光蓄電充電ステーションの最適化
電気自動車（EV）の普及は、持続可能な未来への移行において中心的な役割を果たしている。しかし、この移行を成功させるためには、単に車両を置き換えるだけでなく、それを支えるインフラ全体の革新が不可欠である。特に、充電インフラの設計と運用は、環境への影響、経済的持続可能性、そして電力網の安定性に直接関与している。この中で、太陽光発電とエネルギー貯蔵を統合した「光蓄電充電ステーション（PSCS）」は、EV充電の主流となる可能性を秘めた次世代ソリューションとして注目されている。
PSCSは、屋上の太陽光パネルで発電した電力を、EVの充電に直接利用するだけでなく、余剰電力をバッテリーに蓄え、需要が高まった時間帯に供給することで、電力網への依存を最小限に抑え、電力コストを削減し、カーボンフットプリントを大幅に低減する。しかし、その設計には重大な課題が存在する。太陽光の発電量は天候や季節によって大きく変動し、ユーザーの充電タイミングや頻度も予測が難しい。従来の設計手法では、これらの不確実性を十分に考慮できず、バッテリー容量が過剰（コスト増）または不足（電力購入コスト増）するリスクがあった。
この課題に真正面から取り組んだのが、南京工程学院電力工程学院の蒋宇（Jiang Yu）氏が率いる研究チームだ。彼らは、ユーザーの充電行動と太陽光発電の不確実性を同時に考慮することで、PSCSのバッテリー容量を最適化する新たな手法を確立し、その成果を学術誌『Zhejiang Electric Power』に発表した。この研究は、単なる理論的な探求にとどまらず、実際のPSCS運営者が直面する経済性と環境負荷の両立という現実的な課題への、実用的な回答を提供している。
太陽光の不確実性を「シナリオ」で捉える
太陽光発電の最大の課題は、その「不確実性」にある。晴天の日もあれば、曇りや雨の日もあり、同じ時間帯でも発電量は大きく異なる。従来の設計では、過去のデータから「典型的な1日の発電パターン」を抽出し、それに基づいてシステムを設計する「典型日法」が一般的だった。しかし、これはあくまで「平均」であり、極端な晴天や長期間の曇天といった、現実に起こり得るが平均からは外れた「リスク」を無視している。
蒋氏のチームは、この問題を「シナリオ分析」という手法で解決した。彼らは、ある都市の1年間の太陽光発電データを収集し、高度な「K-meansクラスタリング」という機械学習アルゴリズムを用いて、データを似た特徴を持つグループに分類した。このプロセスの鍵は、従来のアルゴリズムを「改良」した点にある。まず、クラスタの初期位置を「最も離れた点」から選ぶことで、分析の出発点をより広範囲に設定し、偏りを防いだ。次に、データの距離を測る指標として、単純な「ユークリッド距離」ではなく、非線形の関係も捉えられる「ガウスカーネル関数」を採用した。これにより、曇りの日と晴れの日の微妙な違いもより正確に識別できるようになった。
その結果、彼らは3つの主要な発電シナリオを特定した。
- シナリオ1（確率17.48%）：曇りや雨の日。発電量が非常に低い。
- シナリオ2（確率27.89%）：曇りがちの日。発電量は中程度。
- シナリオ3（確率54.64%）：晴天の日。発電量が非常に高い。
このように、確率付きの複数のシナリオを用いることで、設計者は「最悪のケース」「平均的なケース」「最良のケース」すべてに対応できる、より現実的で堅牢なPSCSを設計できる。これは、運営リスクを大幅に軽減する重要な一歩である。
ユーザーの行動を深く掘り下げる
太陽光の不確実性と同様に、ユーザーの行動もPSCSの運用に大きな影響を与える。しかし、ユーザーは一様ではない。蒋氏のチームは、EVを「バス」「タクシー」「自家用車」の3つのタイプに分けて、それぞれの行動パターンを詳細に分析した。
バスは、固定されたルートと時刻表で運行するため、行動が最も予測しやすい。彼らの日間走行距離は140～200kmと設定され、大きなバッテリー（324kWh）を搭載している。そのため、日中と夜間に2回の充電が必要となる。この予測可能な需要は、PSCSのスケジューリングにおいて重要な要素となる。
タクシーは、1日あたり最大400km走行する「ハイユース」車両である。彼らも1日に2回、昼間の休憩時間と夜間の交代時間に充電する。しかし、収益を最大化するために、通勤ラッシュなどの混雑時間帯は避け、効率的に充電する傾向がある。この特性は、PSCSの負荷曲線を平準化する効果を持つ。
最も複雑で不確実性の高いのが自家用車のユーザーである。彼らの充電は、帰宅後や週末の外出後に集中する。この研究では、アメリカ交通省の調査データを基に、帰宅時刻は正規分布、日間走行距離は対数正規分布に従うと仮定した。そして、この不確実性をシミュレーションで再現するために「モンテカルロ法」を用いた。この手法では、数千回のシミュレーションを実行し、各シナリオで帰宅時刻と走行距離をランダムに抽出することで、実際の利用状況に近い「平均的な負荷曲線」を生成する。これにより、突発的な需要のピークも予測可能になる。
さらに、この研究は一歩進んで、環境温度の影響をモデルに組み込んだ。極端な寒さや暑さは、エアコンの使用によりEVの電力消費量を増加させる。チームは、温度と電力消費量の関係を表す3次関数を用いて、季節や天候に応じた正確な電力需要を予測した。これは、特に温暖化が進む中で、将来のPSCS設計において無視できない要素である。
需要応答：価格でユーザーを「誘導」する
PSCSの最適化は、受動的な予測だけでなく、能動的な「需要のコントロール」にもかかっている。ここに登場するのが「需要応答（Demand Response）」という概念である。これは、電力価格を時間帯によって変動させることで、ユーザーの充電タイミングを意図的にシフトさせる戦略だ。
この研究では、価格の変化が充電需要にどのように反応するかを「価格弾力性マトリクス」で定量化した。例えば、夜間（谷間）の充電価格を下げると、その時間帯の需要が増える（自己弾力性）。逆に、夕方（ピーク）の価格を上げると、ユーザーは充電を夜間に回すため、ピーク時間の需要が減り、谷間の需要が増える（交差弾力性）。この「ピークシフト」効果は、電力網の負担を軽減し、PSCS自身も高価なピーク電力を購入する必要を減らすことで、コスト削減と収益向上を同時に達成できる。
シミュレーションの結果、自家用車ユーザーがこの価格シグナルに反応すると、PSCSの総負荷曲線は「平準化」され、ピークが抑えられ、谷間が埋められることが確認された。これは、電力システム全体の安定性にとって非常に重要な成果である。
経済モデルに「カーボンプライシング」を組み込む
この研究の最も革新的な点は、経済モデルに「炭素排出コスト」を明示的に組み込んだことにある。PSCSが電力網から電気を購入するとき、その電気は石炭や天然ガスなどの化石燃料で発電されている可能性がある。その結果生じるCO2排出量の「社会的コスト」を、PSCSの運営コストに加算するのだ。
この「カーボンプライシング」を導入することで、PSCSの運営者は、単に「電気代が安いから買う」という短絡的な判断ではなく、「CO2を排出すると将来の社会的コストが増える」という長期的視点で意思決定を行うようになる。結果として、バッテリーに蓄えた太陽光電力を優先的に使い、化石燃料由来の電力購入を最小限に抑えるインセンティブが生まれる。これは、環境保護と経済合理性が完全に一致する、理想的な市場メカニズムの構築を目指すものだ。
シミュレーションが示す「最適解」
この複雑なモデルを、実際のPSCSに適用するシミュレーションが行われた。その結果は、従来の設計手法との明確な差を示した。
最も優れたシナリオ（多様な太陽光シナリオと需要応答を考慮）では、最適なバッテリー容量は461kWhとなり、1日あたりの利益は4,334.17元となった。一方、典型的な発電パターンしか考慮しない従来の手法では、バッテリー容量が496kWh（過剰投資）と大きくなる上、利益も4,218.21元と低くなった。これは、不確実性を無視した設計がいかに非効率であるかを端的に示している。
さらに重要なのは環境面の成果だ。最適化されたPSCSの1日あたりのCO2排出量は8,218kgと、他のどのシナリオよりも低かった。これは、正確なモデリングと需要応答の導入が、環境保護にも直接貢献することを証明している。
未来のインフラへの示唆
蒋宇氏らの研究は、PSCSという1つの技術にとどまらない、より広い意味での示唆を持っている。それは、「インフラの設計は、現実の複雑さを無視してはならない」という教訓だ。天候の変動、人々の行動、市場の価格、環境への影響——これらすべてを統合的に捉えることで、真に持続可能でレジリエントなシステムが生まれる。
この研究は、PSCSの設計者や運営者に、単なる「設備の導入」から「スマートなエネルギーマネジメント」へのパラダイムシフトを促している。今後、EVの普及がさらに進む中で、このようなデータ駆動型で、環境と経済を両立させる設計手法が、グリーンモビリティの実現を支える基盤となるだろう。
蒋宇、呂干云、贾德香、于相宜、俞明、吴启宇、单婷婷、南京工程学院電力工程学院；『Zhejiang Electric Power』、DOI: 10.19585/j.zjdl.202405002