電気自動車（EV）の急速充電器診断技術が飛躍的進歩：ニューラルネットワークハイブリッド手法が94％の精度を達成

電気自動車革命はもはや遠い約束ではなく、現在進行形の現実である。無数のEVが都市の道路や大陸を横断して静かに走行し、その数は四半期ごとに着実に増加している。しかし、この輝かしい進歩の表面の下に、重大ながら見過ごされがちな脆弱性が潜んでいる。充電インフラだ。EVエコシステムの生命線である充電ステーション、特に高速DC急速充電器は巨大なプレッシャーにさらされている。それらの故障は、単一のドライバーにとって不便な遅延を意味するだけでなく、フリート全体に波及し、物流を混乱させ、電気モビリティパラダイム全体に対する消費者の信頼を損なう可能性がある。業界は長年にわたり、これらの高度なハードウェアが頻繁に故障し、それらの故障を正確かつ迅速に診断することが、複雑で、多くの場合手動による、そして煩わしく不正確な技術であるという持続的な問題に取り組んできた。それが、今、ついに変革の時を迎えている。生物にヒントを得たアルゴリズムと深層学習の融合から生まれた画期的な新しい診断方法は、充電器のメンテナンスを反応的な頭痛の種から、先制的で精密な科学へと変革することを約束している。

この革新の核心は、3つの強力な技術、すなわちバックプロパゲーション（BP）ニューラルネットワーク、スズメ探索アルゴリズム（SSA）、そして蝶の最適化アルゴリズム（BOA）の高度な融合にある。一見すると、スズメや蝶の採餌行動を組み合わせて電気自動車の充電器を修理するというのはSFのように聞こえるかもしれない。しかし、計算知能の領域において、自然界の戦略は複雑な工学的問題に対して最も優雅で効果的な解決策を提供することが多い。東北電力大学の毛敏（マオ・ミン）教授と劉鴻鵬（リウ・ホンポン）教授率いる研究チームは、BPニューラルネットワークがデータから複雑な非線形パターンを学習するのに非常に優れている一方で、重大な欠点があることを認識した。その性能は、ネットワーク内の情報の流れを制御する重みとしきい値という初期設定に非常に敏感なのである。不適切な初期設定は、ネットワークを局所最適解に閉じ込め、診断精度を低下させる。それは、点検を誤った場所から始めたために整備士がエンジン音を誤診するのに似ている。

この問題を解決するために、彼らはスズメ探索アルゴリズムに目を向けた。餌を探すスズメの群れを想像してみてほしい。いくつかの個体は「発見者」として大胆に新しい縄張りを偵察し、他の個体は「参加者」としてリーダーに従う。危険を感知すると、群れは動的に反応し、周辺の個体は安全のために中心に向かって疾走する。このアルゴリズムはその行動を模倣し、「スズメ」（潜在的な解）の個体群を用いて、BPネットワークの可能な重みとしきい値の組み合わせという広大な領域を探索する。これは強力な大域探索ツールであり、従来の方法では見失ってしまうような良好な解を見つける能力がある。しかし、このスズメアルゴリズムでさえ完璧ではない。時には収束が遅すぎたり、羽を持つ同名の生物のように一時的に気が散って最高の餌場（大域最適解）を見逃したりすることがある。

ここで蝶の最適化アルゴリズムが舞い込み、窮地を救う。蝶は嗅覚に導かれて世界を航行し、最も強い香りを求め、それがしばしば最も豊かな蜜の源または最も適した配偶者へと導く。BOAはこれを計算プロセスに変換し、「蝶」（解）が最も強い「香り」（最良の適合値）を発する位置に引き寄せられる。これは局所的な活用に優れており、良好な解を微調整して優れたものにする。研究チームのアプローチの真の卓見は、これらのアルゴリズムを単独で使用するのではなく、強力なハイブリッド「BOA-SSA」を作成した点にある。スズメアルゴリズムが広範な初期探索を実行した後、蝶アルゴリズムが最良の候補を取得し、絶妙な精度で洗練する。これは、斥候隊（スズメ）に地形をマッピングさせ、その後、エリート狙撃隊（蝶）を送り込んで的を射抜くようなものだ。このハイブリッドアプローチは、システムが局所最適解から脱出し、BPニューラルネットワークの世界的に最良のパラメータセットに収束するのを効果的に助け、前例のない精度の診断モデルを創り出す。

この94.06%という精度率の実用的な意義は極めて大きい。数百台の車両を管理するフリート事業者にとって、これは予測保全が希望的な推測から信頼できる科学へと移行できることを意味する。充電器が故障してドライバーが立ち往生するのを待つ代わりに、事業者は数日甚至数週間前に差し迫った故障を予測するアラートを受信できる。これにより、オフピーク時間帯にメンテナンスをスケジュールし、 disruptionを最小限に抑え、充電器の稼働時間を最大化できる。公共充電ネットワークプロバイダーにとって、これは顧客満足度とブランドロイヤルティの向上に直接つながる。常に動作する信頼性の高い充電器を見つけるドライバーは、忠実なEVオーナーであり続ける可能性がはるかに高い。経済的影響も同様に重要である。予期しないダウンタイムの削減とメンテナンススケジュールの最適化は、運営コストを大幅に削減できる。曖昧な故障に対する高額な緊急サービスコールの時代は終わりを告げようとしている。

この診断モデルは真空では動作しない。それは実世界のデータで訓練されている。研究者らは、2019年のBaidu競技会からのデータセットを使用した。これはDC充電器からの501件の実運用記録で構成され、各記録には6つの重要な特徴量、すなわちK1K2駆動信号、電子ロック駆動信号、緊急停止信号、アクセス制御信号、電圧全高調波歪率（THD）、電流全高調波歪率（THD）が含まれている。これらの信号は充電器のバイタルサインであり、その異常は故障の前兆である。このデータを強力なBOA-SSA-BPモデルに投入する前に、チームは入念なデータ前処理を実行した。データを正規化してすべての特徴量が比較可能なスケールになるようにし、ニュートンの補間法を使用して欠落したセンサー測定値（実世界ではよくある問題）を埋め、さらに「テント写像」の手法を用いてアルゴリズム内の「スズメ」の初期個体群が最大の探索効率を得られるように最適に分布するようにした。このデータ品質への注意こそが、理論モデルと実用的で展開可能なソリューションとを分かつものである。それは実験室の実験と、全国的な充電ネットワーク全体に展開できるツールとの違いである。

結果は単に良好なだけでなく、変革的であった。従来の診断方法と対峙した場合、BOA-SSA-BPモデルは単に勝っただけでなく、圧倒した。標準的なBPニューラルネットワークと比較して、診断精度は驚異的な14.85%も急上昇した。また、SSA単体またはBOA単体で最適化されたモデルをも凌駕した。チームは精度だけを測定したわけではない。モデルの優位性を証明するために、厳格な統計指標の一式を使用した。予測誤差の主要指標である平均絶対パーセント誤差（MAPE）は、従来のBPモデルのわずか4分の1に激減した。大きな誤差に非常に敏感な二乗平均平方根誤差（RMSE）は劇的に減少し、モデルが壊滅的な誤診断を回避するのに極めて優れていることを示した。データの分散をモデルがどの程度うまく説明できるかを測定するR二乗（R²）値は4.6倍の改善を示し、ほとんど完璧な適合を意味した。データサイエンスの世界において、このような改善は漸進的ではなく、革命的である。

生の数値以外に、モデルの効率性も同様に印象的である。最適な性能をわずか14回の反復で達成し、SSAまたはBOA単体の対応モデルよりも大幅に高速であった。インフラ管理というハイステークスの世界では、速度は精度と同じくらい重要である。実行に数時間かかる診断ツールは、充電器がダウンしドライバーが待っている状況では役に立たない。BOA-SSA-BPモデルの迅速な収束は、リアルタイム監視システムに統合でき、ほぼ瞬時の故障検出と分類を提供できることを意味する。この速度と精度が組み合わさることで、数千台の充電器を同時に監視するクラウドベースの管理プラットフォームへの展開に理想的な候補となる。

この研究の意義は、技術論文の範囲をはるかに超えている。これは、重要なインフラを維持する方法についての考え方の根本的な変化を表している。我々は、問題が損害を引き起こした後に対処される「壊れたら直す」世界から、問題が予測され防止される「予測的および処方的保全」の世界へと移行しつつある。これはエネルギー転移に適用されるインダストリー4.0の本質である。信頼性の低さや「航続距離不安」という認識とまだ戦っているEV業界にとって、この技術はゲームチェンジャーである。これは、消費者と事業者の両方にとって最も持続的な悩みの種の一つに対する、具体的でデータ駆動型の解決策を提供する。充電器が単に利用可能であるだけでなく、確実に機能することを保証することで、EV普及への大きな障壁を取り除く。

さらに、方法論自体が、他の複雑な診断問題を解決するためのテンプレートとなる。BOA-SSAハイブリッド最適化アプローチは充電器に限定されない。風力タービン、太陽光発電のインバーター、産業用ロボット、またはセンサーデータを使用して故障を予測できるあらゆる複雑なシステムに適用できる可能性がある。自然にヒントを得たアルゴリズムを使用して強力な機械学習モデルを最適化するという核心的なアイデアは、現代の技術的景観を定義する複雑で非線形な問題に取り組むための強力な公式である。研究チームは単により優れた診断ツールを構築しただけでなく、無数の産業にわたるインテリジェントなメンテナンスの未来のための青写真を提供したのである。

世界が電化に向けて推進を強めるにつれて、充電インフラへのプレッシャーはますます高まるだけだろう。各国政府はEV普及に向けた野心的な目標を設定しており、自動車メーカーは新しい電気モデルに数十億円を注ぎ込んでいる。この需要の急増は、充電ネットワークに前例のない負荷をかけるだろう。毛敏氏とその同僚が開発したようなインテリジェントで自動化された診断ツールがなければ、システムは自らの成功の重みに耐えきれず破綻するリスクがある。広範な充電器の故障は、消費者の反発、規制介入、そしてEV移行の減速につながる可能性がある。したがって、この新しい診断方法は単なる技術的成果ではなく、社会的インフラの重要な一部、電気の未来の守護者なのである。

研究論文から広範な展開への道のりは決して瞬間的ではないが、その可能性は否定できない。次のステップは、実世界でのパイロットプログラムであり、このモデルを主要な充電ネットワーク事業者の運用ソフトウェアに統合することである。国家的ネットワークによって生成されるペタバイト級のデータを処理するようにソリューションをスケーリングすることは課題となるだろうが、現代のクラウドコンピューティングの能力の範囲内である。メンテナンスコストの削減、顧客満足度の向上、充電器の利用率向上という経済的インセンティブは非常に強力であるため、採用は急速に進む可能性が高い。すべてのDC急速充電器がAIコパイロットを装備し、常に自身の健全性を監視し、自身の故障を予測し、自身の修理をスケジュールする未来を想像できる。これは遠い夢ではない。これはBOA-SSA-BPモデルのような革新の論理的で必然的な帰結なのである。

結論として、東北電力大学のチームによって発表されたこの研究は、応用人工知能の模範である。彼らは持続的な実世界の問題を取り上げ、創造性、厳密さ、そして深い技術的専門知識をもってそれに取り組んだ。自然界の知恵と機械学習の力を融合させることで、単に漸進的に優れているだけでなく、根本的に卓越した診断ツールを創り出した。これは我々の充電インフラの健全性に対する94%の精度で、迅速かつ信頼性の高い窓を提供する。我々が電気の未来へと加速する中で、このようなツールは無名の英雄となり、バックグラウンドで静かに動作し、すべてのドライバーのための旅程がスムーズで、信頼でき、イライラのないものであることを保証するだろう。これは単なる科学論文以上のものである。これは真に持続可能で信頼できる電気モビリティエコシステムへの道のりにおける重要な里程標なのである。

毛敏（マオ・ミン）, 竇珍蘭（ドウ・ジェンラン）, 陳亮亮（チェン・リャンリャン）, 楊鳳坤（ヤン・フォンクン）, 劉鴻鵬（リウ・ホンポン）吉林大学学報（情報科学版）2024年第42巻第2号 269-276頁 DOI: 10.13976/j.cnki.xk.2024.2312