太陽光発電の普及と売電価格の低下とともに蓄電池を導入するケースも増加しているほか電力取引の自由化に伴いダイナミックプライシングのような需要と供給に合わせた電力価格の決定方式も検討されています。このような背景では、特に複数のエネルギー源を導入している複雑化したシステムでは、電力コストや環境負荷に最適化したエネルギーマネジメントが課題となります。 　当研究室では、深層強化学習というAIの一手法を用いて、最適化されたエネルギーマネジメントアルゴリズムを開発しています。深層強化学習は莫大な回数の試行錯誤から最適な行動を自己学習する手法です。エネルギーシステムの挙動を再現するシミュレーター環境を構築し、シミュレーター上で高速に試行錯誤を繰り返し、最適なエネルギーマネジメントを学びます。人間が具体的な制御方法を与えなくてもよいという利点があり、様々なエネルギーシステムに応用が期待されます。

With the widespread adoption of solar power generation and the decline in feed-in tariffs, the use of battery storage systems has been increasing. Alongside the liberalization of electricity markets, dynamic pricing mechanisms—where electricity prices are determined based on supply and demand—are also being explored. Against this backdrop, particularly in complex systems integrating multiple energy sources, optimizing energy management to minimize electricity costs and environmental impact has become a critical challenge.

In our laboratory, we are developing optimized energy management algorithms using a type of AI technique called deep reinforcement learning. Deep reinforcement learning is a method in which an agent learns optimal behavior through a vast number of trial-and-error iterations. By constructing a simulator environment that replicates the behavior of energy systems, the agent performs rapid trials and learns optimal energy management strategies within the simulator. This approach has the advantage of not requiring humans to specify detailed control methods, making it applicable to a wide range of energy systems.