Stochastic Model Predictive Control of Charging Energy Hubs with Conformal Prediction

あなたは、非常に豪華で自立型の電気自動車（EV）充電ステーションのキャプテンになったと想像してください。あなたのステーションには、巨大なソーラーパネルの屋根、地下にある巨大なバッテリー、そして電力網への接続があります。あなたの仕事は、15分ごとに、バッテリーを充電するか、放電して車に電力を供給するか、あるいは電力網から電気を買うか売るかを決めることです。目標は？できるだけお金をかけずに、かつ車を利用する人々を満足させることです。

厄介なのは、未来が霧に包まれていることです。何台の車がやってくるのか、どれくらいの太陽光が屋根に降り注ぐのか、あるいは明日の電気代がいくらになるのか、正確には分かりません。もし予測を誤れば、高い電気を買うことになったり、無料の太陽エネルギーを無駄にしたりすることになります。

クリスタルボールの問題

多くのキャプテンは「点予測（point forecast）」を使用します。これは、天気アプリが「明日の気温は24度です」と教えてくれるような、単一の推測です。しかし、現実の世界は混沌としています。もし実際には30度だったら？あるいは15度だったら？

この論文の著者たちは、異なるアプローチを試みました。単一の推測ではなく、「確率論的（stochastic）」な手法を用いたのです。これは、天気アプリが3つの可能性のある未来を見せているようなものです。「最高の晴天の日」、「最悪の曇りの日」、そして「平均的な日」です。彼らはこれらをシナリオと呼んでいます。

これらのシナリオを信頼できるものにするために、彼らは**コンフォーマル予測（Conformal Prediction）**という特別な数学的トリックを使用しました。これは、数値を予測するのは得意だが「どの程度自信があるか」を言うのが苦手な機械学習ロボットを想像してみてください。コンフォーマル予測は、そのロボットの予測の周りにセーフティネットを張るようなものです。これはエラーが特定のパターン（正規分布など）に従うと仮定せず、過去のミスを利用して、未来の予測範囲を描き出します。論文では、このボックスは「分布フリー（distribution-free）」であると述べられており、データが奇妙であったり予測不可能であったりする場合でも機能することを意味しています。

実験：280日間のシミュレーション

研究者たちは単に議論しただけでなく、彼らの充電ハブのデジタルツインを構築し、シミュレーション環境で280日間（約9ヶ月間）実行しました。彼らは4種類の異なる「キャプテン」をテストしました。

1. 全知全能のキャプテン: このキャプテンは、正確な未来を知ることができる魔法のクリスタルボールを持っています（完全な予測）。これがゴールドスタンダードであり、「完璧」なスコアです。
2. 決定論的なキャプテン: このキャプテンは、不確実性を考慮しない標準的な「単一の推測（点予測）」を使用します。
3. 確率論的なキャプテン: このキャプテンは、セーフティネット（コンフォーマル予測）を備えた3つのシナリオアプローチを使用します。
4. リカース（後悔最小化）キャプテン: 確率論的なキャプテンの変種で、少し遅れて考えを変えることができます。

結果：誰が勝ったのか？

シミュレーションによって明らかになった結果は以下の通りです。

• 完璧との差: 最良の人間に近い戦略であっても、魔法のクリスタルボールには及びませんでした。全知全能のキャプテンと比較すると、確率論的およびリカースのキャプテンは**13%**割高でした。これは、高度な数学を用いても、未来を完全に把握していないことがコストにつながることを意味します。
• 真の勝者: 決定論的なキャプテン（単一の推測を用いる者）と比較した場合、確率論的およびリカースのキャプテンは**1%**優れていました。これは小さく聞こえるかもしれませんが、エネルギー管理の世界では、1%の節約は勝利なのです。
• トレードオフ: 豪華な装備を持つキャプテンたちは、考えるのにより多くの時間を要しました。確率論的バージョンは、意思決定ステップごとに平均0.743分を要しましたが、決定論的バージョンはわずか0.321分でした。しかし、論文では0.743分は意思決定の間隔である**0.25時間（15分）**を大幅に下回っており、計算待ちでシステムが停滞することはないと指摘しています。

彼らが否定したもの

この論文は、不確実性を無視した単純な推測に頼ることに対して明確に反対しています。彼らは、標準的な「点予測（決定論的）」はそれなりに機能するものの、利益を逃していることを示しました。また、彼らの手法は、データが特定の「分布」（正規分布など）に従うと仮定することに依存しないことも指摘しています。これは、古い手法における一般的な制限です。

結論

この研究は、複数のシナリオを作成するためにコンフォーマル予測を使用することが賢明な策であることを示唆しています。それはあなたを未来を知る神にするわけではありませんが、最悪のミスを回避する助けとなります。この280日間のシミュレーションにおいて、確率論的MPCとリカースMPCは全体として最高のパフォーマンスを発揮し、単純な推測者よりも、そしてテストされた他のどの手法よりも、完璧なクリスタルボールに近づきました。

著者らはまた、電気価格の予測が年末に向けて（具体的には秋に）少し不安定になったことも指摘しており、正規平均絶対誤差（nMAE）が冬の0.039に対して0.228に跳ね上がりました。これは、手法は強力であるものの、市場自体が予測の難しい獣であることを示唆しています。

要するに、もし充電ハブを運営したいのであれば、単に未来を推測するのではなく、いくつかの可能性のある未来を見つめ、そこにセーフティネットを張り、そうすることで毎日少しずつ現金を節約することができるのです。