電動車充電需要の時空間分布を高精度予測
電動モビリティの台頭は、自動車産業の変革にとどまらず、既存のエネルギーインフラ全体を再構築しようとしている。電気自動車（EV）が私たちの道路を走る台数が増えるにつれ、充電インフラへの需要は指数関数的に増大している。しかし、無秩序で予測不能な充電行動は、電力網に深刻なピーク負荷をもたらし、特に電力需要のピーク時においてその安定性を脅かすリスクがある。こうした課題に立ち向かい、安定かつ効率的な電力供給を確保するためには、充電需要の時空間的分布を極めて高い精度で予測することが不可欠である。従来のモデルは、往復通勤という単純な想定にとどまり、人間の行動の複雑さや都市の多様な機能、実際の道路網の制約を十分に捉えられず、限界に達していた。こうした中、中国・東南大学の研究者たちが学術誌『Electric Power Engineering Technology』に発表した画期的な研究は、この分野に新たな風を吹き込んだ。同研究が提示するシミュレーションモデルは、移動連鎖理論、詳細な地理情報、そして高度なルートプランニングアルゴリズムを統合し、電気自動車の充電需要を従来にない精度で予測する。
この研究の革新性は、「移動連鎖（Travel Chain）」という概念を採用している点にある。従来のモデルが、多くの場合、家から職場への単純な往復通勤に注目するのに対し、移動連鎖理論は、ユーザーの一日の活動全体を捉える。それは、自宅を出発し、職場、スーパーマーケットでの買い物、病院への受診、ジムでの運動、あるいは映画館への外出など、複数の目的地をつなぐ一連の移動を含み、最終的に再び自宅に戻って一日の行程を終えるという、現実の人間の行動パターンを反映している。この複雑な移動と滞在の連鎖こそが、EVがいつ、どこで、どのくらいの時間充電するかを決定する鍵となる要因である。沈筱琦氏らの研究チームは、この人間の行動を数学的なモデルに落とし込むことに成功した。何千もの個々の移動連鎖をシミュレーションすることで、都市全体における充電需要のダイナミクスをリアルに再現する。このモデルは、例えば、長距離の通勤の後、職場で昼間に急速充電器に接続してバッテリーを回復するドライバーの行動や、都心のショッピングの合間に、帰宅するための航続距離を確保するために高速充電を利用するユーザーの行動といった、従来のモデルでは見過ごされがちな現実的なシナリオを、正確に取り入れている。
このシミュレーションの精度を支えるもう一つの柱は、実際の地理データの細やかな統合である。研究チームは、対象都市を191の機能ゾーンに細分化した。これには住宅地、オフィス街（業務地区）、商業施設（商業地区）、その他の地域が含まれる。各ゾーンは、充電行動に直接影響を与える固有の特性を持っている。住宅地には、主に夜間の充電を目的とした低速充電器が設置されている。一方、オフィス街では、勤務中の従業員のニーズに対応するため、急速充電器が設置されていることが多い。商業施設では、顧客を引きつけるために、スーパーチャージャーが導入され、待ち時間を短縮する。各ゾーンのタイプに応じて、充電出力と行動パターンを明確に割り当てることで、モデルは、ある特定の場所でユーザーが実際に充電を行うかどうか、そしてどのくらいの時間を充電に費やすかを、非常に現実的にシミュレーションすることができる。この判断は、バッテリーの残量（SOC：State of Charge）だけでなく、その場所での滞在時間の長さや、利用可能な充電器の種類にも依存している。
これらのゾーン間を移動するEVのルートを正確にモデル化するために、チームはグラフ理論の基本アルゴリズムである「Floydアルゴリズム」を活用している。このアルゴリズムは、複雑な道路網において、任意の二つのノード間の最短経路を計算する能力を持つ。ここで、ノードは交差点や重要な地点を表し、それらを結ぶ線は道路の長さを表す。Floydアルゴリズムを用いて、二つの目的地間の最も可能性の高いルートを特定することで、モデルは実際に走行する距離とそれに要する時間を非常に高い精度で計算できる。この移動距離の正確な特定は、各移動区間のエネルギー消費量をリアルにシミュレーションするために不可欠である。このアルゴリズムは、一方通行、ロータリー、道路のグレードや交通状況といった実際の道路網の幾何学的構造を考慮に入れるため、単純な直線距離に基づくモデルとは比べものにならないほど、シミュレーションの精度を高めている。
シミュレーションプロセスは、複数のステップからなる反復的なプロトコルである。まず、各シミュレーション対象のEVについて、一日の移動回数と各移動における目的地の数を、実際の交通調査データに基づく統計的分布からランダムに抽出する。次に、一日の最初の移動の出発時刻を決定する。これは、平日と休日で平均が異なる正規分布に従う。目的地の具体的な順序は、マルコフ連鎖を用いてシミュレーションされる。この数学的モデルは、あるゾーンタイプ（例：住宅地）から別のゾーンタイプ（例：職場や商業施設）へ移動する確率を記述する。例えば、住宅地から職場へ移動する確率は、平日の方が日曜日よりもはるかに高い。この確率的アプローチは、人間の移動習慣と内在するランダム性を忠実に捉えている。
一旦、ある移動の移動連鎖が確立されると、モデルはFloydアルゴリズムを用いて、各連続する目的地間の最短ルートを計算する。ルートの長さと仮定された平均速度に基づき、運転時間とそれに伴うエネルギー消費量が決定される。目的地に到着すると、そのゾーンタイプに特有の確率分布から、滞在時間の長さがランダムに抽出される。例えば、住宅地での滞在時間は、夜間の長時間滞在を表すワイブル分布に従うのに対し、商業施設での滞在時間は、より短く変動的な時間を表す一般化極値分布に従う。
モデルの中心となるのは、充電の判断ロジックである。EVが目的地に到着した際、モデルは残りのSOCをチェックする。これが25%という臨界値を下回った場合、充電セッションが開始される。SOCがこの閾値を超えている場合でも、次の移動区間に必要なエネルギーが不足していると判断されれば、充電が行われる。この先を見越したロジックは、実際のドライバーがバッテリー切れにならないように行動するという現実の振る舞いを反映している。充電セッションの時間は、利用可能な滞在時間と、そのゾーンに設置された充電器の最大出力によって制限される。モデルは、住宅地の低速充電器と、業務地区・商業地区の高速充電器の違いを明確に考慮している。
研究チームは、8つの行政区に分けられた実在の都市にこのモデルを適用し、24時間にわたる10万台のEVのシミュレーションを実施した。その結果、都市全体の負荷に「二重ピーク」の非常に明確なパターンが現れた。最初の、比較的小さなピークは午前7時頃に発生し、朝の移動後に職場に到着し、そこで充電を始めた車両によって引き起こされた。その後、需要は午後中まで低下し、午後6時頃から再び上昇を始めた。二つ目の、はるかに大きなピークは午後10時頃に最大となり、一日の平均負荷の1.28倍に達した。この夜間のピークは、ユーザーが帰宅し、夜通し充電するために車両を接続するという行動の直接的な結果である。
分析は、異なる機能ゾーン間で顕著な差異を明らかにした。住宅地では、夕方から夜にかけて負荷が大きく上昇し、ピークとボトムの比は1.65となった。一方、業務地区では、負荷のピークは一日の早い段階、午前7時頃に達し、その後徐々に低下していった。特に印象的だったのは、夜間の住宅地と業務地区の負荷の差異である。午後9時から午前0時の間、住宅地の充電負荷は業務地区の負荷よりも134.17%も高かった。これは、家庭での充電が支配的な慣行であることを強力に裏付けている。
さらに、この研究は、個々の行政区における負荷分布が、その内部のゾーン構成に強く依存していることを示した。業務地区が中心の行政区（A区）は、典型的な業務地区の負荷曲線と類似した、早朝にピークを迎える全体的な負荷曲線を示した。一方、住宅地が主体の行政区（B区）は、住宅地のパターンに沿った、夜間にピークを迎える負荷曲線を示した。この知見は、都市計画者や電力会社にとって極めて重要である。なぜなら、ある行政区の充電インフラのニーズは、その土地利用の構成を分析することで予測可能であることを示唆しているからだ。
この手法の有効性を検証するため、研究チームは、本研究のモデルと先行研究のモデルの予測結果を比較した。比較の結果、新しいモデルは、特に午後の負荷をより正確に再現していることが分かった。先行モデルは、日中の業務地区や商業地区での高速充電の割合を十分に考慮していなかったため、負荷を過小評価していた。さらに、新しいモデルは、ピーク時と閑散時の負荷の差が小さいことを予測しており、これは一日に複数回の移動を行うという、より現実的なシミュレーションが、充電需要を一日を通じてより均等に分散させることを意味している。
この研究の意義は広範で深い。電力会社にとって、このモデルはピーク負荷を予測し、需要応答プログラムを実施したり、需要の少ない時期にメンテナンス作業を計画したりするための強力なツールとなる。都市計画者や充電ステーションの運営者にとって、特定のゾーンにおける需要を予測できる能力は、インフラの戦略的かつ経済的な展開を可能にする。住宅地に充電需要が集中しているという結論は、民間のガレージ、集合住宅、住宅地の公共駐車場への充電ポイントの設置を優先すべきであることを強く示唆している。
さらに、このモデルは、シナリオ分析や長期的な計画に最適である。政策立案者は、夜間の電力料金を割安にする時間帯料金制度など、様々なインセンティブの影響を評価するためにこのモデルを活用できる。異なるタイプの行政区がこうした政策にどのように反応するかを分析することで、当局は、電力網の安定性を最大化し、インフラ投資を最小化するための戦略を策定することができる。また、自律走行車やシェアリングモビリティサービスの普及が、移動連鎖のパターンを根本的に変え、それに伴い充電パターンも変化する未来の影響を理解するための枠組みも提供している。
要するに、沈筱琦氏と東南大学の同僚たちの研究は、電気自動車の充電需要予測において、大きな一歩を踏み出した。移動連鎖理論、詳細な地理情報、高度なルートプランニングアルゴリズムをシームレスに統合することで、人間のモビリティの真の複雑さを捉えるモデルを創出した。この研究は、単純な仮定を超えて、何百万もの電気自動車を電力網に持続可能に統合するための、堅固でデータに基づいた基盤を提供している。世界が電動化への移行を加速する中で、このようなツールは、回復力があり、効率的で、クリーンなエネルギーの未来を構築するために不可欠なものとなるだろう。
沈筱琦、方鑫、谭林林、李心果、孙佳启、東南大学、Electric Power Engineering Technology、DOI: 10.12158/j.2096-3203.2024.03.014