改良LSTMモデルでEV充電負荷を高精度予測
電動車（EV）の普及は、持続可能な未来への移行を象徴する重要なステップとなっている。しかし、この急速な普及は、電力網の安定性と効率性に新たな課題を突きつけている。都市部の住宅地から郊外のコミュニティに至るまで、数百万台のEVが毎日のように電力網に接続され、特に夕方から深夜にかけての帰宅時間帯に集中する充電需要は、電力網のピーク負荷を顕著に押し上げている。この無秩序な充電行動は、電圧の低下、周波数の変動、さらには保護装置の作動といったリスクを伴い、電力供給の信頼性を損なう可能性がある。この問題を解決するための鍵は、「予測」にある。いつ、どれだけの電力が消費されるのかを正確に予測できれば、電力会社や都市のインフラ管理者は、負荷を平準化する「秩序ある充電」戦略を事前に設計し、電力網の負担を軽減することができる。
従来のEV充電負荷予測モデルは、多くの場合、その有効性に疑問が残る。多くの研究が、理想的なシナリオに基づいたシミュレーションや、過度に単純化された仮定に依存している。例えば、ドライバーの行動パターンを固定化したり、天候や季節、休日といった重要な外部要因を無視したりするモデルが存在する。また、一部の研究では、人工知能（AI）や機械学習を活用しているが、その多くが合成データや不十分なデータセットに頼っており、実際のユーザー行動を正確に反映できていない。これらの限界は、予測結果の信頼性を著しく損ない、現場の意思決定者にとって実用的なツールとはなり得ない。
こうした背景の中、電気工学分野の権威的な学術誌『Modern Electronics Technique』に掲載された最新の研究は、EV充電負荷予測の精度に革命をもたらす可能性を秘めている。中国・国家電網電力研究院のリン・シャン（Lin Xiang）氏が率いる研究チームは、実際の運用データを活用した「改良LSTM（Long Short-Term Memory）ニューラルネットワーク」モデルを開発した。このモデルの最大の特徴は、単にAIの力に頼るのではなく、人間の判断とAIの分析を融合させた点にある。彼らは、EVの充電行動に影響を与える複数の要因の重要度を、客観的な手法で定量化し、それをAIモデルの予測結果に反映させることで、従来のモデルを大きく上回る精度を実現した。
この研究の核となるのは、「三段階階層分析法（Three-Scale Analytic Hierarchy Process, AHP）」という手法の活用である。階層分析法（AHP）は、複数の要因からなる意思決定問題を構造化し、各要因の相対的な重要度を数値化するための古典的な手法である。しかし、従来のAHPは、専門家が要因間の重要度を1から9のスケールで評価するため、主観的なバイアスが入り込むリスクが高い。リン氏のチームは、この弱点を克服するために、「三段階AHP」を採用した。この方法では、重要度の比較を「より重要」「同程度に重要」「それほど重要でない」の3段階に限定することで、評価者の認知的負荷を大幅に軽減し、結果としてより一貫性があり、客観性の高い重み付けが可能になる。
研究チームは、天候（晴れ、小雨、中雨、大雨、雪）、季節（春夏秋冬）、気温、平日、休日という5つの主要な要因がEVの充電行動に影響を与えると仮定した。そして、中国・常州のとある住宅地で、2022年第二四半期の92日間にわたって収集された実際の充電データを用いて、三段階AHPを実施した。その結果は非常に示唆に富んでいた。最も重要な要因は「生活リズム」、つまり平日か休日かという点で、その重みは驚異の57.511%に達した。これは、人々の日常的なスケジュール（勤務時間、休日活動）が、EVの充電タイミングを決定づける上で圧倒的な影響力を持っていることを示している。次に重要なのは「天候」で、23.645%の重みを持った。これは、雨や雪などの悪天候が、航続距離への不安を高め、より頻繁に、またはより長時間の充電につながることを意味している。季節性は12.91%、気温は5.934%の影響力であった。これらの数値は、単なる推測ではなく、実際のデータに基づいた客観的な評価の結果である。さらに、分析の一貫性を示す指標である一貫性比率（CR）が0.083と、信頼できるとされる0.1未満の値であったことから、この重み付けの信頼性が裏付けられている。
これらの重み付け結果を手にした研究チームは、次にLSTMニューラルネットワークの構築に移った。LSTMは、時系列データのパターンを学習するのに特に優れた深層学習の一種である。従来のニューラルネットワークが長期間の依存関係を捉えるのに苦労するのに対し、LSTMは「忘却ゲート」「入力ゲート」「出力ゲート」という内部メカニズムを持ち、過去の情報をどれだけ保持し、どれだけ新しい情報を取り込むかを制御できる。この特性は、日ごとの充電パターンを学習するのに非常に適している。
研究チームは、「電動車充電運営管理サービスシステム」から得られた同住宅地の実際の充電負荷データを用いて、このLSTMモデルを訓練した。データは15分ごとの96ポイントに分割され、天候、季節、気温、平日/休日といったカテゴリカルデータと、実際の充電電力（kW）の時系列データとして処理された。モデルの訓練には、誤差逆伝播法（BPTT）が用いられ、予測値と実際値の差を最小化するようにネットワークの内部パラメータが調整された。
ここで、この研究の真の革新点が現れる。単にLSTMで予測しただけでは終わりではない。研究チームは、前述の三段階AHPで得られた重み付け結果を、LSTMの予測結果に「後処理」で適用した。つまり、LSTMが生成した初期予測値を、各要因の重要度に応じて調整したのである。例えば、モデルが「休日」と判定した場合、その予測値は57.511%の重みに応じて増幅される。これにより、AIが学習したパターンと、人間が構造的に評価した重要度が融合され、より現実に即した、説明可能性の高い予測が可能になる。
この改良されたモデルの性能は、徹底的に検証された。研究チームは、従来のLSTMモデルと、この重み付けを施した「改良LSTMモデル」の両方を、夏季と冬季の典型的な日についてテストした。結果は圧倒的だった。図表から明らかになるように、改良LSTMモデルの予測曲線は、実際の充電負荷の変動を非常に高精度に追跡している。特に、充電需要が最も高まる夜間から早朝（22時から翌3時頃）のピーク帯において、その精度の差は顕著である。一方、従来のLSTMモデルは、ピークの高さやタイミングを過大または過小評価する傾向があり、誤差が大きかった。
誤差分析の指標（MAPE、RMSE）でも、改良モデルが優れた性能を示している。特に、日中の移行帯（朝の出勤前、夕方の帰宅後）など、充電行動が最も不規則で予測が難しい時間帯において、誤差の削減が顕著に見られた。これは、モデルが単なるパターン認識にとどまらず、要因の重要度という「文脈」を理解し、それに応じて予測を調整できていることを意味している。
この研究の意義は、学術的なものにとどまらない。実際の住宅地で得られたデータを用いて、実用的な精度を達成した点に、その価値がある。この住宅地の変圧器容量は140 kVAで、ピーク時の充電負荷は70.64 kWに達した。これは、ピーク時の負荷が変圧器容量の半分近くに達していることを意味し、無秩序な充電が続けば、設備の老朽化や故障のリスクが高まる。しかし、この研究が示すように、正確な予測が可能になれば、電力会社は「ピークシフト」のためのインセンティブ（例：深夜帯の割引料金）を設計し、ユーザーの行動を誘導することができる。これにより、ピーク負荷を平準化し、変圧器の寿命を延ばし、電力網全体の効率を向上させることが可能になる。
さらに、このアプローチは、今後のスマートシティのインフラ設計にも大きな示唆を与える。EVの普及が進む中で、単に充電スタンドを増やすだけでは不十分である。むしろ、AIを活用した予測と、それに基づくダイナミックな需給調整が、持続可能な都市交通の鍵となる。例えば、太陽光発電の出力が最大となる昼間にEVを充電させ、その電力を夜間にV2G（Vehicle-to-Grid）技術で電力網に還元する「双方向充電」の実現には、高度な予測技術が不可欠である。リン氏らの研究は、そのような未来のエネルギーシステムの礎石を築いている。
もちろん、この研究にも限界はある。現在のモデルは、特定の住宅地という限定された環境で検証されている。都市部の商業地や高速道路のサービスエリアなど、異なる利用パターンを持つ環境への適用性は、さらなる検証が必要である。また、今後の課題として、交通渋滞やリアルタイムの気象予報、さらにはユーザーの個人的なスケジュール（カレンダー連携）といった、より細かいデータの統合が挙げられる。
しかし、それでもなお、この研究はEVと電力網の共生という大きな課題に、現実的で効果的な解決策を提示している。実データに基づき、主観的なバイアスを排除し、AIと人間の知性を巧みに融合させたアプローチは、単なる技術革新を超えた、信頼性（Trustworthiness）と専門性（Expertise）の高い成果である。電動化の波がますます高まる中、このような精密な予測技術こそが、私たちがよりスマートで、より持続可能なモビリティの未来を築くための強力なツールとなるだろう。
林 祥，張 浩，馬 玉立，陳 良亮，国家電網電力研究院；Modern Electronics Technique, DOI: 10.16652/j.issn.1004-373x.2024.06.016