スマートマルチマイクログリッドが支えるEV革命──安全性と効率性の両立
上海郊外の静かな工業地帯。電気タクシーの隊列が充電ステーションに接続され、かすかな電子の流れる音だけが聞こえる。排ガスもエンジン音もない。この何気ない depot の裏側では、ある非凡なシステム──再構成可能なマルチマイクログリッドが、再生可能エネルギー、蓄電池、そしてV2G（Vehicle-to-Grid）サービスをリアルタイムで統括している。これはSFではない。強靭な電力系統の新たなフロンティアだ。そして、それは既にここにある。
電気自動車（EV）は象徴的なマイルストーンを次々と突破している。2018年までに世界の路上で500万台を超え、その後も指数関数的な成長を続けている。しかし、見出しの陰では、あまり議論されていない危機が潜んでいる。夕方のピーク時に、特に密集した都市部で数万台のEVが同時に充電されれば、配電インフラへの負荷は壊滅的になりかねない。変圧器は過熱し、電圧低下は精密な医療機器に障害を引き起こす。地域的な停電は、可能性の問題ではなく、蓋然性の問題となる。
では、EV革命をエネルギー政策の破綻に変えないためには、どうすればよいのか？
答えは、より大きな変電所や化石燃料によるピーク供給発電所ではない。上海電機大学の研究者チームは、地域のエネルギー・ネットワークの運営方法──孤立した島ではなく、動的で協調的なエコシステムとして──を根本から再考する先駆的な手法を開発した。彼らの解決策は、アンセンテッド変換理論、幅学習（超効率的なディープラーニングの一種）、およびSCE（Shuffled Complex Evolution）として知られる強化型進化アルゴリズムを融合した確率的最適化フレームワークを用いて、不確実性を管理し、再生可能エネルギーを最大化し、EVが系統に負担をかけるのではなく支援することを可能にするものだ。
この意味するところ、そしてなぜそれが都市エネルギーを再定義する可能性があるのかを解き明かそう。
脆弱な島から強靭な群島へ
従来、マイクログリッドは自己完結型ユニットとして構築されてきた。太陽光発電パネル、蓄電池、場合によってはディーゼル予備発電機──停電時に独立（アイランディング）し、病院、キャンパス、軍事基地などに電力を供給するように設計されている。しかし、この「サイロ化」されたアプローチには限界がある。単一のマイクログリッドでは、大規模な再生可能エネルギーの変動を緩和できない。突然のEV充電の急増を吸収できない。そして、蓄電池が故障したり太陽光発電のインバーターが停止したりすれば、システム全体が危険にさらされる。
上海チームの洞察はこの常識を覆す。マイクログリッドを相互接続し、協調的なマルチマイクログリッド（MMG）ネットワークを形成するのだ。孤立したエネルギー島を強靭な群島に変えるようなものと考えればよい。マイクログリッドAの余剰風力発電が凪の期間中にマイクログリッドBに流れ、マイクログリッドCの余剰蓄電量が、数百台のEVが夕方の充電を開始する際にマイクログリッドDの電圧を安定させる。
これは単なる冗長性の問題ではない。相乗効果の経済性に関するものだ。
太陽光発電パネル、マイクロタービン、燃料電池、風力タービンを備えた4つの相互接続されたマイクログリッドをモデル化したIEEE標準のテストシミュレーションにおいて、彼らはMMGが、EV統合を考慮する前にすら、独立システムと比較して総運用コストを最大23%削減できることを発見した。どのようにしてか？安価な地域産の再生可能エネルギーが高価な系統からの購入電力を置き換えることを可能にし、高価で高排出の发电机が、より安価な代替手段（近隣のマイクログリッドを含む）が利用可能な場合にアイドリング状態になるようにすることで実現した。
しかし、ここに難点がある。再生可能エネルギーは気まぐれだ。風は命令通りに吹かない。雲は太陽を遮る。そしてEVドライバーはスケジュールを守らない。
これが、本当の突破口──ハードウェアではなく、不確実性への知能──につながる。
予測不能を予測する（スーパーコンピューターを待たずに）
従来の予測（例えば風力発電向け）は、多くの場合、過去のパターン、気象モデル、統計的回帰に依存している。精度はまずまずだが、急激な気象変化時には誤差の幅が広がる。さらに悪いことに、ほとんどのモデルは予測を決定論的な作業として扱う。「午後3時にタービンから42kWを期待する」。現実は？30kWかもしれないし、55kWかもしれない。この分散はノイズではない──それはリスクだ。過少予測は系統を電力不足に陥れ、過剰予測は出力制限や蓄電池の浪費的な充放電を強いる。
ここで幅学習（WL）の出番である。これは軽量で超高速なニューラルネットワークアーキテクチャで、エッジコンピューティングの分野で静かに注目を集めている。何日ものGPUトレーニングを必要とする深層畳み込みネットワークとは異なり、WLは単一の隠れ層と増分学習を使用して、ほぼリアルタイムで予測モデルを構築する。
実際にはどのように機能するのか？風速、日射量、周囲温度といった新しいセンサーデータがストリーミングされると、WLモデルはゼロから再学習しない。代わりに、最小限の計算で内部の特徴マッピングを拡張し、数秒以内に予測を更新する。上海の研究では、WLは24時間先の風力タービン出力予測において、94.7%の予測精度を達成し、ARIMAやLSTMのベースラインを上回りながら、計算資源の15%未満しか使用しなかった。
しかし、予測だけでは不十分だ。未知の要素を考慮した計画が必要である。
ここで、アンセンテッド変換（UT）フレームワークが登場する。元々は宇宙船の航法のために開発されたが、系統の強靭性のために転用された。
UTは不確実性を煩わしいものとしてではなく、第一級の変数として扱う。最適化に単一の「期待される」風力値を代入する代わりに、UTは統計的に重み付けされた少数のシグマ点を生成し、考え得る風力出力の完全な確率分布（例えば、低、公称、高、およびエッジケースのシナリオ）を総合的に捕捉する。各シグマ点はその後スケジューリングモデルに入力され、結果は再結合されて、最適な発電計画だけでなく、コストと信頼性に関する信頼限界を伴うリスクを認識した計画を生み出す。
決定的に、チームは標準的なUTを特異値分解（SVD）で強化し、必要なシグマ点の数を削減した。これは、数十の確率的変数（風力、太陽光、EVの到着、負荷需要、市場価格）を同時にモデリングする場合に特に貴重である。その結果？1時間ごとの再最適化に十分な速度で動作する確率モデルが、組み込みコントローラー上でも実現した。
EV：系統への脅威から資産へ
ガレージにいる厄介者（象）に対処しよう。EVである。
確かに、調整されていないEV充電は地域の饋線を不安定にすることがある。国立再生可能エネルギー研究所の研究によれば、典型的な住宅地の回路では、EV普及率がわずか15%でも、夕方のピーク時に電圧がANSI限界値を超える可能性があるという。しかし、MMGというレンズを通して見れば、EVは負債ではなく、車輪の付いた分散型移動蓄電池なのである。
上海のフレームワークは、V2Gサービスを介してEVを統合する。後付けの考えとしてではなく、中核的な最適化変数として。各EVの状態は、アイドル（電力流なし）、充電（系統→バッテリー）、放電（バッテリー→系統）の3つのモードでモデル化される。制約条件は、バッテリーの健全性（放電深度とサイクル回数の制限）、ユーザーの希望（出発時刻までの最小充電状態）、ハードウェアの限界（最大充電/放電レート）を保証する。
革命的であるのは、システムがそれらを統括する方法である。
彼らのシミュレーションのシナリオ3（蓄電池と柔軟なEV dispatch が有効な場合）では、MMGは、EVを充電することで日中の太陽光の余剰を吸収する（一般的な戦略）だけではなかった。それは、予測された価格急騰前にEVを予防的に充電し、その後ピーク時に放電した──エネルギー・アービトラージを最大化するためではなく、総負荷曲線を平坦化し、変圧器への負担を軽減し、高額な需要料金を回避するためである。
ひと際注目すべき発見：風力発電の割合が高いマイクログリッド（テストケースのマイクログリッド2および3）では、さもなければ制限されていた日中の余剰風力が、夕方に出発予定のEVの事前充電に使用された。その後、それらのEVが他のマイクログリッド（例えば、マイクログリッド1の商業ハブ）に接続されると、彼らは売り返すことができる蓄えられたエネルギーを持って到着した──通勤者を意図せずして系統のバランサーに変えたのである。
それは足付きのエネルギー・アービトラージだ。
進化を考え抜くアルゴリズム
このすべても、最適化エンジンが複雑さに行き詰まってしまっては意味をなさない。
マルチマイクログリッドのスケジューリングは、従来のソルバーにとって悪夢である。非凸、混合整数、高次元、そして確率的である。勾配ベースの手法は局所解に陥る。遺伝的アルゴリズム（GA）や粒子群最適化（PSO）は、解空間を非効率的にさまよう。
ここで、強化型Shuffled Complex Evolution（SCE）アルゴリズムの出番である──そのアキレス腱である早期収束を克服するように修正された。
標準的なSCEは、解の個体群を「複合体（complexes）」に分割し、シンプレックスベースの反射/収縮を経てそれぞれを独立して進化させ、その後、発見を共有するために定期的に複合体間で個体をシャッフルする──探索と活用の巧妙なハイブリッドだ。しかし、（系統 dispatch のような）制約の多い空間では、しばしば準最適な領域に固執してしまう。
上海チームの革新は、微妙だが強力なものだった。適合度加重重心計算である。
複合体の幾何学的中心（すべてのメンバーを平等に扱う）を計算する代わりに、彼らのバージョンは各個人の位置をその目的関数値で重み付けする──つまり、高性能な解ほどより大きな「引力」を発揮する。そして、反射中、新しい候補点は古い重心からではなく、この適合度に偏った重心から生成され、探索を有望な領域へより速く向かわせる。
ベンチマークテストでは、この調整により収束時間が38%短縮され、標準的なSCEよりも総期待コストが6.2%低い解が得られ、すべてのテストケースでGAとPSOを打ち負かした。
さらに重要なのは、それが優雅にスケーリングしたことだ。4つのマイクログリッド、24時間の dispatch 問題を128の確率的変数で、標準的なノートパソコン上で90秒未満で解いた──これはローリングホライゾン最適化を可能にする速度であり、新しいデータが到着するたびに15～30分ごとに計画が更新される。
実世界での検証：単なるシミュレーションを超えて
チームは理論で止まらなかった。IEEE標準の69バス distribution ネットワークを4つの相互接続されたマイクログリッドに再構成して使用し、3つの運用シナリオをテストした。
-
シナリオ1: すべての分散型电源（DG）はオンラインを維持しなければならない。蓄電池なし。 → 結果: 最高コスト、頻繁な系統からの購入、負荷削減なし。EVは純粋な負荷として扱われる。
-
シナリオ2: DGはオン/オフ可能だが、蓄電池なし。 → 結果: コスト12%削減。高価なユニット（例：マイクロタービン）は低価格の系統電力時間帯にシャットダウン。依然として再生可能エネルギー低下の影響を受けやすい。
-
シナリオ3: 完全な柔軟性──DG + 蓄電池 + V2G対応EV。 → 結果: シナリオ1と比較して23.4%低い期待コスト。蓄電池は低価格/高再生可能エネルギー期間中に充電され、ピーク時に放電。EVはピーク削減容量の17%を提供。決定的に、確率的モデル（UT使用）は決定論的モデルよりも8.9%高コストの計画を生み出したが、実世界の不確実性下での信頼性は92%高かった。その「不確実性プレミアム」は、十分に価値があった。
おそらく最も示唆に富むこと：系統に直接接続され、太陽光発電と蓄電池の両方を保有するマイクログリッド1は、ネットワークのエネルギー・ブローカーとなり、安価なオフピーク時の系統電力を輸入し、貯蔵し、静かな夕方には風力依存のマイクログリッド2および3に輸出した。一方、燃料電池とマイクロタービンで駆動するマイクログリッド4は、メンテナンス期間中を除き、94%の時間ほぼ独立状態で運転された。
これが適応的強靭性である。単一障害点はなく、無駄な資産はなく、遊休資産はない。
今後への道：研究室から市街区へ
もちろん、実世界への展開はプラグアンドプレイではない。規制上の障壁は残っている。マイクログリッド間で取引されるエネルギーは誰が所有するのか？ V2Gサービスはどのように補償されるのか？数十の分散コントローラーにわたるサイバーセキュリティをどのように確保するのか？
しかし、パイロットプロジェクトは既に進行中である。上海の臨港新エリアでは、国家電網（State Grid）と共同開発したマルチマイクログリッドのテストベッドが、商用EVフリート、屋上太陽光発電、そしてセカンドライフEVバッテリーを統合している。初期の結果は論文の予測を反映している。系統からの購入コストが19%削減され、再生可能エネルギーの出力制限はゼロ、EVバッテリーの劣化は年間2.1%未満に抑えられている。
世界的には、コペンハーゲンからサンディエゴまでの都市が、同様のアーキテクチャを探求している──コスト削減のためだけでなく、気候強靭性のために。ハリケーンマリアがプエルトリコの系統を数ヶ月間にわたって停止させたとき、太陽光+蓄電池のマイクログリッドは診療所と給水ポンプを動かし続けた。マルチマイクログリッド・ネットワークがあれば、その生命線を市全体に拡大できたかもしれない。
ビジョンは、よりスマートな系統ではない。それは、より優しい系統である。分散化され、民主的で、深く適応性がある──あなたのEVがシステムから奪うだけではなく、返すこともできる。ある地区で吹き抜ける一陣の風が、隣の地区の病院を動かす。不確実性が恐れられるのではなく、優雅かつ効率的に管理される。
あの上海郊外の静かな depot は？もはや単なる充電ステーションではない。それは未来の原型なのである。
劉洋、劉天宇 ― 上海電機大学 『Computer Applications and Software』、第40巻、第8号、2023年8月 DOI: 10.3969/j.issn.1000-386x.2023.08.007