研究の概要

再生可能エネルギーの大量導入により複雑化する電力系統の運用課題に対し、物理制約を組み込んだ強化学習（RL）フレームワークによるトポロジー制御自動化の研究。系統トポロジー制御とは、変電所内のバスバー切り替えや系統構成変更により、過負荷状態を解消し系統安定性を維持する運用操作だ。

この問題の難しさは二点ある。①制御アクション空間が系統規模に比例して指数的に増大すること、②各アクションの評価にシミュレーション計算が必要で計算コストが高いこと。従来のRL手法はこれらの制約から大規模系統での適用に難があった。

提案フレームワークは3要素で構成される:

  • セミマルコフ制御 × ギブス事前分布：系統物理を確率的事前知識として組み込む
  • グラフニューラルネットワーク（GNN）サロゲート：アクション後の過負荷リスクを高速予測
  • 選択的意思決定：危険状態にある場合のみ介入する物理的知見に基づく設計

主な発見・成果

3つの難易度の異なるベンチマークで検証した結果:

ベースライン難易度：オラクル（最適解）と同等の性能を約6倍高速に達成

中難易度：オラクル報酬の94.6%を維持しながら約200倍低い意思決定時間

高難易度：ベースラインのPPO強化学習に対して:

  • 報酬で**+255%** の改善
  • 生存ステップ数で**+284%** の改善
  • 既存の工学的ベースライン手法比で約2.5倍高速

物理制約の組み込みにより、無闇な探索を排除し実用的な計算時間内での高品質な意思決定が実現した。これは再生可能エネルギーの出力変動が激しい現代の系統運用環境に直接対応する。

実務への応用

電力系統運用者・グリッドオペレーター・スマートグリッド事業者への示唆:

  1. 系統運用の自動化/半自動化：過負荷発生時の対処アクション候補をリアルタイムで提示するオペレーターアシストシステムとして展開できる。人間オペレーターの意思決定を補助し、判断時間を短縮。

  2. N-1安全基準の維持コスト削減：最適トポロジー自動探索により、高価な系統増強工事の代替として運用上の柔軟性を高められる。

  3. 再エネ出力変動への対応強化：太陽光・風力の出力変動に起因する系統状態の変化に対して、より迅速かつ適切な系統再構成対応が可能。

  4. デジタルツイン連携：提案フレームワークをデジタルツイン環境で事前訓練することで、実系統への安全な適用が可能になる。系統計画段階での運用シミュレーションとしても活用できる。