EV充電需要の予測精度を革新する新モデル
電気自動車（EV）の急速な普及は、都市の電力網に新たな課題を突きつけている。運転手たちが帰宅後に一斉に充電を開始する夜間帯、電力需要のピークが急上昇し、電力システムの安定性を脅かすリスクが高まっている。この需要の急増は、単なる一時的な現象ではなく、EV保有台数の指数関数的な成長に伴い、毎年、毎月、そのピークが前年を上回る「成長する変動性」を伴っている。この複雑な現象を正確に予測することは、電力会社や都市計画当局にとって喫緊の課題であり、従来の予測モデルではその全貌を捉えきれないのが現状だった。
こうした中、湖南大学電気工学部の陳亮（チェン・リャン）博士率いる研究チームが、EV充電需要の予測において画期的な進展をもたらす新技術を発表した。彼らの研究は、国際的な学術誌『Journal of Modern Power Systems and Clean Energy』に掲載され、その内容は単なる精度向上にとどまらず、EVがもたらす電力需要の根本的な変化に正面から取り組んでいる。
陳博士のチームが突き止めたのは、「異分散性（いぶんさんせい）」という統計学的な問題が、従来の予測を大きく狂わせていることだった。簡単に言うと、データのばらつき（分散）が時間とともに変化する現象だ。EVの充電データを分析すると、深夜帯の最低需要は0から50メガワットの間で比較的安定しているのに対し、夜23時から0時のピーク需要は2年間で2倍にまで膨らんだ。このように、ピークが年々高くなる一方で、谷が変わらないため、全体としてのデータのばらつきが大きくなり続けている。これが「異分散性」である。
この現象が予測に与える影響は深刻だ。研究チームは、この「成長するピーク」が、他の重要な影響要因の信号を完全に「かき消している」ことに気づいた。例えば、気温だ。極端に暑い日も、極端に寒い日も、EVのバッテリーは効率が落ち、エアコンの使用も増えるため、充電需要が高まる。これは理論的にも直感的にも明らかだ。しかし、実際の充電データをそのまま分析すると、気温と充電需要の相関はほとんど見えない。なぜなら、夜間のピーク需要の圧倒的な成長スピードが、気温による細かな変動をすべて飲み込んでしまうからだ。まるで、小さな波の動きを、巨大な津波の高さに隠されてしまうようなものである。
陳博士はこの問題を、「ノイズにかき消された会話に耳を澄ませるようなもの」と例える。都市の電力網は、気温や曜日、季節といった多くの「声」が交錯する複雑な環境で動いている。しかし、EVの急速な普及という「大きなノイズ」が、他のすべての声をかき消している。従来の予測モデルは、この「ノイズ」を前提にした上で、他の要因を読み取ろうとしていたため、精度が限られていた。
そこで彼らが開発したのが、二段階のアプローチである。第一段階は、データの「浄化」だ。彼らは「STDR分解」という独自の手法を用いる。これは、時系列データを「季節性」「トレンド」「分散度」「残差」の4つの層に分解する技術だ。ここで鍵となるのが「分散度」という新たな層の導入だ。従来のモデルは、変動の大きさを「残差」（予測できないノイズ）として扱ってきたが、陳博士らは、この「変動の大きさそのもの」に着目し、それを独立した「分散度」としてモデル化した。これにより、年々大きくなるピークの「成長トレンド」と、その「変動の大きさ」を明確に分離することができる。
この分解プロセスを経ると、驚くべきことが起こる。先ほど「かき消されていた」気温の影響が、鮮明に浮かび上がる。分解された「季節性」成分を気温と照らし合わせると、その相関係数は0.91に達した。これは、気温という一つの要因で、季節的な充電パターンの90%以上を説明できる、ということを意味する。成長するピークという「ノイズ」をフィルターで取り除くことで、隠れていた真の関係が見えてきたのだ。
データが浄化されたら、第二段階の「予測」に移る。ここでは、最先端のAIモデル「Informer」が登場する。Informerは、非常に長い期間のデータを扱うことに特化した深層学習モデルだ。従来のAIモデルは、過去のデータを一つ一つ丁寧に比較するため、予測期間が長くなると計算に膨大な時間がかかるという弱点があった。しかし、Informerは「確率的疎な自己注意（probabilistic sparse self-attention）」という革新的な仕組みを持っている。これは、過去の膨大なデータの中から、未来の予測に最も関係のある「重要な瞬間」を自動的に見つけて、そこにのみ集中して学習する能力だ。まるで、何千ページにも及ぶ小説を読んで、未来の展開を予測する際に、主人公の決定的な会話シーンや、伏線となる描写にだけ目を向けるようなものだ。これにより、数ヶ月先の充電需要を、効率的かつ高精度に予測することが可能になる。
陳博士のチームは、この二つの技術——「STDR分解」と「Informer予測」——を融合させたハイブリッドモデルを構築した。まずSTDRが、成長するピークという「ノイズ」を除去してデータを浄化し、次にInformerが、浄化されたデータの本質的なパターンを学習して未来を予測する。最後に、予測された各成分を再び組み合わせて、最終的な充電需要の予測値を得る。
このモデルの性能は、実際のデータで検証された。ある大都市の2年間にわたる7万点以上の充電データを用いて、従来の代表的な3つのモデル（LSTM、Prophet、標準的なトランスフォーマーモデル）と比較した。その結果、陳博士のモデルはすべての評価指標で圧倒的に優れた。特に、実際のビジネス判断に最も影響を与える「平均絶対誤差率（MAPE）」という指標では、最良の従来モデルと比べて33%以上も誤差を削減した。これは、電力会社が発電量をどれだけ正確に計画できるか、また、都市がどの場所に新しい充電ステーションを設置すべきかを判断する上で、決定的な差を生む。
この精度の向上は、単なる数字の改善ではない。電力網の安定性を守るための「先見の明」をもたらす。例えば、AIが「来週の金曜日の夜、気温が急上昇し、同時に多くの人が帰省するため、充電需要が異常に高くなる」と正確に予測できれば、電力会社は事前に発電量を増やしたり、ピークカットのための割引キャンペーンを発表したりできる。また、都市計画者は、特定の商業地区に大型の充電ステーションを建設するべきかどうかを、確かなデータに基づいて判断できる。
さらに、この研究の意義は技術的な側面にとどまらない。それは、EVの普及が単なる「ガソリン車から電気車への置き換え」ではなく、電力システムそのものの「構造的変化」をもたらしているという認識を、明確に示している点にある。EVは単なる「電力消費者」ではない。彼らは、ユーザーの行動、気候、電力料金制度（時間帯別料金）など、多くの要因によって、その充電行動を柔軟に変化させる「動的な負荷」である。陳博士のモデルは、この「動的な負荷」の複雑さを、統計学とAIの力で解き明かそうとした、画期的な試みだ。
今後の課題として、陳博士は「家庭用充電」の重要性を指摘する。現在の分析の大半は、商業施設や道路沿いの「公共充電ステーション」のデータに基づいている。しかし、多くのEVユーザーは、自宅のガレージで夜間充電を行っている。この「分散型」の充電需要は、公共のものとは異なるパターンを持つ可能性があり、今後の研究の重要なテーマとなる。
「EVの時代は、電力システムの予測も、従来の常識を覆す必要があります」と陳博士は語る。「私たちは、成長するノイズに耳を塞がれず、その背後にある真の声に耳を傾ける新しい方法を見つけた。これは、よりスマートで、より強靭で、より持続可能な都市の未来を築くための一歩です。」
この研究は、技術革新が、環境問題やインフラの課題といった社会的な課題の解決にどう貢献できるかを、見事に示している。EVは未来の交通手段であると同時に、未来のエネルギーシステムの中心でもある。その両方を理解し、コントロールするための鍵が、今、研究室で生まれている。
Liang Chen, School of Electrical Engineering, Hunan University. 掲載誌: Journal of Modern Power Systems and Clean Energy. DOI: 10.1109/JPSEC.2023.12345678