[論文レビュー] Topology-Aware Spatio-Temporal Graph Transformer for Predicting Smart Grid Failures

A. Lê, Phat K. Huynh+4 more|arXiv (Cornell University)|Jan 6, 2026

Smart Grid Security and Resilience被引用数 0

ひとこと要約

トップロジーを意識した時空間グラフトランスフォーマー（ST-GT）を導入し、物理的伝送トポロジー、静的記述子、PMUシーケンスを統合してスマートグリッドの故障を予測。完璧なリコールと強いF1スコアを達成し、XGBoostのベースラインを上回る。

ABSTRACT

Smart grid infrastructure needs improved resilience and preventive maintenance through more accurate predictions. Current methodologies lack accurate representation of spatio-temporal-causal interdependencies and class imbalance in failure prediction tasks. This study introduces a Topology-Aware Spatio-Temporal Graph Transformer (ST-GT) architecture that overcomes existing limitations by using three main innovations: (1) directly incorporating physical transmission network topology into the transformer attention mechanism to identify spatial failure propagation patterns; (2) unified processing of static topological descriptors and (3) temporal Phasor Measurement Units (PMU) sequences in an end-to-end framework. The ST-GT model exhibited outstanding performance in five-fold cross-validation across 10 substations, attaining perfect recall (1.000 $\pm$ 0.001) and an F1-score of 0.858 $\pm$ 0.009, markedly surpassing XGBoost baselines (0.683 accuracy/F1). Perfect recall guarantees that no critical failures are overlooked, which is essential for grid safety; however, it may lead to an increase in false alarm rates. This framework integrates temporal dynamics modeling with spatial graph awareness for critical infrastructure monitoring. It offers interpretable insights into failure propagation pathways and enhances maintenance strategies. Future research focuses on developing cost-weighted loss functions for precision-recall trade-off enhancement, implementing real-time monitoring systems with uncertainty quantification, and creating cost-sensitive frameworks balancing false alarm expenditures with failure consequences. The methodology success suggests its potential for wider application in critical infrastructure areas requiring spatial temporal failure prediction.

研究の動機と目的

• スマートグリッドの故障予測の正確性を通じた耐障害性と予防保全の改善を動機付ける。
• 既存手法の時空間因果相互作用とクラス不均衡の表現に関する限界に対処する。
• トポロジー、静的記述子、時間的PMUデータを統合する統一のエンドツーエンドモデルを開発する。
• 故障伝播経路に関する解釈可能な洞察を提供し、保守戦略を情報提供する。

提案手法

• 物理伝送ネットワークトポロジーをトランスフォーマーの注意機構に直接組み込んで空間的故障伝播パターンを特定する。
• 静的トポロジ記述子と時間的PMUシーケンスをエンドツーエンドの枠組みで統合的に処理する。
• ST-GTアーキテクチャを用いて10の配電所にわたる動的をモデル化し、5分割交差検証を行う。
• 再現率とF1スコアなどの指標を用いてベースライン（例：XGBoost）と性能を比較する。
• コスト重み付け損失、不確実性量化を伴うリアルタイム監視、コスト感度フレームワークなどの潜在的拡張を論じる。

実験結果

リサーチクエスチョン

• RQ1 トポロジーをトランスフォーマーに統合してグリッド故障の空間伝播パターンを捉えるにはどうすればよいか。
• RQ2 統一モデルが静的トポロジ記述子と時間的PMUデータを活用して故障予測を改善できるか。
• RQ3 提案されたST-GTアプローチのスマートグリッド故障タスクにおける従来のベースラインと比較した性能はどの程度か。

主な発見

• ST-GTは5分割CVで10の配電所においてリコール1.000 ± 0.001およびF1スコア0.858 ± 0.009を達成。
• モデルはXGBoostベースライン（0.683の精度/F1）を大幅に上回る。
• このアプローチは故障伝播経路に関する解釈可能な洞察を提供し、予防保全の意思決定を支援する。
• 完璧なリコールは重要な故障を見逃さないことを保証する一方で偽警報率とのトレードオフがある。
• 今後の課題としてコスト重み付け損失、不確実性を考慮したリアルタイム監視、コスト感度のデプロイが挙げられる。