大規模EVの電力ピーク調整に新戦略
電気自動車（EV）が電力網に与える影響は、エネルギー転換の文脈でますます重要視されている。中国では2060年までに約3億9000万台のEVが走ると予測されており、この膨大な数の車両を電力網の柔軟性リソースとして活用する可能性は極めて大きい。しかし、分散したEVを効果的に制御し、電力ピーク調整などの補助サービスに参加させるには、高い制御精度と迅速な計算処理が不可欠である。これまでの制御戦略は、精度が低かったり、計算に時間がかかりすぎてリアルタイム性を確保できなかったりするという課題があった。
こうした中、Automation of Electric Power Systems誌に掲載された画期的な研究が、これらの問題を解決する新たな道筋を示している。この研究は、電力ピーク調整を目的とした大規模EVの多層的リアルタイム制御戦略を提案し、従来の課題を克服した。研究の主導者は、中国電力大学の代替電力システム国家重点実験室に所属するHu Junjie氏であり、Wang Wen氏とYang Ye氏（国家電網スマートインターネットオブビークルズ社）との共同研究による成果である。
この新しい制御戦略の核心は、従来の「一括制御」から「階層的・多時間スケール制御」へのパラダイムシフトにある。単一の巨大な最適化問題を解くのではなく、制御プロセスを複数の層に分け、異なる時間スケールで処理することで、精度と速度の両立を実現している。
まず、この戦略の基盤となるのは、充電器自体の特性を詳細に分析し、それらをクラスタリング（グループ分け）する手法である。従来の研究では、EVを単に「時間帯」や「ユーザーの移動パターン」で分類することが多かった。しかし、この研究では、上海市の実際の充電データを用いて、充電器の「応答精度」と「出力特性」に着目した。
具体的には、過去のデータから、充電器が指令通りの出力を行う「応答精度」と、指令出力と実際の出力の関係を線形モデルでどれだけ正確に予測できるかを示す「出力フィッティング精度」という2つの指標を抽出した。これらの指標をもとに、DBSCANとk-means++という2段階のクラスタリングアルゴリズムを適用。まず、性能が極端に不安定な「ノイズ点」としての充電器を除外し、残りの充電器を4つの特性の異なるグループ（クラスタ）に分類した。例えば、応答精度は高いが、指令よりも出力をやや多めに出してしまう傾向があるクラスタ、あるいは応答精度とフィッティング精度がバランスの取れたクラスタなどである。この分類により、制御者は「高精度クラスタ」を微調整に、「標準クラスタ」を大まかな出力調整にと、戦略的にリソースを割り当てられるようになった。
次に、制御の対象であるEV自体を、その充電ニーズに応じて「剛性EV」と「弾性EV」の2種類に分類した。剛性EVとは、急いでいるため最大出力で即座に充電を開始する必要がある車両であり、半ば強制的な制御が可能だが、その調整幅は小さい。一方、弾性EVは、時間に余裕があるため、充電時間をずらしたり出力を調整したりすることで、電力網の調整に協力できる。この区分けは、ユーザーの利便性を損なわず、かつ電力網のニーズに応えるための重要な前提条件である。
これらの分類に基づき、研究チームは「出力調整可能境界モデル」を構築した。これは、各EVが「今からどれだけ出力を増やせるか（上昇可能量）」または「どれだけ出力を減らせるか（下降可能量）」を、その現在の充電状態（SOC）、バッテリー容量、出発予定時刻などをもとにリアルタイムで計算するモデルである。このモデルは、複雑な最適化問題を解く代わりに、簡便な算術式で近似することで、計算時間を大幅に短縮しつつ、実用的な精度を保っている。
制御の肝となるのは、モデル予測制御（MPC）を基盤とした「二層制御アーキテクチャ」である。第一層では、電力市場から与えられた「目標出力曲線」と、EV群が現在出している「実際の出力」の差（偏差）を、先ほど分類したクラスタに割り当てる。この割り当ては、単に均等に分けるのではなく、応答精度の高いクラスタに多く割り当てることで、全体の制御精度を高める。同時に、指令を出し替えるたびに発生する「制御コスト」も考慮し、精度とコストの最適なバランスを取る。
第二層では、クラスタに割り当てられた出力調整量を、そのクラスタに属する個々のEVに再分配する。この際、単に均等に分けるのではなく、「充電優先度」を考慮する。例えば、SOCが低く、すぐに出発するEVには、優先的に充電を確保する。また、出力が大きく変動しないように調整することで、バッテリーへのストレスを軽減し、ユーザー体験を向上させる。
さらに、この戦略の画期的な点は、「15分」という電力市場の標準的な時間スケールに加えて、「3分」という細かい時間スケールを導入していることだ。15分ごとのメインの制御ループに加え、3分ごとに実際の出力状況をチェックし、許容誤差を超えるような偏差が生じた場合、即座に「高精度クラスタ」のみを用いて出力の微調整を行う。これにより、15分間の総電力量が目標と一致するように、リアルタイムで出力を補正できる。
この戦略の有効性は、3000台のEVを対象とした大規模なシミュレーションで検証された。その結果、驚異的な精度が達成された。制御の平均精度は97%を超え、すべての時間帯で市場の評価基準（±15%以内）を満たした。そして、何より重要なのは、1回の制御計算にかかる時間が平均5秒未満という、実用的なリアルタイム性を確保した点である。
従来の集中制御方式との比較でも、その優位性は明らかだった。集中制御方式では、計算時間が長く、特に夜間のピーク調整において17%を超える誤差を生じ、市場要件を満たせない場面があった。一方、この多層制御戦略は、安定した高精度を維持した。
この研究の意義は、技術的な精度の向上にとどまらない。EVを単なる「電力消費者」から、「能動的な電力網の構成員」へと変える可能性を示している。これにより、EVオーナーやアグリゲーター（集合体）は、電力網の調整に協力することで新たな収益を得られるようになり、V2G（Vehicle-to-Grid）サービスの経済的インセンティブが高まる。電力会社の立場からは、太陽光や風力など変動の大きい再生可能エネルギーの導入が進む中で、このような大規模で信頼性の高い調整リソースは、電力の需給バランスを保つ上で極めて重要である。
また、この研究は、制御理論の現実世界への適用において、物理的な制約を無視しない「現実主義的」なアプローチの重要性を強調している。充電器の出力特性や、ユーザーの充電ニーズという現実の制約をモデルに組み込むことで、理論上は最適でも、実際にはうまくいかない「理想論」から、現場で本当に動く「実用的ソリューション」への転換を果たした。
今後の展望として、研究チームは、この戦略を電力ピーク調整に限定せず、リアルタイム電力市場への参加や、交通網と電力網の連携（路網-電網連携）へと拡張していく計画を示している。EVの移動パターンに伴う時空間的な不確実性をモデルに取り入れることで、より柔軟で回復力のある制御戦略の開発が期待される。
結論として、Hu Junjie氏らが提唱したこの多層リアルタイム制御戦略は、大規模EVの電力網統合という複雑な課題に対して、精度、速度、実用性の三拍子をそろえた、画期的な解答を提供した。エネルギーの未来を形作るインフラとして、数億台のEVが集団で知的に電力網と連携する日が、この研究によって一歩近づいたと言えるだろう。
Hu Junjie, Lu Jiayue, Ma Wenshuai, Li Gengyin, Wang Wen, Yang Ye, 中国電力大学代替電力システム国家重点実験室, 国家電網スマートインターネットオブビークルズ社, Automation of Electric Power Systems, DOI: 10.7500/AEPS20231215003