NILA-GCNモデル、EV充電需要予測の誤差を3％未満に改善
スマートグリッドの信頼性と電気自動車（EV）インフラ計画において、画期的な進展が報告された。新型ハイブリッド予測アーキテクチャ「NILA-GCN」が、EV充電需要の予測で前例のない精度を実証したのである。このモデルは、安徽電力有限公司と安徽明盛恒卓科技有限公司の共同研究チームによって開発され、グラフ畳み込みニューラルネットワーク（GCN）と、ライオンの行動にヒントを得た改良型進化アルゴリズムを融合。予測誤差は最低0.23％を記録し、電力市場における短期負荷予測のゴールドスタンダードと長く考えられてきた重要な閾値である3％を常に下回る性能を発揮した。
このブレークスルーは、まさに待ち望まれていたものだ。世界的なEVの普及が急速に進む中（中国のみでも2024年に600万台以上のプラグインビークルが新たに追加された）、配電ネットワークへの負荷は強まっている。予測不能な充電パターンは、特にピーク時間帯における系統安定性を脅かす。従来の予測ツール（モンテカルロシミュレーションやサポートベクターマシンなど）は、高次元で空間的に相関があり、時間的に変動するデータに対応しきれず、苦戦を強いられてきた。北京の実稼働ステーションレベルのデータで検証されたNILA-GCNモデルは、予測がもはやボトルネックではなく、戦略的資産となり得る転換点を示している。
この革新の核心には、従来モデルがなぜつまずくのかについての深い理解がある。典型的な都市型充電ハブのダイナミクスを考えてみよう。車両はランダムに到着するのではなく、波のようにやって来る。仕事から帰ってくる通勤者、夜間に充電するフリート事業者、乗客の合間に15分の急速充電を行うライドヘリングのドライバーなどだ。各EVは、動的なネットワークにおけるノードのように振る舞う。充電開始時間、バッテリー状態、プラグイン時間は、個人の習慣だけでなく、リアルタイムの系統料金、ステーションの混雑状況、天候による航続距離への不安といった外部要因にも依存する。従来の時系列モデルはこれらを独立した信号として扱うため、影響のネットワークを見逃してしまう。
グラフ畳み込みネットワーク（GCN）は、このような相互依存性を捉えるのに特に適している。標準的なCNN（画像のような固定グリッドを走査する）とは異なり、GCNはグラフ（データポイント（ノード）が関係性（エッジ）で結ばれた構造）上で動作する。今回のケースでは、各充電セッションがノードとなり、エッジは空間的近接性（同じステーション、隣接するベイ）、時間的隣接（連続した予約）、または車種の類似性（例：約60kWhバッテリーを搭載したすべてのコンパクトセダン）などを符号化する。GCNはこれらのリンクを介して「メッセージを渡し」、各ノードが近傍から学習することで予測を洗練させる。個人に意見を求めるというより、広場を移動する群衆の動きを観察するようなものだ。流動的で適応的、そして本質的に関係性を重視する。
しかし、生のGCNにも弱点がある。それはパラメータの敏感性だ。学習率を誤って選択したり、グラフトポロジーを誤って調整したり、過去の特殊性に過学習したりすると、精度は急落する。ここで「ライオン」の出番となる。動物ではなく、ニッチ免疫ライオンアルゴリズム（NILA）という、プライドのダイナミクスを模倣したメタヒューリスティックなオプティマイザである。その数学的優雅さは驚くべきものだ。
プライドを思い浮かべてほしい。優位のオスが縄張りを守り、メスが協調して狩りを行い、子ライオンが監督下で探索する。NILAはこれを計算上の役割に変換する。GCNの重みやハイパーパラメータの潜在的な構成である候補解は、「オス」と「メス」の部分集団に分割される。オスは変異を起こし、解空間の新たな領域を主張する。メスは交叉を行い、有望な形質を融合させる。決定的なのは、NILAがニッチ保存を導入する点だ。有望な部分解はクローン化され、局所的に変異（「免疫」ステップ）され、標準的な進化的アルゴリズムの慢性欠点である局部解への早期収束を防ぐ。
この生物学的メタファーは詩的な装飾ではなく、機能的な設計である。北京での153日分の充電データ（3時間ごとにサンプリング）を用いた学習中、NILAはGCNが最適なアーキテクチャにわずか35回の反復で収束するよう導いた（100回の反復上限のはるか手前）。結果として得られたモデルは、単にベンチマークを上回っただけでなく、可能性の範囲を再定義した。標準的なCNNおよび調整済みのSVMと比較して、NILA-GCNは二乗平均平方根誤差（RMSE）をそれぞれ31％、48％削減した。さらに印象的なのは、すべての予測が電力業界の許容誤差範囲である±3％に収まった点だ。対照的に、SVMはテストケースの半数以上で±4％を超えており、運用計画にとっては許容できない水準だった。
しかし、研究チームはソフトウェアで止まらなかった。正確な予測は、それを支えるデータと同じ程度にしか良くないことを認識し、精密なテレメトリと耐障害性を考慮して設計された専用の40kW三相AC充電ステーションを共同開発した。STM32F105VCT6 ARM Cortex-M3マイクロコントローラを中心に構築されたこのユニットは、冗長なセンシングを統合している。三相すべての電圧と電流、地絡検出、接触子状態監視、リアルタイムのエネルギー計測（有効電力、無効電力、皮相電力）である。最も重要なのは、新型の制御パイロット（CP）信号処理回路を備えている点だ。
CPラインは、EV充電通信の神経系である。車両と充電器の間で準備状態、電流容量、故障状態をやり取りする1kHzのPWM信号だ。ノイズの多い環境では、この信号は容易に歪み、状態の誤検出やセッション中断の原因となる。研究チームの解決策は、LM239D ICを使用した+10V、+7V、+5Vに設定されたトリプルスレッショルドコンパレータと、TLP121オプトカプラによる絶縁である。MMBD4148SEダイオードを用いた電圧クランプと信号絶縁を組み合わせたこの二重層設計は、サージやEMIに対するシステムの耐性を強化するだけでなく、SAE J1772で定義された6つのCP状態すべてをミリ秒単位で正確に検出する。コネクタがロックされると、システムは推測するのではなく、±100mVの精度で認識する。
なぜ予測に関する論文でハードウェアが重要なのか？ AIにおいて、不正確な入力から得られた確信的な出力（Garbage in, gospel out）は重大な過失だからだ。ノイズの多い、誤ってラベル付けされた充電イベントで学習したモデルは、物理法則ではなく人為的産物を学習してしまう。センサー級の取得ハードウェアとNILA-GCNの学習パイプラインを共同設計することで、研究チームはデータの忠実度とアルゴリズムの知性が相互に増幅するクローズドループのエコシステムを創り出した。充電器は真のセッション開始/終了時間、立ち上がり曲線、待機時の損失を捕捉し、GCNはこれらをネットワークレベルの需要にマッピングする。NILAは、過学習なくこのマッピングが適応することを保証する。
実地試験はこの相乗効果を裏付けた。高出力充電器5台と標準充電器10台で構成されたテストステーションでは、NILA-GCNモデルは夕方の需要急増（午後5～7時）をわずか1.1％の誤差で予測した（突然の暴雨により昼間の急速充電が20％増加したような異常事象が発生した日でも）。決定的に、従来のモデルがデータの希薄さから需要を誤って推定しがちな低負荷時間帯（深夜0～5時）で優れた性能を発揮した。ここでは、NILA-GCNの誤差は0.8％未満に留まり、電力会社は電圧崩壊のリスクを負うことなく、非重要負荷を安全に削減できるようになる。
系統運用者にとって、この精度は以前は危険すぎると考えられていた運用的なてこ入れを可能にする。例えば、動的な料金最適化である。均一な夜間割引の代わりに、電力会社はマイクロインセンティブ（例：NILA-GCNが90分前に検出した需要急増を平準化するため、30分のセッションを15分ずらすことでkWhあたり0.03元の割引）を提供できる。同様に、蓄電池の出力調整は、予測された急増のみを吸収するように微調整でき、不必要な充放電サイクルを避けることで資産寿命を延ばせる。
フリート管理者も同様に利益を得るだろう。200台のEVバンを運用する物流会社は、NILA-GCNの予測をデポットのスケジューリングに統合することで、95％の車両が勤務開始ちょうどに80％の充電状態に達することを保証できる。これにより、充電器のアイドル時間を最小化し、車両の稼働時間を最大化する。このモデルの時間分解能（短期、日次、週次パターン）は、週末の需要低下、祝日の旅行需要急増、スタジアムでのコンサートといった地域のイベントなど、カレンダー効果にも適応することを意味する。
批判的に、このアーキテクチャはスケーラブルである。単一ステーションでテストされているが、GCNのグラフ構造により、都市全体のネットワークへの自然な拡張が可能だ。充電ハブはスーパーノードとなり、給電線は変圧器容量で重み付けされたエッジとなる。NILAの並列化可能な探索はクラウドインスタンスに分散でき、人的介入なしで週単位で再学習できる。研究チームは既に合肥市で全市的な導入の実証実験を開始しており、その予測はリアルタイムの配電変圧器負荷平衡に情報を提供している。
懐疑論者はこう問うかもしれない。生物由来の最適化は過剰ではないか？ AdamやRMSpropではなぜダメなのか？ その答えは、運用上の制約という微分不可能な側面にある。NILAは単にRMSEを最小化するだけでなく、ビジネスルール（例：「変電所負荷率が95％を超えると予測しない」、「午後4～7時の精度を優先する」）をソフト制約として組み込むことができる。これらはライオンの「適応度地形」の一部となり、数学的に最適な解ではなく、運用的に実行可能な解へと進化を形作る。
この人間中心の設計思想はプロジェクト全体に浸透している。充電器のインターフェース（LCDタッチスクリーン、RFIDリーダー、多色ステータスLED）は、現場技術者との協働で開発された。彼らのフィードバックにより、診断メニューが深くにあったり、不可解なエラーコードが表示されたりする初期のプロトタイプは廃案となった。現在では、ワンタップで充電中のkW、供給されたkWh、コスト、推定される系統への影響（例：「このセッションは地域の給電線負荷に0.4％を追加します」）が表示される。透明性は信頼を構築する。ドライバーは系統健全性における自身の役割を理解し、運用者は障害解析のための決定的なデータを入手できる。
規制への影響は甚大である。多くの市場では、不正確な負荷予測は電力会社に金銭的ペナルティを引き起こす。NILA-GCNにより、安徽電力は complianceリスクが70％以上低下すると推定している。さらに、精密な充電プロファイルは、より正確なカーボン accountingを可能にする。これは、中国の全国排出量取取引制度（ETS）が運輸部門をカバーするように拡大する中で極めて重要だ。石炭発電の比率が高い時間帯に充電器が電力を引く場合、モデルはフラグを立てる。風力発電が豊富な時間帯には、「グリーン充電」を認証する。この細分性は、将来のEVカーボンクレジット制度の基礎となり得る。
それでも、課題は残る。NILA-GCNはステーションレベルのデータ利用可能性を前提としており、断片化された独自の充電ネットワークが存在する地域では障壁となる。研究チームは、モデルがローカルで学習するが、暗号化されたパラメータ更新を共有する連合学習の変種を探求中であり、データ主権を保護する。また、超高速DC充電（350kW以上）は新たなダイナミクスを導入する。10分セッションが主流となり、サーマルスロットリングが非線形な電力曲線を生み出す。次世代GCNは、熱状態をグラフ特徴量として追加した3D時空間畳み込みを必要とするだろう。
しかし、核心的な洞察は揺るぎない。電力需要は独白ではなく、対話なのである。車は充電器と、充電器は変圧器と、変圧器は変電所と会話する。NILA-GCNはその対話に耳を傾け、何が言われているかだけでなく、ネットワークがどのように共振しているかを解読する。そうすることで、充電インフラを単なる受動的負荷から、智能的で予測的な系統資源へと変容させる。
EVがニッチ製品から主流の交通手段へと進化する中で、無名の英雄はバッテリー化学やモータートルクではなく、必要な千瓦時を正確に必要な時と場所に確実に届ける静かなる知性となるだろう。NILA-GCNによって、その未来は来ようとしているのではなく、既に接続されているのである。
張 謝 (Zhang Xie)¹、陳 朔 (Chen Shuo)¹、王 偉 (Wang Wei)¹、陳 小龍 (Chen Xiaolong)¹、趙 雪輝 (Zhao Xuehui)¹、王 爽 (Wang Shuang)² ¹ State Grid Anhui Electric Power Co., Ltd., Hefei Power Supply Company, Hefei 230000, China ² Anhui Mingsheng Hengzhuo Technology Co., Ltd., Hefei 230000, China Microcomputer Applications, Vol. 39, No. 2, 2023 DOI: 10.3969/j.issn.1007-757X.2023.02.010