EV充電需要予測、AIモデルが精度向上
電気自動車（EV）の普及が世界中で加速する中、そのインフラである充電ステーションの需要予測は、電力網の安定運用において極めて重要な課題となっている。EVの充電需要は時間帯や気象条件、さらには電気料金の変動に大きく左右されるため、その予測は非常に困難を極める。こうした状況下、中国の研究チームが画期的な予測手法を開発し、業界に大きな注目を集めている。この研究は、蘭州交通大学の王長春（Wang Changchun）氏をはじめとする研究者らが、天津大学の王果（Wang Guo）、趙倩宇（Zhao Qianyu）、王守相（Wang Shouxiang）氏らと共同で行ったもので、その成果は電力分野の権威誌『Southern Power System Technology』に掲載された。
本研究の核心は、従来の予測モデルでは十分に考慮されていなかった「充電利用率」と「時間帯別電気料金」（Time-of-Use Electricity Price）という二つの重要な要素を、AI予測モデルに統合した点にある。研究チームは、長短期記憶ネットワーク（LSTM）とサポートベクターレグレッション（SVR）を組み合わせたハイブリッドモデルを開発し、これに最先端のデータ分解・最適化アルゴリズムを適用することで、従来手法に比べて8%以上の予測精度向上を実現した。これは、電力需要の急激な変動を事前に察知し、効率的な電力供給を行う上で、極めて大きな進歩である。
EV充電需要の予測がなぜ難しいのか
EVの普及は、環境保護の観点から歓迎される一方で、電力システムに新たな負荷をもたらしている。特に、大規模な充電ステーションは、瞬時に数百世帯分に相当する電力を消費する可能性がある。この需要が集中して発生すると、地域の電力網に過大な負荷がかかり、電圧低下や停電のリスクが高まる。そのため、電力会社や充電ステーションの運営会社にとって、数時間先の需要を正確に予測することは、コスト削減、設備投資の最適化、そして何より電力供給の安定性を確保する上で不可欠な要素となっている。
しかし、EVの充電行動は非常に複雑で、多くの要因が絡み合っている。まず、ユーザーの日常の行動パターン、通勤や買い物の時間帯、休日か平日かといった「日付の種類」が大きな影響を与える。次に、気象条件も重要だ。気温が低いとバッテリーの効率が下がり、暖房の使用も増えるため、EVの走行距離が短くなり、結果としてより頻繁に充電が必要になる。逆に、夏の暑い日にはエアコンの使用が充電需要を押し上げる。
さらに、近年では多くの地域で「時間帯別電気料金」制度が導入されている。これは、電力需要が少ない夜間や昼間の時間帯は料金を安くし、需要がピークとなる夕方から夜にかけては料金を高く設定する仕組みだ。この経済的なインセンティブは、ユーザーの充電タイミングに直接的な影響を与える。例えば、夜間料金が安いことを知っているユーザーは、帰宅後すぐに充電を開始するのではなく、深夜に充電を予約するようになるだろう。このように、ユーザーの経済的な判断が需要に反映される点が、従来の家電製品の需要予測とは大きく異なる。
「充電利用率」：見過ごされてきたキーファクター
従来の研究では、気温や日付の種類、時間帯別料金といった要因に注目するものが多かった。しかし、本研究チームは、それらに加えて「充電利用率」という、実際の運用現場で極めて重要な指標に着目した。充電利用率とは、ある時間帯に、その充電ステーションに設置されている充電器のうち、実際に使用されている割合を指す。
この利用率がユーザーの行動に与える心理的影響は計り知れない。利用率が非常に高い、つまり「混雑している」ステーションを見ると、多くのユーザーは「待つのが面倒だ」と感じ、別の時間帯や別の場所で充電することを選択する。逆に、利用率が低い「空いている」ステーションは、待ち時間の短さをアピールすることができ、ユーザーを惹きつける。つまり、充電利用率は単なる観測データではなく、ユーザーの「意思決定」を左右する「情報」として機能している。
研究チームは、山東省のある都市にある大規模な充電ステーションの実際のデータを分析し、充電需要と各種要因との相関関係を調査した。その結果、驚くべきことに、相関係数が最も高かったのは気温でも時間帯別料金でもなく、「充電利用率」そのものだった。これは、ユーザーが充電ステーションを選ぶ際、最も重視しているのは「混雑具合」というリアルタイムの情報であることを示しており、従来の予測モデルの盲点を突いた重要な発見と言える。
ハイブリッドAIモデル：LSTMとSVRの融合
これらの複雑な要因を統合して高精度な予測を行うために、研究チームは「LSTM-SVR融合モデル」という高度なAIアーキテクチャーを構築した。このモデルは、二つの強力なAIアルゴリズムの長所を巧みに組み合わせている。
まず、長短期記憶ネットワーク（LSTM） は、時間の流れに沿ったデータ（時系列データ）の予測に特化した深層学習モデルである。LSTMの特徴は、過去の情報を「記憶セル」に保持し、次の予測に活かす能力にある。これは、EVの充電需要が昨日のパターンや1時間前の需要に強く影響を受けるという性質に完璧にマッチしている。例えば、午後6時の需要が高かった場合、LSTMはその情報を記憶し、翌日の同じ時間帯の需要も高いと予測する傾向を持つ。
一方、サポートベクターレグレッション（SVR） は、複雑な非線形の関係を学習するのに優れた機械学習アルゴリズムである。EVの需要は、気温と料金が同時に変化したときに、単純な足し算では表せない複雑な反応を示す。SVRは、こうした複雑な相互作用を高次元の空間に投影することで、効率的に学習することができる。
研究チームは、両方のモデルを独立して訓練し、それぞれの予測結果を出力させた。そして、最終的な予測値は、これらの二つの結果を最適な割合で「融合」することで得られる。この「融合」の割合（重み）は、過去の予測誤差をもとに動的に計算される。つまり、ある期間ではLSTMの方が正確だった場合、その期間の予測にはLSTMの結果を大きく反映させ、逆にSVRの方が正確だった場合はSVRの結果を重視するという、非常に柔軟で賢い仕組みになっている。これにより、どちらか一方のモデルが特定の状況で失敗しても、もう一方がカバーすることで、全体の予測精度が安定する。
データの前処理：CEEMDANとNGOによる最適化
AIモデルの性能は、学習に使う「データの質」に大きく左右される。本研究では、データの前処理に二つの高度な技術を用いて、モデルの学習効率を飛躍的に向上させた。
第一に用いられたのが「CEEMDAN」（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）と呼ばれる信号処理技術である。これは、気温や充電利用率といった複雑でノイズの多い時系列データを、複数のシンプルな波形（固有モード関数）に分解する手法だ。これにより、データに含まれる「急激な変動」（高周波成分）と「長期的なトレンド」（低周波成分）を分離することができる。AIモデルは、分解されたシンプルなデータの方が学習しやすくなり、予測精度が向上する。さらに、研究チームは分解後の各成分と充電需要との相関を分析し、予測に役立つ情報だけを抽出することで、データの冗長性を排除した。
第二に用いられたのが「NGO」（Northern Goshawk Optimization）と呼ばれる最適化アルゴリズムである。AIモデルには、学習の仕方を決める「ハイパーパラメータ」という設定値が存在する。これらの値を最適化することは、モデルの性能を最大化する上で極めて重要だが、手作業で行うのは非常に困難である。NGOアルゴリズムは、北方のタカ（Northern Goshawk）の狩猟行動を模倣したもので、効率的に最適なパラメータの組み合わせを探索する。研究チームは、このNGOを用いて、LSTMとSVRのハイパーパラメータを自動的に最適化することで、モデルの性能を限界まで引き出した。
実証実験とその成果
研究チームは、山東省の都市にある大規模な充電ステーションの実際のデータを用いて、提案したモデルの有効性を検証した。実験では、複数の条件を比較した。
まず、「時間帯別料金」と「充電利用率」を考慮するか否かで比較した。その結果、これらの要因を考慮したモデルは、考慮しないモデルに比べて、予測精度が8%以上も向上した。これは、経済的インセンティブと運用状況が、ユーザーの行動に決定的な影響を与えていることを如実に示している。
次に、「CEEMDANによるデータ前処理」の効果を検証した。CEEMDANを用いてデータを分解・選択した場合、予測誤差（RMSE）が大幅に減少し、予測の信頼性が高まった。これは、複雑なデータを適切に整理・精選することが、AIの性能向上に不可欠であることを証明している。
最後に、「LSTM-SVR融合モデル」の性能を、LSTM単体、SVR単体、BPニューラルネットワーク、ランダムフォレストといった他のAIモデルと比較した。その結果、融合モデルが最も低い予測誤差と最も高い決定係数（R²）を記録し、他を圧倒する性能を発揮した。特に、需要が急激に変動する時間帯でも、融合モデルはその変化を的確に捉えることができた。
将来の展望：スマートグリッドの鍵を握る技術
この研究の成果は、単なる学術的な興味にとどまらない。実際の電力網の運用に直結する、極めて実用的な価値を持つ。
まず、電力会社にとっては、より正確な需要予測が、発電所の運転計画を最適化する。ピーク時の需要を正確に把握できれば、高コストのピーク発電所の稼働を最小限に抑え、低コストで環境に優しい電源を優先的に使用できる。また、再生可能エネルギー（太陽光や風力）の出力は天候に左右され不安定だが、EVの充電需要を正確に予測できれば、その変動を吸収する「バッファ」としてEVを活用する「V2G」（Vehicle-to-Grid）技術の実現が近づく。
充電ステーションの運営会社にとっては、需要予測が収益の最大化につながる。例えば、需要が高まりそうな時間帯には料金を少しだけ引き上げる「ダイナミックプライシング」を実施したり、逆に需要が少ない時間帯には割引を出してユーザーを呼び込んだりする戦略が可能になる。また、設備の増設計画を立てる際にも、正確な需要予測があれば無駄な投資を防ぐことができる。
さらに、政策立案者にとっても、この技術は貴重なツールとなる。時間帯別料金制度が実際にユーザーの行動にどの程度影響を与えているのかを定量的に評価できれば、より効果的なエネルギー政策を設計することができる。
王長春氏らの研究は、AIが単なる計算機械ではなく、人間の行動と経済の複雑な力学を理解し、予測する「知性」を持つことを示している。EVの普及という大きな変化の中で、電力インフラが混乱することなく、スムーズに進化していくためには、こうした「賢い」予測技術が不可欠である。この研究は、まさにスマートグリッドの未来を照らす、一筋の光と言えるだろう。
王長春、王果、趙倩宇、王守相。時間帯別電気料金および充電利用率特性を考慮した大規模電気自動車充電ステーションの短期負荷予測法。Southern Power System Technology。DOI: 10.13648/j.cnki.issn1674-0629.2024.05.008