EV充電負荷予測に革新、時空間AIモデル
電気自動車（EV）の台頭は、自動車産業の枠を超えて、電力インフラの根幹にまで影響を及ぼしている。2023年に世界で1000万台以上の新車が登録されたこのモビリティの革命は、電力網に新たな、かつ複雑な課題を突きつけている。問題は単に電力需要の増加にあるのではなく、その需要の性質そのものにある。従来の家庭や産業の負荷とは異なり、EVの充電行動は、ユーザーの個人的な習慣、勤務時間、旅行の目的地、天候、そして何より、充電ステーションの位置と利用可能性という、多数の動的要因によって左右される。この複雑さは、電力会社のオペレーターにとって、リアルタイムでネットワークの安定を保ち、電力の発電を最適化し、変動する再生可能エネルギーを効果的に統合するという、まさにパズルのような課題を生み出している。従来の負荷予測手法は、長年にわたり標準とされてきたが、この新しいパラダイムの前では限界を見せ始めている。これらの手法は、しばしば統計的仮定や時系列分析に基づき、各充電ステーションを独立した存在として扱う。特定の地点での負荷の時間的変化を分析するが、そこに存在する重要な側面、すなわち充電ステーション間の空間的な相互依存関係を無視している。
この空間的な視点の欠如は、致命的な盲点である。あるステーションの需要は、孤立した現象ではない。それは地理的な位置と、周囲のステーションネットワークに深く根ざしている。ショッピングモールの前にあるステーションと、ビジネスパークに隣接するステーションでは、全く異なる充電プロファイルを持つ。最寄りのステーションまでの距離、周辺道路の交通密度、特定エリア内の充電ポイントの集中度は、ユーザーの行動を形成する「空間的指紋」を生み出す。市街地の中心にある人気のステーションで需要が急増した場合、その場での行列だけでなく、連鎖反応が起こる。空きがないことを知ったドライバーたちは、周辺のステーションに流れ込み、負荷を再分配し、従来のモデルでは捉えることのできない複雑な依存関係のネットワークを形成する。この誤りは、不正確な予測という形で現れ、電力発電の非効率なスケジューリング、利用可能な再生可能エネルギーの浪費、そしてネットワークの不安定性というリスクを高める。
この予測精度における重大なギャップに対応するため、中国の研究者チームは、電力網がEV時代に備える方法を革新する可能性を秘めた、画期的なアプローチを開発した。国网浙江省电力有限公司兰溪市供电公司、浙江捷安工程有限公司、南京工程学院の専門家からなるコンソーシアムは、時系列データと空間データを初めて体系的に統合した、AI（人工知能）に基づく負荷予測モデルを提案した。彼らのソリューションは、GCN-LSTMモデルと呼ばれ、グラフ畳み込みネットワーク（GCN）と長短期記憶（LSTM）ネットワークという、2つの最先端技術の力を融合している。このハイブリッドアーキテクチャは、パラダイムシフトを表しており、充電ネットワークの捉え方を、孤立した点の集合から、ダイナミックで相互接続されたエコシステムへと変換する。
GCN-LSTMモデルの根本的な原理は、特定のステーションでの負荷が、その地理的位置と切り離せない関係にあることだ。この関係を捉えるために、研究者たちはまず、都市の充電インフラを表す「グラフ」を構築する。このグラフにおいて、各充電ステーションはノード（節点）となる。これらのノード間の接続、すなわちエッジ（枝）は、ステーション間の物理的な近接性、通常は直線距離によって定義される。この数学的な表現は、充電ネットワークを、AIが分析可能な構造に変換する。ここで、グラフ畳み込みネットワーク（GCN）が、空間アナリストとして登場する。画像のような規則的なグリッド上でデータを処理する従来のニューラルネットワークとは異なり、GCNはグラフのような不規則なデータ構造を扱うように特別に設計されている。GCNは、各ノードとその直近の隣接ノードの情報を「集約」することでグラフを処理する。新しい急速充電ステーションが稼働し始めたために、ドライバーたちが引き寄せられていることを示唆する、複数のステーションが同時に負荷を減少させているような空間的パターンを学習する。このプロセスにより、「空間的依存情報」が抽出され、充電ステーションがどのように相互接続されているかについて、豊かで文脈的な理解が得られる。これは、従来の手法では完全に欠落している知識である。
一方、GCNが「どこ」を担当するのに対し、LSTMネットワークが「いつ」を担当する。LSTMネットワークは、時系列データの中長期的なパターンを学習するのに優れた、リカレントニューラルネットワーク（RNN）の一種である。特定のステーションが毎日17時から19時の間に需要のピークを迎えることや、雨天の日に充電量が減少することを識別できる。本研究の真の革新は、これらの強力な技術が統合される方法にある。モデルは、それらを並列に、あるいは単純に順番に実行するのではない。代わりに、GCNを用いて、各離散的な時間間隔（本研究では15分ごと）で空間データを処理する。各時間ステップでのGCNの出力は、ネットワーク全体の状態を空間的に豊かにした、洗練された表現となる。これらの時系列でマークされた表現は、次にLSTMネットワークに供給される一連のデータとなる。これにより、LSTMは、各瞬間の空間的文脈を深く理解した上で、充電行動の時間的パターンを学習することができる。例えば、隣接する地区で大規模なイベントが開催されていると、夕方の高い需要パターンがさらに強化されることを学習できる。これは、時系列データのみを使用するモデルには見えない、きめ細やかなニュアンスである。
GCN-LSTMモデルの有効性を検証するため、研究チームは中国の都市部にある9つの公共充電ステーションの実際のデータを用いて、厳密なケーススタディを実施した。データセットは3か月にわたり、15分ごとに記録された8736個のデータポイントを含んでいた。この膨大なデータベースにより、平日、週末、祝日、さまざまな気象パターンといった多様な条件下でモデルをトレーニングすることが可能になった。モデルへの入力特徴量は、現実世界の要因を反映するように慎重に選択された。具体的には、過去の充電負荷、各ステーションでの現在の充電価格、そして平日と休日を区別する単純なバイナリフラグである。これらのデータをモデルに入力する前に、重要な前処理ステップとして正規化が行われた。これは、キロワット単位の負荷と通貨単位の価格など、スケールが大きく異なる特徴量が学習プロセスを歪めることを防ぐためのもので、AIが数値の大きさではなく、基礎となるパターンに集中できるようにする。
トレーニングプロセスは細心の注意を払って行われた。研究者たちは、教師あり学習に適した形式に時系列データを変換するために、スライディングウィンドウ技術を採用した。例えば、モデルに過去12時間ステップ（3時間）の負荷データを示し、13番目のステップの負荷を予測させた。このプロセスは、データセット全体で何千回も繰り返され、モデルが過去の状態と未来の状態の間の複雑な関係を学習できるようにした。モデルの性能は、GCNおよびLSTMの層数、バッチサイズ、そして過学習を防ぐために訓練中にランダムに一部のニューロンを無視するドロップアウト率といった、最適なハイパーパラメータを見つけるためのグリッドサーチによって最適化された。モデルの損失関数には平均絶対誤差（MAE）が用いられ、その性能は平均二乗誤差平方根（RMSE）と決定係数（R²）によって監視され、精度と信頼性の包括的な評価が可能になった。
研究の結果は、変革的であった。GCN-LSTMモデルは、従来のバックプロパゲーション（BP）ニューラルネットワーク、独立したGCNモデル、独立したLSTMモデルといった確立されたベンチマークと比較された。パフォーマンスの差は顕著で、一貫していた。第1号充電ステーションでは、GCN-LSTMモデルはR²値0.917を達成し、実際の負荷データの変動の91%以上を説明できたことを示している。これは、BPモデルの0.885、GCNの0.818、LSTMの0.868を大きく上回る改善である。さらに重要なのは、誤差指標が示す圧倒的な優位性だ。GCN-LSTMモデルの平均絶対誤差（MAE）は31.584kWであり、BPモデルの81.404kW、LSTMの41.133kWと比べて劇的な削減である。同様に、平均絶対パーセント誤差（MAPE）は2.200%にまで低下し、BPモデルの15.433%と対照的であった。第6号充電ステーションでは、結果はさらに印象的で、GCN-LSTMモデルはR²値0.957、MAPE1.849%という顕著な数値を記録した。これらの数値は、従来の手法では到達できなかった精度のレベルを表している。
結果のさらに深い分析は、空間情報の極めて重要な役割を明らかにした。研究者たちは、グラフ内のノード（充電ステーション）の数を人工的に減らすことでモデルをテストしたところ、予測精度が大幅に低下した。この実験は、モデルの優れた性能が、豊かな空間的関係のネットワークから学習する能力に直接起因していることを実証した。ステーションが少なくなると、GCNが利用できる空間情報の量が減少し、複雑な相互依存関係を捉えることが難しくなり、その結果、予測は不正確になった。この発見は、一つの鍵となる結論を強調している。つまり、予測精度を最大化するためには、個々の孤立したステーションではなく、充電エコシステム全体を考慮する必要があるということだ。
この研究の意義は、学術的な枠を超えている。電力会社にとって、より正確な予測は、ネットワークを能動的に管理するための強力なツールとなる。EVの需要予測に供給を正確に合わせることで、高価で環境負荷の大きいピーク電力発電所への依存を減らすことができる。太陽光や風力など、出力が変動する再生可能エネルギー源とのより効果的な統合も可能になる。いつ、どこでEVが充電するのかが正確にわかれば、再生可能エネルギーの発電量が高い時間帯に充電するようユーザーを促すことができ、クリーンエネルギーの利用を最大化し、炭素排出量を最小限に抑えることができる。都市計画者や充電ステーションのオペレーターにとって、このモデルはインフラ開発に不可欠なインサイトを提供する。新たなステーションが必要なサービス不足地域を特定し、周辺ネットワークに与える影響を予測することで、高価な過剰建設を回避できる。動的料金戦略の立案にも活用でき、需要予測に基づいてリアルタイムで料金を調整することで、負荷のピークを平準化し、充電ネットワーク全体の効率を向上させることができる。
GCN-LSTMモデルの成功は、AIが現実世界の複雑な問題に適用されるというより広い傾向も示している。それぞれが独自の強みを持つ異なるAIアーキテクチャを組み合わせることで、部分の総和以上のソリューションを生み出す力があることを示している。ネットワークのような複雑で非ユークリッド的なデータ構造を扱うGCNの能力と、時系列データに優れたLSTMの能力が融合することで、EV充電の時空間的性質に完璧に適応した相乗効果が生まれる。このアプローチは、交通流の予測、都市の空気質の予測、SNS上での情報拡散のモデル化といった、空間的に接続され、時間とともに進化するエンティティを扱う他の分野にも容易に応用可能である。
結論として、黄健、陳建紅、何劍傑、吳燕、萬修、陳凡によるこの研究は、EV負荷予測の分野において重要な進歩を示している。グラフに基づく空間分析と深層時系列学習を巧みに融合することで、充電エコシステムの真の複雑さを捉えるモデルを創出した。彼らの研究は、権威ある学術誌『浙江電力』に掲載されており、電力会社のオペレーターや都市計画者、エネルギー企業が、EV革命の課題に前例のない自信と精度を持って立ち向かうことを可能にする、堅牢でデータ駆動型の枠組みを提供している。世界が持続可能な交通の未来へと進む中で、このようなツールは、よりスマートで、回復力があり、クリーンなエネルギーインフラを構築するために不可欠なものとなるだろう。
黄健，国网浙江省电力有限公司兰溪市供电公司；陈建红，浙江捷安工程有限公司；何劍傑，浙江捷安工程有限公司；吳燕，浙江捷安工程有限公司；萬修，南京工程学院；陳凡，南京工程学院。浙江電力。DOI: 10.19585/j.zjdl.202412006