SHAP値を用いた深層強化学習とLSTMによるSVR電圧制御の状態寄与度評価

カテゴリ：研究会(論文単位)

論文No：PSE25212,ST25041,SMF25061

グループ名：【B】電力・エネルギー部門 電力系統技術/【C】電子・情報・システム部門 システム/【D】産業応用部門 スマートファシリティ合同研究会

発行日：2025/10/28

タイトル(英語)：SHAP-Based Evaluation of State Contributions in SVR Voltage Control Using Deep Reinforcement Learning with LSTM

著者名：西井 翔馬(大阪公立大学),高山 聡志(大阪公立大学),石亀 篤司(大阪公立大学),栗山 裕貴(関西電力送配電),竹内 翔吾(関西電力送配電),泉谷 傑(関西電力送配電)

著者名(英語)： Shoma Nishii(Osaka Metropolitan University),Satoshi Takayama(Osaka Metropolitan University),Atsushi Ishigame(Osaka Metropolitan University),Hiroki Kuriyama(Kansai Transmission and Distribution, Inc.),Shogo Takeuchi(Kansai Transmission and Distribution, Inc.),Suguru Izutani(Kansai Transmission and Distribution, Inc.)

キーワード：電圧制御,ＳＶＲ,深層強化学習,ＬＳＴＭ,ＳＨＡＰ,Voltage Control,SVR,Deep Reinforcement Learning,LSTM,SHAP

要約(日本語)：近年、多数の太陽光発電（PV）の連系により配電系統の電力品質維持が困難となっている。従来の自動電圧調整器（SVR）制御はPVの不確実性に対応が難しいため、本研究では深層強化学習とLSTMを組み合わせた手法を用いた。しかし、深層強化学習は内部構造が不透明であり、解釈が困難である。そこで本研究ではSHAPを用いて各入力情報の寄与度を定量的に評価し、制御結果の可視化と解釈性向上を図った。

要約(英語)：This study investigates voltage control of SVR using Deep Reinforcement Learning combined with Long Short-Term Memory (LSTM). To address the interpretability issue of such models, SHAP values were applied to evaluate the contributions of input states, enabling visualization and improving interpretability of the learning outcomes.

本誌：2025年10月31日電力系統技術/システム/スマートファシリティ合同研究会

本誌掲載ページ：135-140p

原稿種別：日本語

PDFファイルサイズ：1,566Kバイト