農村地域のEV充電予測にAI革新
電気自動車（EV）の普及は都市部を越え、農村地域へと急速に広がっている。この流れは、エネルギーの脱炭素化という大きな潮流の一部であると同時に、長年の課題であった地方のモビリティの向上や、化石燃料への依存からの脱却を実現する希望でもある。しかし、この前向きな変化の裏側で、新たな深刻な課題が浮上している。農村地域の電力網は、その広大な敷地、長距離の送電線、そして不規則なトポロジーにより、都市部とは全く異なる構造を持っている。そこに、一時的に集中し、かつ予測が難しいEVの充電需要が加わることは、ネットワークの安定性と信頼性に直接的な脅威となり得る。この複雑な課題に立ち向かうため、中国の研究チームが画期的な解決策を提示した。それは、人工知能（AI）の力で農村地域のEV充電負荷を高精度に予測する、新たなモデルの開発である。
この研究は、国家電網会社（State Grid Corporation of China）の王志龍（Wang Zilong）氏と、東南大学（Southeast University）電気工学部の黄莉（Huang Li）氏によって行われ、学術誌『Power Demand Side Management』に掲載された。彼らが提唱する「改良型グラフ時間畳み込みネットワーク（Modified Graph Temporal Convolutional Network, MGTCN）」は、従来の予測手法をはるかに凌駕する精度を実現し、電力会社が農村の電力網を安全かつ効率的に運営するための強力なツールとなることが期待されている。
従来のEV充電負荷予測は、主に時系列データに依存していた。例えば、過去の充電パターンや時間帯別の需要を分析することで、将来の需要を推測する。しかし、農村地域では、このアプローチに大きな限界がある。農村の電力網は単なる「時間の流れ」ではなく、「空間的な構造」が極めて重要である。ある村で大勢のEVが同時に充電を始めれば、その影響は、同じ変圧器や同じ配電線に接続されている近隣の村にも及ぶ。電圧が低下したり、線路が過熱したりする可能性がある。このように、充電需要は「どこで」発生するかという空間的要因と、「いつ」発生するかという時間的要因が密接に絡み合っている。従来のモデルはこの「時空間的」な複雑さを捉えるのが難しく、予測精度に限界があった。
MGTCNモデルの真の革新は、この時空間の二重性を同時に扱える点にある。その核心は、二つの高度なAI技術の融合にある。第一に「グラフ畳み込みネットワーク（GCN）」。これは、電力網自体を「グラフ」という数学的な構造でモデル化する。ここで、変圧器、配電所、そして各家庭が「ノード（節点）」となり、それをつなぐ電線が「エッジ（辺）」となる。このグラフ構造を用いることで、モデルはネットワークの物理的なつながりを理解し、あるノードでの充電需要が、他のノードにどのように影響を与えるかを学習する。例えば、ある村のノードで負荷が急増すれば、その影響がグラフを伝って周囲のノードに波及する様子をシミュレーションできる。これにより、地域的な「ホットスポット」や、変圧器の過負荷リスクを事前に特定することが可能になる。
第二の柱は「時間畳み込みネットワーク（TCN）」。これは、充電需要の時間的変動、つまり「いつ」充電するかというパターンを深く掘り下げる。TCNは、従来のリカレントニューラルネットワーク（RNN）とは異なり、非常に長い時間スパンにわたる依存関係を効率的に捉えることができる。これにより、日中の通勤時間帯、夜間の帰宅後、そして深夜の電力料金が安い時間帯など、複雑な充電サイクルを高精度に予測できる。特に農村地域では、夜間の安価な電力を利用してEVを充電する「夜間充電」が主流であるため、TCNの能力は極めて重要である。
MGTCNの最大の特徴は、このGCNとTCNを単に組み合わせるだけでなく、さらに「アテンション機構（Attention Mechanism）」を統合している点にある。これは、AIが情報処理の際に、最も重要な要素に「注目」するように仕向ける技術である。実際の運用では、影響を与える要因は常に変化する。例えば、真冬の寒い夜には、外気温がバッテリーの充電効率に大きく影響するため、「気温」が最も重要な予測要因となる。一方、暖かい夏の夜には、電力料金の安さがユーザーの行動を決めるため、「料金」が最も重視される。MGTCNのアテンション機構は、こうした状況に応じて、どのデータ（温度、料金、交通量など）にどれだけの重みを置くかを動的に調整する。この柔軟性が、モデルの予測精度を飛躍的に向上させている。
研究チームは、このモデルの有効性を検証するために、標準的な「IEEE-123ノード」の農村配電網モデルを用いた大規模なシミュレーションを実施した。この仮想の地域には4つの村があり、2,000台の自動車のうち10%がEVであるという現実的なシナリオを設定した。その結果、MGTCNモデルは他の主要なAIモデルと比較して、圧倒的な性能を発揮した。予測誤差を示す「平均絶対パーセント誤差（MAPE）」はわずか4.06%にまで低下し、これはLSTMモデルと比べて39.49%も改善されたことを意味する。また、予測値が実際のデータとどれだけ一致しているかを示す決定係数（R²）は99.67%に達し、モデルがデータの変動をほぼ完全に説明できることを示している。この精度は、電力会社が設備投資や運用計画を立てる上で、極めて信頼できる基盤となる。
シミュレーションの結果からは、農村地域特有のEV充電行動も浮き彫りになった。時間軸では、「二峰二谷（にほうにこく）」と呼ばれる特徴的なパターンが確認された。つまり、日中と深夜の2つのピークと、その間の2つの谷間があるということだ。最も顕著なのは、夜23時から24時の間に発生する「夜間ピーク」である。この時間帯の充電負荷は、昼間のピークの122.05%にも達した。これは、夜間電力料金の安さを背景に、多くのユーザーが帰宅後にEVを接続し、そのまま一晩中充電する習慣を如実に表している。一方で、空間的には、充電負荷が特定の村に集中する「ホットスポット」が形成され、他の地域は比較的負荷が低いという、非常に不均一な分布が見られた。この「時間的集中」と「空間的集中」が重なることで、電力網への負担はさらに増大する。
さらに重要なのは、EVの普及率が高まった場合の影響をシミュレーションした結果である。普及率が10%から20%に上がった段階で、既に電力需要の「ピークと谷間の差」が拡大し始め、電圧の低下も観測された。そして、普及率が40%に達したシナリオでは、状況は一気に厳しくなる。ピークと谷間の差は1.48MWにまで拡大し、電圧は基準値（0.95p.u.）を下回る箇所が相次ぎ、電圧の合格率は40.65%まで低下した。これは、地域の半数以上の家庭で、電化製品の正常な動作が妨げられる可能性があることを意味する。また、ネットワーク損失（線路での電力の無駄）も5.90%と、10%普及時と比べて大幅に増加した。この結果は、EVの普及は直線的なものではなく、ある「臨界点」を超えると、電力網に深刻なストレスがかかるという警鐘を鳴らしている。
この研究の意義は、単に高精度な予測モデルを開発したことに留まらない。それは、EVの普及という社会的変化を、インフラの観点から真剣に捉え、その潜在的なリスクを定量的に評価し、対策を講じるための「地図」を提供した点にある。電力会社は、このMGTCNモデルを用いることで、将来の負荷を正確に予測し、以下のような具体的な対策を取ることができる。
まず、設備の強化だ。モデルが「ホットスポット」として特定した地域の変圧器や配電線を、事前に増強・更新することで、過負荷や停電を未然に防ぐ。次に、需給調整だ。電力会社は、夜間のピークを緩和するために、より複雑な時間帯別料金制度を導入できる。例えば、深夜2時から4時の最も負荷が低い時間帯に、さらに安い「スーパー夜間料金」を設定することで、ユーザーの充電時間をさらに分散させ、ピークを平準化する。さらに先を見据えると、「V2G（Vehicle-to-Grid）」の可能性も開かれる。これは、EVのバッテリーを家庭用蓄電池として活用し、電力需要が最も高い昼間に、車から家庭や電力網に電力を供給する仕組みだ。MGTCNのような高精度な予測モデルがあれば、いつ、どのくらいの電力量が供給可能かを正確に把握でき、V2Gの運用をより現実的なものにする。
農村地域におけるEVの普及は、単なる交通手段の変化ではない。それは、地域のエネルギーの自立性を高め、新たな経済活動を生み出す、地域再生の鍵となる可能性を秘めている。しかし、その鍵を正しく使うためには、支えるインフラ、すなわち電力網の強化とスマート化が不可欠である。王志龍氏と黄莉氏の研究は、そのインフラを守り、進化させるための強力な武器を我々に与えた。それは、AIという最先端の技術が、地域社会の持続可能性を支える、力強い一歩である。
Wang Zilong, State Grid Corporation of China; Huang Li, Southeast University, School of Electrical Engineering. Power Demand Side Management, DOI: 10.3969/j.issn.1009-1831.2024.05.014