都市のEV充電インフラがよりスマートに――モンテカルロ法とエコー状態ネットワークの貢献
急速に電化が進む世界において、EVの普及における最大の障壁は、航続距離への不安やバッテリーコストではなく、どこで、いつ充電できるかという問題だ。世界中の都市は、ある矛盾に直面している。充電ステーションが時々空いたままなのに、ドライバーは空きポートを求めてブロックを周回する。このミスマッチは不便なだけでなく、非効率的でコストがかかり、EV革命の勢いを損なう恐れがある。
しかし、新しい学術研究の波が状況を変えつつある。目新しいハードウェアではなく、インフラ計画の背後にあるより鋭いソフトウェアの頭脳によって。交通行動モデリング、機械学習、電力システム工学の交差点で、Shangyi電力会社（国家電網冀北電力有限公司）と燕山大学のチームは、時間と空間の両方にわたるEV充電需要を予測し、その知見を活用して新しい充電ステーションの設置場所、必要な充電器の数、規模を最適化する新しい方法を発表した。
その結果？充電できずに困るドライバーの減少、建設コストの削減、電力系統への負担軽減、そしてEVを単独の車両ではなく、人間の行動パターン、都市の地理、季節的なリズムによって形成される動的で移動する負荷として扱う初めての計画枠組みが得られる。
中国の中規模都市。ある私有EVの所有者がバッテリー残量85%で住宅街を出発し、都心部の職場へ向かう。一方、タクシー運転手は3回目のシフト中、バッテリー残量わずか22%で商業地区に進入し、需要がピークに達する前に急速充電器を探す。固定路線を走る市営電気バスは、夜間の充電のために車庫に滑り込む。これら3台はすべてEVである。3台とも充電行動は大きく異なる。そして、どれも従来の静的な負荷モデルにはうまく当てはまらない。
これが、この研究で取り組まれた中核的な課題である。従来のEV充電予測は、既存のステーションからの過去のデータに依存することが多い。これは、インフラが既に存在する場所での運用を改善するには有効だが、未開発の地域に新しいステーションを計画しようとする場合には不十分だ。まだ存在しない充電器への需要を、存在する充電器の利用状況に基づいて予測することはできない。
そこで研究者たちは、文字通り、異なる道を選んだ。
彼らはまず、対象となる都市地域（40.46 km²、79道路、49交通ノード）を、それぞれ0.64～2.25 km²の33のグリッドセルに分割した。これらは任意の区画ではなく、実際の機能——住宅地、商業地、工業地——によって分類された。なぜか？人々がどこにいるかが、何をするかを形作るからだ。午後3時に商業地区にいるドライバーは、真夜中の工業地区にいる誰かよりも、はるかに短時間充電する可能性が高い。
次に来たのが行動エンジン：モンテカルロシミュレーションである。平均的な行動を仮定する代わりに、チームは個々のEV——私有車13,000台、タクシー5,000台、バス2,000台——をモデル化した。それぞれが固有のバッテリー容量（それぞれ18 kWh、45 kWh、200 kWh）、日々の走行距離（実態調査を反映した対数正規分布から抽出）、および旅行パターンを持っている。
決定的に、彼らは単なる「典型的な」一日をシミュレートしたのではない。季節変動と日タイプの違い（仕事日（自宅-職場-自宅のループが主体）、週末（より不規則、自宅-用事-自宅または複雑な複数停留所の連鎖）、祝日（レジャーと旅行の急増が混合））を考慮した。各車両の充電するかどうか——そしてどこでか——という決定は、物理学と心理学——残存バッテリー、次の行程の距離、許容最小SOC閾値、迂回する意思——によって支配された。
例えば、このモデルは、商業地区で昼の用事を終えた私有車が、家に帰りかつ明日の通勤を完了するのに十分な電力をまだ保持しているかどうかを計算する。そうでない場合——またはドライバーがリスクを負いたくない場合——その車は昼間の充電の候補となる。対照的に、タクシーは、利便性ではなく稼働時間を最適化するため、数時間おきに Opportunistic（機会的）に充電するかもしれない。
このシミュレーションを200回実行し（統計的ノイズを平滑化するため）、チームは膨大な合成データセットを生成した。33の各グリッドにおける時間単位の充電電力需要が、複数の代表日について生成された。これは彼らの「仮想歴史」——実際の充電器がまだ存在しない場所での高解像度の時空間負荷マップ——となった。
しかし、生のモンテカルロ出力はノイズが多い。実世界の計画担当者は、きれいで実行可能な傾向——200回の確率的実行の散布図ではなく——を必要とする。ここでエコー状態ネットワーク（ESN）——学習が高速、ノイズの多い入力に対して頑健、強力な時系列予測能力で知られる一種のリカレントニューラルネットワーク——の出番となる。
学習中にすべての重みを調整する従来の誤差逆伝播法（BP）ネットワークとは異なり、ESNは内部の「リザバー」接続の大部分を固定ランダムに保ち、出力層のみを学習する。これにより、計算量が少なく過学習しにくくなり、限られたデータで複雑な非線形負荷曲線をフィッティングするのに理想的である。
研究者たちは3つの別々のESN——ゾーンタイプ（住宅、商業、工業）ごとに1つ——を学習させた。入力は過去の負荷データだけでなく、文脈的特徴：グリッド機能タイプと推定交通流量も与えた。入力次元：10。リザバーサイズ：500ニューロン。出力：次の時間ステップの予測充電負荷（kW）。
その見返りは？住宅地データにおいて古典的なBPニューラルネットと比較した場合、ESNは平均絶対パーセント誤差（MAPE）を22％削減し、二乗平均平方根誤差（RMSE）を25％以上削減した。つまり、午後6時以降の住宅地での夕方の急増や、商業地での昼間の隆起など、実世界の充電のピークと谷をはるかに忠実に捉えたのである。このモデルは、どれだけの電力が引き出されるかだけでなく、いつ、どこで spike（急上昇）するかを正確に予測した。
正確な時空間予測を手に入れたチームは、次に問題をひっくり返した。この需要パターンを前提として、総社会的コストを最小化するために、どこにステーションを建設すべきか、そしてどのくらいの規模にするべきか？
ここで、彼らの計画モデルは過度の単純化を拒否することで光る。あまりにも多くの過去のアプローチは、電力会社の視点のみに焦点を当てていた。つまり、資本的支出を最小化すること。他のものは、コストを度外視してドライバーの利便性を優先した。この枠組みは、以下の4つの主要なコストバケットの間の全体的なトレードオフを強制する。
- インフラのCapExおよびOpEx – 変圧器、充電器、土地取得、および固定年間維持費（建設コストの百分比でスケーリング）。
- ユーザーの移動コスト – 時間だけでなく、充電器まで運転するために浪費されるエネルギー。迂回する毎キロメートルは貴重なバッテリーを消耗する——多くの場合、プレミアム充電料金でドライバーが支払う。
- 系統損失 – 集中したEV負荷は送電線を過負荷にし、抵抗（I²R）損失を増加させる。モデルはこれをkWhで定量化し、地域のエネルギー価格を使用してドルに変換する。
- 過少/過大投資の機会費用 – 充電器が少なすぎれば待ち行列と迂回を意味し、多すぎれば遊休資産と高い料金を意味する。
最適化エンジンは？粒子群最適化（PSO）——高次元の解空間を効率的に探索するために、鳥の群れや魚の群れを模倣した生物由来のアルゴリズム。PSOは、「適合度」スコア（年間化総システムコスト）に導かれながら、候補解（すなわち、ステーションの場所とサイズのセット）を反復的に調整する。
制約は現実的なものに保たれた：
- 各ステーションの容量は5～45台の充電器で上限設定。
- 最小間隔を強制（共食い回避と地理的カバレッジを確保するため）。
- 系統接続制限を尊重（どのステーションもその送電線が安全に供給できる以上を引き出せない）。
- 充電器の同時使用率は80～100%と仮定（実証的な車両データに基づく）。
結果は？明らかな収穫逓減——そして最適点。
ステーション数を4から10までテストした結果、モデルは総コストが4から7ステーションまで減少することを示した——ドライバーが節約する移動時間/エネルギーの方が、追加の建設コストよりも大きかった。しかし、7を超えると？コストは再び上昇した。8番目のステーションは約20万元のハードウェアと維持費を追加したが、ユーザーの移動コストを約2万元しか削減しなかった。限界利益は支出を正当化しなかった。
7つのステーションが最適であることが明らかになり、年間の社会的コストは約469万6千元（現在の為替レートで約65万5千米ドル）と予測された。内訳は以下の通り：
- 建設及び維持費：415万8千元
- ユーザー迂回コスト：24万8千元
- 追加系統損失：28万9千元
配分に注目：インフラが支配的である——しかし、ユーザーと系統のコストは無視できるものではない。それらは意思決定を形作るレバーである。
さらに示唆に富むのは、7つのステーションがどこに配置されたか（原論文の図5参照）である。冗長にクラスター化されたものはない。代わりに、戦略的な格子を形成した：
- 南部の住宅地コア近くに1つ（充電器7台）
- 密集した商業中心部に大容量ハブ（充電器24台！）
- 北部の雇用地域を服務する中規模ノード（充電器15台）
- 隙間を埋める小さなoutposts（前哨基地）
これは「散布図祈り（spray and pray）」ではない。需要を意識し、コストを意識した配置である。
では、なぜこれが一つの中国の都市を超えて重要なのか？
その方法論が地理を超越しているからだ。EV市場が成熟するにつれて——ベルリンからバンガロールまで——自治体の計画担当者と電力技術者は同じジレンマに直面する。過少利用のステーションを過剰に建設するという昨日の過ちを回避しながら、今日のアクセス沙漠の危機を防ぐ方法である。
このアプローチを際立たせているのは、その行動の現実性である。EVを静的な「車輪上のバッテリー」として扱わない。都市生態系に埋め込まれたエージェントとしてモデル化する。つまり、勤務スケジュール、交通渋滞、買い物習慣、さらには季節的な気温の変動（バッテリー効率とHVAC負荷に影響する）に反応する。この細粒度こそが、ESNがより単純な時系列モデルを凌駕することを可能にする——統計的傾向だけでなく、都市生活のリズムを学習するのである。
さらに、2段階のアーキテクチャ——データ生成のためのモンテカルロ法、パターン抽出のためのESN——は、重要な鶏と卵の問題を解決する。充電器を計画するには需要データが必要だが、需要データを得るには充電器が必要だ。合成データ生成はその行き詰まりを回避する。
決定的に、このモデルはスケーラブルである。論文では中規模都市をテストしたが、グリッド分割とESN学習のステップは並列化できる。より大きな大都市では、より細かいグリッドまたはゾーン固有のESNアンサンブルを使用できる。フリートオペレーターは、走行距離と滞留時間分布を較正するために独自のテレマティクスを組み込むことができる。ライドヘイリングプラットフォームでさえ、高活動地域の近くに充電器を事前に設置するためにこの枠組みをライセンスする可能性がある。
そして未来は？著者は2つのフロンティアを示唆している。
第一に、改修統合。EVの普及が加速するにつれて、都市は単に新しいステーションを建設するだけでなく、ガソリンスタンド、駐車場、商業区画を変換する。この負荷予測エンジンは、どの既存サイトが最も高い潜在需要と変換のための系統余力を持っているかを特定し、昨日の化石燃料インフラを明日のEVハブに変える可能性がある。
第二に——そしてより革新的に——V2G（Vehicle-to-Grid）対応。現在、このモデルはEVを純粋な負荷として扱う。しかし、双方向充電器が主流になると、駐車中のEVはピーク時に系統に電力を供給し、再生可能エネルギーの統合を円滑にすることができる。どこにアイドル状態の充電済みEVが存在するか、いつ存在するかを知る同じ時空間予測バックボーンは、その分散型蓄電フリートを管理するための不可欠な第一歩である。将来のV2Gを念頭に置いて今日設計された充電ステーション計画は、2030年に完全な見直しを必要としないだろう。
もちろん、完璧なモデルはない。モンテカルロシミュレーションは、その入力仮定のバイアスを引き継ぐ——旅行調査はニッチな行動を見逃す可能性がある。時間の経過に伴うバッテリー劣化はモデル化されていない。予期せぬイベント（祭り、工事、公共交通ストライキ）は最高の予測さえも混乱させる可能性がある。そして、PSOが局所最適解を見つけたとしても、そのような複雑な状況では大域的最適性は保証できない。
しかし、検証結果は雄弁に物語っている。チームが予測負荷曲線を実世界のパイロットデータ（要約には示されていないが方法論で言及）と比較したとき、ESNの誤差帯は緊密に保たれた——特に平日の夕方のような重要な ramp-up（立ち上がり）期間中。その信頼性こそが、計画担当者にその推奨事項に数百万を賭ける自信を与えるものだ。
インフラの決定が数十年にわたる排出量と公平性の結果を固定化する時代において、予測を正しく行うことは学問的なものではなく、存続に関わるものなのである。この研究は、物理学ベースのシミュレーション、機械学習の敏捷性、コスト意識の最適化の正しい組み合わせにより、都市は反応的なつぎはぎから、先制的でインテリジェントなEV統合に移行できることを示している。
100%電化された輸送への道は、充電器だけでは舗装されない。それは、私たちがなぜ運転するか、いつ停止するか、そしてどのようにそこで私たちに会うかを理解するアルゴリズムによってチャート化されるだろう——電力は準備完了、コストは最小化され、系統は無傷で。
—
王 宇飛¹, 張 飛¹, 郭 俊超¹, 孫 鑫¹, 霍 偉², 王 東昇², 楊 立軍² ¹Shangyi Electric Power Company, State Grid Jibei Electric Power Company, Zhangjiakou 076750, Hebei Province, China ²School of Electrical Engineering, Yanshan University, Qinhuangdao 066004, Hebei Province, China Modern Electric Power, Vol. 40, No. 2, Apr. 2023 DOI: 10.19725/j.cnki.1007-2322.2021.0251