スマートグリッド革新：AIが太陽光とEVの電圧を制御
再生可能エネルギーと電気自動車（EV）の普及は、持続可能な未来への道を切り開く一方で、既存の電力網に新たな課題を突きつけている。特に、太陽光発電の出力変動とEVの充電需要が重なることで、配電網の電圧が不安定になるリスクが高まっている。電圧が高すぎれば（過電圧）、機器にダメージを与え、低すぎれば（低電圧）、正常な運転が妨げられる。従来の電力網は、大規模な発電所から家庭へと電気が一方通行で流れる構造を前提に設計されており、太陽光パネルから電力を供給する家庭（プロシューマー）や、大量のEVが一斉に充電するような双方向的でダイナミックなエネルギーの流れに対応しきれていない。このままでは、エネルギー転換の流れが電力の安定供給を脅かす可能性さえある。この難題に、中国の山東大学（Shandong University）の研究チームが、人工知能（AI）を活用した画期的な解決策を提示した。その研究成果は、電力工学分野の権威ある学術誌『Power System Protection and Control』に掲載され、スマートグリッドの進化に新たな一歩を踏み出した。
本研究の主導者は、山東大学 電力系統スマートディスパッチおよび制御教育部重点実験室のQI Xianglong（祁向龍）、CHEN Jian（陳健）、ZHAO Haoran（趙浩然）、ZHANG Wen（張文）、ZHAO Haoran（趙浩然）らの研究者たちである。彼らが提案したのは、「階層型ディープリインフォースメントラーニング（DRL）」に基づく多時間スケール協調電圧制御戦略である。この言葉は難しく聞こえるが、その本質は、人間社会の組織構造に似た、効率的で柔軟な「二層構造」のAIコントローラーを構築することにある。このアプローチの核心は、制御対象の「反応速度」の違いに着目し、それぞれに最適な時間スケールで対応することだ。高速に反応できる太陽光発電のパワーコンditioner（PCS）や、静止型無効電力補償装置（SVC）のような機器は、数分単位の細かい調整に適している。一方、EVの充電行動は、人間の意思決定に依存するため、数時間単位の長期的な視点でアプローチする必要がある。従来の制御手法では、これらの異なる時間スケールのリソースを一括して扱おうとし、効率が悪かった。山東大学のチームは、この課題を「階層制御」という概念で解決した。
この二層構造の下層は、「即応部隊」として機能する。その任務は、電圧の急激な変動に対し、数分（論文では15分）の時間スケールで即座に介入し、電圧を安定させる事である。制御対象は、太陽光発電システムのPCSとSVCである。これらの装置は、実際に消費される「有効電力」ではなく、電圧を支える「無効電力」を瞬時に吸収または供給する能力を持っている。下層のAIコントローラーは、マルチエージェントDRL（MADRL）という手法を用いている。これは、各PCSやSVCに個別の「AIエージェント」を割り当て、それぞれが独立して学習し、行動するという方式だ。しかし、この学習プロセスは「中央集権的訓練、分散実行（CTDE）」という革新的なフレームワークの下で行われる。つまり、AIエージェントたちは、訓練段階では中央の「頭脳」を通じて全ネットワークの情報を共有し、協調的な最適行動を学ぶ。だが、実際に現場に展開された後は、自分のノードに接続されたセンサーからの局所的なデータ（電圧、電流など）のみを用いて、自律的に判断し、制御を行う。この設計の最大の利点は、通信インフラへの依存を極限まで減らし、システムの「堅牢性（ロバスト性）」を飛躍的に高めることにある。通信回線が一部で途絶えても、各エージェントは局所的な安定を保ち続け、大規模な停電を防ぐことができる。これは、災害時などインフラが脆弱な状況下でも、電力網の安定を維持する上で極めて重要な特性である。
一方、上層のAIコントローラーは、「戦略司令部」としての役割を担う。その視野は数時間先まで及ぶ。制御手段は、物理的な機器ではなく、経済的な「価格信号」、つまりリアルタイム電力価格である。上層のAIは、1時間ごとのスケールで電力価格を調整し、EVユーザーの充電行動を間接的に誘導する。例えば、昼間、太陽光発電が盛んで電圧が上がりやすい状況では、価格を下げて「今がチャンス！」とユーザーに呼びかけ、EVの充電を促す。これにより、余剰の太陽光エネルギーを有効活用し、過電圧を防ぐことができる。逆に、夕方、太陽が沈み、家庭の電力需要が高まる時間帯には、価格を引き上げて、EVの一斉充電による負荷の集中を避ける。このように、上層はEVという巨大な「移動可能なバッテリー群」を、価格というツールで、ネットワーク全体の需給バランスを取るための「調整池」として巧みに活用している。この二層構造の真価は、上下の協調にある。下層が細かい電圧の揺らぎを「微調整」で抑え込む一方、上層がEVの行動を「大まかな流れ」でコントロールすることで、短期的な急場しのぎではなく、中長期的な安定した電力供給を実現する。
この戦略の成功を支える鍵となるのは、人間の行動を予測する高度な「確率モデル」である。AIが価格を変更したからといって、すべてのユーザーがその通りに動くわけではない。その反応の確率を正確に予測できなければ、制御は失敗に終わる。山東大学の研究チームは、EVユーザーの「移動パターン」に着目した。彼らは、ユーザーを「帰宅目的」「通勤目的」「レジャー目的」の3つのタイプに分類し、それぞれの到着・出発時刻、充電開始時のバッテリー残量（SOC）などを統計的にモデル化した。例えば、通勤者は平日の午後5時頃に帰宅し、翌朝8時頃に出発する傾向がある。この情報と、価格変動による「経済的インセンティブ（節約できる金額）」を組み合わせることで、AIは「このユーザーは、価格がX円安ければ、充電をY時間ずらす可能性がZ%高い」というような、非常に精密な予測を行うことができる。このモデルにより、AIはEV充電負荷という「不確実な要因」を、ある程度「制御可能な変数」に変換する。これは、従来の「モデルベース」の制御手法（ネットワークの物理法則に基づく複雑な数式を解く方法）とは一線を画し、データから直接学習する「モデルフリー」のAIの強みを活かしたアプローチである。
この理論的な枠組みの有効性を検証するために、研究チームは、標準的な「IEEE 33ノード配電網」を基にした大規模なシミュレーションを行った。シミュレーション環境には、3か所に設置された1.5MWの太陽光発電所、3か所のSVC、2か所の分路コンデンサ（SC）、そして3か所のEV充電ステーション（各700台対応）が含まれていた。さらに、実際のベルギーの太陽光発電と家庭負荷のデータを用いて、現実に即したシナリオを再現した。その結果、提案された階層型DRL制御戦略は、一日を通じて、すべてのノードの電圧を安全運転範囲（0.93〜1.07p.u.）内に保つことに成功した。これは、過電圧も低電圧も発生させなかったことを意味する。
さらに、研究チームは、他の5つの異なる制御戦略と性能を比較した。比較対象には、EVの価格誘導を全く行わない戦略、事前に決めた時間帯料金のみを使う戦略、そして従来の最適化アルゴリズム「粒子群最適化（PSO）」を用いた戦略も含まれていた。その結果、山東大学の階層型DRL戦略は、最も優れた性能を発揮した。平均電圧偏差を、EVを無視したベースライン戦略に対して38%も削減し、他の先進的な戦略と比べても16〜18%の改善を達成した。これは、電力網の品質、信頼性、効率性が劇的に向上したことを示している。
この研究の意義は、学術的なものにとどまらない。実用面でのインパクトは計り知れない。電力会社にとっては、高価な変圧器や送電線の新設を回避できる可能性がある。このAI戦略により、既存のインフラをより効率的に運用できれば、莫大な投資を節約できる。消費者にとっては、価格信号を通じて、電気代を節約しながら、電力網の安定に貢献できる「能動的な参加者」となる道が開かれる。そして、政策立案者にとっては、再エネの導入目標をより大胆に設定できる根拠が得られる。電力網の安定性という「足かせ」が、このAI技術により緩和されるからだ。
山東大学のこの研究は、電力工学とAIの融合が、インフラの課題を解決する強力なツールとなり得ることを示した。それは単なる自動化ではなく、ネットワーク内の多様な要素（機械、人間、自然エネルギー）の複雑な相互作用を理解し、最適な調和を図る「知的な生態系」の構築を目指している。今後、この技術は、周波数制御やマイクログリッドの管理など、他の電力網の課題にも応用が広がっていくだろう。電力網は、もはや単なる電気の通り道ではなく、AIが神経を巡らせ、常に最適化を図る「生きている有機体」へと進化しつつある。QI Xianglongらの研究は、その未来の地図を描いた、重要な一歩である。
QI Xianglong, CHEN Jian, ZHAO Haoran, ZHANG Wen, ZHANG Keyu, Key Laboratory of Power System Intelligent Dispatch and Control, Shandong University. Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.240122