研究の概要

電力系統の需給計画（ユニットコミットメント: UC）は発電機のオン・オフを組み合わせた混合整数計画問題で、変動再エネが増えるほど計算量が爆発的に増大する。本研究は機械学習でUC問題の探索空間を事前に絞り込む「最適化認識型（optimisation-aware）ML」フレームワークを提案した。

既存の閾値型アプローチとの違いは、個々の発電機ごとに「この変数を固定したときの下流最適化コスト影響」を学習し、発電機固有の信頼度閾値を自動設定する点。つまり予測誤りの経済的コストを加味した意思決定ができる。2025年 EPRI AI-ccelerating Unit Commitment 競技会で1位を獲得した実績がある。

主な発見・成果

  • 計算速度: 既存ベースラインと比較して平均20倍以上の高速化を達成
  • 解の品質: 平均最適性ギャップ0.5%未満。実用上、費用ペナルティはほぼゼロ
  • 発電機固有閾値: 従来の一律閾値と違い、柔軟性が低い・燃料コストが高い発電機には保守的な閾値、そうでない発電機には積極的に固定するなど差別化できる
  • 競技会（EPRI主催）での検証により、実際の電力会社が使う規模のテストケースで有効性が確認済み
  • フレームワークは汎用的で、他のMILP/MIQP最適化問題への応用も原理的に可能

実務への応用

  • 系統運用者（TSO・DSO）が変動再エネ比率の高い系統でリアルタイム/日前計画を行う際の計算ボトルネックを大幅解消できる
  • 20倍の高速化は「計算コスト削減」だけでなく、シナリオ分析の精度向上（同じ時間でより多くのシナリオを回せる）や、市場への入札タイミング柔軟化にもつながる
  • 既存のMILPソルバー（Gurobi, CPLEXなど）の前処理レイヤーとして導入できる構成のため、システム移行コストが低い
  • 再エネ比率拡大に伴いUCの計算複雑性は増す一方——今後この種の「ML+最適化」ハイブリッド手法の導入が系統運用の標準になると予想される