LSTMネットワークで電気暖房負荷のシミュレーション精度を飛躍的に向上
エネルギーの脱炭素化が世界中で加速する中、電力システムの安定化はもはや発電側の柔軟性に頼るだけでは成り立たない。需要家側の資源、すなわち「需要側管理（Demand Side Management）」が、電力需給のバランスを取る上で不可欠な役割を担っている。特に、中国北部地域での「クリーン暖房」政策の推進により、急速に普及が進む分散型電気暖房装置は、単に住環境の快適性を提供するだけでなく、電力網の需給調整に貢献できる優れた柔軟性資源として注目されている。しかし、これらの装置を効果的に制御し、電力網に統合するためには、その動作を正確に予測できる高精度なモデルが不可欠である。
この分野における画期的な進展が、『Power Demand Side Management』誌に掲載された最新の研究によって明らかになった。東北電力大学の現代電力システムシミュレーション制御および再生可能エネルギー技術教育部重点実験室に所属する劉 亜軒（Liu Yaxuan）氏が率いる研究チームは、従来の物理モデルに代わる、深層学習の一種である「長・短期記憶ネットワーク（LSTM）」を活用した新しいシミュレーションモデルを開発した。その結果、従来のモデルでは難しかった長時間にわたる高精度な温度予測を実現し、大規模な電気暖房群の制御精度を格段に向上させる可能性を示した。
従来、温調負荷（Thermostatically Controlled Loads）と呼ばれるエアコンや電気暖房のシミュレーションには、「等価熱パラメータモデル（ETP: Equivalent Thermal Parameter Model）」が広く用いられてきた。このモデルは、建物の壁や空気の熱容量、熱抵抗といった物理的な性質を微分方程式で表し、室内温度の変化を計算するものである。理論的には優れたアプローチだが、実際の応用では大きな課題を抱えていた。まず、モデルを正確に動作させるためには、対象となる建物の詳細な熱的特性（壁の厚さ、断熱材の性能、熱容量など）を事前に特定する必要がある。これは現実の多くの住宅では非常に困難であり、推定誤差がそのままシミュレーションの誤差につながってしまう。
さらに、ETPモデルは、建物が持つ「熱的慣性」、つまり一度暖められた壁や家具が時間をかけて熱を放出し続けるという現象を完全に捉えきれない。このため、暖房が停止した後の室温の下降曲線や、再び起動するタイミングの予測がずれやすく、時間が経つにつれてシミュレーションと実際の温度の乖離が大きくなる「累積誤差」が生じる。電力網の制御では、この数分のタイミングのズレが、数千台の暖房が一斉に起動してピーク負荷を生む、といった逆効果を引き起こす可能性があるため、精度の向上は喫緊の課題だった。
劉 亜軒氏らの研究チームは、この限界を乗り越えるために、物理法則に頼るのではなく、「データから学ぶ」機械学習のアプローチを採用した。彼らが選んだ武器がLSTMネットワークである。LSTMは、時系列データ（過去のデータの連なり）のパターンを学習するのに特に優れた人工知能の一種だ。従来のニューラルネットワークが過去の情報を忘れやすいのに対し、LSTMは「忘却ゲート」「入力ゲート」「出力ゲート」という3つの内部スイッチを持ち、どの情報を長期的に記憶し、どの情報を捨てるかを賢く判断できる。この特性により、室内温度の変化という、過去の温度履歴に強く依存する現象の予測に最適とされている。
研究チームは、まずLSTMモデルに何を学ばせるかを決定した。暖房装置が稼働しているときの室内温度は、主に「前回の室内温度」「現在の外気温」「暖房装置のオン/オフ状態」の3つの要因で決まると考えた。太陽光による熱取得など他の要因は測定が難しいため、実験環境下でこれらを排除し、この3つの変数をLSTMの入力データとした。出力は、次の時間ステップ（1分後）の室内温度である。
モデルの学習には、実験用の気候室で収集された高精度なデータが使用された。この気候室は、外気温を-5℃から-20℃まで精密に制御でき、窓の開閉や人の出入りといった外乱要因を排除した。研究チームは、電熱膜ヒーターと温度センサーを用いて、3つの異なるシナリオ（外気温-10℃、-15℃、および-5℃～-20℃を変化させる動的シナリオ）で長時間にわたる温度データを収集した。このデータの66.7%を学習用（トレーニングセット）、残りの33.3%を検証用（テストセット）に分けた。
ここで最も重要なのが、モデルの検証方法である。単に学習データの「答え合わせ」をするのではなく、未来の温度を「予測」させるシミュレーションを行った。検証フェーズでは、LSTMモデルが「予測した」次の温度を、再び次の時間の入力としてフィードバックする「閉ループ（closed-loop）」方式を採用した。これは、実際の電力網制御システムが、未来の温度を予測して制御命令を出す状況と全く同じである。この方法で、モデルが長時間にわたり安定して高精度を維持できるかが試された。
そして、精度評価の方法においても、研究チームは革新的なアプローチを取った。従来の「平均絶対誤差（MAE）」に加え、「縦方向の誤差」と「横方向の誤差」という2つの次元でモデルを評価した。縦方向の誤差は、シミュレーション温度と実測温度の数値的な差（°C）を表し、これはMAEで計測される。一方、横方向の誤差は、時間軸上のズレ、つまり「暖房がいつ再起動するか」というタイミングの誤差を指す。たとえ平均温度が合っていても、起動タイミングが数分ずれていたら、集団制御としては失敗である。この横方向の誤差を評価するために、研究チームは「暖房がオンの状態が一致している時間の割合」を指標として採用した。
その結果は圧倒的だった。3つの実験シナリオすべてにおいて、LSTMモデルは従来の2次元ETPモデルを大きく上回る性能を発揮した。縦方向の誤差（MAE）では、LSTMモデルはすべてのシナリオで0.5℃未満を達成し、ETPモデルの誤差をはるかに下回った。これは、ユーザーの快適性を損なわずに制御を行う上で非常に重要な精度である。
そして、最も重要な横方向の誤差では、その差はさらに顕著だった。LSTMモデルによる予測では、実際の暖房のオン/オフ状態と一致する時間が、すべてのシナリオで88%以上を記録した。特に外気温が一定のシナリオでは、実に97.6%という驚異的な一致率を達成した。これは、LSTMモデルが単に温度の数値を予測するだけでなく、建物が持つ複雑な「熱的記憶」や、サーモスタットのスイッチングダイナミクスを、データから見事に学習したことを示している。
この研究の意義は、精度の向上だけにとどまらない。LSTMモデルの最大の利点は、その汎用性と導入の容易さにある。ETPモデルが建物ごとの詳細な物理パラメータの特定を必要とするのに対、LSTMモデルは「何を学ぶか」さえ決めれば、後はデータを食わせるだけで、自動的にその建物固有の特性を学習してしまう。これは、異なる構造や断熱性能の住宅に、同じモデルを簡単に適用できることを意味し、大規模な展開が現実的になる。また、モデルの内部で複雑な微分方程式を解く必要がないため、計算負荷が低く、スマートメーター内やエッジデバイス上でのリアルタイム制御にも適している。
この技術革新は、電力網の未来に大きなインパクトを与える。電力会社や負荷集約事業者（Aggregator）は、LSTMモデルを活用することで、電気暖房群の「柔軟性」をはるかに正確に評価できるようになる。これにより、電力需要のピークを抑える「ピークシフト」や、再生可能エネルギーの出力変動を吸収する「周波数調整」などの高度なサービスに、より多くの家庭を安全かつ効率的に参加させることができる。ユーザーにとっては、電力料金の割引やインセンティブを受けながら、快適性を損なうことなく、エネルギーシステムの安定化に貢献できる「スマートな生活」が現実のものとなる。
今後の展望として、研究チームはこのモデルをさらに発展させ、実際の家庭環境でのリアルタイム評価や、最適な制御戦略の立案に応用していく計画だ。また、CNN（畳み込みニューラルネットワーク）と組み合わせることで、非連続なデータや異常値への耐性を高めるハイブリッドモデルの開発も視野に入っている。この研究は、AIが物理の世界を理解し、制御する力の可能性を示す、一つのマイルストーンと言えるだろう。
劉 亜軒、王 思言、姜 警、張 利偉、Power Demand Side Management、DOI: 10.3969/j.issn.1009-1831.2024.03.010