AIが導くスマート充電で電力系統の安定化を実現
電気自動車（EV）の世界的な普及が加速する中、電力系統への統合は新たな可能性と課題をもたらしている。クリーンな交通手段として期待されるEVだが、その広範な導入は配電ネットワークに新たな複雑性を加える。充電需要の急激な増加は、太陽光や風力といった再生可能エネルギーの変動性と相まって、地域の電力系統に電圧変動や電力損失の増加といった不安定性をもたらす可能性がある。こうした課題への対応は、強靭で持続可能なエネルギーシステム構築にとって極めて重要だ。
『Power System Protection and Control』に掲載された画期的な研究は、人工知能（AI）と戦略的な系統運用を組み合わせることで、この問題に対する有望な解決策を提示している。上海交通大学・電力輸送変換制御重点実験室の李士丹（リー・シーダン）と李航（リー・ハン）が主導したこの研究は、深層強化学習、ネットワーク分割、模倣学習を活用した新しい電圧最適化戦略を提案。配電ネットワークの安定性と効率性の向上を図っている。
この研究は、脱炭化を推進する世界各国の政策と密接に関連している。研究が行われた中国では、カーボンピークとカーボンニュートラルの目標達成を目指す国家政策の下、新エネルギー車（NEV）の導入が特に積極的に進められている。しかし、特にピーク時に多数のEVが系統に接続されることで、電力会社は電力の品質と信頼性を維持するために大きなプレッシャーに直面している。予測と集中型最適化に依存する従来の電圧制御方法は、動的でリアルタイムの環境では十分な効果を発揮できない場合が多い。
研究チームのアプローチは、EVクラスター、分散型太陽光発電（PV）システム、無効電力補償装置（SVG）といった分散型エネルギーリソースを協調させて系統電圧を安定させる方法を再構築している。ネットワーク全体を単一のシステムとして扱うのではなく、各制御可能なデバイスが自律的な意思決定者として動作する分散型のマルチエージェントフレームワークを提案。この集中制御から分散制御への転換は、エッジコンピューティングとローカルでの意思決定が重要性を増している現代のスマートグリッドの進化するアーキテクチャと合致する。
新手法の中核をなすのは、GS-MADDPG（Guidance Signal-based Multi-Agent Deep Deterministic Policy Gradient）と呼ばれる高度な機械学習アルゴリズムである。このアルゴリズムは既存の深層強化学習（DRL）技術を発展させたものだが、エージェント間の貢献度配分（クレジット割り当て）と探索の非効率性という2つの主要な課題に対処している。マルチエージェントシステムでは、どのエージェントが結果に最も貢献したかを判断することが難しく、探索の初期段階でのランダムな行動はパフォーマンスの低下や収束の遅れを招き、実用化において非効率で危険なさえある可能性があった。
これらの課題に対処するため、研究者は二つの重要な革新を導入した。第一に、配電網を小さな管理可能なゾーンに分割するネットワーク分割戦略を適用。各ゾーンは半独立的に動作し、地域の電圧や損失への特定の影響に基づいてフィードバックを受ける。これにより、各エージェントの貢献度をより正確に評価でき、学習プロセスの公平性と有効性が向上する。同時に、大域的最適化問題の複雑さを軽減し、より速く安定した収束を可能にする。
第二に、訓練パイプラインに模倣学習を組み込んだ。ランダムな行動から始めるのではなく、二次錐計画法などの従来の最適化手法から導き出された専門家のデモンストレーションによって、AIエージェントは初期段階から導かれる。これらのデモンストレーションは「ガイダンスシグナル」として機能し、エージェントの初期の行動を形成し、より効果的な戦略へと方向付ける。模倣学習と強化学習を組み合わせたこのハイブリッドアプローチは、訓練の加速、サンプル効率の向上、学習段階における危険または準最適な行動のリスク低減に寄与する。
本研究で特に独創的な点は、EVクラスターを一般化エネルギーストレージ（GES）ユニットとしてモデル化したことである。計算量的に非現実的な各車両の個別管理ではなく、ミンコフスキー和を用いて充電ステーション内の全EVの充電能力を集約した。この数学的技法により、数百台の車両の集合的な柔軟性を単一の制御可能なリソースとして表現できる。 resulting GESモデルは、集合的な充電限界、充電状態（SOC）の制約、ユーザーの移動パターンを捕捉し、個々のユーザー要求を尊重しながら充電スケジュールを最適化することを可能にする。
このモデルでは、EV所有者が充電開始時に到着・出発時間、初期SOC、希望する最終SOCなどの情報を提供することを想定している。現代の充電プラットフォームで一般的に収集されるこのデータに基づき、システムは各車両の実行可能な充電軌道を計算する。これらの軌道を集約することで、充電ステーションはその利用可能な容量全体を、柔軟な負荷あるいは仮想バッテリーとして系統に提供できる。これにより、再生可能エネルギー由来の余剰電力を吸収したり、ピーク需要時に電力を供給したりすることが可能となる。
分散型太陽光発電システムの統合は、システムの能力をさらに強化する。従来の発電機とは異なり、現代のPVインバーターは有効電力出力を減らすことなく無効電力サポートを提供できる。つまり、力率を調整することで電圧レベルを調整する動的なVAR源として機能する。これらはSVGやEVベースのストレージと組み合わさることで、リアルタイム電圧制御のための強力なツールキットを形成する。
研究者らはそのアプローチを、電力系統研究における標準的なベンチマークである修正版IEEE 33ノード配電ネットワークでテストした。試験システムには、現実的な都市または郊外の系統構成を反映して、2つのEV充電ステーション、3つのPV設備、2つのSVGが含まれていた。モンテカルロシミュレーションを用いて、太陽光発電の出力と負荷需要の不確実性を捉えた多様な運転シナリオを生成し、ソリューションの堅牢性を確保した。
GS-MADDPGアルゴリズムの訓練は、集中型学習フェーズを含んでいた。ここでは、すべてのエージェントがリプレイバッファに保存された過去の系統データを使用して一緒に訓練される。一度訓練されると、制御ポリシーは分散型で展開され、各エージェントは自身の観測に基づいてローカルで意思決定を実行する。この「集中訓練と分散実行」（CTDE）のパラダイムは、通信オーバーヘッドを削減しシステムの回復力を高めるため、実世界への展開に特に適している。
結果は説得力のあるものだった。従来のDRL手法と比較して、提案されたGS-MADDPGアルゴリズムは、より速い収束、高いサンプル効率、優れた電圧調整を達成した。シミュレーションでは、システムはすべてのテストシナリオで電圧違反をゼロに抑え、すべてのノードの電圧を安全な範囲（0.95～1.05パー単位）内に維持した。ネットワーク損失も大幅に減少し、従来のDRLや、完全な予測に依存する前日集中最適化アプローチをも凌駕した。
おそらく最も印象的なのは、このアルゴリズムが過酷な条件下で強い堅牢性を示した点である。需要の予期せぬ急増や予測誤差をシミュレートする110%負荷シナリオ下でのテストでは、GS-MADDPGコントローラーは安定した電圧レベルを維持したのに対し、集中型手法は違反を防ぐことに失敗した。これは、正確な予測に依存することなく、予期せぬ事象に効果的に対応できるデータ駆動型の適応制御の大きな利点を浮き彫りにする。
実用的な観点から、この研究の意義は大きい。電力会社や系統運用者は、こうしたAI駆動型システムを利用することで、コストのかかるインフラ更新への投資をすることなく、増大する分散型エネルギーリソースのレベルを管理できる。EV充電とインバータベース発電の内在的な柔軟性を活用することで、新しい変圧器、コンデンサ、送電線への資本支出を先送りまたは回避することさえ可能になる。
さらに、このアプローチはビークル・トゥ・グリッド（V2G）統合というより広範なビジョンを支持する。EVが単なる電力消費者ではなく、系統サービスの積極的な参加者となるものだ。電池価格が下落し続け、双方向充電がより一般的になるにつれ、周波数調整、ピークカット、電圧サポートといった補助サービスをEVが提供する可能性は高まるばかりである。本研究は、その潜在能力を解放するためのスケーラブルで智能的な枠組みを提供する。
GS-MADDPGアルゴリズムの成功は、現代のエネルギー研究における学際的協力の重要性も強調している。この研究は、電力系統工学、機械学習、オペレーションズリサーチの交差点に位置し、各分野の技術を drawn on してより効果的なソリューションを創り出している。これは、複雑な現実世界の問題を解決するために、分野の専門知識と最先端のAIを融合させる業界の成長傾向を反映している。
自動車メーカーや充電サービスプロバイダーにとって、この発見は貴重な示唆を提供する。次世代のEVと充電ネットワークを設計する際、系統に優しい動作をサポートするスマート充電機能を組み込むことは、ますます重要になるだろう。高度な通信・制御システムを搭載した車両は、系統の信号に自動的に応答し、安定性を維持するために充電速度を調整することができる。これは系統にとって有益であるだけでなく、デマンドレスポンスプログラムを通じて車両所有者に新たな収入源を開く。
規制当局や政策立案者も注意を払うべきである。この研究は、適切な技術ツールを用いれば、高いEV普及率が系統の信頼性の代償を伴う必要がないことを実証している。しかし、このビジョンを実現するには、標準化された通信プロトコル、系統サービスに対する公正な報酬、スマート充電採用へのインセンティブといった支持的な政策が必要である。規制枠組みは、これらの新しいパラダイムに対応するように進化しなければならない。
今後の展望として、研究チームはより大規模で複雑な配電ネットワークへの適用や、追加的なエネルギー貯蔵技術の統合を探求する計画である。また、電圧安定性が同様に重要なマイクログリッドや産業用電力系統に同じ原理をどのように適用できるかも調査している。
李士丹、李航らによる本研究は、よりスマートで強靭な電力系統を求める探求において、重要な一歩前進を表している。ネットワーク分割、模倣学習、マルチエージェント強化学習を組み合わせることで、現代の配電システムの複雑さの増大を管理する強力なツールを開発した。電気モビリティと再生可能エネルギーが支配的な未来に向かって世界が進む中、こうした革新は円滑かつ持続可能な移行を確保するために不可欠となるだろう。
Shidan Li, Hang Li, Guojie Li, Bei Han, Jin Xu, Ling Li, Hongtao Wang, Key Laboratory of Control of Power Transmission and Conversion, Ministry of Education (Shanghai Jiao Tong University), Shanghai PeiKe Technology Co., Ltd., Jiaxing Power Supply Company, State Grid Zhejiang Electric Power Co., Ltd., Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.240117