都市型EV充電ネットワークの最適配置モデル

電気自動車（EV）の世界市場における急速な普及に伴い、都市は効率的で将来性のある充電ネットワークの構築という大きな課題に直面しています。重要なのは単に充電器を増設することではなく、需要が最も高まる場所と時間帯を見極め、多様なユーザー行動に対応できる適切な容量を戦略的に配置することです。『浙江電力』誌に発表された画期的な研究は、動的なユーザー需要、実世界の交通パターン、長期的な経済的持続可能性を考慮した、都市型EV充電ステーションの計画方法を再定義する最適化フレームワークを提案しています。

国家電網北京市電力公司の王瓊（ワン・チョン）氏を中心に、国家電網北京大興電力公司の鄒清（ゾウ・チン）氏、李楽（リー・ラー）氏、李超然（リー・チャオラン）氏、そして国家電網智能車聯網技術有限公司の晏雪瑩（ヤン・シュエイン）氏が共同で取り組んだこの研究は、行動科学、交通工学、ロバスト最適化理論を統合した包括的なモデルを提示しています。その成果は、事業者の投資負担とドライバーの利便性・時間節約のバランスを図りながら、社会全体の総コストを最小化できる計画ツールです。

「ユーザーの動的充電需要を考慮した充電ステーションの最適立地と規模決定」と題された本論文は、『浙江電力』2024年9月号（第43巻第9号）に掲載されました。この研究は、既存のEVインフラ計画における重大なギャップ、すなわちほとんどのモデルが充電需要について静的な仮定に依存し、ユーザー行動や交通渋滞の変動、EV所有パターンの変化を無視しがちである点を解決します。このような従来のアプローチでは、閑散地域でのステーションの利用不足やピーク時のハブの過負荷といった非効率が生じ、ユーザーの満足度と事業者の収益性の両方を損なう可能性があります。

王氏の研究チームは、効果的な計画は人々が実際にEVをどのように利用するかという深い理解から始めなければならないと主張します。この複雑性を捉えるため、研究者たちは「トリップチェーン理論」を採用しました。これは交通計画で用いられる、個人の一日の一連の移動をモデル化する手法です。私有のEV所有者については、統計的に導き出された出発時間、移動時間、駐車時間の分布に基づき、自宅を出て職場に通勤し、用事を済ませて帰宅するといった日課を、住宅地、商業地、業務地などの都市別の区域ごとにシミュレーションします。

行動がより予測困難でルーティンに依存しないタクシー運転手については、交通量調査に基づくOD（発生・集中）表を利用しました。これらの表は、一日の異なる時間帯にタクシーがある区域から別の区域に移動する確率を明らかにします。例えば、午前6時から午後6時までは、朝夕の通勤や業務移動を反映して、住宅地から商業地や業務地への移動が多くなります。夜間には、運転手が帰宅したり歓楽街に向かったりする流れに変化します。深夜以降は、深夜勤務や乗客数の減少に合わせて、移動はより均一に分布します。

これらの行動モデルと、古典的な経路探索手法であるダイクストラ法を組み合わせることで、研究者たちは実在の都市道路網を走行する数千台の仮想EVの最も時間効率の良いルートをシミュレーションしました。しかし、速度一定を仮定する従来モデルとは異なり、本研究は交通渋滞を考慮した速度-流量関係を組み込んでいます。道路区間が飽和する速度が速まれば、車両の走行速度は低下し、これがエネルギー消費量に直接影響します。このモデルは、リアルタイムの交通状況に基づいてエネルギー使用量を動的に調整し、バッテリー消耗の計算精度を高めています。

人間の行動と交通パターンに内在するランダム性を扱うため、研究チームはモンテカルロシミュレーションを用い、数千ものシナリオを実行して時間と空間 across での充電需要の確率論的なマップを生成しました。その結果、明確な時間的・空間的パターンが明らかになりました。私有のEV所有者は主に夜間に住宅地で充電し、需要のピークは午後7時から午前3時までに集中しています。これは夜間の電気料金が安い時間帯と家庭での充電の利便性に合致します。対照的に、電気タクシーでは2つの主要な充電ピークが確認されました。1つは昼食や休憩のために休憩を取る昼頃、もう1つは夕方のラッシュアワー直前の午後遅くです。これらのステーションは、急速充電能力が不可欠な商業中心部や交通回廊の近くに通常設置されます。

需要に関するこの細かい理解が、モデルの最適化エンジンの基礎を形成します。目的は、建設費、設備費、維持費といった事業者の経費と、ステーションへの移動時間や待ち時間といったユーザーの経済的損失の両方を含む、総年間コストを最小化することです。このモデルは両方のステークホルダーを同等に重要視しており、インフラ整備に対するバランスの取れたアプローチを反映しています。

最適化プロセスは2段階で進みます。まず、モデルは充電ステーションの最適な数と立地を決定します。このため、「重み付きボロノイ図」という、近接性と容量に基づいて空間を領域に分割する幾何学的手法を採用します。距離のみで空間を分割する標準的なボロノイ図とは異なり、重み付き版はステーションの規模とサービス能力を考慮します。充電器を多く備えた大規模なステーションは、より広い地域からの需要を「引き寄せ」、実質的にそのサービス区域を拡大することができます。これにより、需要が集中する場所には大容量のステーションが配置され、より局所的なニーズには小規模なステーションが対応するようになります。

立地が決定されると、第二段階では容量計画、すなわち各サイトに高出力（80kW）と低出力（30kW）の充電器をそれぞれ何台設置するかに焦点が当てられます。高出力充電器は待ち時間を短縮しますが、設置と運営のコストが高くなります。低出力充電器は安価ですが、特にピーク時には長い列が発生する可能性があります。このモデルは、到着率とサービス能力に基づいて平均待ち時間を推定するために待ち行列理論を使用し、車両がポアソン分布に従って到着すると仮定しています。

しかし、真の革新性は、このモデルが不確実性をどのように扱うかにあります。従来の計画はしばしば単一の「典型的な一日」のシナリオに依存し、天候、イベント、季節変動による需要の変動を考慮できませんでした。この問題に対処するため、王氏らはロバスト最適化の枠組みを導入しました。固定された需要を仮定する代わりに、可能性のある需要レベルの範囲を含む「不確実性集合」を定義します。その後、モデルは単一のシナリオに対してのみ最適であるよりもむしろ、この集合内のすべてのシナリオで良好に機能する解を探します。

これは、調整可能な「不確実性バジェット」を通じて達成されます。これは、計画者が予想需要からのどれだけの偏差を許容するかを制御します。バジェットが高いほど、より極端なシナリオに備えることになり、過剰な設備容量と高いコストにつながります。バジェットが低いほど、より安定した状況を想定することになり、予期しない需要急増時に容量不足のリスクを負います。このパラメータを調整することで、意思決定者は自身のリスク許容度に応じてコストと回復力（レジリエンス）のバランスを取ることができます。

この複雑な多目的最適化問題を解決するために、研究チームは粒子群最適化（PSO）アルゴリズムの拡張版である、適応型シミュレーテッドアニーリング粒子群最適化（ASAPSO）を開発しました。PSOは、鳥や魚の社会的行動にヒントを得たメタヒューリスティック手法で、「粒子」の集団が、個々の最良経験と集団の最良経験に基づいて位置を調整し、解空間を探索します。しかし、標準的なPSOは、局所最適解—良いが大域的最適ではない解—に陥る可能性があります。

ASAPSOアルゴリズムは、シミュレーテッドアニーリングの要素を組み込むことでこれを改善します。この手法では、探索プロセスが局所的な罠から脱出するために、時折、悪い解を受け入れることができます。これは、冶金学の冷却プロセスを模倣し、最初は高く設定され、次第に減少する「温度」パラメータによって制御されます。温度が高い間、アルゴリズムは広く探索し、冷却するにつれて最良解へと収束します。さらに、反復段階に基づいて学習率と慣性重量を動的に調整することで適応がさらに洗練され、探索と活用のバランスが確保されます。

このモデルは、実世界のケーススタディ、すなわち人口25万人を擁する中国北部の都市の58平方キロメートルの区域でテストされました。道路網は48のノードと82のリンクで構成され、3000台の私有EVと1100台の電気タクシーをサービス対象としています。ASAPSOアルゴリズムと重み付きボロノイ分割を使用し、モデルはステーション数を5から12まで変化させた複数の計画シナリオを評価しました。

結果は、7つのステーションでコストが明確に最適化されることを示しました。ステーション数が少ない場合、ユーザーはより長い移動距離と高い渋滞に直面し、時間とエネルギーのコストの両方が増加しました。7つを超えると、追加ステーションの限界利益は、増加する建設費と維持費によって相殺されました。7つのステーションでは、総年間コストは最小値である400.01万元（約550,000米ドル）に達しました。これには、年間換算建設費94.36万元、運営コスト110.72万元、ユーザー関連損失（移動時間、エネルギー使用、待機）195万元が含まれます。

7つの各ステーションには、地域の需要パターンに基づいて高出力と低出力の充電器が組み合わされて割り当てられました。タクシーが主体の商業地域のステーションは、迅速な回転をサポートするため、より多くの高出力充電器が装備されました。住宅地のステーションは、夜間充電のニーズに対応するため、低出力充電器の割合が高くなりました。サービス区域は重み付きボロノイ法を使用して明確に区分けされ、不必要にサービスが行き届かない区域や重複する区域ができないように確保されました。

モデルの堅牢性を検証するため、研究者たちは2つのシナリオを比較しました。1つは固定された決定論的需要を仮定するシナリオ（シナリオ1）、もう1つはロバスト最適化フレームワークを使用して不確実性を考慮するシナリオ（シナリオ2）です。将来の成長または予期しない急増を表す需要の20%増加をシミュレーションした場合、決定論的モデルは苦戦しました。いくつかのステーションは深刻な混雑状態になり、待ち時間は許容限度を超えました。対照的に、ロバストモデルは、そのような変動を予見していたため、必要な場所に余分な容量を割り当てることによって管理可能な待ち行列の長さを維持しました。

これは提案されたアプローチの主要な利点、すなわち計画プロセスに回復力（レジリエンス）を構築することを実証しています。危機が発生した後で対応するのではなく、都市は変化に適応するネットワークを積極的に設計することができます。EVの普及が加速し、電気配送バンやライドシェアリングフリートのような新しい車種が出現する中で、この柔軟性は極めて重要になるでしょう。

この研究の意義は中国を超えて広がります。世界中の都市計画担当者は、EVインフラを効率的に展開するという同様の課題に直面しています。多くの都市は充電ネットワークに多額の投資をしてきましたが、利用が偏っていたり、立地が悪いためにステーションの利用が十分でなかったりすることを発見しています。動的需要モデリングとロバスト最適化を組み込むことにより、このフレームワークは、インフラ投資に対するより科学的でデータ駆動型のアプローチを提供します。

さらに、このモデルは交通システムとエネルギーシステムにまたがる統合計画を支援します。充電ステーションは単なるコンセント付きの駐車スペースではなく、より大きなエネルギー・ネットワークにおける節点です。その配置は、地域の電力グリッド負荷、電圧安定性、さらには再生可能エネルギー統合に影響を与えます。本研究には、配電ネットワークの容量と電圧レベルに関する制約が含まれており、新しいステーションが既存のインフラに過負荷をかけないように確保しています。

政策的観点からは、このモデルは費用便益分析のためのツールを提供します。政府と公益事業者はこれを使用して、異なる投資戦略を評価し、補助金の影響を評価し、あるいは混雑料金が充電行動に与える影響をシミュレーションすることができます。また、 equity（公平性）の配慮も支援します—サービスが行き届いていない地域を特定することで、計画担当者はEVへのアクセスが富裕層の地域に限定されないようにすることができます。

この研究はまた、データの重要性も強調しています。正確なOD表、交通流測定、およびユーザー行動調査は不可欠な入力データです。都市がより多くのセンサーと接続された車両を展開するにつれて、このデータの質は向上し、このようなモデルをさらに強力にするでしょう。将来的には、リアルタイムデータを使用して、ステーションの運営を動的に調整したり、ドライバーを混雑の少ない場所に誘導したりすることが可能になるかもしれません。

このモデルは洗練されていますが、その最終的な目標は実用的です：EVの所有をより便利で手頃な価格にすることです。充電に必要な時間と労力を減らすことで、採用における主要な障壁を取り除きます。フリートオペレーターにとって、予測可能な待ち時間は、より良いスケジューリングと低い運営コストを意味します。個人のドライバーにとって、充電器が近くにあり、利用できる可能性が高いことを知ることは、航続距離に対する不安（レンジ不安）を軽減します。

結論として、王瓊氏とその同僚による研究は、EVインフラ計画における大きな前進を表しています。静的な画一的なモデルを超えて、現実世界の都市の移動の複雑性を反映した、動的で適応性のある枠組みを提供します。行動モデリング、交通動態、およびロバスト最適化の統合は、スマートシティ計画の新たな標準を設定します。都市が気候目標の達成と排出量の削減を目指す中で、このようなツールは、持続可能で回復力のある交通システムを構築する上で不可欠となるでしょう。

実在の都市環境でのモデルの成功は、より広範な応用の準備が整っていることを示唆しています。さらに改良し、自治体の計画ソフトウェアに統合することで、世界中の都市にとって標準的なツールになる可能性があります。電気革命が加速する中で、より多くを建設するだけでなく、賢く計画する能力が、どの都市が将来をリードするかを決定することになるでしょう。

王瓊（Wang Qiong）, 鄒清（Zou Qing）, 李楽（Li Le）, 李超然（Li Chaoran）, 晏雪瑩（Yan Xueying）国家電網北京市電力公司（State Grid Beijing Electric Power Company）国家電網北京大興電力公司（State Grid Beijing Daxing Power Company）国家電網智能車聯網技術有限公司（State Grid Smart Car Networking Technology Co., Ltd.）浙江電力（Zhejiang Electric Power） DOI: 10.19585/j.zjdl.202409002