研究の概要

太陽光発電・蓄電池・EVを統合した産業団地において、需要応答（DR）プログラムへの参加と省エネを同時に実現するエネルギー管理システム（EMS）の構築は難題である。特に、性能特性の異なる複数種類の蓄電池（ヘテロジーニアス蓄電池：定置型リチウム電池とEV車載電池の混在）を一括最適制御しながら、バッテリー劣化・熱的快適性・EV充電ニーズを同時に考慮する手法は確立されていなかった。

本論文は、中国の実際の産業団地データを用いて、深層強化学習（DDPG：深層決定性方策勾配法）による産業用EMSを実証した。オフィスエリアと製造エリアで異なる熱的・電力的プロファイルを持つ複合系統を動的エネルギー分配モデルで表現し、マルコフ決定過程として定式化。コスト関数には電力料金・室内熱環境・EV充電コスト・バッテリー劣化費用・環境影響コストを包括的に組み込んでいる。

主な発見・成果

中国の実際の産業団地データを用いた検証では：

  • ルールベースDR戦略比44.58%のコスト削減：単純な閾値制御を大幅に凌駕する最適化効果
  • 時間帯別料金（TOU）アービトラージ比40.68%削減：従来型の料金最適化より高度な戦略を自律習得
  • バッテリー劣化コストを明示的にモデル化することで、従来EMSでは見落とされがちな蓄電池の長期経済性も最適化
  • 空調負荷の熱的快適性（HVAC制約）を維持しながらコスト最小化できることを確認

強化学習エージェントは多変量かつ動的な系統環境を継続的に学習し、ルールベースでは設定困難な複雑なトレードオフをデータから自律的に習得する。

実務への応用

製造業・工場・産業団地のエネルギー担当者に対して以下の実践的示唆がある：（1）太陽光＋蓄電池のシステムにDDPGベースEMSを導入する際、バッテリー劣化コストをコスト関数に明示的に含めないと、短期的な料金最適化で蓄電池寿命が大幅に短縮されるリスクがある。（2）DR参加時の「需要ピーク削減」と「蓄電池の健全性維持」の両立には強化学習が有効で、POC段階では既存系統データでオフライン学習してからデプロイする手順が推奨される。（3）EVフリート管理と建屋省エネを統合した最適制御は年間エネルギーコスト削減に直結し、カーボンクレジット収益も見込める。