説明可能な機械学習を用いたスマートグリッドにおける障害とサイバー攻撃の検知

停電を防ぐ鍵は今やデータにある

電力網はもはや単なる鉄塔や回転するタービンだけではありません。多くのセンサーと計算機を備え、電力を安定的に供給するための高度にデジタル化されたシステムになっています。そのデジタルな神経系はハッカーにとっての新たな侵入経路を開く一方で、嵐や機器故障、人為的ミスは依然として物理的ネットワークを脅かします。本稿は、単一の説明可能な機械学習フレームワークがグリッドを監視し、自然発生の障害とサイバー攻撃の両方を検出し、なぜ警報を上げているのかを運用者に明確に示せる方法を探ります。

一つの神経系、多様なトラブル

現代の「スマートグリッド」は、電子を移動させる運用技術とデータを移動させる情報技術が融合しています。高電圧線に沿ったセンサーは、電圧、電流、周波数を毎秒何十回も計測します。制御盤はスイッチ操作を記録し、ネットワーク監視は疑わしいトラフィックを検出します。実際のデータストリームでは、地絡による短絡と巧妙に偽造されたデータ攻撃が非常に似通って見えることがあります。従来の保護システムは主にハードウェア障害とサイバーインシデントを別個の問題として扱い、解釈が難しいブラックボックス型モデルを使うことが多いのです。著者らは、運用者が本当に必要としているのは、通常運転、自然発生の障害、悪意ある振る舞いをリアルタイムで区別し、その理由を説明できる統一的な視点だと論じます。

グリッドの「物語」を機械に教える

この研究は、オークリッジ国立研究所と協力機関が作成した高忠実度テストベッドから得られた充実した公開データセットに基づいています。テストシステムは、線路故障、保守、正常状態に加え、偽データ注入、リレーログのリプレイ、遠隔でのトリップ命令など複数のサイバー攻撃手法を含む37の詳細なシナリオを模擬します。各イベントは、速いセンサー読み取り、リレーログ、ネットワーク侵入アラート、制御操作といった異なるソースからの128の同期測定値が束になって記録されています。研究者らは各イベントを、時間を通じて語られる短い物語のように扱い、問題発生時に電圧・電流・ログがどのように変化するかを記述します。

生の信号から明確な判断へ

これらの物語を信頼できる警報に変えるため、フレームワークは慎重に段階化されたパイプラインを踏みます。まず、欠損値の補完、外れ値の処理、単位差で一つの特徴が支配しないように測定値のスケーリングを行いデータをクリーンにします。次に、ランダムフォレストの重要度、主成分分析、再帰的除去、相互情報量といった複数の特徴選択手法で冗長性を削ぎ落とします。このステップは、あるイベント種別を区別するのに本当に役立つ測定だけを残すことを目的とし、学習を高速化し精度を改善する可能性があります。精練されたデータはランダムフォレスト、勾配ブースティング、サポートベクターマシン、ニューラルネットワークなどの機械学習モデル群に供給され、Optunaという最適化ツールで自動的に設定が調整されて速度と正確さの最適なバランスを図ります。

ブラックボックスの中を覗く

国家規模の電力網に影響する判断では高い精度だけでは不十分です。運用者は「これはサイバー攻撃だ」なのか「嵐が原因の障害だ」なのか、アルゴリズムがなぜその結論を出したのかを信頼し理解する必要があります。このブラックボックスを開くために、著者らはPermutation SHAPと呼ばれる説明可能なAI手法を用います。本質的には、特定の電圧位相角やある電流読み取り値といった各特徴をシャッフルしてモデルの性能がどれだけ変化するかを測り、それが最終判断にどれだけ寄与しているかを評価する手法です。中レベル（3クラス）と細粒度（37クラス）の両課題で、この方法は一貫した重要測定群を浮かび上がらせます：特定の電圧位相角、電圧大きさ、そして戦略的に配置された少数のセンサーからの零相電流などです。これらは電力系の物理とよく整合し、専門家に対してモデルが“正しい”グリッド部分を見ているという信頼を与えます。

実運用での性能

フレームワークは、攻撃と非攻撃を分ける二値、攻撃・自然事象・無事の期間を区別する三分類、37の具体的シナリオのどれが起きているかを特定する多クラス、という3段階の難易度で評価されます。特定のグリッド条件にフォーカスした個別データセットでは、最良モデルは精度、再現率、F1スコア、正確度、特異度のいずれも96％を超えることが常態です。より多様な現実世界条件を模すために多数のシナリオを混合しても、平均性能は93％以上を維持します。新しいイベントを分類する推論時間は標準的なハードウェアでサンプルあたり0.1秒未満であり、典型的なグリッド制御の時間スケールに十分間に合います。ハイパーパラメータ探索や詳細なSHAP解析といったより計算負荷の高い処理はオフラインで行われるため、リアルタイム監視を遅らせません。

将来の電力網にとっての意義

専門外の読者にとっての要点は、本研究が実用的で透明性のあるスマートグリッド向け早期警報システムを提示していることです。多種類のセンサーやログデータを融合することで、障害が通常の故障か無害な運用変化か、あるいは自然に見えるよう巧妙に仕組まれたステルスなサイバー攻撃かを判別でき、その判断を促した測定値を示すことができます。著者らは、まったく新しい攻撃手法や変化する運用条件への対処など未解決の課題を指摘していますが、得られた結果は説明可能な機械学習が将来の高度にデジタル化された電力システムを信頼性と安全性の両面で支える中核的ツールになり得ることを示唆しています。

引用: Farsi, M., Alwateer, M., Alsaedi, S.A. et al. Detection of disturbances and cyber-attacks in smart grids using explainable machine learning. Sci Rep 16, 9834 (2026). https://doi.org/10.1038/s41598-026-35449-x

キーワード: スマートグリッドのセキュリティ, サイバーフィジカル攻撃, 侵入検知, 説明可能なAI, 電力系統の監視