS 気象
│
└── scripts/  (37 ファイル、 約 420 KB)
    ├── preprocess_*.py              前処理スクリプト
    ├── train_*.py                   各種モデル学習
    ├── chronos_*.py / timesfm_*.py  Foundation model ベンチマーク
    ├── anomaly_*.py                 異常検知 / 分析 / クラスタリング / 予測
    ├── causal_discovery.py          Granger Causality
    ├── rl_grid_env*.py              強化学習環境
    ├── rl_train_*.py                RL 学習
    └── rl_v3_visualize.py 等        可視化

推論 (学習済みモデルでの即時実行)

import torch
import pandas as pd

# 5min データ
df = pd.read_parquet("data/grid_5min.parquet")

# 906M Transformer をロード
ck = torch.load("models/train_5min_906M/best.pt", weights_only=False, map_location="cpu")

# 異常予測モデルをロード
ck_anom = torch.load("models/anomaly_forecaster_25M/best.pt", weights_only=False, map_location="cpu")

# PPO エージェントをロード
from stable_baselines3 import PPO
agent = PPO.load("models/rl_v3/ppo_v3_anom/ppo_v3_anom.zip")