AI活用でバッテリースワップ駅を最適化
電気自動車（EV）の普及が加速する中、充電インフラの進化はもはや単なる「充電時間の短縮」にとどまらない。ユーザーの利便性、電力網の安定性、そして事業者のコスト効率を同時に最適化する「スマートなエネルギーマネジメント」が、次なる競争の主戦場となっている。この分野において、中国の研究チームが画期的な成果を発表した。バッテリースワップステーション（BSS）のリアルタイム充電スケジューリングに、深層学習の一種である「ゲート付きリカレントユニット（GRU）」を応用することで、従来の手法をはるかに凌駕する高速かつ高精度な運営を可能にする新戦略である。
この研究は、張家口電力供給会社（State Grid Gansu Electric Power Company）の張吉波（Zhang Jibo）、華北電力大学の王勝生（Wang Shengsheng）および王子奇（Wang Ziqi）の3名の研究者によって行われ、学術誌『Microcomputer Applications』に掲載された。その核心は、複雑な最適化問題を瞬時に解決する「AIによる意思決定」の実現にある。
バッテリースワップというコンセプトは、EVの最大の課題である「長時間の充電待ち」を解決する有効な手段として注目されている。ユーザーは数分で空のバッテリーを満充電のものと交換でき、ガソリン車の給油と同等の利便性を享受できる。しかし、このサービスの裏側では、膨大な数のバッテリーの充電・放電サイクルをいかに効率的に管理するかという、極めて複雑な運営課題が存在する。電力料金は時間帯によって変動し（時間帯別料金）、ユーザーの需要は天候や交通状況に左右され、さらに「V2G（Vehicle-to-Grid）」技術を活用して、満充電のバッテリーから電力網に電力を戻すことで収益を得ることも可能だ。これらの要素をリアルタイムで最適化するのは、人間の判断や従来の計算手法では極めて困難である。
従来の運営手法は、主に「日前スケジューリング」に依存していた。これは、過去のデータをもとに翌日の需要を予測し、それに基づいて充電計画を立てるものである。しかし、現実の世界は予測通りにはいかない。突発的な交通渋滞で需要が急増したり、好天により太陽光発電が増えて電力価格が急落したりする。こうした「予測外の事象」に、日前スケジュールは柔軟に対応できず、結果としてコストが嵩んだり、ユーザーに満充電バッテリーを提供できなかったりするリスクが常に伴う。
研究チームが提案したGRUベースの手法は、この根本的な課題を解決する。そのアプローチは、いわば「AIに最適な運営の知恵を学ばせる」というものだ。まず、研究者たちは、あらゆるシナリオを想定した数千の最適な運営パターンを、従来の数学的最適化手法で事前に計算し、膨大なデータセットを構築した。このデータセットには、過去の充電履歴、未来の電力価格予測、需要予測といった「入力情報」と、それに対して最適な「充電・放電の指示（出力）」がペアで含まれている。
次に、このデータセットを用いてGRUネットワークを訓練した。GRUは、時間の流れに沿ったデータ（時系列データ）のパターンを学習するのに特に優れた深層学習モデルである。これにより、AIは「過去1時間の充電状況と、未来3時間の電力価格予測がこうだった場合、最適な行動は『A台のバッテリーを高パワーで充電し、B台のバッテリーを電力網に放電する』ことだ」というような、複雑な因果関係を自ら学習する。
訓練が完了したAIモデルは、実際の運用フェーズでは「瞬時の予言者」となる。スワップステーションの運営センターは、リアルタイムで得られる最新の需要情報や電力価格をAIに入力する。すると、AIは学習した知識を基に、わずか数ミリ秒のうちに、今まさに何台のバッテリーをどのパワーで充電・放電すべきかという最適な指示を出力する。この速度は、従来の最適化ソルバーが数秒から数十秒かかるのと比べて、圧倒的な差である。
この研究の真の価値は、その「適応力」にある。研究チームは、シミュレーションで「午前10時以降、需要が予測の半分に急落する」という極端なシナリオを設定した。従来のモデル予測制御（MPC）手法は、事前に立てた計画に縛られ、対応が遅れ、結果として多くのバッテリーを無駄に充電し続け、コストを増大させた。一方、GRUモデルは、需要の急落を検知すると即座に方針を転換。不要な充電を停止し、むしろ満充電のバッテリーを活用して、高価格帯の時間帯に電力網に大量に放電することで、損失を最小限に抑え、新たな収益さえも創出した。この柔軟な対応力こそが、AIの強みを如実に示している。
この技術の導入がもたらすメリットは多岐にわたる。第一に、運営コストの大幅な削減が挙げられる。AIは常に電力価格が最も安い時間帯に充電を行い、最も高い時間帯に放電を行うことで、エネルギーアービトラージの機会を逃さない。第二に、サービス品質の向上である。AIは需要の変動を正確に予測し、常に十分な数の満充電バッテリーを用意することで、ユーザーの待ち時間をゼロに近づけることができる。第三に、電力網への貢献である。スワップステーションは、AIの制御により、巨大な分散型エネルギー貯蔵システム（BESS）として機能する。再生可能エネルギーの発電量が多すぎる「余剰時」には電力を吸収し、電力需要がピークに達する「不足時」には電力を供給することで、電力網の安定化に大きく貢献する。これは、カーボンニュートラル社会の実現に向けた重要なインフラとなる。
さらに、バッテリーの寿命延長という、目に見えないが極めて重要なメリットもある。AIは、バッテリーに無駄な充放電サイクルを強いることがない。必要最小限の充電で済むように計画を立てるため、バッテリーの劣化を抑制し、交換サイクルを延ばすことができる。これは、高価なバッテリー資産の維持管理コストを削減するだけでなく、リチウムイオンバッテリーの生産・廃棄に伴う環境負荷を軽減する、サステナブルな側面も持つ。
この研究は、単なる技術的な進歩を越えて、モビリティとエネルギーシステムの融合（Mobility-Energy Nexus）を象徴している。自動車産業はもはや、車両の製造にとどまらず、エネルギーの流れをデザインする産業へと進化している。張吉波らの研究は、その最前線で、データとAIがいかに物理的な世界を最適化できるかを示した好例である。彼らの手法は、スケーラビリティも高く、単一のスワップステーションだけでなく、都市全体のネットワークを統合的に制御するマスターシステムとしても応用可能だ。
もちろん、課題は残る。AIモデルの性能は、学習に用いるデータの質と量に大きく依存する。もし、ユーザーの行動様式がAIが学習したパターンと大きく乖離するような社会的変化（例：テレワークの普及による通勤パターンの変化）が起こった場合、モデルの精度が低下する可能性がある。そのため、継続的なデータの更新とモデルの再訓練が不可欠となる。また、AIが「なぜそのような決定をしたのか」を人間が理解しにくい「ブラックボックス性」も、安全性が要求されるインフラ分野では懸念材料となる。今後の研究では、AIの判断プロセスを可視化する「説明可能なAI（XAI）」技術との融合が、信頼性を高める鍵となるだろう。
しかしながら、これらの課題は進化の過程におけるものに過ぎない。張吉波、王勝生、王子奇の研究は、バッテリースワップという特定の技術にとどまらず、スマートシティにおけるエネルギーマネジメントの未来像を描いている。それは、あらゆるエネルギー機器がAIで制御され、最適なタイミングでエネルギーを貯め、使い、分け合う、ダイナミックで効率的なシステムである。EVの未来は、より速く、より遠く走ることだけではない。それは、より賢く、よりスマートにエネルギーと関わることにある。この研究は、その未来への確かな一歩を示している。
Zhang Jibo, Wang Shengsheng, Wang Ziqi, Microcomputer Applications, DOI: 10.1007-757X(2024)11-0263-05