EV研究解説

EV充電カーブを先読み – ハイブリッド予測モデル論文解説NEW

2026年5月29日 8分で読める

2026年5月、急速充電器一台ごとの充電カーブをどう予測するかをテーマにした論文がarXivで公開された。タイトルは “Electric Vehicle Charging Profile Forecasting Using Hybrid Models”。EV1台ずつの充電電力の時系列形状を予測する研究だ。

個別EVの充電プロファイルを予測する、というと用途が分かりにくい。論文は、充電中の電力カーブを先読みできれば、バッテリー残量を踏まえたスケジューリング（battery-aware scheduling）、集約予測の更新、EV出発時刻の推定に応用できる可能性があると主張する。論文が射程に置くのはここまでで、実運用での効果検証は今回の範囲外だ。

論文タイトル	Electric Vehicle Charging Profile Forecasting Using Hybrid Models
著者	Riccardo Ramaschi（Politecnico di Milano）、Mario Paolone（EPFL）、Sonia Leva（Politecnico di Milano）
公開日	2026年5月18日
分野	eess.SY（システム制御）
論文URL	arxiv.org/abs/2605.18443v1

個別EVを予測する、という未開拓地

急速充電ステーションの電力需要予測には、二つの階層がある。一つは「ステーション全体で次の1時間に何kW流れるか」を予測する集約レベル。もう一つは「いま挿さっているこの1台が、これからどんな電力カーブで充電を続けるか」を予測する個別レベルだ。

論文によれば、集約レベルにはすでに複数のモデルが存在する。一方、個別EV単位の予測は研究として未開拓だという。論文はそこに踏み込み、個別予測が集約予測の更新粒度と出発時刻推定の精度に効きうると論じている。

たとえば「この車はあと10分で80%に到達する」と精度高く分かれば、その後の余剰電力を別の車に回す判断材料になる。論文の主張はここまでで、具体的なスケジューラ設計や運用効果の数値は本稿の対象外だ。

ハイブリッド × 軽量、という設計思想

提案手法のキーワードは「ハイブリッド」と「軽量（lightweight）」だ。論文がいうハイブリッドは、未接続時のプロファイル推定にRandom Forest（多数の決定木を組み合わせる予測モデル）、容量とSoC（State of Charge、バッテリー残量）の推定にGaussian Mixture Model（GMM、ばらつきのあるデータ分布を複数の正規分布で近似する統計モデル）、接続後の更新にユークリッド距離ベースの統計的処理、時間軸変換に簡易なEVサロゲートモデルを組み合わせた構成を指す。深層学習に丸投げするのではなく、役割を分けた軽量モデルを連結する設計だ。

軽量という性質も実装上は重要だ。論文のデータは1分解像度で、接続後は各分でローリングホライズンの更新を回す。短い周期で繰り返し推論するため、計算量を抑える必要がある。論文は実装を意識した軽量な構成を狙っているが、評価はあくまで公開データセット上のもので、実充電ステーションでの運用検証や商用実装までは示されていない。

もう一つ特徴的なのは、「充電開始前」と「充電中」の両方で動くという点。挿し込み前は外気温やバッテリー容量Cなどの事前情報からRandom Forestで予測を出し、充電が進んでSoCと要求電力の履歴が得られたら、その履歴で予測を更新していく。時間とともに増える情報量に追随する設計だ。

充電プロファイルとは何か

そもそも「充電プロファイル」とは、充電中の電力の出方を時系列でグラフにしたもの。リチウムイオン電池には共通の癖がある。SoCが低いうちは大電流を受け入れられるが、80%を超えたあたりから流量が絞られ、最後の数%は時間がかかる。スマホの充電と同じ感覚だ。

この「右肩下がりのカーブ」が、いつ・どれくらいの傾きで、どこまで落ちていくかは、車種・バッテリー温度・初期SoC・充電器の出力上限など多くの要素で変わる。論文の予測対象は、まさにこの曲線の形そのものだ。バッテリー技術の現在地で触れているLFP（リン酸鉄リチウム）と三元系では、このカーブの形が大きく違う。

評価結果と「情報量」の効き方

論文はスイス連邦工科大学ローザンヌ校（EPFL）のDESLが公開したデータセットを使い、1878件のL3急速充電セッションで提案手法を評価している。指標はEMAE（Envelope-weighted Mean Absolute Error、電力カーブ形状の誤差指標）で、接続前の事前予測ではmedian EMAEが約40%だったところ、接続後にSoCと要求電力の履歴で逐次更新するとmedian EMAEは約16%まで低下した。EMAEは残り時間や充電エネルギー量そのものの誤差ではなく、電力カーブの形状差を重み付きで評価する指標と捉えればよい。

さらに、バッテリー容量が既知のケースでは未知ケースに比べてmedian EMAEがおよそ10%低くなる。容量推定の精度がそのまま下流の予測精度に効くという結果で、バッテリー容量Cの事前情報の有無が予測精度を左右することを示している。SoCが未知の場面も評価対象としているが、接続後の更新ステップではSoC情報を入力として使う前提だ。条件を変えて感度を測ることで、容量Cが既知の場合と未知の場合、計測点数の多寡といった条件差にどこまで頑健かを切り分けている。

BLADE NOTE の視点

ここからは論文の範囲を超えた、日本市場の文脈での解釈になる。この研究が日本市場と接点を持ちうるのは、高速道路SAの急速充電器運用に重なるからだ。NEXCO3社とe-Mobility Powerが整備を進める高速SA/PAのCHAdeMO急速充電器では、利用頻度の高い施設で充電待ちが課題になる場面がある（CHAdeMO手引書）。「前の車があと何分で抜けるか」が分からないことが、待ち時間ストレスの一因として挙げられる。

個別EVの充電カーブが高精度に予測できれば、ステーション側のディスプレイに「現在充電中：残り推定◯分」を表示する応用が考えられる。論文が想定する応用先の延長線上にある使い方だが、論文自身は残り時間誤差や運用KPIでの検証は行っておらず、実装するには別途、残り時間ベースの誤差評価が必要になる。

以下は論文外の市場補足情報だ。BYDのDOLPHIN、SEAL、ATTO 3はいずれもLFP系のBlade Batteryを搭載する（BYD公式）。今回の手法は接続後にSoC履歴を必要とするが、容量推定や接続前予測のフレームには、BYDなどLFP系電池を載せる車種が日本でも増える局面で検討の余地がある。日本の充電インフラ整備の次のフェーズが「数を増やす」から「賢く使う」に移るとき、1分ごとに更新できる軽量モデルというアプローチは選択肢の一つになる。ただし、median EMAE 16%が日本のCHAdeMO環境にそのまま転用できるかは未検証であり、別途の実証が要る。

論文外の比較として、TeslaはTrip PlannerでSupercharger経由の経路、推奨充電時間、到着時のエネルギー推定を提示している（Teslaオーナーズマニュアル）。日本のCHAdeMOはメーカー横断のインフラで、今回の論文は車種IDに強く依存しない予測を目指す研究の一例として位置づけられる。未知車種への汎化やメーカー横断運用、CHAdeMO環境への適用性は別途検証が必要だ。