進化型PIDが島嶼マイクログリッドの周波数安定性に革命、EVが新たな主役に
島嶼型マイクログリッドの試験設備の管制室で、突風が風力タービン群を襲う。数ミリ秒で周波数が59.97Hzを下回ったが、警報も人的操作もなくシステムは自己修復した。近隣に駐車中の電気自動車（EV）群が、スマート充電器を通じて瞬時に電力需給を調整——受動的な負荷ではなく、機動的なグリッド資産として機能したのである。数秒で安定性が回復。この制御戦略の実証成功は、分散化が進む未来の電力系統のバランス維持方法を再定義する可能性を秘めている。
その中核にあるのは、古典的PID制御の堅牢性と深層強化学習の適応性を融合させた「進化型PID」だ。これは工学的知見を捨て去るのではなく、進化させるアプローチである。
自動車業界とエネルギー業界の関係者にとって、この進展は極めて重要だ。2030年までに世界で1億5000万台以上に達すると予想されるEVの集合電池容量は、前例のない移動型エネルギー貯蔵庫となる。しかし従来のEV-グリッド連携戦略は、これらの車両を静止型充電器または単純な予備電池として扱ってきた。EVをリアルタイムの周波数調整器として動的に活用する真の可能性は、予測不可能性という頑固な問題によって阻まれてきた。
例えば、夕方6時15分にSOC（充電状態）28%のEVを充電し始めた通勤者は、翌朝7時までに満充電を必要とする。一方、6時45分に到着したSOC85%のドライバーは、週末の旅行前に軽く充電したいだけだ。一方の車両はグリッドに放電可能だが、他方は不可能である。これをキャンパスや工業団地、離島コミュニティの数百〜数千台の車両にスケールアップし、太陽光の不安定性や風力の急変、負荷の急激な変動を加えると、制御システムは半数のミュージシャンが演奏途中で楽器を変えるようなシンフォニーの指揮を執ることに等しい。
従来の制御システムはこのようなカオスに耐えられない。古典的PID制御器は、安定した線形環境では美しく機能する。しかし、夕方の通勤ピーク時に制御可能容量が2時間で60%も変動するEVフリートの dynamics のような強い非線形性が注入されると、固定ゲインのPIDはすぐに追従できなくなる。
これまで技術者たちは、ファジー論理やモデル予測制御、ハイブリッドルールベースシステムでこの問題に対処しようとしてきた。しかし、実際のランダム性（例えば、嵐でタービンの半数が停止し、工場のシフト終了後にEVが突然 depot に殺到するような状況）が発生すると、これらの制御器は機能不全に陥る。硬直的に適応できないか、信頼できないほど不透明であるかのどちらかだ。
ここで登場するのが進化型PID制御器である。武漢大学電気自動化学院のYang Jun（楊峻）氏率いるチームが開発したこれは、単なるAIの追加ではなく、協調的アーキテクチャである。つまり、電力系統の物理性を尊重しつつ、現代アルゴリズムの学習力を取り入れている。
実際の動作は次のとおりである。中核には、リアルタイムの周波数補正を担当する従来のPIDループが残っている。しかし、静的なゲインではなく、Kp、Ki、Kdの値は、技術者がチューニングノブで調整するのではなく、Deep Deterministic Policy Gradient（DDPG）エージェントによって継続的に調整される。DDPGは深層強化学習（DRL）手法の一員である。直接制御信号を出力するブラックボックス型のニューラルネットとは異なり、このDDPGエージェントは支援的役割を果たす。観察し、学習し、マイクログリッドで現在起きていることに基づいて、より良いPIDパラメータを提案するのである。
その監視する状態空間は意図的に透明性が高い：現在の周波数偏差（∆f）、および利用可能なEV電力のリアルタイムの上下限——これらは、各接続中の車両のSOC、到着時間、出発予定、ユーザー定義の最小充電要件（例：「朝までに少なくとも70%必要」）から動的に計算される制約条件である。隠れ層も検証不能な抽象化もない。測定可能なグリッド変数と物理的なバッテリ限界だけである。
その報酬関数は、極めて重要だが、人間のオペレータの優先順位を反映している。小さな周波数偏差（0.03Hz未満）は中立または正の強化を得る——これは動作が不要な「デッドバンド」領域であり、過剰な修正は無駄になる。しかし、偏差が0.10Hzの「通常制御」領域、0.15Hzの「補助」、0.20Hzの「緊急」へと成長するにつれて、ペナルティは急激にエスカレートする。エージェントはすぐに学ぶ：0.03Hz以内に留まることは理想的であるだけでなく、必須である。
そしてその成果は？数値が雄弁に物語る。
MATLAB/Simulinkの島嶼マイクログリッドモデル（マイクロタービン、確率的風力入力、動的EVステーションで構成）で実施されたシミュレーションストレステストにおいて、進化型PIDはあらゆるシナリオで標準PIDを凌駕した。
早朝の風力擾乱（午前4時、EVフリートのほとんどが駐車中でほぼ満充電）では、従来のPID制御器は周波数が0.0485Hzまで変動することを許容した——技術的には動作限界内だが、望ましくない領域に近づいている。回復時間は22秒以上かかった。一方、進化型PIDは偏差を0.0282Hzに抑え、9秒以内に完全に安定した。より顕著なのは、±0.03Hz以内に周波数が留まった時間の割合である「優秀率」で100%を達成したことであり、ベースラインの95%未満と比較して高い。
しかし真の試練は正午に訪れた。
午後12時、ほとんどのEVは仕事や用事で出かけてしまう。ステーションの制御可能容量は70%以上急落する。同様の風力擾乱が、はるかに脆弱なシステムを直撃する。ここで古典的PIDは明らかに苦戦した。周波数は0.0689Hzまで急上昇し、島嶼系統で推奨される限界を突破した。優秀率は75%を下回った。オペレータは負荷を遮断するか、マイクロタービンを積極的に起動させて余分な燃料を燃やし、排出量を増やし、機械的摩耗を加速させることを強いられただろう。
しかし、進化型PIDはほとんど動じなかった。優秀率は依然として100%、最大偏差はわずか0.0288Hz——昼前の性能とほぼ同一だった。なぜか？何千もの昼夜サイクルにわたって訓練されたDDPGエージェントは、正午はEVの利用可能性が低いことを知っていたからだ。低周波数調整を強化するために積分ゲインを先制的に増加させながら、タービンのランプアップ中のノイズ増幅を避けるために微分動作を注意深く制限した。反応するのではなく、予測したのである。
この適応微調整は2つの時間枠で行われる。短い時間枠（サブ秒）では、突然の風のやみや負荷の急増に対抗するためにゲインを調整する。長い時間枠（毎時）では、「位相調整」を実行する——EVフリートの利用可能性の日周リズム（夜間は高容量、昼間は疎、夕方は再び増加）に合わせてPIDプロファイル全体を再構成する。
決定的に、これは事前プログラムされたスケジューリングではない。コントローラはパターンを学習する。シミュレーションでは、平日と週末のEV交通量、休日の異常現象、さらにはシミュレートされたEVバッテリの劣化（SOC dynamics を微妙にシフトさせる）にも同様に適応した。これが「進化的」な部分である——生物学的意味での遺伝的アルゴリズムではなく、経験を通じた継続的な性能向上なのである。
自動車業界にとって、その影響は広がる。
第一に、V2G（Vehicle-to-Grid）はニッチなパイロット事業から中核的なグリッドサービスへと移行する。自動車メーカーは、もはやEV所有を単なる運輸の電化としてではなく、エネルギー回復力への積極的な参加として信用できる形で提案できる。オフピーク時間帯の充電だけでなく、高精度な周波数支援——より高い報酬が得られる高付加価値サービス——に対して「グリッド・クレジット」を獲得する車載システムの未来を想像してほしい。
第二に、充電インフラプロバイダーは新たな収益源を獲得する。進化型PID対応コントローラを搭載したスマート充電ステーションは、迷你グリッド安定化ハブとなる。大学のキャンパス、物流デポ、または遠隔リゾートは、「グリッド対応EV駐車」を販売できる——接続されたすべての車両がシステムの堅牢性に貢献し、高価な回転予備力やディーゼルバックアップへの依存を軽減する。
第三に、規制当局および系統運用者（ISO）は、より信頼できるAIツールを手に入れる。進化型PIDは最終的なアクチュエータとしてPIDを保持するため——解釈可能、監査可能、標準準拠——、安全が批判的な電力 applications におけるDRL採用を遅らせてきた「ブラックボックス」への懐疑論を回避する。DDPGエージェントは、機能的には高度なオートチューナーである。グリッドコードはすでに適応ゲインスケジューリングを許可している；これは単によりスマートに行うだけだ。
もちろん、実世界への展開にはハードルがある。サイバーセキュリティを強化する必要がある——コントローラレベルだけでなく、車両-充電器-クラウドの通信チェーン全体で。相互運用性標準（ISO 15118-20のスマート充電メッセージなど）は、リアルタイムのSOCと利用可能性の制約を確実に伝えるために拡張する必要がある。そして消費者の信頼が鍵となる：ドライバーは、「グリッドサポートモード」が立ち往生したり、バッテリをより早く劣化させたりしないという自信を持たなければならない。
しかし、前進の道は今より明らかだ。初期のプロトタイプは、すでにシミュレーションからハードウェアインザループテストへと移行している。国網河北省電力公司電力科学研究院と共同開発した試験の一つでは、10台の双方向EV充電器を rural な島嶼マイクログリッド上の500kWマイクロタービンと統合した。未発表ではあるが、予備的な現地データはシミュレーション結果を反映している：意図的な20%の負荷ステップ投入中でも、周波数偏差は一貫して0.03Hz未満に抑えられた。
今後を見据えると、研究者たちは次世代の機能強化を示唆している。冬季のEV電力能力の主要な決定要因であるバッテリ温度をコントローラが考慮できたらどうか？あるいは、夕方の需要ピーク前にフリートを事前充電するために太陽光発電予測と統合したら？または、複数のマイクログリッド間で調整したら？——これは、マルチエージェントDDPGに関するチームの追跡調査で示唆されている。
一つ確かなことは、静的なグリッド制御の時代は終わりつつあるということだ。分散型エネルギー資源が増殖し、EVが端点から生きたグリッドのノードへと進化するにつれて、それらを導くコントローラも進化しなければならない。工学的基礎を置き換えるのではなく、それらを強化することによって。
進化型PIDは、EVをよりスマートにするわけではない。クルマたちが集合的に伝えようとしていることに、ついに耳を傾けることで、グリッドをより賢くするのである。
著者: Fan Peixiao*, Hu Wenping, Wen Yuxin, Ke Song, Yang Jun
所属:
- 武漢大学 電気工学・自動化学院, 武漢市 430072, 湖北省, 中国
- 国網河北省電力有限公司 電力科学研究院, 石家荘市 050000, 河北省, 中国
雑誌: 『Journal of Global Energy Interconnection』, Vol. 6, No. 3, 2023年5月
DOI: 10.19705/j.cnki.issn2096-5125.2023.03.004
- 責任著者