電動車充電インフラ最適化の新戦略
電動車（EV）の普及が加速する中、自動車メーカーの競争はもはやバッテリーの航続距離や充電速度といった車両性能にとどまらず、その背後にあるインフラの知能化と最適化にまで及んでいる。都市部の電力網にかかる負荷、ユーザーの利便性、そして事業者の投資回収率——これらを同時に最適化する方法が、自動車産業の次の大きな課題となっている。この複雑な課題に対し、中国の研究チームが画期的な解決策を提示した。その鍵は、一見すると当たり前の事実にある：「すべての電動車が同じように充電するわけではない」。
この研究は、海南電網有限責任公司電力科学研究院の龐松嶺（Pang Songling）と趙海龍（Zhao Hailong）、ならびに熱帯島嶼スマートグリッド実験室の張晨佳（Zhang Chenjia）によって行われ、電気工学分野の権威ある学術誌『電測与儀表』（Electrical Measurement & Instrumentation）に掲載された。彼らのアプローチは、従来の「均質化されたEV」モデルを完全に覆し、バス、タクシー、公用車、自家用車という4つの主要なEVカテゴリーがそれぞれ全く異なる走行パターンと充電ニーズを持つこと——つまり「充電需要の差異性」——を、インフラ設計の出発点として据えた。
これまでの多くの研究は、EVの増加に伴う充電需要を、全体として一つの大きな波として捉えてきた。その対策も、時間帯別料金（分時電価）の導入や、クラウドとエッジの協調アルゴリズムによる需給調整など、マクロな視点に偏りがちだった。しかし、これらの方法には共通の盲点がある。それは、インフラの「物理的配置」、つまり「どこに」「どのような種類の」「いくつの」充電設備を設置するかという、都市計画の根幹にかかわる問題を、十分に解決できていないことだ。時間帯別料金はユーザーの行動を誘導するが、その料金を享受できる充電スポットが近くにないならば、ユーザーは恩恵を受けられない。クラウド協調アルゴリズムは効率を高めるが、それが対象とする充電設備の数や種類がそもそも不適切であれば、最適化は空中楼閣となる。
龐氏らの研究が革新的なのは、この「物理的配置」に焦点を当て、それをデータ駆動型の最適化問題として定式化した点にある。彼らはまず、4つのEVカテゴリーの日間走行距離と充電時間の特性を詳細に分析した。結果は明確だった。公共交通機関のバスは、固定路線を長距離走行するため、1日あたりの走行距離が最も長く、かつ充電はデポやターミナルでの短時間の急速充電が中心となる。一方、タクシーは走行距離が長いもののスケジュールは不規則で、都市のあらゆる場所で「チャンス充電」（opportunistic charging）を行う必要がある。公用車は走行距離が中程度で、多くの場合、官庁や企業の敷地内で夜間の普通充電が行われる。そして自家用車は、その利用形態が最も多様で、家庭での夜間充電が主流だが、長距離ドライブの際には公共の急速充電に依存する。
これらの差異は、単なる興味深い観察にとどまらない。これらは、インフラ設計のための「設計指針」そのものなのだ。バスには、その運行ルートの終点に大容量の急速充電器を集中設置すればよい。タクシーには、空港や駅、商業地区など、稼働率の高いエリアに、短時間で充電できる急速充電器を分散配置する必要がある。公用車には、駐車場に多数の普通充電器を設置し、夜間の電力料金が安い時間帯に充電させる戦略が最適だ。自家用車向けには、住宅地や職場に普通充電器を整備しつつ、高速道路沿いに急速充電ネットワークを構築するという、二重のアプローチが求められる。
従来の「均一な配置」は、こうした精緻なニーズを無視するため、必然的に非効率を生む。商業地区に普通充電器を過剰に設置すれば、タクシーが長時間駐車し、他のユーザーが利用できなくなる。逆に、住宅地に急速充電器を過剰に設置しても、夜間にしか使われず、設備の稼働率が極端に低下する。これは莫大な投資の無駄であり、電力網の局所的な過負荷を招くリスクさえある。
この問題を解決するために、研究チームは「協働最適化配置モデル」を構築した。このモデルの目的関数は、地域内の充電ステーションの「投資回収率（ROI）の最大化」である。これは、単に充電器を設置するのではなく、その投資がどれだけの利益を生むかという、事業者にとって最も重要な指標を明確にした点で、非常に実用的である。
この目的関数を達成するために、モデルは複数の現実的な制約条件を同時に考慮する。第一に「インセンティブ型需要応答の補償費用」。これは、電力需要のピーク時を避けるために、ユーザーに割安料金を提示して充電時間をずらしてもらうためのコストである。第二に「充電不可利用率」。これは、EVのバッテリー残量が極端に低下したユーザーが、充電ステーションに到達するための電力さえ残っていない状態を指し、いわゆる「航続距離不安」の根源である。このリスクを最小化するため、ステーションの配置密度が重要になる。第三に「充電器の最大負荷需要」。これは、地域の電力網が耐えられる最大電力容量を意味し、新たな充電設備が既存のインフラを破綻させないよう、厳密に制限される。第四に「容量間の比率関係」。研究では、急速充電器と普通充電器の比率が1:2となるのが最適とされている。第五に「充電電力制約」。各充電器が供給できる最大電力は、その種類によって決まっている。
これらの制約条件をすべて満たしながら、投資回収率を最大化する最適解を求めるため、研究チームは粒子群最適化（PSO）アルゴリズムを用いた。これは、鳥の群れや魚の群れが餌を見つける様子を模した、効率的な探索手法である。このアルゴリズムは、無数の「粒子」（つまり、異なる充電器の配置パターン）を仮想空間にばらまき、それぞれの「粒子」が、自らの過去の最良の位置と、群れ全体の最良の位置を参照しながら、最適解に向かって徐々に移動していく。
このモデルの有効性を検証するため、研究チームはある都市の2つの商業地区（A地区とB地区）を対象にシミュレーションを行った。シミュレーションにはMATLABが使用された。急速充電器の充電時間は約30分、普通充電器は約5時間と設定され、急速充電器と普通充電器の設置比率は1:2に保たれた。
その結果は驚くほど明確だった。A地区では、投資回収率を最大化する最適解は、5台の急速充電器と11台の普通充電器、合計16台の設置であった。この配置により、1時間あたりの運営コストは86.25元（約1800円）に抑えられた。一方、B地区はより多くの交通量とEVの利用が見込まれるエリアとして設定された。ここでの最適解は、10台の急速充電器と21台の普通充電器、合計31台の設置であり、1時間あたりの運営コストは147.35元（約3100円）となった。このように、同じ都市の中でも、地域ごとの特性に応じて、最適なインフラの姿は大きく異なることが示された。
さらに重要なのは、この最適化が電力網に与える影響である。研究チームは、自らのモデルと、従来の「時間帯別料金」および「クラウド・エッジ協調」の2つの方法を比較した。その結果、従来の方法では、午前7時から午後9時までの充電ピーク時間帯に、電力需要が400kWを超えるピークを形成し、電力網に大きな負荷をかけることが分かった。一方、龐氏らのモデルでは、このピークが350kW以内に抑えられ、需要の変動もはるかに滑らかになった。これは、インフラの物理的配置を最適化することで、電力網の安定性を劇的に向上させることができることを示している。
経済的な効果も顕著である。研究では、EVの「ライフサイクルコスト（LCC）」、つまり購入費、維持費、電気代、そして充電インフラにかかるコストの合計を指標として、最適化前後での変化を評価した。その結果、すべてのEVカテゴリーでコストが低下したが、特にタクシーのコスト削減幅が最も大きかった。これは、最適化されたインフラにより、タクシーが充電のために遠くのステーションまで「空走」する必要がなくなり、稼働時間の損失が最小限に抑えられたためと考えられる。
この研究の意義は、単に中国の一都市の問題を解決したことにとどまらない。それは、EVインフラの設計哲学そのものを変えようとしている。今後、EVの普及が進むにつれ、都市の電力網はかつてないほど複雑な需要にさらされる。その中で、ユーザーの利便性、電力網の安定性、事業者の収益性という三つの要素を両立させるには、個々のEVが持つ「走る目的」や「使う場所」にまで目を向けた、きめ細やかなアプローチが不可欠となる。龐松嶺、趙海龍、張晨佳の研究は、そのような次世代インフラの設計のための、確かな地図を提供したと言えるだろう。
龐松嶺、趙海龍、張晨佳、海南電網有限責任公司電力科学研究院、熱帯島嶼スマートグリッド実験室、『電測与儀表』、DOI: 10.19753/j.issn1001-1390.2024.12.021