研究の概要

電気自動車（EV）の普及が加速する中、EV充電ステーション群を「仮想発電所（VPP）」として束ねてグリッド調整に活用する取り組みが世界的に拡大している。しかし実際の配電系統では、VPP運用者が系統全体の電圧状況を完全に把握することは難しい。本論文では、こうした「限られた系統可視性」という現実的制約の下で、EV-VPPを安全に分散運用するためのフレームワークを提案している。

研究チームは「Transformer-assisted Lagrangian Multi-Agent Proximal Policy Optimization（TL-MAPPO）」と呼ぶマルチエージェント強化学習手法を開発。複数の充電ステーションエージェントが分散的に意思決定を行いながら、中央集権型学習によってラグランジュ緩和で電圧・需要満足制約を強制するアーキテクチャを構築した。Transformerを組み込むことで時系列的な系統状態変化を各エージェントが適切に捉えられ、単純なRNN・LSTMベースの手法と比べてポリシーの安定性が向上している。

主な発見・成果

33バス配電系統の現実的シミュレーション環境でのテストにより、以下の成果が確認された：

  • 電圧違反の約45%削減：系統の電圧逸脱を大幅に抑制し、既存のマルチエージェントDRL手法を上回る性能を実現
  • 運用コストの約10%削減：充電スケジュールの最適化により、EV-VPPとしての経済的効率が向上
  • 分散型の意思決定を維持：各エージェントが局所情報のみで動作し、プライバシーと通信コストの制約をクリア
  • 中央集権型学習と分散実行（CTDE）アーキテクチャにより、学習時は全体情報を活用しつつ運用時は分散できる実用的な設計

実務への応用

EV充電事業者や系統運用者にとって、このフレームワークは次の実務的含意を持つ：（1）全体最適制御のための完全な系統情報取得が不要なため、既存インフラへの段階的導入が可能。（2）需要応答プログラムへの参加時、電圧制約を自動的に満足させながらコスト最小化できるため、VPPアグリゲーターのリスク管理に直結する。（3）充電ステーションの設置密度が高まる都市配電網において、ローカルな電圧品質を維持しながら系統全体の柔軟性資源を最大化できる。日本でのVPP実証事業においても、系統可視性の制約は共通課題であり、本手法の応用可能性は高い。