AIがEV充電インフラを最適化
電気自動車（EV）の普及が加速する中、新たな課題が都市のインフラに突きつけられている。充電ステーションでの長蛇の列、ピーク時間帯の高額な充電コスト、そして大量のEVが一斉に充電することで引き起こされる電力網の不安定さ。これらの問題は、単に不便さをもたらすだけでなく、EVの普及そのものにブレーキをかける可能性さえある。こうした複雑な課題に真っ向から取り組むべく、中国の研究チームが画期的なソリューションを提案した。それは、道路自体を「知的なエージェント」として機能させる、多エージェントグラフ強化学習（MAGRL）と呼ばれる高度な人工知能（AI）アルゴリズムである。
この研究は、国家電網福建省電力有限公司福州供電公司の梁華彬（リャン・ファービン）氏と林兼（リン・ジェン）氏、および福州大学電気工学・自動化学院の袁羽娟（ユエン・ユージュアン）氏によって進められ、電力システムの権威ある学術誌『Hubei Electric Power』に掲載された。彼らの提案するシステムは、従来のナビゲーションが「最短距離」にしか注目しないのに対し、EVのユーザー、充電ステーションのオペレーター、そして電力会社という、すべての関係者の利益を同時に最適化することを目指している。その鍵となるのが、「二重時間スケール」という独自のフレームワークだ。
このフレームワークの第一の柱は「遅い時間スケール」にある。これは10分ごとに更新される仕組みで、電力網の各ノード（接続点）における「ノードマージナル価格（LMP）」を計算する。この価格は、単なる固定料金ではなく、その瞬間、その場所で電気を供給するための「真のコスト」を反映している。電力の需要と供給、再生可能エネルギーの発電量、さらには配電線の負荷状況までを考慮した、極めて動的な価格である。つまり、ある地域の太陽光発電が盛んであれば電気は安くなり、逆に需要が集中する地域では価格が上がる。このリアルタイムの価格信号が、AIアルゴリズムに「どこで充電するのが経済的か」を教える重要な指標となる。
第二の柱は「速い時間スケール」で、こちらは1分ごとの頻度で動作する。ここにMAGRLの真骨頂が現れる。従来のAIは、各EVを独立した「エージェント」として扱い、個々の最適ルートを計算しようとする。しかし、このアプローチでは、他の車両との協調性が欠け、結果として特定の充電ステーションに車両が集中してしまう「渋滞」を招く。梁氏らの研究チームは、視点を根本的に変えた。彼らは、道路自体を知的なエージェントと見なす。都市の道路網は、交差点をノード、道路をエッジとする「グラフ」としてモデル化できる。MAGRLは、このグラフ構造を活かし、各道路セグメント（ノード）に配置された複数のAIエージェントが、周囲の情報を共有しながら協調的に意思決定を行う。
このシステムの心臓部には「グラフ畳み込みネットワーク（GCN）」と呼ばれるAI技術が搭載されている。GCNは、道路や電力網のような不規則なネットワーク構造のデータを、従来のAIが得意とする形に変換し、効率的に処理できる。各道路エージェントは、リアルタイムで流入してくる情報を次々と処理する。それは、その道路の現在の交通速度、隣接する充電ステーションの行列の長さ、予想される待ち時間、そして先述の動的電力価格である。これらの複雑なデータを統合し、AIは「どの次の道路を選ぶべきか」という決定を、1分ごとに繰り返し行う。
ここで重要なのは、最適化の目的が単一の指標に留まらない点だ。MAGRLは、ユーザーの視点（時間的・経済的コスト）、ステーションの視点（負荷の均等化）、電力網の視点（電圧の安定性）という4つの主要な指標を同時に最適化する「マルチオブジェクティブ最適化」を行っている。AIは、ユーザーが最も早く・最も安く充電できるルートを提案するだけでなく、無理に中央のステーションに集めるのではなく、周辺の空いているステーションに分散させるよう誘導する。これにより、ユーザーは短時間で充電でき、ステーションは効率的に稼働し、電力網も安定した状態を保つことができる。まさに、三者の「ウィン・ウィン・ウィン」を実現する仕組みである。
研究チームは、この理論が実世界でどれほど有効かを検証するために、25ノードの都市交通網とIEEE 33ノードの電力配電システムを組み合わせた大規模なシミュレーションを実施した。4つのEV急速充電ステーションをネットワークに統合し、EVの充電需要が全体の12%から28%にまで変化する5つの異なるシナリオを想定した。その結果は、従来の「最短経路法」（ダイクストラ法）と比較して、MAGRLが圧倒的な性能を発揮することが明らかになった。
まず、ユーザーの体験が劇的に改善される。シミュレーションでは、MAGRLを用いた場合、EVユーザーの平均待ち時間が大幅に短縮された。これは、AIが行列の長いステーションを避け、空いている施設に上手く誘導しているためだ。また、経済的コストも低下した。AIが動的電力価格を巧みに利用し、電気が安い時間帯や地域のステーションにユーザーを導いた結果である。これは、ユーザーの充電料金の削減という直接的なメリットをもたらす。
次に、充電ステーションの運営効率が飛躍的に向上した。従来の方法では、地理的に中心にあるステーションにEVが集中し、一方で郊外のステーションは閑散とする「偏り」が生じていた。しかし、MAGRLは需要を均等に分散させることで、すべてのステーションの利用率を高めた。これは、施設の寿命を延ばし、投資のリターンを最大化する上で極めて重要である。特に充電需要が高まる（28%のシナリオ）ほど、このMAGRLの分散誘導能力の優位性が際立った。
そして、最も技術的に重要な成果が、電力網の安定性の向上である。大量のEVが同時に充電を始めると、その地域の電圧が急激に低下し、停電のリスクが高まる。シミュレーションでは、MAGRLを用いることで、電圧の平均的な偏移量が最大で30%も削減された。AIは、電力網の弱い部分に負荷を集中させず、電圧が安定したノードに接続されたステーションを優先的に利用することで、電力網の健康状態を守っている。これは、大規模なインフラ投資をせずに、既存の電力網の能力を最大限に引き出す、非常に現実的なソリューションである。
さらに、この研究は技術的革新だけでなく、社会的配慮も見事に両立している。それは「ユーザーのプライバシー保護」である。AIが最適なルートを提案するには、当然ながらEVの現在地やバッテリー残量（SOC）といった非常に個人的な情報を扱う必要がある。この点について、研究チームは非常に洗練された解決策を提案している。それは、「独立情報モジュール」と呼ばれる仕組みだ。このモジュールにより、EVの個人情報はユーザーの端末内で処理され、AIシステムに送られるのは、位置やSOCといった生データではなく、あらかじめ匿名化・集約化された「特徴量」だけになる。これにより、AIは効果的に機能しつつも、ユーザーの個人情報が外部に漏れるリスクを最小限に抑えられる。これは、スマートシティのインフラが信頼されるために不可欠な設計思想であり、今後のAI応用の模範となるだろう。
このMAGRLアルゴリズムの強みは、その「拡張性」にもある。シミュレーションでは、EVの台数が増加しても、モデルの基本的な構造やパラメータを変更する必要がなかった。AIは新たな状況に柔軟に対応し、継続的に最適な意思決定を行えた。これは、今後さらにEVが普及する未来社会において、このシステムが長期間にわたり有効であることを示唆している。
結論として、梁華彬氏、林兼氏、袁羽娟氏のこの研究は、単なる「ナビゲーションの改良」をはるかに超えた、都市インフラの根本的な再設計を提案している。それは、交通とエネルギーという二つの巨大なシステムを、AIという神経網で緊密に結びつけ、動的に最適化するという、パラダイムシフト的なアプローチである。EVの普及は、環境への配慮から始まったが、その成功は、こうした高度なインテリジェンスによるインフラの支えにかかっている。この研究は、スマートモビリティの未来が、単に車両の性能ではなく、それを支える「見えない知性」によって決まる時代が到来していることを、明確に示している。
梁華彬、林兼、袁羽娟、Hubei Electric Power、DOI: 10.19908/j.hep.2024.03.002