中国の研究者チームが電気自動車（EV）の充電負荷予測技術に重大な突破を達成し、米国を含む世界の電力網安定化に革命的な変化をもたらす可能性が高まっている。淮陰工学学院の郭 Xinzhe と王 Yeqin、および中国水資源水電気科学研究院の共同研究者たちによるこの成果は、2025 年 3 月 15 日付の「Electrical Measurement & Instrumentation」誌に掲載され、業界関係者の大きな関心を集めている。
米国における EV 普及の加速は目覚ましく、2023 年の販売台数が 140 万台であったのに対し、2025 年には 450 万台に達すると予測されている（エジソン電気協会データ）。この急成長は環境面でのメリットが大きい一方、電力網に前例のない負担をかけており、充電負荷の予測が不確実なため、米国の電力会社は年間 30 億ドル以上の無駄な設備投資と緊急事態対応に費やしていると、エネルギー省が推計している。2024 年夏にはカリフォルニア州で 147 回も充電スタンドの一時閉鎖が発生し、運転手たちが立ち往生する事態となり、約 230 万ドルの収益損失と顧客補償が発生した。
現行の予測モデルは、EV 充電データを単一の複雑な信号として扱っているため、正確性に限界がある。中西部の大手電力会社のシニアグリッド戦略責任者であるミシェル・ロドリゲス氏（匿名希望）は「従来のモデルは予測可能で安定したエネルギー消費を前提として設計されていました。しかし EV の登場でそれが根本的に変わってしまいました。ある火曜日に郊外の充電スタンドで 300kWh の使用量が記録されたのに、次の火曜日には明確な理由もなく 900kWh に急増するといった事態が起こり、半数の時間は盲目的に対応している状態です」と語る。
中国チームが開発した「NSGAII-LDSBX-VMD-NAHL モデル」は、この課題に対する画期的な解決策を提示している。その核心となるのは、従来のアプローチとは根本的に異なる手法で、充電データを分解して個別に解析するという考え方だ。
このモデルの仕組みを理解するためには、まず「変分モード分解（VMD）」と呼ばれる技術を知る必要がある。郭氏は通訳を通じて「EV の充電パターンには隠れたリズムが存在することを発見しました。一部の要素は毎日の周期に従い、他の要素は毎週のパターンに反応し、さらに一部は気温などの外部要因に直接影響を受けます。これらの要素を分離することで、それぞれをより正確に予測し、それらの予測を組み合わせて全体的な状況を明確に把握することができます」と説明する。
つまり、従来のモデルが交響楽団の全楽器を一度に聴いて曲を理解しようとするのに対し、VMD 技術はバイオリンとトランペットを区別して個別に聴くことを可能にする。上海での実験では、この技術によって充電データが 9 つの異なる「楽曲パート」に分解された。
さらにチームは、この分解プロセスを最適化するために「NSGA-II（非優越ソート遺伝的アルゴリズム II）」の改良版である「NSGAII-LDSBX」を開発した。このアルゴリズムは熟練した指揮者のように働き、分離する要素の数（K）と分解の感度（アルファ）という 2 つの重要なパラメータを微調整する。上海での実験では、この最適化によって驚くべき事実が明らかになった ——9 つの要素のうち 2 つが有用な予測情報の 73％を含んでいたのだ。王氏は「これは交響楽団の中で実際にメロディを担っているのは 2 つの楽器だけだと気づくようなもので、これによって計算資源を最も重要な部分に集中させることができ、誤差を減らし効率を向上させることができます」と述べる。
最後のピースは「NAHL（拡張隠れ層を持つネットワーク）ニューラルネットワーク」で、分離された要素を処理する役割を担う。標準的なニューラルネットワークが EV 充電データの非線形で不安定な性質に苦戦するのに対し、NAHL の強化された隠れ層は、そうでなければ見えないパターンを識別することができる。王氏は「従来のニューラルネットワークは群衆を見てダンスを学ぼうとするのに対し、NAHL は個々のダンサーを選び出してその動きを学び、それに基づいて群衆の動きを予測することができます」と比喩する。
上海の嘉定区で行われた実験では、このモデルの実力が明らかになった。嘉定区は住宅地、商業地、工業地が混在するエリアで、米国の多くの郊外地域に類似している。実験結果によると、モデルの「平均二乗誤差の平方根（RMSE）」は 1.606 で、米国で一般的に使用されている LSTM（長短期記憶）モデルの 4.089 と比較して、はるかに高い精度を示した。
さらに印象的なのは、異なる季節や条件下でもこの精度が維持されたことだ。充電パターンが気温の上昇や運転習慣の変化によって異なる夏季のデータでテストしたところ、モデルの RMSE はわずかに 1.823 に増加するだけで、依然として他のアプローチを大きく上回った。共著者で淮陰工学学院准教授の張 Chu 氏は「特に注目すべきは、このモデルが極端な状況をどのように処理するかです。中国の春節（米国の感謝祭に相当する祝日）の間は旅行パターンが完全に崩れますが、その期間でもモデルは 98.4％の精度を維持しました。一方、従来のモデルでは同じ期間に誤差率が 3 倍に増加しました」と強調する。
他の重要な指標においても、このモデルは優れた性能を発揮した。「対称平均絶対誤差率（SMAPE）」は 0.379 で、LSTM モデルの 0.676 よりもはるかに低い数値を記録。「相関係数（R）」は 0.992 で、予測値と実際の値の間にほぼ完全な線形関係があることを示した。「決定係数（R2）」は 0.985 で、モデルが充電負荷の変動の 98.5％を説明できることを意味する。「ナッシュ – サトクリフ効率（NSE）」は 0.984 で、変動の大きさを予測する能力が非常に高いことを示している。
業界の推計によると、米国の大手電力会社では予測精度が 1％向上するだけで、年間 200 万～300 万米ドルの節約につながる。中国モデルが示した 40～60％の改善は、米国の電力網全体で数億ドル規模の節約になる可能性がある。
米国の電力会社と EV 所有者にとって、この研究の意義は計り知れない。EV の急増に伴い、電力会社はインフラ整備に追われている状況だ。ある大西洋岸中部の大手電力会社のシニアグリッドプランナー（匿名希望）は「現在、我々は推測に基づいてインフラを構築しています。このモデルが需要がどこでいつ急増するかを正確に予測できれば、リソースをより効率的に配分できるでしょう。10 個の新しい変電所を建設する代わりに、3 個だけ建設して正しい場所に配置する可能性があります」と述べる。
コスト削減だけでなく、より正確な予測はピーク需要期間の停電や電圧低下を減らし、電力会社が EV 所有者にオフピーク時間帯の充電にインセンティブを提供するなど、より高度なデマンドレスポンスプログラムを実施することを可能にする。これにより、電力網と消費者の財布の両方が利益を受ける。
EV 所有者にとっても、その影響は具体的なものになる。電力会社が必要なドライバーの数を正確に把握しているため、充電スタンドに到着したときに利用可能で運営されていることを確信できるようになる。あるいは、今充電すると 1 時間後に充電するよりも半額の費用になるという通知を受け取ることも可能になる。ある大手投資銀行の電力会社担当アナリストは「これは単に電力網の安定性に関する問題ではありません。電気自動車を消費者にとってより便利で手頃な価格にすることに関する問題なのです。航続距離不安は依然として普及の主な障壁ですが、その不安の多くはバッテリーの航続距離に関するものではなく、必要なときに稼働する充電器が見つかるかどうかを心配するものです」と分析する。
上海でのモデルの性能は注目に値するが、米国の状況に適応させるには課題が存在する。米国の運転パターン、インフラ配置、気象パターンは中国と大幅に異なる。大西洋岸中部のグリッドプランナーは「米国の都市はより広がっており、平均的な通勤時間が長いです。充電インフラも集中度が低く、多くの中国の都市よりも家庭用充電器が多いです。これらの違いがモデルの性能に影響を与える可能性があります」と指摘する。
言語とデータアクセスも障壁となる可能性がある。元の研究は英語と中国語が混在して発表されており、チームはアルゴリズムをオープンソースにしているものの、実装には相当な技術的知識が必要だ。
最大の課題はおそらくデータの互換性だ。このモデルは中国の充電スタンドからのデータで訓練されており、収集する指標は米国のものと異なる。米国の電力会社は既存のデータ収集システムでモデルを適応させる必要があり、大手電力会社の場合には 12～18 か月かかる可能性がある。
それでも、いくつかの米国の電力会社はすでに中国チームとのパートナーシップを模索している。カリフォルニアの大手電力会社のスポークスマンは「我々は彼らのモデルを自社のサービス領域に適応させることについて話し合っています。自社のデータで初期テストを実施しており、初期の結果は有望です。修正せずに我々のデータに適用した場合、モデルの精度は約 15％低下しますが、調整を加えれば上海での結果と同等またはそれを上回ることができると確信しています」と明らかにする。
米国エネルギー省もこの研究を注視している。あるエネルギー省職員は「我々はこの研究を密接に監視しています。データセキュリティと知的財産権に関する懸念がありますが、米国の消費者と電力網にもたらされる潜在的な利益は無視できないほど重要です」と述べる。
この研究の意義は、充電予測の精度向上だけにとどまらない。電気自動車と電力網の関係についての考え方を転換させ、EV を管理すべき課題として見るのではなく、よりスマートで応答性の高いエネルギーシステムの不可欠な一部として見るようになるきっかけを提供する。王氏は「10 年前は、電気自動車を単に電力網の負荷の一つと考えていました。今では、それらが資源であることに気づきました —— 供給が多いときに余剰エネルギーを貯蔵し、需要がピークに達したときにそれを返すことができるモバイルバッテリーです。しかしそれを効果的に行うには、これらのバッテリーがどこにあり、どれだけのエネルギーを必要とするかを知る必要があります。それが私たちのモデルが可能にすることです」と説明する。
この「車両から電力網へ（V2G）」の未来構想は米国でも注目を集めている。カリフォルニア州やニューヨーク州を含むいくつかのパイロットプログラムでは、EV がピーク需要時に電力網を安定させる役割を果たす方法が探られている。しかしこれらのプログラムは、EV がいつ参加可能になるかの予測が不正確なため、規模が限られている。業界アナリストは「現在の V2G プログラムの問題は、車がいつプラグインされるかの推定に依存していることです。電力会社がピーク時に 100 台の車がエネルギー放出に利用可能になると予想しても、実際には 30 台しか準備ができない場合、プログラムは失敗します。このモデルにより、これらの予測が十分に正確になり、V2G を有意義なレベルまで拡大することができるでしょう」と指摘する。
消費者にとっては、電力会社がより効率的な電力網管理から得た節約分を還元することで、電気料金が低下する可能性がある。また、ピーク時間帯に EV から電力網にエネルギーを放出することで収入を得るといった新しいビジネスモデルも登場するかもしれない。カリフォルニア州の電力会社スポークスマンは「ここには莫大な可能性があります。数百万台の電気自動車を、再生可能エネルギーを電力網により多く統合するのに役立つ分散型エネルギー資源に変えることについて話しているのです。太陽光と風力発電は間欠的で、太陽が照り、風が吹くときにエネルギーを生成するのであって、必ずしも我々が必要とするときに生成するわけではありません。EV はその余剰エネルギーを貯蔵することができますが、それはそれらがいつどこにあるかを知っている場合に限ります」と述べる。
自動車産業が電気自動車へ急速に移行し続ける中、NSGAII-LDSBX-VMD-NAHL モデルのようなイノベーションは、この移行が消費者にとって円滑で手頃な価格であることを保証する上で、ますます重要な役割を果たすでしょう。
中国の研究チームの業績は単なる技術的突破にとどまらず、国際的な協力が共通の目標に向けた進展を加速させる方法を思い出させるものです。米国と中国がクリーンエネルギー技術の多くの分野で競争している中、この研究は知識を共有し、お互いの成功を基に構築することの価値を実証しています。王氏は「気候変動とエネルギー安全保障は、単一の国で解決できるほどのグローバルな課題ではありません。世界中の研究者や電力会社と自分たちの研究成果を共有できることを嬉しく思います。我々が得る予測が正確であればあるほど、持続可能な輸送システムへの移行をより効果的に行うことができます」と語る。
米国のドライバー、電力会社、政策立案者にとって、メッセージは明確です。電気輸送の未来は、高度なバッテリーやモーターと同じくらい、スマートなソフトウェアにも依存しています。この予測モデルのようなイノベーションを取り入れることで、米国は電気自動車への移行が環境的に持続可能であるだけでなく、経済的に実行可能で消費者にとって便利なものになることを保証できます。
電気自動車が例外ではなく常識となる未来を展望するとき、充電需要を予測し管理する能力は極めて重要になるでしょう。上海の嘉定区から生まれたこの研究は、その課題に対処するための大きな一歩を踏み出したものであり、米国の電力会社に数十億ドルを節約し、EV 所有者の不満を減らし、すべての人のためにより強靭で効率的な電力網を構築する可能性を秘めています。
結局のところ、どの技術の価値も、人々の生活をどのように改善するかで測られます。このモデルがその約束を実現するとすれば、電気自動車の所有者は充電器を探すことに悩む時間を減らし、クリーンで効率的な輸送の利点をより多く享受することができるでしょう。そして、それこそが最終的には、電気モビリティへの移行の核心であると言えるでしょう。
米国におけるこの技術の導入は、単なる技術移転を超えたものでなければなりません。地域の特性に合わせたカスタマイズが不可欠で、例えばテキサス州の広大な地域での長距離ドライブパターンや、ニューイングランド州の厳しい冬の気候による充電需要の変動など、さまざまな要素をモデルに反映させる必要があります。しかし、初期の適応段階を乗り越えれば、この技術は米国の電気自動車革命に新たな次元をもたらす可能性が高いです。
特に農村部や郊外地域では、充電インフラの不足が EV 普及の大きな障壁となっています。正確な予測モデルがあれば、限られた資源を最も必要とされる場所に集中的に投入することができ、EV の利便性を向上させると同時に、地域経済にも好影響を与えるでしょう。さらに、再生可能エネルギーの普及と組み合わせることで、地方圏でのエネルギー自給率向上にも貢献し、地域社会のエネルギー安全保障を強化する可能性があります。
また、この技術は政策立案にも大きな影響を与えるかもしれません。連邦政府や州政府が EV 充電インフラの補助金を配分する際に、客観的なデータに基づいた意思決定が可能になり、無駄な支出を削減し、効果的な投資を行うことができるでしょう。これにより、納税者の金銭がより価値の高い形で利用されるようになり、公的資金の効率性が向上するでしょう。
将来的には、このモデルが他の分野にも応用される可能性があります。例えば、自治体の交通計画や、商業施設の駐車場と充電スタンドの配置計画など、都市のさまざまなインフラ整備に役立つ情報を提供できるかもしれません。EV の普及は単なる自動車産業の変化だけでなく、都市の形や人々の生活スタイルをも変えていく力を持っています。その中で、充電需要の予測技術は、これらの変化を円滑かつ効果的に進めるための重要なツールとなるでしょう。
最後に、この研究成果は国際的な科学技術協力の重要性を再認識させるものです。気候変動やエネルギー問題は国の境界を超えた課題であり、各国の知恵と技術を結集することで初めて効果的に解決できるでしょう。中国の研究チームが開発したこのモデルが、世界中の研究者や企業に新たなアイデアを提供し、さらなる技術進歩を促すきっかけとなれば、それは人類全体の利益となるでしょう。電気自動車への移行は、一つの国だけの勝利ではなく、地球環境と未来の世代のための共通の勝利であり、そのためには国を超えた協力と知識の共有が不可欠です。