信頼性AIがEVと電力系統の融合を促進
電気自動車（EV）の普及が進む中、電力系統への統合を安全かつ効率的に管理するための画期的な人工知能（AI）フレームワークが発表された。この研究は、分散型機械学習技術であるフェデレーテッドラーニングを応用し、従来の課題であったデータプライバシーやモデルの正確性、関係者間の利益調整を同時に解決するものだ。
EVは単なる移動手段から、電力系統と双方向でエネルギーを授信できる移動型蓄電デバイスへと進化している。このV2G（Vehicle-to-Grid）技術は、電力需要がピーク時にEVが系統に電力を供給できるため、負荷平準化や系統安定化に寄与する。しかし、数千台規模のEVの充放電を最適に調整するには、各車両の充電パターンや移動スケジュールといった敏感なデータを収集する必要があり、プライバシー懸念が大きな障壁となっていた。
従来の中央集権型AIモデルでは、全てのデータを一箇所に集めて処理するため、情報漏洩のリスクが伴う。これに対し、フェデレーテッドラーニングは、データをその場に留めたままモデルの更新情報のみを集約するため、プライバシー保護に優れる。ただし、従来の手法では、モデルの学習に用いるラベル（目標値）が主観的に設定されやすく、結果にバイアスが生じる可能性があった。また、モデル更新情報を集約する事業者が、意図的または過失により計算を誤るリスクも存在した。
研究チームはこれらの課題を克服するため、3つの核心モジュールから構成される信頼性の高いフレームワークを設計した。第一に、複数関係者の利益を同時に考慮した客観的なラベル生成モデルを開発。充電事業者の収益最大化、ユーザーの充電コスト最小化、系統の負荷変動低減という複数の目的を最適化問題として解くことで、現実的なトレードオフを反映したラベルを生成する。これにより、偏りのない正確なスケジューリングが可能となる。
第二に、パイエ加法準同型暗号を採用し、モデル更新情報の秘匿性を確保。各充電ステーションは学習したモデルパラメータを暗号化した上で分散ストレージにアップロードし、集約事業者は復号せずに計算を行うため、個人データが開示されるリスクを排除する。
第三に、ブロックチェーン技術を応用した検証可能な集約機構を導入。二分木構造を用いてモデルパラメータを階層的に集約し、スマートコントラクトによる自動検証を実現する。これにより、計算の正確性が保証され、エラーが発生した場合でもその場所を特定できる追跡機能を備える。シミュレーションでは、256の充電ステーションを対象に、検証プロセスの実行コストを従来比96%以上削減できることを確認。実用性の高さが示された。
本フレームワークの意義は技術面だけでなく、経済的なインセンティブ設計にも及ぶ。EVユーザーは充電コストの低減や売電収入を得ることで、系統サービスへの参加意欲が高まる。充電事業者は最適化された価格設定により収益を最大化でき、電力系統は負荷変動の抑制により安定化を図れる。すべての関係者の利益が調整されるため、システムへの信頼性と参加意識が向上する。
この技術は電力分野に留まらず、医療、金融、スマートシティなど、データプライバシーが重要なあらゆる分野への応用が期待される。複数組織が協調してAIモデルを構築する必要がある場合に、データを共有せずに共同学習を進めるための枠組みを提供する。異分野の技術を融合した学際的なアプローチも特徴で、計算機科学、電気工学、暗号理論、経済学の知見を結集して現実問題の解決を図っている。
今後の展開として、大規模なV2G技術の実装加速が期待される。電力事業者は本フレームワークを活用することで、増加するEV群を系統の負債ではなく、貴重な資産として運用できる。政策立案者にとっては、市場メカニズムを通じた系統調整の実現により、過度な規制に依存しないバランスの取れたエネルギー政策の推進が可能となる。
持続可能なエネルギー社会の構築には、分散型資源の効果的な統合が不可欠である。本研究成果は、プライバシーを保護しつつデータの有用性を引き出し、関係者間の協力を促進する信頼性AIの枠組みを提示した。EVの台数が増加し続ける中、その潜在能力を最大限に活用するための基盤技術として、広く貢献することが期待される。
Yunhua He, School of Information Science and Technology, North China University of Technology; Distributed Energy, Vol.9 No.6, Dec. 2024, DOI: 10.16513/j.2096-2185.DE.2409608