AIがEV充放電プロトコルを高精度で識別
電動化の波が世界を席巻する中、自動車業界の関心はバッテリーの容量や充電時間といった目立つ性能から、徐々にインフラの背後にある「見えない」通信技術へと移りつつある。電気自動車（EV）が充電ステーションと円滑に、そして安全に通信できることは、スムーズな充電体験の根幹を成す。しかし、世界中の異なるメーカーが異なる通信プロトコルを採用している現状では、この通信がうまくいかず、充電が中断したり、認証エラーが発生したりするリスクが常に伴う。
この技術的課題に光明をもたらす研究が発表された。中国のNARI-TECH Nanjing Control Systems Co., Ltd.に所属するLü Xiaorong氏とHui Qi氏、そして南京郵電大学自動化学院/人工知能学院のXu Zimin氏による研究チームは、深層学習を活用した新たなプロトコル識別手法を開発し、その成果を学術誌『Modern Electronics Technique』に掲載した。彼らの提案するハイブリッド深層学習ネットワークは、EV充放電システムで使われる主要な通信プロトコルを97.68%という驚異的な精度で識別することに成功した。これは、将来的に「プラグインすれば自動で充電開始」という理想的な「プラグアンドチャージ」の実現に向けた、極めて重要な一歩である。
EVと充電器の間の通信は、単なる電力供給の指示以上の意味を持つ。車両のバッテリー状態の確認、充電速度の交渉、利用者の認証、料金計算、そして双方向充電（V2G）における電力の売買まで、あらゆる情報がこの通信プロトコルを通じてやり取りされる。現在、この分野には複数の規格が共存している。車両内部の制御に使われる堅牢な有線プロトコルのCANやModbus、産業用ネットワークでよく見られるRS 485、そしてWi-Fi接続に使われるIEEE 802.11gや802.11acなど、用途に応じて多様なプロトコルが存在する。充電ステーションは、接続されたEVがどの「言語」を話しているかを瞬時に見極める必要がある。これができないと、充電プロセスは立ち行かない。
従来の識別方法は、あらかじめ登録された「シグネチャー」（特徴的なデータパターン）と照合するという、いわば「辞書引き」のような方式が主流だった。しかし、この方法には大きな弱点がある。まず、新しいプロトコルや、既存のプロトコルを少し変更したバージョンには対応できない。また、セキュリティの観点から通信内容が暗号化されている場合、その中身を覗き見ることができないため、シグネチャーの照合が不可能になる。これらの制約は、急速に進化するEV市場において、互換性の大きな壁となっていた。
Lü氏らの研究が画期的なのは、こうした従来の枠組みを捨て、AIの力でプロトコルの「本質的な特徴」を学習するというアプローチを取った点にある。彼らのシステムの心臓部は「深層学習ネットワーク（DLN）」と呼ばれるAIモデルだ。これは、人間の脳の神経細胞を模した多層構造の計算モデルであり、大量のデータを学習することで、複雑なパターンを認識する能力を持つ。この研究では、実際のEVと充電器の間で交わされる数万件の通信データをAIに学習させた。
しかし、AIの力は強力であるがゆえに、新たな問題も生じる。それが「過学習（overfitting）」だ。AIが学習用のデータセットにだけ完璧に合わせすぎて、その中身を「暗記」してしまい、新しい、あるいはわずかに異なるデータに対しては正しく判断できなくなる状態だ。実際の現場では、新しいEVモデルやソフトウェアのアップデートが頻繁に登場するため、過学習したAIはすぐに役に立たなくなる。
この過学習という難敵を倒すために、研究チームは「l1/2正則化」という高度な数学的手法を導入した。正則化とは、AIの学習過程に「シンプルさ」や「スパース性」を強いる制約を加える技術である。l1/2正則化は、特に効果的で、AIモデル内部の多数の「重み」（重要度を表す数値）のうち、本当に重要なものを残し、それ以外はゼロに近づける働きをする。これにより、AIはデータのノイズや偶然のパターンに惑わされず、プロトコルの真の「コアな特徴」に集中できるようになる。結果として、学習データに過剰に依存しない、より堅牢で汎化能力の高いモデルが生まれる。
この研究のプロセスは、科学的で再現性の高いものだった。まず、ネットワーク解析ツール「Wireshark」を使って、リアルなEV充放電通信のデータを収集した。この生データは「汚れたデータ」と呼ばれ、不要な情報やノイズが混じっているため、次に「データ前処理」という重要なステップが行われた。具体的には、目的のプロトコル以外のデータを除去する「データのクリーニング」、固定長に区切る「データ分割」、数値のスケールを揃える「データ正規化」、そして各プロトコルに数値ラベルを付ける「データラベリング」が行われた。この前処理こそが、AIに高品質な「食料」を提供する鍵となる。
研究チームは、データの長さが識別精度に与える影響を徹底的に検証した。0から1000バイトの範囲で実験を行った結果、784バイトという長さで精度がピークに達することが判明した。これより短いと情報量が不足し、逆に長すぎると冗長な情報がノイズとなり、精度が低下した。この知見は、今後の充電器コントローラーの設計に直接的な影響を与えるものだ。
最終的に構築されたAIモデルは、50,000件の通信データで学習し、その性能を15,000件の未知のデータで検証した。その結果、全体の正解率（Overall Accuracy）は97.68%に達した。さらに詳細に見ると、CAN、Modbus、IEEE 802.11acといった主要プロトコルの識別精度は99%を超え、F1スコア（精度と再現率を総合的に評価する指標）でも99%台を記録した。これは、これらのプロトコルに対してはほぼ完璧な識別が可能であることを意味する。
この成果の信頼性を高めるために、研究チームは複数の比較実験も行った。まず、l1/2正則化を導入しない標準的な深層学習ネットワークと比較したところ、正則化ありのモデルが明らかに上回った。これは、l1/2正則化が過学習を防ぎ、性能を向上させたことを直接証明している。さらに、過去の研究で提案されたCNN（畳み込みニューラルネットワーク）モデルや、SENetとTransformerを融合した先進的なモデルとも比較した。その結果、Lü氏らの提案したハイブリッドモデルが、すべての比較対象を上回る性能を発揮した。特に、従来のCNNモデルは画像認識では優秀だが、通信プロトコルのような時系列データの識別には適していないことが示され、ドメインに特化したアプローチの重要性が浮き彫りになった。
この研究の意義は、学術的な成果に留まらない。産業界へのインパクトは計り知れない。充電インフラの運営会社にとって、このAI技術を導入すれば、あらゆるメーカーのEVに対応できる「ユニバーサルなスマート充電器」の開発が可能になる。ユーザーは、どの充電ステーションでも、自分の車が自動的に認識され、面倒な設定なしに充電を開始できるようになる。これは、EV普及の最大の障壁の一つである「充電の煩わしさ」を解消する鍵となる。
また、セキュリティの観点からも大きな価値がある。AIがプロトコルを高精度で識別できるということは、未知の、あるいは不審な通信パターンを検出する「異常検知システム」としても機能する。例えば、あるEVが本来使用しないはずのプロトコルで通信を試みた場合、これはサイバー攻撃の兆候と判断できる。AIはこれを即座に検知し、システム管理者にアラートを出し、被害の拡大を防ぐことができる。EV充電インフラが電力網の一部として重要性を増す中、こうしたプロアクティブなセキュリティ対策は必須である。
本研究は、産業界のリーディングカンパニー（NARI-TECH）と学術機関（南京郵電大学）の共同研究という点でも注目に値する。これは、現場のニーズに基づいた実用的な技術開発と、先端的な学術研究が融合した理想的な形であり、研究成果が現実の製品やサービスに速やかに還元される可能性を高めている。
今後の展望として、研究チームはいくつかの方向性を示している。一つは、完全に暗号化された通信の識別だ。通信内容は見えなくても、パケットのヘッダー情報や送受信のタイミングパターンから、プロトコルの種類を推定する可能性がある。もう一つは、時間的な連続性を考慮したモデルの導入で、RNN（リカレントニューラルネットワーク）やTransformerアーキテクチャを活用することで、より長いスパンの通信フローを分析し、識別精度をさらに高めることが期待される。
結論として、Lü Xiaorong氏、Hui Qi氏、Xu Zimin氏の研究は、EVインフラの「見えない部分」に光を当て、その信頼性と利便性を飛躍的に向上させる可能性を秘めている。バッテリー技術の進化がEVの「体」を支えるなら、このような通信技術の進化は、その「神経」を強化するものだ。世界中のユーザーが、ブランドや地域に関係なく、ストレスフリーでEVを充電できる未来は、こうした地道な技術革新の積み重ねによって、確実に近づいている。
『Modern Electronics Technique』掲載、Lü Xiaorong、Hui Qi、Xu Zimin著。DOI: 10.16652/j.issn.1004⁃373x.2024.17.007