研究の概要

工場・製造業のデマンドレスポンス（DR）参加を阻む最大の壁の一つが「モデルパラメータの入手困難性」だ。産業用負荷をDR最適化モデルに組み込むには、生産設備の稼働制約（最小稼働時間・バッチサイズ・エネルギー消費量など）を正確に把握する必要がある。しかし、これらのデータは工場が社外非公開とする「プライベートデータ」であることが多く、エネルギーアグリゲーターやDSO（配電系統運用者）が直接取得することは事実上不可能だ。

本研究は、スマートメーターの電力消費データのみを入力として、工場の生産スケジューリングパラメータを逆最適化（Inverse Optimization）によって特定する手法「PSI（Production Scheduling Identification）」を提案する。プライベートデータへのアクセスなしに、観測された電力消費パターンから生産制約を統計的に推定する。

State-Task Network（STN）という汎用産業プロセスモデルに逆最適化アルゴリズムを組み合わせ、製鉄粉プラントとセメントプラントの2施設で実証した。わずか21日分・1時間単位のスマートメーターデータのみで、直接プライベートデータを参照した精緻モデルと遜色ないモデル精度を達成している。

主な発見・成果

  • モデリング誤差の実用水準: 製鉄粉プラントで8.5%以下、セメントプラントで5.2%以下という精度を21日間のスマートメーターデータだけで達成
  • プライベートデータ不要: 工場が非開示とする生産制約パラメータをブラックボックス的に推定できるため、工場側の情報開示ハードルなしにDRモデル構築が可能
  • 汎用STNフレームワークとの統合: 既存の産業負荷モデリング標準（STN）と互換性を持つ設計で、既存のDRシステムへ組み込みやすい
  • 実用的アルゴリズムの提供: PSIの実装に向けた具体的な解法アルゴリズムを提案し、数値実験で有効性を検証

実務への応用

エネルギーアグリゲーターやVPP事業者が製造業のDRリソースを束ねる際の「モデル構築コスト」を劇的に削減できる：

  1. 工場への情報開示要求なしにDRモデル構築: スマートメーターのデータ共有だけで十分。工場側のコンフィデンシャリティを侵害せずにアグリゲーションが可能
  2. 需給調整市場参入の前提条件整備: 精度の高い産業負荷モデルがあれば、翌日入札や三次調整力市場でのスケジューリング最適化の精度が向上
  3. Scope 2・3削減目標との整合: 再エネ余剰時間帯に生産を集中させる「グリーンシフト」戦略の実装に不可欠な負荷モデルを、外部から低コストで構築できる
  4. GHG削減インセンティブとの連動: カーボンクレジット価格信号に応答する産業DRプログラムをアグリゲーターが設計する際の基盤ツールとして活用可能