説明可能なAIから知識抽出へ：信頼できるエネルギー予測システムに向けた系統的レビュー

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Systematizes XAI adaptations for time series and proposes a knowledge extraction taxonomy, offering a research roadmap for trustworthy energy AI.

🏢実務担当者:Provides guidance on selecting XAI methods for renewable energy and load forecasting to improve model transparency and operational trust.

現代の人工知能手法は、再生可能エネルギー発電量や電力負荷の予測において、電力系統でますます利用されている。しかし、複雑な機械学習や深層学習モデルの解釈可能性が限られていることは、透明性と信頼性が不可欠な重要なエネルギー用途におけるそれらの採用を制約している。説明可能な人工知能（XAI）は、モデルの挙動を解釈するためのツールを提供するが、多変量時系列へのその適用には、依然として重大な方法論的課題が伴う。本論文は、PRISMA 2020 方法論に従い、Scopus、IEEE Xplore、ScienceDirect、および MDPI での検索を通じて特定された、2019 年から 2026 年の間に発行された 154 件の査読付きジャーナル論文に基づく、太陽光発電、風力発電、および電力負荷予測における XAI アプリケーションの系統的レビューを提示する。本レビューは、LSTM、Transformer、およびツリーベースのアンサンブルを含む広く使用されている予測アーキテクチャと、XAI 手法を対象としている。分析は、多変量時系列に対する従来の XAI アプローチの根本的な限界を特定する。これは、時系列の XAI ベースの解釈における次元の呪いと呼ばれ、各タイムステップが独立した特徴として扱われ、その結果、実際には解釈が困難な説明が生成される。この課題に対処するために、時系列予測のための XAI 適応の 8 つのカテゴリが体系化されている。特徴レベル、時間的、レジームベース、因果的、診断的、モデルレベル、および意思決定支援知識を含む、知識抽出メカニズムの分類が提案されている。結果は、説明可能性から知識抽出への段階的な移行を示しており、そこでは XAI が個々の予測を説明するだけでなく、データ、モデル、およびエネルギープロセスに関する実用的な知識を生成するのに役立つ。本レビューは、2019 年から 2026 年の間に発行された査読付き英語ジャーナル論文に限定されている。調査結果は、知識抽出がインテリジェントなエネルギー予測システムへの信頼を構築するための重要なメカニズムを表すことを示唆している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Modern artificial intelligence methods are increasingly used in power systems for renewable energy generation and electricity load forecasting. However, the limited interpretability of complex machine learning and deep learning models constrains their adoption in critical energy applications where transparency and trust are essential. Explainable Artificial Intelligence (XAI) provides tools for interpreting model behavior, yet its application to multivariate time series remains associated with significant methodological challenges. This paper presents a systematic review of XAI applications in solar power, wind power, and electricity load forecasting based on 154 peer-reviewed journal articles published between 2019 and 2026, identified through searches in Scopus, IEEE Xplore, ScienceDirect, and MDPI, following the PRISMA 2020 methodology. The review covers widely used forecasting architectures, including LSTMs, Transformers, and tree-based ensembles, as well as XAI methods. The analysis identifies a fundamental limitation of conventional XAI approaches for multivariate time series, referred to as the curse of dimensionality in XAI-based interpretation of time series, in which each time step is treated as an independent feature, resulting in explanations that are difficult to interpret in practice. To address this challenge, eight categories of XAI adaptations for time series forecasting are systematized. A classification of knowledge extraction mechanisms is proposed, including feature-level, temporal, regime-based, causal, diagnostic, model-level, and decision-support knowledge. The results demonstrate a gradual transition from explainability toward knowledge extraction, where XAI serves not only to explain individual forecasts but also to generate actionable knowledge about data, models, and energy processes. The review is limited to peer-reviewed English-language journal articles published between 2019 and 2026. The findings suggest that Knowledge Extraction represents a key mechanism for building trust in intelligent energy forecasting systems.

• openalex https://doi.org/10.3390/make8070188first seen 2026-07-25 04:53:20