中国・昆明理工大学など、学習モデルでマイクログリッドの運用計画を立てる手法を論文で公表。試験で計算を平均326倍高速化
Springl からの転載です。元の記事
中国の昆明理工大学などの研究者が、電気自動車（EV）を含み、複数のエネルギーを組み合わせたマイクログリッドの運用計画を、学習モデルで速く立てる手法を論文で発表した。論文は学術誌「Results in Engineering」（Elsevier）の第32巻に掲載され、2026年10月1日にオンラインで公開された。要旨によると、運用中に最適化計算を繰り返し解く代わりに学習モデルを使うことで、計算が平均326倍速くなり、運用計画の実行可能性と、最適に近い経済性も保った。論文の本文によると、比べたのは中国南部のマイクログリッドの3年分の運用データのうち、学習と検証に使っていない50日分で、両方の計算時間は同じ計算機で測った。
要旨は研究の背景として、EVや再生可能エネルギー、複数のエネルギーを結び付ける設備がマイクログリッドで増えるなか、経済的で柔軟なリアルタイムの運用には、高速なローリング最適化が欠かせなくなったと説明する。一方で、ローリング方式の運用計画はEVの充電状態（SOC）の信頼できる情報に強く頼り、運用中に最適化を繰り返し解くと計算の負担が増え、リアルタイムの判断に使える計算の余裕が減る。
研究者らは、改良したアンセンテッド・カルマンフィルター（UKF）でEVのSOCを運用中に推定し、推定した状態を、運用計画で使う動的なEVの柔軟性の境界に変換した。さらに、最適化を繰り返す遅れを減らして計算の余裕を生むため、CPLEXが出した解で学習させた長短期記憶（LSTM）の代替ソルバーを手法に組み込んだ。CPLEXは、計画づくりや日程の組み立て、資源の割り当てといった最適化の問題を解くソフトウェアだ。
代替ソルバーは、システムの状態とEVの柔軟性の境界、CPLEXが出した最適な決定の対応関係を事前にオフラインで学習する。運用中は、最適化を繰り返し解く代わりに高速な推論で決定を出し、そのあとで実行可能性を修復する。研究は、雲南省の科学技術の重大プロジェクトや中国国家自然科学基金などの助成を受けた。
