研究の概要

マイクログリッドの経済的モデル予測制御（EMPC）をニューラルネットワークで近似する模倣学習フレームワークを提案した。燃料発電機・再生可能エネルギー・蓄電池・調整可能負荷を含む複合エネルギーシステムに対し、オフラインのエキスパートデータから方策を学習する。IFAC World Congress 2026採択済みの研究成果である。

主な発見・成果

  • 計算時間をEMPCの約1/10（1桁）に削減しながら同等の経済性能を達成
  • 訓練時のノイズ注入により分布シフトを緩和し、実運用データへの汎化性能を向上
  • 制約充足のための制約タイトニングと投影技術により実行可能性を保証
  • 一定・予測可能な実行時間を実現し、リアルタイム制御への展開を可能にする

実務への応用

工場・ビル・地域マイクログリッドの運用担当者は、従来の数理最適化ソルバーに依存せずに再エネ・蓄電池・需要を協調制御できる。エネルギー管理システム（EMS）のリアルタイム性向上と計算コスト削減を同時に実現でき、省エネ・コスト削減・脱炭素の三者を統合した制御が実用段階に入ったことを示している。