キャンパスマイクログリッドにおけるEV、PV、バッテリーエネルギー管理の協調のためのAMI情報階層型深層強化学習-モデル予測制御
AMI-Informed Hierarchical Deep Reinforcement Learning–Model Predictive Control for Coordinated EV, PV, and Battery Energy Management in Campus Microgrids
本論文は、キャンパスマイクログリッドにおける電気自動車(EV)、太陽光発電(PV)システム、およびバッテリーエネルギー貯蔵システム(BESS)の協調運用のため、AMI(先進計測インフラ)情報を活用した階層型エネルギー管理フレームワークを提案する。この2層アーキテクチャは、上位層のソフトアクタークリティック(SAC)深層強化学習(DRL)エージェントと下位層の後退時系列モデル予測制御(MPC)オプティマイザを統合する。主な新規性は、AMIから制御へのパイプラインであり、15分ごとのスマートメーター測定データを運用柔軟性特徴量に変換し、階層型SAC-MPCアーキテクチャに組み込む。DRL層は適応的協調を提供し、MPC層はグリッド、ストレージ、EVサービスの制約を強制する。テキサス州オースティンとカリフォルニア州の73世帯のPecan Streetデータ(2015分解像度、2014-2019年)を用いた提案フレームワークは、制御なし充電と比較してコストを53.1%、ピーク需要を25.7%削減し、MPCのみ(50.9%)、DRLのみ(-5.2%)、ルールベース(5.1%)のベースラインを上回る。ネットワーク認識制約、デマンドレスポンス活性化、予測先行ホライズンの統計的に有意な貢献が示された。AMIによる状態表現は、学習収束を11%高速化し、方向性のあるコスト改善(+8.4%)を提供する。すべての評価シナリオでネットワーク制約違反はゼロであり、平均MPC解決時間は約150ミリ秒で、15分サンプリング期間より大幅に短い。感度分析により、階層型DRL-MPCアーキテクチャは、EV普及率、季節、予測不確実性シナリオ全体で計算上実行可能であることが示された。しかし、評価されたエネルギーのみのTOU料金体系下では、BESSは純経済的利益をもたらさず、週コストを15.25ドル、ピークグリッド需要を14.2 kW増加させた。損益分岐点分析は、BESSがプロキシシステムで費用対効果を得るためには、月額約9.9ドル/kWの需要料金が必要であることを示唆しており、ストレージの価値は料金設計とピーク需要目標設定に強く依存することを強調している。
- 提案フレームワーク(SAC-MPC)は制御なし充電と比較してコスト53.1%、ピーク需要25.7%削減を達成
- AMI情報を活用した階層型DRL-MPCアーキテクチャを提案
- BESSは評価されたTOU料金体系下では純経済的利益を生まず、週コスト15.25ドル増加
- 損益分岐点分析によりBESSの費用対効果には月額約9.9ドル/kWの需要料金が必要
本論文はキャンパスマイクログリッドにおけるEV・PV・バッテリーの協調制御に関する学術研究であり、特定の企業製品や商用化事例ではない。ただし、AMI(スマートメーター)データをDRLとMPCの階層型制御に活用するアプローチは、今後の分散型エネルギーリソース管理システム(DERMS)の高度化方向性を示唆しており、エネルギー管理ソフトウェアやグリッドエッジ技術に投資するVC・事業会社にとっては、技術トレンドの参照情報として価値がある。特にBESSの経済性が料金設計に強く依存するという感度分析結果は、蓄電システムへの投資判断において重要。