EV充電負荷予測が「車両-道路-電力系統」時代に突入――しかし電力会社は準備できているか？
ある冬の早朝、ロンドン中心部で、約200台の電気タクシーが郊外のデポに続々と到着する。一夜の営業と冷たい風で消耗したバッテリーは急速充電の順番を待ち、瞬く間に地域の電力需要を3メガワット以上も急増させた。一方、海峡を隔てた中国の鄭州では、自治体の計画担当者がダッシュボードを確認している。そこには、交通流量や変電所の負荷曲線と重ね合わせたEV充電のヒートマップがリアルタイムで表示され、新しくオープンしたショッピングモール近くに赤いホットスポットが脈打っていた――昼食をとるために駐車中の私有EVが、所有者の買い物中に充電されていたのである。
これが新しい日常だ。電気自動車はもはや単にエネルギーを「消費」するだけではなく、エネルギーを「再形成」する存在となった。そして、2024年に世界のEV販売台数が前年比35％増の1400万台に達したことで、かつては理論上の課題であったEVの系統連系は、差し迫った現実的な運用上の課題へと変貌を遂げた。しかし、すべての充電セッションの背後には、人間の判断、環境変数、インフラの制約が複雑に絡み合っている。問題は、EVが電力系統に影響を「与えるかどうか」ではなく、「いつ、どこで、どれだけの電力を引き出し（あるいは返却し）るかを、いかに正確に予測できるか」にある。
ここで登場するのが「車両-道路-電力系統」というパラダイムである。これは、研究者や先見の明のある系統運用者の間で注目を集めつつある全体論的枠組みだ。エンジニアたちは、EVを従来の給湯器やHVACユニットのような静的で均質な負荷として扱うことにはもはや満足せず、交通動態、ドライバーの心理、バッテリー化学、リアルタイム価格信号を融合させた予測モデルの構築に乗り出している。その賭けは大きい：予測が不正確であれば、容量の浪費にとどまらず、ピーク時間帯に電圧低下や変圧器の過負荷、最悪の場合には局部停電のリスクさえ引き起こす可能性がある。
かつては、ここまで複雑ではなかった。
10年前、ほとんどのEV負荷研究はモンテカルロシミュレーションに依存していた。すなわち、米国全国世帯旅行調査（NHTS）のような国家的旅行調査から得られた出発時間、走行距離、充電状態（SOC）の閾値の無作為抽出である。これらの手法は、大まかな計画策定には有用であったが、静的な地理、仮定された合理性、データの貧困という3つの致命的な欠点を抱えていた。
初期のモデルは都市を均一な地域として扱い、サンフランシスコの丘陵地帯やベルリンの環状道路の渋滞ポイントが走行時間やエネルギー消費量をどのように変化させるかを無視していた。また、運転者がたとえ3時間後に電気料金が半減すると知っていても、最初に可能な機会で必ず充電するだろうと仮定していた。そして決定的に、ガソリン車のデータや小規模なパイロット部隊のデータから行動を推定しており、実世界のEV普及が、どのような調査でも捉えられない特異な現象を明らかにするずっと前であった：「SOC貯め込み族」（バッテリーを40％以下に下げたがらない人）、職場が無料のLevel 2充電を提供していれば自宅充電を完全にスキップする会社員、ダウンタイムが収入の損失に直結するため7分未満でバッテリーを交換するウーバーのドライバーなどだ。
「かつての『接続して祈る（プラグ・アンド・プレイ）』方式は時代遅れです」と、鄭州大学の電力系統研究者、ハン・ジン（韓静）博士は言う。「人々がなぜ運転するのか、どこなら遠回りしても良いと思うのか、ダッシュボードに18％と表示された時にどれだけ不安になるのか、そういったことをモデル化せずに充電行動をモデル化することはできません」
この認識が、孤立した統計的予測から、時空間結合への方法論的転換を引き起こした。つまり、時間と空間はEV充電において別個の次元ではなく、深く織り交ぜられた糸であると認識するのである。
典型的な通勤者を考えてみよう。彼女は午前7時45分（時間）にアパートを出発し、12km離れた（空間）テクノロジーキャンパスに向かう。途中、工事現場付近で交通が渋滞する――車の回生ブレーキである程度のエネルギーを回収するが、車内暖房（気温-2℃）がより多くのエネルギーを消費する。彼女は8時22分に61％のSOCで到着する――自分で設定した「不安閾値」の50％を上回っている。彼女は駐車し、充電器に接続する――充電のためではなく、午後5時30分の帰宅に向けて車内を予備調整（プリコンディション）するためだ。この45分間続く3kWの電力消費は、純粋な時系列モデルからは見えないが、オフィスビルの変圧器にとっては無視できない負荷なのである。
これを数千倍してみよう。物流ハブで勤務間の休憩中に充電する配送バンを加えよ。10分の待機時間を利用して充電する市バスを加えよ。モールが無料充電を提供するため、たまたま1時間長居する週末の買い物客を加えよ――そうすると、負荷曲線は滑らかでも、予測可能でも、さらには日々繰り返されるものでさえなくなる。それは人間のリズムで脈打つのである。
その応答は？ 新しい世代の予測アーキテクチャ――都市を feeder（給電線）や node（節点）の集合体ではなく、生きているシステムとして扱うものだ。
最先端では、グラフニューラルネットワーク（GNN）を従来の交通モデリングと統合することが進んでいる。都市の道路網をグラフとして考えてみよう：交差点は node、道路は edge であり、交通流、標高、さらにはリアルタイムの天気さえもがedge weight（辺の重み）となる。EVが走行を開始すると、そのナビゲーションシステムは単に最短距離を計算するだけでなく、勾配、制限速度、外気温度（寒い＝抵抗が高い＝kWh/kmが増加）を考慮してエネルギーコストを推定する。先進的なモデルは現在、こうした走行を数千台同時にシミュレートし、各車両のSOCをリアルタイムで追跡し、いつ、どこでエネルギーを求めるかを予測する。
「WaveGrid」と名付けられた先駆的なフレームワークは、WaveNetスタイルの時間的畳み込みと適応的グラフ学習を組み合わせている。従来のモデル（例：「ステーションAは常に変電所Xに給電する」）のように固定的な空間的関係を仮定するのではなく、WaveGridは動的な相関関係を学習する：雨の火曜日には、充電は屋外の路側充電器から屋根付き駐車場にシフトするか？ サッカーの決勝戦期間中、EVはスタジアム近くに集中するか、それとも完全に避けるか？ このモデルは、公共充電器、スマートメーター、フリート管理システムからの過去のテレメトリデータにおける潜在的なパターンを特定し、自己調整する。
決定的に、これらのモデルは単にデータを取り込むだけでなく、行動の現実味を注入する。
研究者らは現在、運転者を限定的合理性を持つ主体としてモデル化し、効用最大化ロボットとしては扱わない。後悔理論を用いて、ユーザーが最適な選択肢ではなく、予想される後悔を最小化する選択肢（「より安い料金を求めて30分待った場合、渋滞に巻き込まれて会議に遅れてしまうだろうか？」）をどのように選ぶかをシミュレートする。他の研究者はゲーム理論的要素を組み込む：50台の車が急速充電プラザに集まった時、誰が譲歩するか？ 誰が列をスキップするためにプレミアム料金を支払うか？ 一度は通信工学に追いやられていた待ち行列理論は現在、充電器ネットワーク全体での待ち時間と、その結果生じる負荷延期を予測するのに役立っている。
バッテリー劣化でさえ、計算に組み込まれつつある。新しい種類の「V2G対応」予測は、単に「このEVは放電できるか？」と問うだけでなく、「その所有者はそれを許可するか？」――バッテリーの経年劣化、保証条件、個人別の補償閾値を考慮する――と問う。深センでの実証試験では、EV所有者の43％が、充電コストよりkWhあたりわずか0.80元（約16円）上回る補償と、加速劣化がないことが保証されれば、系統を支援する放電を許可することが示唆されている。それは、何千ものガレージに分散した自発的な系統資産なのである。
しかし、データだけでは不十分である。最も有望な進歩は、機構論的モデリングと機械学習を組み合わせた、ハイブリッドな「物理情報AI」アプローチである。
温度を例にとろう。温度を単純な回帰因子（「寒い＝負荷増加」）として扱うのではなく、新しいモデルは第一原理に基づくバッテリー熱力学を組み込む：リチウムイオン電池の内部抵抗が5℃以下で指数関数的に上昇する方法、車内予備調整サイクルが系統周波数信号とどのように相互作用するか、バッテリー管理システム（BMS）がセルを保護するために充電率を絞る方法、など。これらの物理的制約はニューラルネットワークに対する「ガードレール」として機能し、あり得ない予測（例：標準的なCCSコネクタで-15℃のModel 3が250 kWを消費する）を防ぐ。
同様に、トリップチェーン――連鎖した旅程の系列（自宅→職場→ジム→食事→自宅）――はもはやガウス分布で近似されない。代わりに、研究者はマルコフ決定過程（MDP）を構築する。ここでは、各目的地の選択が、以前の停留地、現在のSOC、時刻、さらにはカレンダー上のイベント（学校の休暇、コンサート）に確率的に依存する。3つのヨーロッパ都市で12,000台のEVを追跡したある研究では、充電開始の最も強力な予測因子は、距離ではなく目的地での滞留時間であることがわかった。45分の食料品買い出し？ 充電する可能性は低い。2.5時間の映画？ ほぼ確実に充電する。
この細かさは、驚くべきてこ入れのポイントを明らかにする。例えば、重要視されないことが多い職場充電は、夕方のピークを平坦化する鍵であることが判明した。雇用主が開始遅延型スマート充電（例：「午後6時までに90％充電されますが、電力は午後11時から午前5時の間のみ消費されます」）を提供すれば、ドライバーに不便をかけることなく、昼間の職場負荷の最大68％をオフピーク時間帯にシフトできる。同様に、公共充電器での動的価格設定は、コストだけの問題ではない。それは不足のシグナリングに関するものである。リアルタイムアプリに「空き充電器残り2台――推定待ち時間18分」と表示されると、多くのユーザーは、料金が15％高くても、混雑の少ないステーションまで1.2km先まで運転することを選択する。この空間的弾力性は、一度定量化されれば、系統運用者が過負荷のかかった給電線から負荷を「そっと移動させる」ことを可能にする。
それでも、重大なギャップは残っている――そしてそれらは技術的なものだけではない。
第一に、異常気象への耐性である。ほとんどのモデルは「正常な」状態で訓練されている。しかし、気候の変動性が増す中、極渦がダラスを襲ったり、ミュンヘンで45℃の熱波が発生したりしたらどうなるだろうか？ バッテリー性能は急激に低下し、車内の負荷は急増し、走行パターンは劇的に変化する（例：航続距離不安を避けるため、より短い頻繁な移動が増加する）。しかし、負荷が嵐の最中にどのように変化するか（安定化した後だけでなく）を含む気象遷移ダイナミクスを含む予測ツールはほとんどない。
第二に、放電のジレンマである。Vehicle-to-Grid（V2G）は分散型バッテリーフリートを約束する――しかし、採用は依然として非常に遅い。なぜか？ 今日のEVと充電器は双方向電力流に対応して設計されていないからだ。日産リーフをV2G対応に改造するには約2200ドル（約33万円）かかる。DC急速充電ハードウェアはめったに逆送電をサポートしない。ハードウェアが存在する場合でも、補償スキームは不透明である。「1kWhあたり8セントで電力を売って、22セントで買い戻したくない」と、ベルリンのタクシー運転手は最近のフォーカスグループで冗談交じりに言った。規制の分裂も役立たない：米国では、8州がV2Gを許可し、12州は禁止し、残りの州は沈黙している。
第三に――そして最も陰湿に――データサイロである。電力会社は系統テレメトリーを所有する。自動車メーカーは車両データを所有する。ナビゲーション企業は経路選択を所有する。充電ネットワークはセッションログを所有する。これらはめったに連携しない。あるEUの政策アドバイザーが言ったように：「私たちは、各ミュージシャンが異なる楽譜から演奏し、それを共有したがらないオーケストラを指揮しようとしているのです」
これらのサイロを打破するには、API以上のものが必要である。それは新しいガバナンスを要求する。オランダとオンタリオ州でのパイロットプロジェクトは現在、プライバシー保護型フェデレーテッドラーニングを使用している：モデルは、生データが所有者のサーバーから流出することなく、データセット間で訓練する。EVメーカーは匿名化されたSOC軌道の断片を提供し、系統運用者は変電所の電圧低下を提供する。アルゴリズムは相関関係を見つける――誰がどこで充電したかを明らかにすることなく。
今後を見据えると、3つのトレンドの収束が負荷予測を再定義するだろう：
- 自律走行フリート: ロボタクシーには「不安閾値」がない。それらは純粋にシステム効率を最適化する――価格が下落しかつ系統の混雑が緩和しかつ次の配車ウィンドウが許容する場合にのみ充電する。その予測可能性は、電力会社がフリートレベルでの契約を交渉できれば、それらを理想的な系統調整資源にすることができる。
- バッテリー交換2.0: 一度はニッチと見なされていたバッテリー交換が、特に商用EVで再び勢いを増している。NIOは現在、中国で2300以上の交換ステーションを運営している。それぞれが緩衝された負荷として機能する：交換需要は瞬時であるが、バッテリーの再充電は延期され平滑化される。予測者は現在、車両の到着だけでなく、バッテリー在庫レベルを予測しなければならない。
- AI「デジタルツイン」: National Grid UKのような電力会社は、都市規模のデジタル複製――交通カメラ、天気API、充電器ステータス、さらにはソーシャルメディアイベントデータ（例：流行のコンサートハッシュタグ）を統合する――を構築している。これらのツインは「もし〜なら」のシナリオをシミュレートする：職場充電の30％を90分遅らせたらどうなるか？突然の雷雨でeスクーターが運行不能になり、需要がEVにシフトしたらどうなるか？ 実際の運用者はその後、最も信頼性の高いシミュレーションに基づいて行動する。
これらはいずれも人間の判断に取って代わるものではない。最も洗練されたモデルでも、田舎の野原に出現したポップアップマーケットに何千人もを送り込むバイラルのTikTokトレンド――突然50年前の変圧器に負担をかける――を予測することはできない。そこで威力を発揮するのが確率的予測である：単一の負荷曲線の代わりに、運用者は信頼区間――例えば、「ピーク需要が1.8MW未満に収まる確率80％；地元の祭りのトレンドが急増した場合、2.4MWまで急上昇する確率20％」――を受け取る。その不確実性はノイズではない――それは実行可能なインテリジェンスなのである。
鄭州大学のワン・ヤオチャン（王堯馳）博士が指摘するように：「目標は完璧な予測ではありません。それは回復力のある予測（レジリエント・アンティシペーション）です。私たちはランダム性を排除することは決してできません――しかし、その中で繁栄するシステムを設計することはできます。」
前の道は、電子だけではなく可能性でも充電されている。すべてのEVが充電されるたびに、私たちは単に車に燃料を補給しているのではなく、系統が都市のように考えられるよう再訓練している――適応的で、相互接続され、人間の意思で生き生きとしている。
Zhang Xiawei (張夏維)¹,², Liang Jun (梁軍)¹,²,³, Wang Yaoqiang (王堯馳)¹,², Han Jing (韓静)¹,²
¹ Zhengzhou University, School of Electrical and Information Engineering, Zhengzhou 450001, China
² Henan Engineering Research Center of Power Electronics and Power Systems, Zhengzhou 450001, China
³ Cardiff University, School of Engineering, Cardiff CF24 3AA, UK
Journal of Modern Power Systems and Clean Energy
DOI: 10.35833/MPCE.2024.000000