人工知能で電力網の問題を解決する

MIT-IBM Watson AI ラボの研究者たちは、電力網の問題のトラブルシューティングに人工知能を利用しています。彼らは、米国の電力網全体にわたる何十万ものセンサーから収集されたデータを分析できる機械学習モデルを開発した。

いわゆる同期位相器技術の一部であるこれらのセンサーは、電流と電圧に関する膨大な量のリアルタイムデータを集約し、電力網の健全性を監視し、停電につながる可能性のある異常を特定することができます。

同期フェーザー解析では、センサーによって生成されるデータ ストリームのサイズとリアルタイム性のため、大量のコンピューティング リソースが必要になります。研究者の論文で定義されているように、異常検出、つまり「大多数のデータインスタンスから大きく逸脱する異常なサンプルを識別するタスク」のためにデータを迅速に抽出することは困難な場合があります。

センサーによって収集されるデータはほとんどが非構造化であるため、ラベル付きデータなしで ML モデルをトレーニングできます。

「電力網の例では、統計を使用してデータを取得し、ドメイン知識を使用して検出ルールを定義しようとしました。たとえば、電圧が一定の割合で急上昇した場合、電力網のオペレーターは警告を受け取る必要があります。このようなルールベースのシステムは、統計データ分析を義務付けていても、多くの労力と専門知識を必要とします。現在、私たちはこのプロセスを自動化し、高度な機械学習技術を使用してデータからパターンを学習できることを証明しました。」

この ML モデルを開発するために、研究者はまず異常を低確率のイベントとして定義し、電力網データセットを確率分布として定義して確率密度を推定しました。これにより、異常に関連する低密度値または低確率イベントを検出できます。

このような複雑なデータの場合、確率分布は扱いにくいため、研究者らは正規化フローと呼ばれるディープラーニングモデルを使用して確率密度を推定しました。正規化されたフロー モデルは、センサーの動作と相互作用を学習できるグラフであるベイジアン ネットワークを使用してスケーリングされます。グラフ構造により、データ内のパターン認識が可能になり、より正確な異常検出が可能になります。

MIT News によると、「ベイジアン ネットワークは、複数の時系列データの結合確率を、パラメーター化、学習、評価が容易な、より単純な条件付き確率に分解します。」結果は、グラフの確率的単純化により、ML モデルがグラフを独立して学習できることを示しています。

研究者たちは、異常検出以外の他の方法を実装しながら、これらのモデルをどのようにして拡大してより大きなグラフで使用できるかに興味を持っています。この技術は適応性に優れているため、交通パターンや監視に関連するものなど、複雑なデータ収集と分析を必要とする他の分野にも応用できます。

「モデルが稼働すると、センサーデータの安定した流れから学習を続け、起こり得るデータ分布のドリフトに適応し、時間の経過とともに精度を維持する」とMITニュースの記事は述べている。