EV充電負荷予測、AIで精度向上
電気自動車（EV）の普及が加速する中、その充電需要の予測は電力網の安定運用にとって極めて重要な課題となっている。EVの充電は、従来の家電とは異なり、ユーザーの生活パターンや走行距離、充電タイミングに大きく左右されるため、需要が極めて不規則で、非線形かつ非定常的である。この不確実性は、電力会社にとって大きな運営上のリスクをもたらす。ピーク時の過剰な需要は変圧器の過負荷を引き起こし、停電の原因となり得る。また、インフラの計画においても、正確な需要予測がなければ、無駄な設備投資や、逆に需要に追いつかない供給不足を招く可能性がある。このため、より高精度な短期充電負荷予測技術の開発は、EV社会を支えるインフラの根幹をなすものであり、その重要性はますます高まっている。
こうした背景の中、中国の研究者グループが、EV充電負荷の予測精度を飛躍的に向上させる画期的なAIモデルを開発した。その研究成果は、電力工学分野の専門誌『Shandong Electric Power』に掲載され、業界内外の注目を集めている。この研究の主導者は、広東電網有限責任公司湛江供電局に所属するチェン・シャオフア（Chen Xiaohua）氏であり、広東工業大学のウー・ジーカン（Wu Jiekang）氏、チャン・シュンシャン（Zhang Xunxiang）氏、ロン・ヨンチェン（Long Yongcheng）氏、そして東莞理工学院のワン・ジーピン（Wang Zhiping）氏と共同でこの研究を進めている。
従来のEV負荷予測には、主に二つのアプローチがあった。一つは、ユーザーの行動を確率的にモデル化する「モデル駆動型」の手法で、モンテカルロ法やマルコフ連鎖などが用いられてきた。しかし、これらの方法は実際のユーザー行動の複雑さを完全に再現することが難しく、予測精度に限界があった。もう一つは、過去の充電データを大量に学習させる「データ駆動型」の手法で、サポートベクターマシン（SVM）や、近年話題の長短期記憶（LSTM）ネットワークなどが代表的である。これらのAIモデルは強力だが、多くの場合、複数のハイパーパラメータを人手で最適化する必要があり、その過程は非常に手間がかかる上、最適な値を見つけるのが困難な場合も多かった。特にLSTMのような複雑なモデルは、計算負荷が高く、リアルタイム性が求められる現場での導入が難しいという課題も抱えていた。
チェン氏らの研究チームが目指したのは、これらの従来手法の弱点を克服し、高精度でありながらも実用性の高い予測モデルの構築である。彼らが開発したモデルの名称は「CEEMD-SE-POA-GRNN」。この長い名前は、複数の高度な技術が段階的に組み合わさっていることを示している。
まず、モデルの第一段階では「補完的集合経験的モード分解」（CEEMD）という信号処理技術が用いられる。EVの充電負荷という混沌とした時系列データを、このCEEMDによって、複数のより単純で周期性のある「固有モード関数」（IMF）と、長期的なトレンドを示す「残差成分」に分解する。これは、複雑な音楽を構成する個々の楽器の音に分離するようなもので、全体の複雑さを解消し、それぞれの成分を個別に分析しやすくする。
しかし、この分解過程では、似たような特性を持つ複数のIMFが生成され、情報の冗長性が生じるという問題がある。そこで第二段階では、「サンプルエントロピー」（SE）という指標が登場する。エントロピーは、ある信号の「不規則さ」や「予測の難しさ」を表す数値で、値が低いほどパターンが規則的であることを意味する。研究チームは、分解された各IMFのサンプルエントロピーを計算し、その値が非常に近いIMF同士を「再構成」して一つの成分にまとめる。これにより、不要な冗長性を排除し、モデルの計算効率を大幅に向上させることができる。
第三段階、そして最も核心となるのが、予測エンジンとしての「一般化回帰ニューラルネットワーク」（GRNN）の使用である。GRNNは、非線形な関係を学習する能力に優れ、学習が非常に高速なことが特徴である。そして何より重要なのは、その性能を左右するパラメータが「平滑化係数」というたった一つの値に集中している点だ。これは、複数のパラメータを調整する必要がある従来のAIモデルと比べて、圧倒的にシンプルである。しかし、たった一つのパラメータとはいえ、その値が予測精度に与える影響は極めて大きく、最適な値を見つけることが成功の鍵となる。
ここで登場するのが、モデル名の最後に付く「POA」、すなわち「ペリカン最適化アルゴリズム」（Pelican Optimization Algorithm）である。これは2022年に新たに提唱された、ペリカンの狩猟行動を模倣した最適化手法だ。ペリカンは、広い海域を飛行して魚の群れ（最適解）を探す「探索フェーズ」と、群れを発見した後、集中して急降下して捕獲する「搾取フェーズ」を繰り返す。このアルゴリズムは、この二つのフェーズを数学的に再現し、GRNNの平滑化係数という「魚の群れ」を、効率的かつ高精度に探し出す。研究チームは、このPOAを用いて、膨大な候補の中から最適な平滑化係数を自動的に決定することで、GRNNの予測性能を最大限に引き出すことに成功した。
この一連のプロセスを経て完成したCEEMD-SE-POA-GRNNモデルは、実際のデータでその性能を検証された。2022年3月の10日間分のEV充電負荷データを用いたシミュレーションでは、このモデルは他の6つの先進的な予測モデルを圧倒的に上回る精度を示した。評価指標の一つである「平均二乗誤差」（MSE）は、0.314MWと最も低く、最も精度が高いことを示している。最も精度が低かった単純なGRNNモデルと比べて、誤差は約4分の1にまで削減された。もう一つの指標である「ナッシュ・サットクリフ効率係数」（NSE）も0.958と、1に非常に近い高い値を記録し、予測曲線が実際の負荷変動と非常に良く一致していることを示している。
この研究成果の意義は、単なる学術的な進歩に留まらない。電力会社にとって、これほどの精度の予測が可能になれば、電力の需給バランスをはるかにスマートに管理できる。例えば、夜間や日中の電力需要が低い「谷間」の時間帯に充電を促す「ダイナミックプライシング」（時間帯別料金）を、より的確に設計・運用できる。これにより、ピーク時の負荷を平準化し、発電所の起動や設備投資を最小限に抑えることが可能になる。また、風力や太陽光といった再生可能エネルギーの発電量は天候に左右されるが、EVの充電需要を正確に予測できれば、その余剰電力を効率的にEVの充電に回す「V2G」（Vehicle-to-Grid）や、大規模蓄電池との連携運用も現実味を帯びてくる。
さらに、都市計画やインフラ整備の観点からも、このモデルは非常に有用である。どの地域に、どのくらいの数の充電スタンドを、いつまでに設置すべきかという判断を、直感や経験則ではなく、科学的な予測データに基づいて行えるようになる。これは、公共投資の無駄を省き、ユーザーの利便性を高める上で不可欠なツールとなるだろう。
チェン・シャオフア氏らの研究は、複雑な課題を「分解・最適化・統合」という明快な戦略で解決した点で、非常に示唆に富んでいる。彼らは、最新のAI技術を無批判に導入するのではなく、問題の本質を分析し、それぞれの技術の強みを巧みに組み合わせることで、実用性の高いソリューションを生み出した。これは、技術革新が社会インフラに貢献するための理想的なプロセスと言える。
今後、このモデルはさらに進化していくだろう。気象データやカレンダー情報（祝日や週末）など、外部要因を組み込むことで、予測精度をさらに高めることが可能だ。また、都市部と郊外、家庭用と商用など、異なるタイプの充電需要に特化したモデルの開発も期待される。チェン氏らの研究は、EV時代の電力インフラをよりスマートで持続可能なものにするための、重要な一歩を踏み出したと言えるだろう。
チェン・シャオフア、ウー・ジーカン、チャン・シュンシャン、ロン・ヨンチェン、ワン・ジーピン、山東電力技術、DOI: 10.20097/j.cnki.issn1007-9904.2024.07.001