EV充電料金の最適化でスマートシティが進化
都市の持続可能性を高めるための鍵となる電気自動車（EV）の普及が進む中、電力網と都市交通網の連携を強化する画期的なEV充電料金の最適化手法が登場した。この研究は、国家電網北京電力会社の陸斯悦（Lu Siyue）氏をリードとするエンジニアチームにより行われ、2024年9月に『Computer Applications and Software』誌に掲載された。本研究は、風力発電などの再生可能エネルギーを効率的に活用し、都市の交通渋滞を緩和するための新しい枠組みを提示しており、今後のスマートシティの発展に大きな影響を与える可能性を秘めている。
従来のEV充電管理は、電力会社が時間帯別料金を設定する「価格ベース」のアプローチが中心だった。これにより、電力需要の平準化や再生可能エネルギーの活用促進が図られてきた。しかし、これらの施策は主に電力系統の安定化に焦点を当てており、EVユーザーの移動行動や都市交通への影響を十分に考慮していなかった。例えば、安価な電力が供給される時間帯に多くのEVが一斉に充電を開始すれば、特定の充電ステーション周辺に交通渋滞が発生する可能性がある。逆に、交通が混雑する時間帯に充電料金を高く設定すれば、ユーザーは高コストを避けるために充電を控え、結果として再生可能エネルギーの有効利用が妨げられる。このように、電力網（Distribution Network: DN）と都市交通網（Urban Transportation Network: UTN）は密接に絡み合っているが、これまでこれらを統合的に最適化する枠組みは確立されていなかった。
陸氏らの研究は、この課題に正面から取り組んでいる。彼らは、電力網と交通網が相互に影響し合う「連成システム」として都市を捉え、その社会的総コストを最小化することを目標とした。社会的総コストとは、交通の所要時間、充電待ち時間、発電コストなど、都市全体の効率性を左右するさまざまな要素の合計を意味する。この目標を達成するために、彼らは「二層最適化モデル」と呼ばれる複雑な数理モデルを構築した。
このモデルの「上層」は、電力網の視点に立っている。ここでは、風力発電の出力が天候に左右され、予測が難しいという「不確実性」を前提に、電力網の運用コストを最小化するための「充電サービス料金（Charging Service Fees: CSF）」を決定する。CSFとは、電力会社が設定する基本料金に加算される、充電ステーション運営者による追加料金のことで、これを動的に調整することで、EVの充電行動を誘導することが可能になる。例えば、風が強く、大量の風力発電が行われている時間帯にはCSFを下げて充電を促し、逆に電力需要がピークの時間帯にはCSFを上げて充電を抑制するといった戦略が取れる。この上層の問題は、電力の流れや電圧の制約を厳密に考慮するため、高度な数学的手法である「二次錐最適化（SOCP）」問題として定式化されている。
一方、「下層」は、交通網の視点に立っている。ここでは、個々のEVドライバーが、出発地から目的地までの最短経路や、充電ステーションでの待ち時間を考慮しながら、自分のコスト（時間と料金）を最小化するように行動すると仮定している。これは「ユーザー均衡（User Equilibrium: UE）」と呼ばれる経済学的な概念であり、誰もが自分の行動を変えることで得られる利益がなくなる状態、つまり最適な交通流が実現した状態を表している。この下層では、都市の出発地から目的地への交通需要（OD交通流）もまた、時間や曜日によって変動する不確実な要素として扱われている。
この二層モデルの真の難しさは、上層と下層が相互に影響し合う点にある。上層が設定したCSFという「価格信号」が、下層のドライバーのルート選択に影響を与え、その結果として電力需要が変化する。すると、その変化した電力需要に対して、上層は再び最適なCSFを計算しなければならない。このように、価格と需要が絶えずフィードバックし合う複雑な関係を、従来の数学的手法で解くことは極めて困難だった。
そこで陸氏らのチームが採用したのが、「ディープ強化学習（Deep Reinforcement Learning: DRL）」という最先端の人工知能（AI）技術である。DRLは、ゲームやロボット制御の分野で成果を上げてきた技術で、環境と相互作用しながら「報酬」を最大化する最適な行動方針（ポリシー）を自ら学習する能力を持つ。本研究では、DRLを「価格を決めるAIエージェント」として活用している。このAIエージェントは、風力発電の出力予測や交通需要の予測といった「状態」を入力として受け取り、それに基づいてCSFという「行動」を決定する。その行動の結果として得られる社会的総コストの改善度合いが「報酬」となり、AIはこの報酬を最大化するように、自らの価格設定ポリシーを繰り返し学習・改善していく。
研究チームは、このDRLフレームワークを、5ノードの簡易ネットワークと、39ノードの実際の都市を模した大規模ネットワークの2つのケーススタディで検証した。5ノードのシミュレーションでは、最適化されたCSFの導入により、社会的総コストが14.9%も削減された。特に注目すべきは、風力発電の「カーティールメント（curtailment）」、つまり発電できるのに電力需要がなく、無駄に捨てなければならない電力の割合が、31.1%から4.8%へと劇的に低下したことである。これは、価格信号によってEVの充電タイミングを風力発電のピークにうまく誘導できたことを示している。また、交通面でも、特定の道路に集中していた交通が分散し、より均等な交通流が実現した。
大規模な都市ネットワークのシミュレーションでも同様の成果が得られた。CSFの最適化により、社会的総コストは2.05%削減され、風力発電の消費率は特定の地域で最大95.3%まで上昇した。これは、都市の電力インフラと交通インフラが連携することで、再生可能エネルギーの有効活用と交通渋滞の緩和という、一見すると相反する目標を同時に達成できる可能性を示している。
本研究の意義は、技術的な成果だけでなく、そのアプローチの革新性にもある。これまで、電力会社と交通当局は別々の組織で、それぞれ独立に意思決定を行ってきた。しかし、本研究は、これらの分野を統合的に管理する「スマートシティ・レベル」の運営フレームワークの必要性を強く示している。AIが価格というツールを用いて、エネルギーと交通という二つの巨大なシステムをシームレスに連携させることで、都市全体の効率性と持続可能性を飛躍的に高める道筋を示したのである。
さらに、研究チームは、非DRLの手法との比較も行っている。例えば、価格を「安い」「普通」「高い」の3段階にしか分けられないような単純なルールベースのAIと比較したところ、DRLははるかに優れた性能を発揮した。これは、DRLが連続的で細かい価格調整が可能であり、複雑な都市環境に柔軟に対応できる強みを示している。また、学習に用いたデータとは異なる、未知の交通需要や風力発電パターンに対しても高い性能を維持する「汎化能力」も確認されており、実用化への可能性を高めている。
この研究は、今後のスマートモビリティのあり方を根本から見直すものである。EVは単なる「走る電化製品」ではなく、都市のエネルギーシステムと交通システムの両方を最適化するための「移動型のエネルギー貯蔵装置」としての役割を果たすことができる。陸氏らの研究は、その可能性を具体的な数理モデルとAI技術で具現化した点で、非常に重要な一歩である。今後、この技術が実際の都市に導入されれば、電力料金の表示に「今なら充電がお得！」という動的な情報が加わり、ナビゲーションシステムは「このルートだと充電待ちが長く、少し遠回りしてもこのステーションが安くて空いています」という提案をしてくれるようになるかもしれない。こうした未来のスマートシティの実現に向けて、本研究は確かな基盤を築いたと言える。
陸斯悦、及洪泉、張禄、徐蕙、王培、国家電網北京電力会社、Computer Applications and Software、DOI: 10.3969/j.issn.1000-386x.2024.09.053