スマートグリッドは、増大するエネルギー需要や現代の運用課題に対応するため進化しています。その中で、故障を正確に予測する能力が重要視されていますが、既存のAIベースの故障予測モデルは、新たな故障タイプや運用ゾーンに適応することが困難です。本論文では、環境の変化に合わせてモデルも進化させるための継続学習 (CL) フレームワークを提案します。具体的には、クラスの増分学習とドメインの増分学習に基づいた4つの現実的な評価シナリオを設計し、進化するグリッド条件を模倣します。また、Prototype-based Dark Experience Replay (ProDER)という統一的なリプレイベースのアプローチを導入し、特徴の正則化やロジット蒸留を統合しています。ProDERは、故障タイプ予測でわずか0.045、故障ゾーン予測で0.015の精度低下に留まり、他のCL技術の中で最良の性能を達成しました。これにより、スマートグリッドにおけるスケーラブルで実用的な故障予測のためのCLの有用性が示されました。