EV群の電力系統連携を最適化する新モデル
電気自動車（EV）の普及は、自動車産業の枠を超えて、世界の電力インフラに大きな変革をもたらしつつある。2025年までに新車販売の25％を占めると予測されるEVの台数は、その充電需要が電力系統に与える影響を無視できなくなりつつある。特に、ユーザーの利便性を優先した無秩序な充電は、既存の電力ピークに重なる「ピークオンピーク」現象を引き起こし、系統の安定性を損ない、電気料金の上昇を招くリスクをはらんでいる。こうした課題に真正面から向き合い、よりスマートで効率的なEVと電力網の共生を実現するため、中国の研究チームが画期的な最適化モデルを発表した。
国家電網河北省電力有限公司のマーケティングサービスセンターに所属する李宏勝氏をリードとする研究チームは、中国電力科学研究院および南京東博スマートエネルギー研究院の専門家と協力し、サポートベクターグルーピング（Support Vector Clustering, SVC）を活用した「EV群の電力系統連携ロバスト最適化スケジューリングモデル」を構築した。この研究は、学術誌『High Voltage Engineering』に掲載され、EVの充電行動に内在する不確実性を、従来の手法とは一線を画す精度で扱う新たな道を示している。
EVの電力系統への統合において、最大の課題は「不確実性」である。いつ、誰が、どのくらいの電池残量（SOC）で充電を開始するのか。これらのパラメータは、個々の運転者の行動パターンに大きく依存し、事前に正確に予測することは極めて困難だ。従来の最適化手法は、この不確実性を「確率計画法」や「機会制約計画法」、そして「ロバスト最適化」の3つのアプローチで扱ってきた。しかし、確率計画法や機会制約計画法は、過去のデータから不確実なパラメータの確率分布を推定する必要があり、その分布が現実と一致しない場合、最適解が制約条件を満たさないリスクが生じる。電力系統の安定運転という絶対的な要請を考えると、これは大きな欠点となる。
一方、ロバスト最適化は、あらゆる可能性のある不確実な状況（不確実集合）の中で、最悪のケースに対しても制約を満たす解を求めるため、系統の安定性を高いレベルで保証できる。しかし、従来のロバスト最適化は、「箱型」、「多面体型」、「楕円体型」といった、あらかじめ幾何学的な形状が決まった不確実集合を使用していた。これらの形状は、実際のEV充電データの複雑で非対称な分布を正確に捉えることができず、結果としてモデルが過度に保守的になり、ユーザーの経済性（充電コスト）が犠牲にされるという問題があった。例えば、実際にはSOCが80％以上で短時間充電するケースが多いにもかかわらず、箱型集合はSOCが低くても長時間充電する可能性まで考慮し、無駄に長い充電時間を割り当てるような非効率なスケジュールを作成してしまう。
李宏勝氏らの研究チームが突破口としたのが、「データ駆動型」のアプローチである。彼らは、SVCという教師なし機械学習手法を採用し、過去の充電履歴データそのものから、不確実集合の形状を構築するという革新的な方法を取った。SVCの核心は、高次元空間にデータ点をマッピングし、それらすべてを包含する最小の「超球体」を見つけることにある。この超球体の表面が、不確実集合の境界となる。この方法の強みは、不確実集合の形状が主観的な仮定ではなく、客観的な実データに基づいて自動的に形成される点にある。これにより、実際の充電パターンに非常に近い、より現実的で精密な不確実集合を定義することが可能になる。
研究チームは、このSVCに基づく不確実集合を、EV群の最適化スケジューリングモデルに組み込んだ。モデルの目的関数は、ユーザーの充電コストを最小化すること。これを実現するため、時間帯別電力料金（TOU）の制度を活用し、料金が安い夜間や昼間の電力余剰時帯に充電を誘導する。しかし、この最適化は、ユーザーの移動ニーズという制約の下で行われる。各EVは、次の出発時刻までに必要な最低SOCに達していなければならない。また、充電速度は車両の仕様に従わなければならず、過充電によるバッテリー劣化も避ける必要がある。このように、経済性、系統安定性、ユーザー利便性という複数の要件を同時に満たすのが、このモデルの難しさであり、価値でもある。
研究チームは、20台のEVと500件の過去の充電データを用いたシミュレーションを行い、SVCモデルと従来の箱型、多面体型、楕円体型の不確実集合を用いたモデルを比較した。その結果は圧倒的だった。SVCモデルの総充電コストは984元と、箱型モデル（1342元）、多面体型モデル（1514元）、楕円体型モデル（1320元）を大きく下回った。これは、SVCが実際のデータ分布を正確に捉え、料金が安い時間帯に効率よく充電を集中させたためである。多面体型モデルが最もコストが高かったのは、実際には存在する「高SOCでの短時間充電」や「低SOCでの長時間充電」といったシナリオを不確実集合がカバーできず、結果としてピーク料金帯で大電力で急速充電せざるを得なかったためだ。
さらに、負荷平準化の効果も顕著だった。SVCモデルは、ピーク負荷とボトム負荷の差を最も効果的に縮小し、料金変動に最も敏感に反応した。これは、SVCの不確実集合が、実際の充電行動の「感度」を正確に反映している証拠である。従来のモデルは、過度に保守的または不完全な集合のため、料金信号に十分に応答できず、系統への負荷調整効果が限定的であった。
このモデルのもう一つの特筆すべき点は、柔軟性である。SVCの正則化パラメータ「v」を調整することで、不確実集合の大きさ、すなわちスケジューリングの「保守性」を制御できる。vの値を大きくすると、外れ値と見なされるデータ点が増え、集合が小さくなり、より攻撃的な（経済性を重視した）スケジュールが可能になる。逆に、vの値を小さくすると、より多くの可能性を考慮した、より保守的なスケジュールになる。これは、都市部の高密度EVエリアと地方の低密度エリアなど、地域ごとの電力事情やリスク許容度に応じて、最適な運用ポリシーを柔軟に設定できることを意味する。
計算上の観点から見ても、このモデルは実用性が高い。複雑なSVCの最適化問題は、ラグランジュ双対性を用いて、解きやすい線形計画問題に変換される。このため、計算時間が爆発的に増加することなく、大規模なEV群への適用も視野に入れることができる。
この研究の意義は、EVの充電コストを下げるという直接的な利益を超えて、エネルギーシステム全体の持続可能性に貢献する点にある。太陽光や風力といった再生可能エネルギーは、その出力が天候に左右され、供給が不安定である。EVのバッテリーは、まさに大規模な分散型蓄電池として機能する。SVCモデルのような高度な最適化技術により、再生可能エネルギーが大量に発電されている昼間にEVを充電し、夜間の需要ピーク時にその電力を活用する「需要応答」が可能になる。これにより、化石燃料のピーク電源への依存度を下げ、電力系統全体の脱炭素化を加速できる。
また、この研究は、スマートグリッドの未来像を示している。AMI（高度計量インフラ）やV2G（ビークル・トゥ・グリッド）通信が普及すれば、膨大なリアルタイムデータが得られる。SVCモデルは、こうしたデータを活用して、不確実集合を継続的に学習・更新し、最適化の精度を日々向上させる「自己進化型」のシステムとしての可能性を秘めている。これは、静的なルールベースの制御から、動的なデータ駆動型の制御への大きなパラダイムシフトを意味する。
李宏勝氏らの成果は、単なる理論的な研究にとどまらず、国家電網という実際の電力事業者と研究機関が連携した実用志向の産物である。彼らのモデルは、電力会社が直面する「安定供給」と「コスト抑制」という二律背反の課題を、データとAIの力で両立させる現実的なソリューションとして、高い実用性を備えている。今後、EVの双方向充電（V2G）機能や、天気予報・交通情報との連携による予測機能を組み込むことで、その能力はさらに飛躍的に向上するだろう。電気自動車は、単なる「移動手段」から、「エネルギーリソース」としての新たな価値を獲得しつつある。李宏勝氏らの研究は、その価値を最大限に引き出すための、重要な一歩である。
李宏勝，李 鵾，汪 洋，高 菲，張 瑜，謝宏福，国家電網河北省電力有限公司，中国電力科学研究院，南京東博スマートエネルギー研究院，High Voltage Engineering，DOI: 10.13336/j.1003-6520.hve.20221624