時系列アテンションで電動車の柔軟性を予測
電動車（EV）の台数が爆発的に増加する中、それらが単なるエネルギーの「消費者」から、電力網を安定させる「貢献者」へと役割を変える日が近づいている。しかし、その可能性を現実のものにするには、EVの充電行動という不確実な要素を、いかに正確に予測するかという課題がある。単に「いつ充電するか」だけでなく、「なぜその価格で充電するのか」という、人間の意思決定の背後にある複雑な力学を理解しなければならない。この難題に、中国の研究チームが画期的な解決策を提示した。彼らが開発した「TAM-FPM」というモデルは、単なる予測を超えて、不確実性そのものをモデル化する。これにより、電力会社やEV集約事業者は、より信頼性が高く、効率的なエネルギー管理を実現できるようになる。
現代の電力システムは、再生可能エネルギーの導入が進むにつれて、かつてないほど変動的なものになっている。太陽光や風力は、天候に大きく左右されるため、供給量が常に一定ではなく、電力の需要と供給のバランスを取るのが非常に難しい。このギャップを埋めるために必要なのが「柔軟性」である。柔軟性とは、電力の生産や消費を、短期間で迅速に調整する能力のことで、電力網の安定を保つための生命線だ。ここに、電動車が登場する。数百万台のEVが備える大容量バッテリーは、まさに分散型の巨大なエネルギー貯蔵装置の集合体と見なすことができる。電力が余っている時間帯（たとえば日中の太陽光発電が盛んな時）にEVを充電させれば、その余剰電力を吸収できる。逆に、電力需要がピークに達する時間帯には、EVの充電速度を落としたり、将来的には「V2G（Vehicle-to-Grid）」技術を使って、EVのバッテリーから電力を電力網に返送したりすることで、需要を抑えることができる。このように、EVは「負荷」でありながら、同時に「調整資源」でもある。
しかし、この理想的なシナリオを実現するには、大きな障壁がある。それは、EVの柔軟性を引き出すための「予測」の精度だ。従来の研究では、多くの場合、EVの柔軟性を「仮想バッテリー（Virtual Battery）」というシンプルなモデルで表現してきた。このモデルは、理論上、EVがいつ充電し、いつ充電をやめるかという最適なスケジュールを前提に、最大限の柔軟性を算出する。これは、ある種の「理論値」を示すには有効だが、現実世界では通用しない。なぜなら、実際のドライバーは、予定通りに行動しないからだ。仕事の都合で帰宅が遅れたり、予定外の外出をしたり、あるいは単に「今日は疲れたから、明日充電しよう」と思ったりする。このような「充電行動の不確実性」を無視したモデルでは、実際の運用で大きなズレが生じ、信頼性の低い結果しか得られない。
さらに、研究者たちは、これまで見過ごされてきたもう一つの重要な不確実性に注目した。それが「価格応答の不確実性」である。これは、電力市場の仕組みに由来する。EVを集約して電力網にサービスを提供する「集約事業者」は、翌日の充電計画を立てるために、前日（前日市場）に決定される「前日価格」を基準にする。しかし、実際に充電が行われるその日の「リアルタイム価格」は、前日価格とは大きく異なる場合がある。天候の急変や、予期せぬ工場の稼働などで、リアルタイム価格が急騰することもあれば、逆に急落することもある。もし集約事業者が「前日価格が安いから、今日は充電しましょう」とドライバーに勧めても、実際のリアルタイム価格が高ければ、ドライバーは損をすることになる。このような体験を繰り返せば、ドライバーは集約事業者の提案を信じなくなる。これが「価格応答の不確実性」であり、EVの柔軟性を活用する上で、信頼を損なう致命的な問題となる。
この二つの不確実性——「いつ充電するか」の行動の不確実性と、「どの価格で充電するか」の価格の不確実性——を同時に扱うことで、より現実に即した柔軟性のモデルを構築しようというのが、王昊天（Wang Haotian）氏をはじめとする研究チームの狙いだった。彼らが開発した「TAM-FPM（時系列アテンション機構に基づく柔軟性確率モデル）」は、従来の決定論的な予測ではなく、「確率的予測」を行う点で革命的である。つまり、明日のEVの充電負荷が「○○kWになる」という一つの数字を予測するのではなく、「○○kW±△△kWの範囲内に90%の確率で収まる」という、確率分布として予測する。これにより、電力網の運営者は「最悪のケース」や「最も起こりやすいケース」を想定した上で、リスクを管理しながら運用計画を立てることができる。
このモデルの核となるのは、AIの分野で注目されている「時系列アテンション機構（Temporal Attention Mechanism, TAM）」と「時系列畳み込みネットワーク（Temporal Convolutional Network, TCN）」の組み合わせだ。アテンション機構は、人間が物事に「注目」するのと似ており、過去のデータの中で、未来の予測に最も関係のある時間帯に「重み」を置く。例えば、昨年の同じ曜日の同じ時間帯に価格が急騰していたら、その情報に大きな重みを付けて、今日の価格予測に反映させる。これにより、単に過去のデータを均等に見るのではなく、より関連性の高い情報を優先的に学習できる。
一方、TCNは、時間の流れに沿ったデータの複雑なパターンを捉えるのに優れている。価格の変動には、数分単位の細かい波動（短期）、1日単位のパターン（中期）、そして週単位や季節単位の傾向（長期）など、さまざまな時間スケールの特徴が混在している。TCNは、これらの異なる時間スケールの特徴を同時に抽出し、統合することができる。TAMが「どの時間帯に注目すべきか」を教えてくれるのに対し、TCNは「その時間帯にどんなパターンがあるか」を深く掘り下げる。この二つの技術の融合により、モデルは過去の価格変動や充電負荷の歴史から、非常に複雑な関係性を学習し、未来の不確実性を高精度でモデル化することができる。
研究チームは、アメリカのPJM電力市場の実際のデータを使って、このTAM-FPMモデルの性能を検証した。2020年の1年間の「前日価格」と「リアルタイム価格」のデータを用い、さらに100台のEVの充電行動をモンテカルロ法でシミュレーションして、実際の充電負荷データを生成した。その結果、TAM-FPMモデルは、従来のMLP（多層パーセプトロン）やLSTM（長・短期記憶）といったAIモデルと比較して、明らかに優れた性能を発揮した。特に重要なのは、確率的予測の評価指標である「信頼性」と「鋭さ」の点で、TAM-FPMが圧倒的に優れていたことだ。
「信頼性」とは、予測した確率区間が、実際に観測された値をどれだけ正確にカバーしているかを示す。例えば、90%の信頼区間を予測した場合、実際の値がその区間内に90%の確率で収まっていなければならない。TAM-FPMは、この指標において最も低い誤差を記録し、予測が非常に「信頼できる」ことを示した。「鋭さ」とは、その確率区間がどれだけ「狭い」かを示す。信頼区間が広ければ、予測は安全だが、情報価値が低い。狭ければ、予測は大胆で情報価値が高いが、外れるリスクも高くなる。理想的なモデルは、信頼性が高く、かつ鋭さも高いものだ。TAM-FPMは、この両方を同時に達成し、予測が「正確かつ大胆」であることを証明した。
ある具体的な事例では、2020年11月22日のデータが分析された。この日は、午後4時から8時までの間にリアルタイム価格が急激に上昇し、午後5時にピークを迎えた。MLPモデルは、このピークを午後4時に予測してしまい、1時間の誤差を出した。LSTMモデルは、価格の急上昇を全く捉えられず、平坦な予測を出力した。これに対して、TAM-FPMは、価格が上昇する傾向と、午後5時のピークを正確に捉えた。その結果、EVの充電負荷予測でも、価格が高騰する時間帯に充電を控えるという、経済合理的な行動を正確に再現できた。さらに、TAM-FPMの予測区間は、価格が安定している時間帯では狭く、価格が変動している時間帯では広くなるという、非常に賢い振る舞いを示した。これは、モデルが「自分自身の予測の確かさ」を理解し、不確実性が高いときは予測区間を広げてリスクを示していることを意味する。
この研究の成果は、EVの未来に大きな影響を与える。電力会社にとっては、TAM-FPMのようなモデルを活用することで、EVの集約事業者とより信頼性の高い契約を結ぶことができる。また、EV集約事業者自身も、ドライバーに「○○円節約できます」という具体的で信頼できる約束を提示できるようになる。これは、ドライバーの参加意欲を高め、より多くのEVを柔軟性資源として活用できる好循環を生む。将来的には、このモデルのアプローチは、価格応答型の需要応答だけでなく、電力網の周波数を調整する「周波数制御」や、ピーク電力を抑える「ピークシフト」など、さまざまな応用に拡張される可能性がある。研究チームは、今後、EVが直接的な制御指令にどう反応するかという、新たな不確実性のモデル化にも取り組む予定だ。
結論として、TAM-FPMモデルの開発は、スマートグリッドの分野における重要な一歩である。EVの柔軟性を単なる「潜在能力」としてではなく、信頼性のある「確率的資源」として扱えるようにすることで、再生可能エネルギーの大量導入という大きな課題に、現実的な解決策を提供している。電動車は、移動手段としての価値に加え、今後は電力網の安定化に貢献するインフラとしての価値も持つことになる。この研究は、その未来が、もはやSFの世界ではなく、現実のものになりつつあることを示している。
Wang Haotian, North China Electric Power University; Liu Dong, State Grid Economic and Technological Research Institute Co., Ltd.; Qin Jishuo, State Grid Economic and Technological Research Institute Co., Ltd.; Shi Rui, State Grid Corporation of China; Dan Yangqing, State Grid Zhejiang Electric Power Co., Ltd.; Sun Yingyun, North China Electric Power University. Journal of Automation of Electric Power Systems. DOI: 10.7500/AEPS20230625007