AIが充電需要を高精度予測、電力網の安定化へ
電気自動車（EV）の普及が世界的に加速する中、そのインフラである充電ステーションは、単なる給電の場から、現代のスマートグリッドにおいて不可欠な「エネルギーノード」へと進化している。しかし、ドライバーの充電タイミングや時間、充電量は個人のライフスタイルや気象、経済状況に大きく左右され、その需要は極めて不規則かつ予測困難な特徴を持つ。この高い不確実性は、電力会社や送電網事業者にとって、電力需給の安定化、発電計画の最適化、再生可能エネルギーの効率的導入という観点から、深刻な課題となっている。こうした背景の中、中国の研究チームが、AI（人工知能）と複数の要因を組み合わせた画期的な予測モデルを開発し、充電需要の予測精度を飛躍的に向上させることに成功した。その成果は、電力網の効率的・安定的な運用に新たな道を切り開く可能性を秘めている。
この研究は、電力システムの革新とスマートグリッド技術に焦点を当てる学術誌『Zhejiang Electric Power』に掲載された。研究を主導したのは、国家電網湖南省電力有限公司長沙供電分公司（State Grid Hunan Electric Power Co., Ltd. Changsha Power Supply Branch）の趙子鋆（Zhao Zijun）氏をはじめとするチームである。彼らは、過去の予測手法の限界を克服するため、気象条件、日付の種類、時間帯、電力価格など、充電行動に影響を与える複数の要因を統合的に分析し、深層学習（Deep Learning）とエラー修正技術を融合したハイブリッドモデルを構築した。その結果、短期から中長期にわたる充電需要の予測精度が、従来の手法を大きく上回る水準に達した。
従来のEV充電需要予測は、主に二つのアプローチに分かれていた。一つは、都市や地域のEV保有台数を予測し、モンテカルロ法などの統計手法を用いて大規模な充電行動をシミュレーションする方法だ。これは長期的なインフラ計画には有用だが、特定の充電ステーションのリアルタイムな需要を捉えるには不向きである。もう一つは、過去の需要データの時系列パターンに着目し、ARIMAや単純なニューラルネットワークで未来の需要を推定する方法である。しかし、このアプローチは、天候の急変、週末と平日の行動の違い、あるいは時間帯別電力料金（ピーク・オフピーク料金）といった外部要因の影響を無視しており、予測精度に限界があった。
趙氏のチームは、この「単一要因モデル」の根本的な欠陥に着目した。彼らは、充電需要の背後には、複雑に絡み合う複数の要因があると指摘する。例えば、季節の影響は顕著である。冬場は暖房使用によるEVの航続距離の低下とバッテリーのイオン活動の鈍化により、充電時間が長くなり、需要が増加する。逆に夏場は、バッテリーの化学反応が活発化し、比較的短時間での充電が可能となる。また、日付の種類も大きな影響を与える。平日は通勤時間帯に需要が集中するのに対し、週末や休日は買い物や旅行などのレジャー活動に合わせて需要が分散し、ピーク時間が異なる。そして、最も重要な経済的要因として、電力価格がある。多くの地域で導入されている「時間帯別料金制度」では、深夜帯の「オフピーク」料金が大幅に割安になる。この価格差は、ユーザーの充電タイミングを大きく左右し、需要曲線に明確なパターンを形成する。趙氏らの研究では、長沙市の実際の充電ステーションのデータを分析した結果、需要のピークが明確にオフピーク料金の時間帯と一致していることが確認された。これらの要因を無視して、過去の需要データだけを頼りにする予測は、必然的に精度が低下する。
こうした洞察に基づき、研究チームは「CNN-LSTM」というハイブリッド深層学習モデルを採用した。このモデルは、二つの強力なAI技術の長所を組み合わせたものである。まず、「CNN（畳み込みニューラルネットワーク）」は、画像認識分野で優れた成果を上げている技術で、複雑なデータから重要な特徴を自動的に抽出する能力に優れている。研究チームは、季節、曜日、祝日フラグ、時間帯、直近の需要、料金帯といった多様な入力データをCNNに与え、それらが相互にどう関連しているか、どの要因が予測に重要かを「学習」させる。この前処理により、ノイズや無関係な情報がフィルタリングされ、LSTMに有効な特徴だけが供給される。
次に、「LSTM（Long Short-Term Memory、長短期記憶）」は、時系列データの長期的な依存関係を捉えることに特化したリカレントニューラルネットワークの一種である。CNNから受け取った「洗練された特徴」をもとに、LSTMは時間の経過とともに需要がどのように変化するかをモデル化する。これにより、過去の需要パターンだけでなく、外部要因の影響を織り込んだ、より現実的な未来の需要予測が可能になる。研究チームは、このCNN-LSTMモデルが、単体のLSTMモデルよりもはるかに高い予測精度を発揮することを実証した。
しかし、研究チームはここで満足しなかった。EVの充電行動には、AIモデルでも完全に予測しきれない「強いランダム性」が存在する。これにより、予測値と実際の需要の間にどうしても誤差が生じてしまう。この誤差を放置すれば、精度の向上は頭打ちになる。そこで彼らが導入したのが、予測結果をさらに「洗練」するための二段階目のAI、すなわち「エラー修正モデル」である。
この修正モデルには、「RF（Random Forest、ランダムフォレスト）」という機械学習アルゴリズムが用いられた。RFは、多数の決定木を構築し、その予測結果を統合することで、頑健で高精度な予測を実現するアンサンブル学習法の一種である。研究チームは、CNN-LSTMモデルが最初に出した予測結果と、その後に判明した実際の需要の差（残差）に着目した。この「予測誤差」自体も、時間の経過とともに一定のパターンを持つ可能性がある。彼らは、この「誤差の時系列データ」を新たな学習対象としてRFに与え、未来の誤差を予測させた。最後に、CNN-LSTMの予測値から、RFが予測した「誤差の量」を差し引くことで、最終的な、より正確な需要予測値を得る。この「予測→誤差分析→修正」という二段階のプロセスは、単純なAIモデルよりもはるかに洗練されたアプローチであり、精度の飛躍的な向上を可能にした。
研究の信頼性を検証するため、チームは中国・長沙市にある2つの実際の充電ステーション（A駅とB駅）の2022年全年間の15分ごとの需要データを用いて大規模なシミュレーションを実施した。データの前8か月をAIモデルの学習（トレーニング）に使い、後4か月を予測精度の検証（テスト）に用いた。この「アウト・オブ・サンプル」テストは、モデルが過去のデータに過剰に適合（オーバーフィッティング）しておらず、未知の未来のデータに対しても有効に機能するかを確認するための、非常に重要な手法である。
評価の結果は驚くべきものだった。中長期予測（1か月先）では、A駅の10月の需要予測において、RFで修正されたCNN-LSTMモデルは、RMSE（平均平方二乗誤差）を84.36kWにまで低下させた。一方、修正前のCNN-LSTMモデルは539.84kW、単体のLSTMモデルは572.80kWと、修正モデルの6倍以上もの誤差を示した。決定係数R²は、修正モデルで0.99という驚異的な数値を記録し、予測値が実際の需要をほぼ完全に説明できていることを意味する。
短期予測（1週間先、1日先）でも同様の傾向が見られた。特に、より変動が激しい1日単位の予測では、修正モデルの優位性が際立った。B駅のデータでは、修正モデルのR²は0.99に達したのに対し、単体のLSTMモデルは0.36にとどまった。これは、修正モデルが平日、週末、祝日といった異なる日付タイプの需要パターンを的確に捉え、予測できていることを示している。
最も困難とされる超短期予測（2時間先）の結果も衝撃的だった。需要は数分単位で急激に変動するため、従来のモデルではその「変化の転換点」を捉えることが極めて困難だった。しかし、修正されたCNN-LSTMモデルは、この点を「鋭敏に捉える」ことができた。RMSEは624.05kWから178.28kWへと71%以上も削減され、R²は0.40から0.80へと大幅に向上した。これは、電力網のリアルタイム制御や、V2G（Vehicle-to-Grid）技術による双方向エネルギー取引において、極めて貴重な情報を提供できるレベルの精度である。
この研究の意義は、単に予測精度を向上させたという点に留まらない。その実用的価値は多岐にわたる。まず、電力会社にとっては、需要の正確な予測が、発電所の運転計画（ユニットコミットメント）を最適化し、高コストのピーク電源の稼働を最小限に抑えることを可能にする。また、再生可能エネルギー（風力、太陽光）の出力が天候に依存して不安定であることを補完し、電力の安定供給を支える。次に、充電ステーション事業者にとっては、需要予測に基づいたダイナミックプライシング（需要に応じた価格変動）や、設備の増強計画、顧客サービスの向上に活用できる。さらに、今後本格化が見込まれるV2G技術では、EVが家庭や電力網に電力を戻す（ディスチャージ）仕組みが導入されるが、その双方向のエネルギー流を安全かつ効率的に管理するためには、需要と供給の両方を高精度で予測する技術が不可欠である。趙氏らのモデルは、まさにその基盤技術としての役割を果たすことができる。
方法論的にも、この研究はAIの応用において示唆に富んでいる。CNNとLSTMという二つの深層学習技術を組み合わせるだけでなく、予測の「間違い」に着目し、その間違いを再びAIで予測・修正するという「メタ的な思考」が、真の精度向上の鍵となった。これは、AIが単なるブラックボックスではなく、その内部の動作や限界を理解し、それを克服するための戦略を設計する「人間の知性」の重要性を示している。
結論として、趙子鋆、彭清文、鄧銘、李琳、鄧亜芝、陳柏沅、呉東琳の各氏によるこの研究は、EV充電需要予測という複雑な課題に対して、多要因の統合とエラー修正という二つのアプローチを組み合わせることで、画期的な解決策を提示した。その成果は、単なる学術的な成果にとどまらず、電力網の安定化、再生可能エネルギーの普及、そしてよりスマートなモビリティ社会の実現に向けた、重要な一歩である。彼らの研究は『Zhejiang Electric Power』（DOI: 10.19585/j.zjdl.202404003）に掲載されている。