GridSFM：電力系統向けに新登場した軽量基盤モデル

![image](https://www.microsoft.com/en-us/research/wp-content/uploads/2026/05/GridSFM-BlogHeroFeature-1400x788-1-1024x576.jpg) Microsoft は、ミリ秒単位で交流最適潮流（AC optimal power flow）を予測できる軽量なファウンデーションモデルを発表し、グリッド分析における効率向上とコスト削減の可能性を開きました。 At a glance Microsoft は GridSFM を導入しました。これは、交流最適潮流をミリ秒単位で近似する小型のファウンデーションモデルであり、年間最大 200 億ドルに達する混雑損失や 3.4 テラワット時の再生可能エネルギーの抑制（curtailment）に直接影響を与える意思決定の可能性を開くものです。 発電機の稼働計画とコストの見積もりを超えて、GridSFM は完全な交流システム状態を生成し、運用担当者が混雑、安定性、および全体のシステムの健全性を直接的に把握できるようにします。 これは、データやモデルを一から作り直すことなく、コミュニティが高度な電力グリッドシミュレータや計画ツールを構築するための基盤を提供するものです。 Microsoft は GridSFM を導入しました。これは送電網における交流最適潮流（AC-OPF）問題を解決するための小型ファウンデーションモデルです。これは、GridSFM の動力源となる米国ベースのオープンな送電トポロジデータセットを以前に発表した後の続報となります。 電力グリッドは、需要の急増、再生可能エネルギー源の統合、交通の電気化、そして極端な気象事象への対応から、ますます大きな負荷に直面しています。これらのすべての課題において、核心的な問いは同じです。各新しい条件下でグリッドが機能し続けるための最適な運転点とは何でしょうか？ これに答えるには、交流最適電力潮流（AC-OPF）を解く必要があります。これは複雑な非凸最適化問題であり、需要を満たしつつ電力潮流の物理法則、電圧制限、熱的制約、安定性要件を遵守しながら、最も安価な発電機出力配分（各発電機の生産量）を計算するものです。この問題は、信頼性、リアルタイム配分、市場清算、事故分析などの中核的な電力システム運用の基盤となっています。これらの意思決定は、年間最大 200 億ドル規模の混雑コストや数テラワット時の再生可能エネルギーの抑制（混雑による再生可能エネルギーの損失）という結果を直接支配しており、経済効率性とグリッド信頼性の両方が、これらの運転点をいかに正確に見つけるかに極めて敏感であることを意味しています。しかし、AC-OPF は計算コストが高く、大規模な電力ユーティリティ用グリッドでは解決に数時間かかることもあり、慎重に選択された少数のシナリオを解くか、重要な物理法則を無視する近似手法に頼るかのトレードオフを迫られます。後者の場合、電力潮流や拘束条件の見積もりが誤り、ストレス条件下で最適でない配分や信頼性の低下を招く可能性があります。 注目：AI 搭載エクスペリエンス ![image](https://www.microsoft.com/en-us/research/wp-content/uploads/2024/01/MSR-Chat-Promo.png) Microsoft Research Copilot エクスペリエンス AI を活用したエクスペリエンスを通じて、Microsoft の研究についてさらに詳しくご紹介します 今すぐ開始 新しいタブで開く この制限に対処するため、500 バスから 80,000 バスまでの広範囲の電力系統において数ミリ秒で交流最適潮流（AC-OPF）を近似する単一のニューラルネットワークである GridSFM を導入します。標準的な AC-OPF の入力（系統トポロジ、発電機および負荷仕様、送電線制約）を受け取り、運転点と実行可能性の判定（システムがすべての物理的・運用上の制約を満たすかどうか）を出力します。計算リソースのボトルネックを排除することで、GridSFM はリアルタイムで桁違いに多くのシナリオを評価可能にし、より情報に基づいた意思決定を可能にする一方、系統運用を反応的な対応から予防的な最適化へと転換させます。 今回の初期リリースでは 2 つのティアを提供します: 研究規模の系統（最大 4,000 バス）向けの GridSFM-Open。 生産規模のシステム（最大 80,000 バス）向けの GridSFM-Premier。 このモデルは、ブロック構造を持つ離散型ニューラル演算子（図 1）として構築されており、各電力系統を有向グラフとして表現します。ここで、バス（系統内の接続点）と発電機が頂点となり、送電線や交流線がエッジとなります。学習には、ソルバーによる監督学習と物理ベースの制約の両方が用いられます。監督学習では、AC-OPF ソルバー（PowerModels.jl の IPOPT を使用）を用いて参照解を生成します。一方、物理ベースの制約は、キルヒホッフの電圧・電流則といった基本的な物理法則や、熱的制限などの運用上の制約に対する違反に対してペナルティを与えるものです。これにより、モデルは実行可能領域と不可能領域の両方から学習することが可能になります。多くの学習ベースの AC-OPF 代理モデルは、限られた分布において各系統ごとに 1 つずつモデルを訓練します。一方、GridSFM はこれとは対照的なアプローチを採用しています：今回のリリースでは、単一のモデルが 150 以上の基本系統トポロジ（ネットワーク構造）と、変動する負荷プロファイル、多要素停電、線路定格の降格、電圧制約の厳格化、異なる発電機コスト係数などを含む約 50 万シナリオにわたって訓練されています。これにより、モデルは暗記ではなく一般化を迫られることになります。GridSFM-Open の 54 系統混合テストシナリオ全体において、当モデルはソルバーの正解ラベルと比較して中央値で 2.23% のコストギャップ（平均 3.41%）を達成しました。従来の数値ソルバーに対するウォームスタートシード（GridSFM-seeded-warm）は、同じテストシナリオ全体での幾何平均においてコールドソルブよりも 1.66 倍優れており、業界標準の DC-OPF ウォームスタートよりも 1.59 倍優れています。詳細な系統別内訳と完全なホワイトペーパー分析は後日公開されます。ここで幾何平均（乗算平均とも呼ばれる）が用いられているのは、外れ値に対してより頑健であるためです。また、当モデルはわずかなファインチューニングシナリオのみで新しい系統に適応する能力も示しています。 ![image](https://www.microsoft.com/en-us/research/wp-content/uploads/2026/05/image-2.jpg)図 1. GridSFM のアーキテクチャ。バス、発電機、およびブランチの特徴量は共有潜在空間に埋め込まれ、その後、電力網トポロジー上で直接動作するアテンションブロックのスタックによって精緻化されます。出力ヘッドは、この潜在状態を (i) 完全な交流最適潮流（AC-OPF: Alternating Current Optimal Power Flow）運転点、バス電圧および角度、発電機出力配分、ブランチ潮流、および (ii) シナリオごとの実現可能性スコアへとデコードします。 何が可能になるか 電力網の運用や計画における一般的なパターンとして、完全な交流最適潮流（AC-OPF）を用いて少数の手選別されたシナリオを正確に解くことと、物理法則の一部を省略するより高速な近似手法で数千のシナリオを実行することの間で選択を迫られるという状況があります。例えば、一般的に使用されるツールとして直流最適潮流（DC-OPF）近似が挙げられます。これは電圧の実効値を平坦、角度差を微小とし、無効電力および損失を無視する線形化されたバージョンです。この DC 近似は、完全な AC 解析では数分から数時間かかる計算を数秒で解決するため、現在の多くの事故スクリーニング、市場清算の前段階、および計画スウィープが DC 近似上で実行されています。その代償は現実的なものです：DC 近似は電圧および無効制約を完全に無視しており、ストレスのかかるシナリオでは AC の最適解から dispatch コストが 10% を超えて外れる可能性があります（テストベンチマークにおける最悪ケースの電力網では 20% を超える場合もあります）。 翻訳全文 GridSFM は、高速近似が必要な場面で DC 近似の代替として設計されており、新しいトポロジーごとに再学習を必要とする既存の AC-OPF（交流最適潮流）ニューラルサロゲートとは異なり、対応するサイズ範囲内のグリッド間で再学習なしに一般化するため、DC 近似と同様に普遍的に導入可能です。特に DC-OPF と比較すると、GridSFM には以下の 3 つの具体的な利点があります： 単独運用コストにおける精度クラスは DC 近似と同等です。GridSFM と DC は、シナリオごとのコストギャップ分布（§2 / Figure 6）において同じ範囲に収まり、互いに補完的な失敗モードを示します。DC は、損失なし・無反応性の線形化が構造的に誤りとなるグリッドで失敗し、GridSFM はその学習分布外のグリッドで失敗します。この二つの限界は直交する軸上で解消されます。DC の性能上限は線形化によって固定されていますが、GridSFM の性能の裾野は追加の学習データによって拡大していきます。 完全な AC ソルバーに比べて 1,000 倍高速で、推論ステップにおいては DC 近似よりも約 100 倍高速です。この速度であれば、単一の汎用 GPU で数分以内に数千件の事故（例：送電線や発電機の停電）をシミュレーションすることも可能です。 これは線形近似ではなく、実際の AC 運転点です。GridSFM は電圧と無効電力を生成するため、その予測結果は従来の数値ソルバーに AC ウォームスタートとして引き渡すことができ、DC 近似では実現できないワークフローを開きます。 1. 実行可能性スクリーニング：ストレススコアによるトリアージ あるシナリオにおいて、すべての制約を同時に満たすような運用計画が存在しない場合、そのシナリオは実行不可能となります。具体的には、要求された負荷が電圧範囲や熱的限界、あるいは発電機の容量の制約内で供給できない状態です。運用上、実行不可能性は最も重大な失敗信号であり、要求された運転条件を全く実現できず、対応策として介入（負荷切り捨て、再配分、熱的限界の緩和など）が必要となります。また、これはスクリーニングにおいて最もコストがかかるシナリオのクラスでもあります。なぜなら、ソルバーは非収束に達するまで反復計算を行うことで初めて実行不可能であることを認識するため、各実行不可能ケースには通常、実行可能なケースよりも長い完全なソルバー実行が要されるからです。したがって、実行不可能なものを特定するために数千もの事故やストレスケースを網羅的に調べることは、あらゆる計画ワークフローにおける最悪の場合の計算リソースを大きく消費する作業の一つです。 GridSFM は、各シナリオごとのストレススコアをディスパッチヘッドと共同で訓練することでこの課題に対処します。このスコアは、各グリッド上の 3 つのクラス（シナリオ）に対して評価されます。具体的には、「real-feas」は AC-OPF ソルバーが正常に収束したシナリオ（つまり、実際に実行可能な運転点）、"real-infeas" はソルバーが収束に失敗したシナリオ（実際に実行不可能な運転点）、そして "synth-infeas" は特定の制約（電圧絞り込み、熱的ボトルネック、角度制限、または直流熱的混雑）を違反するように意図的に摂動された実行可能なベースポイントです。54 グリッドのテストシナリオ全体を通じて、ストレススコアのグリッドごとの二値精度はクラス間で広く均一です：real-feas（緑色）の平均は 94.5%、real-infeas（赤色）の平均は 96.1%、synth-infeas（橙色）の平均は 90.4% です。ほとんどのグリッドはこれらの平均値から数ポイント以内にクラスタリングしており、80% を下回る外れ値は、以下のコストギャップ分析で示される同じ困難なグリッドです。 ![image](https://www.microsoft.com/en-us/research/wp-content/uploads/2026/05/image-11.png)図 2. 54 グリッドのテストシナリオ全体における GridSM のグリッドごとの実行可能性予測精度をクラス別（real-feas, real-infeas, synth_infesible）に分解した結果。塗りつぶされた KDE と各グリッドのドットを表示し、平均値（–）と中央値（:）を薄い破線で示しています。3 つの分布は大きく重なっており、モデルの品質はクラス間で広く均一ですが、構造的に困難なグリッドによる小さな失敗する尾部が存在します。 ケーススタディに踏み込んでみましょう。代表例となる単一のグリッド、すなわちテキサス2kの夏ピーク時グリッド（新しいタブで開く）にズームインし、学習された表現が予測において実現可能性とROCをどのように分離するかを示します。 表現。図3は、各テキサス2kシナリオに対するモデルの学習された表現を可視化しています。グラフごとの表現（128次元）を、シナリオクラスを実行可能、実行不能、合成不可能に最大限に分離するように選択した2つの軸（LD1, LD2）上に投影します。128次元を2次元に圧縮する過程で情報の損失は避けられないため、この視覚化では見かけ上の重なりが強調されてしまいます。ここでは混在して見えるクラスでも、モデルが実際に使用する完全な128次元空間内では明確に分離可能である可能性があります。着色された雲は各クラスのグラフが集中している領域を示し、各雲の中心にある十字はそのクラスの重心（クラスタ centroid）を表します。これはそのクラスのすべてのグラフの平均位置です。重心同士が大きく離れていることは、モデルがそれらのクラスを明確に区別できていることを意味します。一方、2つの着色された雲が重なっている領域では、異なるラベルを持つグラフに対してモデルが類似した埋め込み（embedding）を生成していることになります。 図 3. Texas2k シナリオにおけるグリッド埋め込みの線形判別分析投影。実在する実行可能ケース（緑）、実在する非実行可能ケース（赤）、および合成された非実行可能ケース（オレンジ）を、クラス間分離を最大化するように選択した 2 つの軸（LD1, LD2）上に投影しています。十字印は各クラスの重心を示し、着色された雲状の領域は各クラスが集中する範囲を表します。雲同士の重なりは、モデルがそれらのクラスに属するグラフに対して類似した埋め込みを生成していることを意味しますが、完全な 128 次元空間では、図示されていない方向に沿ってモデルがこれらを分離できている可能性があります。 運用と ROC（受容者作動特性）。スコア自体は連続値であり、ランキング補正済みです。図 4 はテスト混合データにおける ROC を示しており、曲線下面積（AUC）は 0.986 です。自然な運用点において、このスコアをバイナリ分類器として閾値処理すると、精度は 95.5% となります。その閾値におけるモード別検出性能は、制約条件を明確に限界を超えさせる 3 つの摂動モードすべてで 99〜100% です。 図 4. GridSFM の実行可能性に対するストレスコアの ROC 曲線（Texas2k 夏ピークテスト混合データ：実在する実行可能ケース + ソルバーがラベル付けした非実行可能ケース + 制約条件を限界を超えさせる合成摂動モード）。曲線下面積は 0.986、自然な運用点におけるバイナリ精度は 95.5% です。このスコアはランキング用に補正されていますが、バイナリのカットオフ線をどこに引くかはオペレータの判断次第です。 選別カットオフ。ルーティングシナリオをアクションバケットに振り分ける際、図 5 は各集団におけるストレススコアの分布を示しています。オペレーターは自らのワークフローに合致するカットオフを選択します：非常に自信のある実行可能ケースは示唆的dispatch（ディスパッチ）へ通過し、非常に自信のあるストレス状態のシナリオはエンジニアリングレビューのためにフラグが立てられ、境界線上の中位帯域は検証のためにソルバーへ送られます。このカットオフは、ソルバーの予算とスクリーニングの見落とし率とのバランスを設定するものです。 ![image](https://www.microsoft.com/en-us/research/wp-content/uploads/2026/05/image-3.jpg)図 5. 同じ Texas2k テストシナリオにおけるモデルの実行可能性ロジットの分布を、集団別に分割した結果：実在する実行可能ケース（緑）、実在しない実行不可能ケース（赤）、および合成された実行不可能ケース（オレンジ）。破線の垂直線はロジット=0 となる意思決定境界です。右側のサンプルは実行可能と予測されます。この運用閾値において、実在する実行可能ケースの通過率は 99.5%、実在しない実行不可能ケースの正しく検出される割合は 90.4%、合成された摂動の検出率は 88-100% です。 2. GridSFM を高速近似として GridSFM の予測は、最初から厳密な AC-OPF 解を生成することなく、2 つの用途で使用できます。1 つ目はスタンドアロン型の運用計画とコスト推計として、2 つ目は厳密な数値ソルバーに対する初期推定値（ウォームスタート）としての利用です。両者の性能は、常に以下の 2 つの基準点と比較されます。すなわち、完全な AC-OPF（真の最適解）と DC 近似（確立された高速ベースライン）です。以下に示すすべての数値は、同じテストセットである 54 のグリッドシナリオからなる GridSFM-Open から得られたものです。ソルバーの計算時間は、各シナリオごとにシングルコア CPU ピンニング条件下で測定されています。 スタンドアロン型コスト推計 厳密なソルバーによる往復計算が不要な場合、GridSFM が予測した運用計画を直接コスト計算に用いることができます。テストセットにおいて、GridSFM-Open と DC 近似は同じ精度クラスに属します。平均値（DC 2.80%、GridSFM 3.41%）や中央値（DC 1.81% vs GridSFM 2.23%）が互いに匹敵しており、コストギャップの差が 2 桁にわたるシナリオごとの分布も重なり合っています（図 6）。両者には相互補完的な故障モードがあり、どちらかが他方を完全に支配しているわけではありません。 ![image](https://www.microsoft.com/en-us/research/wp-content/uploads/2026/05/image-13.png)図 6. AC-OPF 真値からのシナリオ別コストギャップ分布：DC 近似（青）と GridSFM（緑）。GridSFM-Open ベンチマークの 54 グリッド全体にわたる結果。下部には充填されたカーネル密度推定（KDE）および各シナリオごとのプロット点を示し、薄い破線は平均値（–）と中央値（:）を示しています。DC：平均 2.8%、中央値 1.81% 両方の分布は形状において同じように見え、2〜3% のギャップ範囲に単一のピークがあり、シナリオの大部分が 5% 未満で、>25% の範囲に外れ値の小さな尾が伸びています。この外れ値の尾は異なるソースから生じます：DC はその無反応線形化が構造的に誤っているグリッド（case1803_snem および数多くのメッシュ化された送電グリッド）で失敗します；GridSFM の外れ値は、AC-OPF 参照自体が実行可能になるために追加の制約緩和を必要としたいくつかのオープンソース化されたグリッドに集中しており、これらのグリッドにおけるグランドトゥルース目標はノイズが多く、ギャップの一部は参照側の不安定性を反映しています。この二つの限界は直交する軸上で解消されます：DC の上限は線形化によって固定されており、データや計算リソースを増やしても改善しません；GridSFM の尾は、これらのグリッドファミリーに対してよりクリーンな参照ラベルとより多くのトレーニングデータを取得することで解消されます。 したがって、GridSFM の差別化価値は単独のコスト数値ではなく、電圧および無効電力を含む完全な AC 運転点を生成する点にあります。これにより、運用者はグリッドの状態を直接評価できます。これは重要であり、システムの実行可能性と安全性はしばしば電圧および無効電力の限界によって決定されるためです。しかし、DC-OPF ではこれらのいずれも考慮されていません。同時に、この運転点は次章で説明するウォームスタートワークフローも可能にします。 ウォームスタートハンドオフ AC-OPF ソルバーは、最適性条件が満たされるまで運転点の初期推定値を反復的に改良することで動作し、必要な改良回数は初期推定値が真の最適解にどれだけ近いかによって直接決まります：出発点が悪い場合は数千回の反復が必要になる一方、ほぼ最適な出発点であれば数回で済みます。コールドスタート（フラットスタートとも呼ばれる）では、すべてのバスにおいて電圧大きさを 1.0 p.u.、角度をゼロに設定するため、ソルバーは全量の計算を行います。ウォームスタートはこの汎用的な値をより近い推定値に置き換えることで、ソルバーの収束を高速化します。DC 近似によるウォームスタートでは、まず問題の線形化された DC-OPF バージョンを解き、その解を AC ソルバーのシードとして使用します。一方、GridSFM のウォームスタートではモデルに対して単一の順伝播を実行し、予測された電圧角度と有効電力 Dispatch をソルバーのシードとして使用します。どのウォームスタートももたらせる効果の絶対的な上限を、私たちは GT（ground-truth）上限と呼びます：これはまず高精度で AC-OPF 求解を一度実行して真の最適解を見つけ、その正確な解をウォームスタートのシードとしてソルバーを再実行することによって得られます。これが実用的な求解時間の限界であり、したがって速度向上率の上限となります。 図 7. AC-OPF のコールドスタートに対するウォームスタートの高速化効果（54 系統テストセット全体、対数スケールの x 軸）。GridSFM（緑色）はコールドスタート基準値の直後にきれいに位置し、幾何平均で 1.66 倍の高速化を達成し、54 系統中 41 系統でコールドスタートを上回ります。DC-近似（青色）は幾何平均で 1.04 倍の高速化を達成し、54 系統中 34 系統で性能向上が見られます。GT の上限値（金色、幾何平均 2.72 倍）はウォームスタートの余地に対する上界を示します。各手法の比率は、実行間のタイミングノイズを除去するため、同じ Julia プロセス内で計算されています。 私たちのプロファイルでは、GridSFM のウォームスタートがコールドスタートより 1.66 倍速く、DC-近似のウォームスタートより 1.59 倍速いことが示されました（54 系統のテストシナリオ全体における幾何平均）。また、54 系統中 41 系統で両方のベースラインを上回っています。メッシュ化された送電網（Texas2k 夏のピーク時、case2742_goc）では、コールドスタートに対する個々の系統ごとの最大高速化倍率は 7 倍以上に達します。一方、DC-近似のウォームスタートは、このより広範な系統ミックス全体で平均すると大差ありません（コールドスタートと比較して幾何平均 1.04 倍）。一部の系統では AC 反復回数を節約しますが、他の系統では電圧や無効電力の再構築に時間を費やすことになります。 図 7 に示される GridSFM の分布と GT-上限値の分布（幾何平均 2.72 倍）との差は、次期リリースで目標とする GridSFM の残存無効電力および電圧予測誤差を改善することで縮小可能です。 一般化能力 GridSFM-Open が真のファウンデーションモデルとして機能するかを検証するため、学習時に一度も見たことのないグリッドである OPFData の 6,470 バスケース（6470_rte）で実行しました。これは学習データに含まれるどのグリッドよりも約 1.4 倍大きい規模です。 ゼロショット設定では、予想通り性能は低下します。コスト誤差はインサンプルでは 3.35% ですが、新しいグリッドでは約 14% に増加します。電圧予測は真の変動の約 27% しか捉えられていません。

GridSFM：電力系統向けに新登場した軽量基盤モデル

背景や根拠まで確認しますか？

調べる

選ぶ

サイト

背景や根拠まで確認しますか？

ニュースの次に確認する

調べる

選ぶ

サイト