予測するAI(7)：電力需要を予測するAI

「明日の電気使用量」をAIはどう予測するのか？



Text by Ichiro Hoshinaka


私たちは毎日、当たり前のように電気を使っている。朝になれば照明をつけ、スマートフォンを充電し、エアコンを動かす。オフィスではPCやサーバーが稼働し、工場では大量の電力を使って設備が動く。夜になれば家庭で照明やテレビ、給湯器などが使われる。しかし、電気には他の商品とは大きく異なる特徴がある。「必要になったときに、必要な量だけ作ればよい」という単純なものではないのである。

電力システムでは、需要と供給を常にバランスさせる必要がある。電力が不足すれば安定供給に支障が生じる一方、必要以上に発電しても効率が悪い。そのため電力事業者や電力システムの運用者にとって、「この先、どれくらいの電力が必要になるのか？」を事前に予測することは極めて重要である。そこで登場するのが「電力需要予測」である。

明日の午前10時にはどれくらい電気が使われるのか。今夜のピークは何時にやってくるのか。来週の需要はどう変化するのか。そして、猛暑になった場合、電力需要はどこまで増えるのか。

こうした未来の電力需要を予測するために、現在では統計モデルだけでなく、機械学習やディープラーニングを利用したAIモデルが研究・実用化されている。

2025年のレビューでは、電力需要予測は統計的手法、機械学習、ディープラーニング、さらに複数の手法を組み合わせるハイブリッド手法へと発展していることが整理されている。特に短期電力需要予測では、天候や新しい電力消費パターンなどによって需要データが非線形かつ複雑になっており、深層学習の活用が活発になっている。

本記事では、電力需要予測の基本から、LSTMやTransformerなどのAI技術、予測精度の評価、異常気象や再生可能エネルギーによる難しさ、そしてデータセンター時代の電力需要予測までを解説する。


1. そもそも「電力需要」とは何か？


まず、電力需要とは何であるのか。簡単に言えば、ある時点・ある地域で、どれだけの電力が必要とされているかを表すものである。例えば、ある地域で午後2時に100万kWの電力が使われているなら、その時間帯の電力需要は100万kWである。しかし、電力需要は一定ではない。一般家庭だけを考えても、早朝、昼間、夕方、夜間では電気の使われ方が異なる。夏の日であれば、朝から気温が上昇し、昼間には冷房需要が増える。夕方には家庭での電力使用が増え、夜間には照明やテレビ、給湯器などが稼働する。さらに、平日と休日でも大きく異なる。工場やオフィスが稼働する平日と、多くの企業が休む休日では電力消費のパターンが変わる。つまり電力需要は、

時間 × 曜日 × 季節 × 天候 × 社会活動

など、さまざまな要因によって変化する時系列データなのである。ここに電力需要予測の難しさがある。「昨日の午後2時に100万kWだったから、今日も100万kWになる」とは限らない。昨日より気温が5℃高いかもしれない。今日は祝日かもしれない。大規模なイベントが開催されているかもしれない。新しい工場が稼働しているかもしれない。電力需要は、社会の活動そのものを反映するデータなのである。


2. なぜ電力需要を予測する必要があるのか？


電力需要予測の目的は、単に「明日の電気使用量を当てる」ことではない。本当の目的は、未来の需要を予測し、その結果をもとに電力システムを適切に運用することにある。

例えば、明日の午後6時に電力需要が大きく増えると予測されたとする。その場合、電力事業者はあらかじめ必要な発電設備を準備したり、電力の調達計画を調整したりする必要がある。逆に、需要が少ないと予測されるのであれば、不要な発電を抑えることができる。つまり電力需要予測は、

予測 → 計画 → 運用

をつなぐ技術なのである。

日本では、電力広域的運営推進機関（OCCTO）が全国および供給区域ごとの需要想定を策定している。中長期の需要想定では、過去の電力需要実績と、人口、GDP、鉱工業生産指数などの経済指標との関係を分析し、今後10年間の需要を想定している。さらに地域特性や個別需要家の動向も考慮される。これは重要なポイントである。電力需要予測は単純に「去年のデータを見る」だけではない。人口、経済、産業、設備、天候など、社会全体の変化を考慮して未来を推定する技術なのである。

実際、OCCTOの2026年度需要想定では、2025〜2035年度の最大電力需要は年平均0.4%、需要電力量は年平均0.5%の増加が見込まれている。人口減少や省エネによる需要減少を、経済成長やデータセンター・半導体工場の新増設による需要増加が上回るためである。



3. AIは何を見て電力需要を予測するのか？


では、AIは具体的に何を見て電力需要を予測するのであろうか。最も基本となるのは、過去の電力需要データである。例えば、

  • 1時間前の需要

  • 24時間前の需要

  • 1週間前の需要

  • 前年同日の需要

などである。電力需要には周期性があるため、過去のデータには未来を予測するための重要な情報が含まれている。しかし、それだけでは不十分である。そこで、AIにはさまざまな外部データを与える。

・気象データ

代表的なのが気温である。夏は気温が上昇すると冷房需要が増える。冬は気温が低下すると暖房需要が増える。そのため、

気温 → 空調需要 → 電力需要

という関係をモデルが学習できる。湿度、降水量、風速、日射量なども重要な特徴量になる。

・曜日・祝日

月曜日と日曜日では電力の使われ方が異なる。さらに祝日や年末年始、ゴールデンウィークなども需要に影響する。そのため「曜日」「祝日」「連休」などをAIに入力する。

・季節

季節によって電力需要の構造そのものが変化する。夏は冷房、冬は暖房が大きな要因となるため、季節性をモデルに取り込むことが重要である。

・経済・産業活動

工場の稼働状況や経済活動も電力需要に影響する。そのため中長期予測では、人口やGDP、鉱工業生産指数なども重要になる。OCCTOもこれらを需要想定の前提となる経済見通しとして利用している。

・再生可能エネルギー

さらに現在では、太陽光発電などの分散型電源も考慮する必要がある。電力システム全体を運用するには、需要予測だけでなく、太陽光・風力などの発電量予測も重要になる。


4. 電力需要予測の基本――「時系列予測」とは？


電力需要予測を理解するうえで重要なキーワードが、

時系列予測（Time Series Forecasting）

である。時系列データとは、時間の順番に並んだデータである。例えば、


10:00 → 100万kW

11:00 → 105万kW

12:00 → 110万kW

13:00 → 115万kW

14:00 → 120万kW


というデータがあるとする。AIはこの過去のデータを学習し、


15:00 → ?

16:00 → ?

17:00 → ?


という未来の値を予測する。これが基本的な時系列予測である。しかし、電力需要予測では単純な「次の数字を当てる」だけではない。例えば、


過去の電力需要 ＋ 気温・湿度 ＋ 曜日・祝日 ＋ 天候・季節 ＋ 社会・経済活動

↓

AI

↓

未来の電力需要


というように、複数の時系列や外部要因を同時に扱う。さらに予測期間によっても問題が異なる。数分〜数時間先を予測する「超短期予測」、数時間〜数日先を予測する「短期予測」、数週間〜数カ月先を予測する中期予測、さらに数年先を考える長期予測などがある。特に短期電力需要予測は、発電設備の運用や電力取引、系統管理などに直結するため、AI研究でも重要な領域となっている。2025年のレビューでは、短期電力需要予測を「次の数時間から数日間」の需要を予測する問題として整理している。



5. 従来の統計モデルから機械学習へ


AIによる予測が注目される以前から、電力需要予測は行われていた。代表的なのが、

  • AR

  • MA

  • ARMA

  • ARIMA

などの統計的な時系列モデルである。これらは過去のデータの自己相関やトレンド、季節性などを利用して未来を予測する。統計モデルの大きなメリットは、モデルの構造が比較的理解しやすいことである。一方で、電力需要のように多くの要因が複雑に絡む問題では、モデルの表現力に限界がある。そこで利用されるようになったのが機械学習である。代表的な手法として、

  • Random Forest

  • Support Vector Regression

  • XGBoost

  • LightGBM

などが挙げられる。例えば、過去の電力需要、気温、曜日、湿度、休日フラグなどを入力し、未来の電力需要を出力するモデルを構築できる。ここで重要なのは、AIモデルが高度になれば、それだけ予測精度が高くなるとは限らないという点である。電力需要予測では、データの質、欠損値、異常値、特徴量の設計、予測対象の時間粒度などが非常に重要である。

2025年のレビューでも、統計モデル、機械学習、深層学習、ハイブリッドモデルなど多様な手法が整理されているが、どのモデルが常に最適というわけではなく、対象となるデータや予測条件に応じた手法選択が必要であるとされている。つまり、「最も新しいAIを使うこと」より、「問題に適したモデルとデータを用意すること」の方が重要なのである。


6. LSTMからTransformerへ――電力需要予測AIの進化


時系列データを扱うディープラーニングモデルとして、長く利用されてきたのがLSTMである。LSTMはRNN（Recurrent Neural Network）の一種であり、過去の情報を保持しながら時系列データを処理できる。例えば、

「昨日の午後は需要が高かった」

「先週の月曜日も午後から需要が増えた」

「夏になると昼間の需要が増える」

といった時間的な関係を学習できる。しかし、より長い期間の関係を扱う場合、LSTMだけでは難しいケースもある。そこで近年注目されているのがTransformerである。Transformerの特徴は、Attentionによって時系列の異なる位置にある情報同士の関係を捉えられることである。例えば午後5時の需要を予測する際、

  • 数時間前の需要

  • 昨日の午後5時

  • 先週の同じ曜日

  • 過去の気温

  • 過去の天候

など、さまざまな情報を関連付けることができる。2025年にはLSTMとTransformerを組み合わせた電力消費予測モデルも報告されており、両者の特徴を組み合わせるアプローチも研究されている。さらに、電力需要は時間だけでなく「場所」にも依存する。東京、大阪、北海道、九州では需要構造が異なる。電力系統そのものもネットワーク構造を持っている。例えば、ある地域の需要変化が、系統を介して別地域の需給や送電状況と関係する場合、地域を独立したデータとして扱うより、地域間の関係をグラフとして表現する方が適している。そこで研究されているのが、

GNN（Graph Neural Network）

である。GNNはデータをグラフ構造として扱い、ノード同士の関係を学習できる。これにより、

時間的な関係＋地域・系統間の関係

を同時に扱うことが可能になる。このように電力需要予測AIは、

統計モデル → 機械学習 → LSTM → Transformer → 空間情報を扱うGNNやハイブリッドモデル

という方向へ発展しているのである。


7. AIの予測はどれくらい当たるのか？


AIで電力需要を予測する以上、「その予測はどれくらい正確なのか？」という問題がある。代表的な評価指標がMAE、RMSE、MAPEである。

MAE

MAEは平均絶対誤差である。


MAE = |実測値 − 予測値| の平均


という計算で求める。予測値と実測値の差が小さいほど、MAEも小さくなる。

RMSE

RMSEは二乗平均平方根誤差である。大きな誤差をより強く評価する特徴がある。そのため、普段は正確なのに、猛暑日に大きく外れるようなモデルではRMSEが大きくなりやすい。


MAPE

MAPEは平均絶対パーセント誤差である。誤差を割合として表すため、直感的に理解しやすい（ただし、実測値が0または0に近い場合には値が不安定になるという問題がある）。しかし、電力需要予測では平均誤差だけを見るのは不十分である。特に重要なのが、ピーク需要をどれだけ正確に予測できるかである。例えば、


通常時：100万kW

猛暑日：150万kW


という需要変化があったとする。通常時の予測がほぼ完璧でも、150万kWというピークを大きく外せば、電力システムの運用上は大きな問題になる。さらに近年は、単一の予測値だけでなく、「120万kWになる可能性が高いが、115〜125万kW程度の範囲に収まる可能性がある」という確率的予測も重要になっている。これは「未来を一点で予測する」のではなく、「未来の不確実性まで予測する」という考え方である。電力のような社会インフラでは、こちらの方が実用的な場面も多い。


8. 電力需要予測を難しくするもの――異常気象・再エネ・EV



AIによる予測には、一つ根本的な弱点がある。それは、過去に存在しなかった未来を予測することは難しいということである。例えば、過去のデータに40℃を超える日がほとんどなければ、AIにとって記録的な猛暑は未知の状況となる。同様に、

  • 記録的寒波

  • 大規模災害

  • 大規模イベント

  • 急激な人口移動

  • 新しい産業の登場

なども予測を難しくする。そして現在、電力需要予測をさらに難しくしているのが再生可能エネルギーである。太陽光発電は天候によって発電量が変化する。そのため、需要予測だけでなく、発電量予測も必要になる。例えば、


電力需要：120万kW

太陽光発電：30万kW

その他の電源：90万kW


というように、需要と供給をセットで考える必要がある。さらにEVが普及すれば、充電による新しい電力需要が発生する。多くの人が帰宅する夕方にEVを一斉に充電すれば、新しい需要ピークが生まれる可能性がある。つまり、電力需要予測は単純な「過去の需要の延長」ではなくなっている。社会の変化そのものを予測モデルに取り込む必要があるのである。



9. データセンター時代に変わる電力需要予測


そして現在、電力需要を大きく変える存在として注目されているのが、データセンターである。特に生成AIの普及によって、大規模なAIモデルの学習・推論を行うデータセンターの電力需要が増加している。国際エネルギー機関（IEA）の最新分析では、世界のデータセンターの電力消費量は2025年の約485TWhから2030年には約950TWhへとほぼ倍増すると見込まれている。特にAIに特化したデータセンターの電力消費は、この期間に約3倍になると予測されている。これは、2030年の世界の電力需要の約3%に相当する規模である。さらに、AI向けの高性能サーバーは電力密度も急速に高まっており、データセンターの電力需要を押し上げる要因となっている。

さらに重要なのは、データセンターが特定の地域に集中することである。一般家庭の電力需要は広い地域に分散している。しかし、大規模データセンターは一つの地域に巨大な電力需要を生み出す可能性がある。これは電力系統にとって大きな意味を持つ。AIの普及によってAIそのものが電力需要を増やし、その一方でAIは電力システムを効率化するためにも利用される。つまり、AIが電力需要を増やすと同時に、AIが電力システムを最適化するという二つの現象が同時に起きているのである。

IEAも、AIはデータセンターを通じて電力需要を押し上げる一方、エネルギー分野のコスト削減、効率化、排出削減などに利用される可能性があると分析している。

日本でもこの変化は始まっている。OCCTOの2026年度需要想定では、人口減少や省エネによる需要減少を上回る要因として、データセンターや半導体工場の新増設が挙げられている。つまり、これからの電力需要予測では、「去年の電力需要から今年を予測する」だけでは足りない。「これからどこにデータセンターが建設されるのか」「どこで半導体工場が稼働するのか」「EVがどれだけ普及するのか」「再生可能エネルギーがどれだけ導入されるのか」といった未来の社会構造そのものを考える必要がある。

電力需要予測AIは、単なる時系列分析から、社会システム全体を扱う予測技術へ変わりつつあるのである。



10. 「予測するAI」から「電力を最適化するAI」へ


ここまで見てきたように、電力需要予測ではAIが未来の需要を予測する。しかし、本当に重要なのは、その先である。例えばAIが、「明日の18時に電力需要がピークになる可能性が高い」と予測したとする。そこで次に、「では、どう対応すればよいのか？」を考える必要がある。例えば、

  • 発電量を増やす

  • 蓄電池から放電する

  • EVの充電時間をずらす

  • 需要家に節電を促す

  • 電力を別の地域から融通する

  • 再生可能エネルギーの出力を予測する

  • データセンターの電力消費を調整する

といった選択肢がある。つまり、

Prediction（予測）

から、

Decision（意思決定）

へ進むのである。さらにその先には、

Optimization（最適化）

がある。例えば、


AIが電力需要を予測

        ↓

「18時にピーク」と判断

        ↓

複数の対応策をシミュレーション

        ↓

蓄電池・発電・EV充電を最適化

        ↓

電力需給を安定化


という流れである。ここまで来ると、AIは単に「未来を当てる」ための技術ではない。未来を予測し、その未来に対して最適な行動を選択する技術になる。これは「予測するAI」というシリーズを考えるうえでも重要なポイントである。株価を予測する。交通渋滞を予測する。映画のヒットを予測する。天気を予測する。農作物の収穫を予測する。そして電力需要を予測する。これらに共通しているのは、予測そのものがゴールではないということである。株価なら投資判断につながる。交通渋滞なら経路変更や交通制御につながる。映画ならマーケティングや上映計画につながる。農業なら収穫・出荷計画につながる。電力なら発電・蓄電・送電・需要制御につながる。つまり、予測の価値は「どれだけ未来を当てたか」だけではなく、「予測を使って何を変えられるか」にある。電力需要予測は、このことを特に分かりやすく示す事例である。


まとめ――AIは「未来の電力」をどう読むのか？


電力需要予測は、一見すると単純な問題に見える。「去年の同じ時期と比べればよいのではないか？」と思うかもしれない。しかし実際には、

  • 過去の電力需要

  • 気温

  • 湿度

  • 天候

  • 曜日

  • 季節

  • 休日

  • 社会イベント

  • 経済活動

  • 再生可能エネルギー

  • EV

  • データセンター

  • 半導体工場

など、非常に多くの要因が関係している。そのため電力需要予測では、従来の統計モデルから機械学習、LSTM、Transformer、GNN、さらに複数モデルを組み合わせたハイブリッドモデルへと研究が広がっている。2025年のレビューでも、深層学習による短期電力需要予測は活発な研究領域となっており、データの非線形性や外部要因による変動が重要な課題として挙げられている。そして、これから重要になるのは、「どれだけ正確に予測できるか」だけではない。「予測した未来に対して、AIが何を判断できるか」である。

電力需要が増えることを予測し、発電量を調整する。再生可能エネルギーの発電量を予測し、蓄電池を制御する。EVの充電需要を予測し、充電時間を分散させる。データセンターの電力需要を予測し、電力網への影響を抑える。

こうした技術が組み合わさることで、AIは「未来を予測する技術」から「未来のエネルギーシステムを動かす技術」へと変わっていく可能性がある。

「予測するAI」という視点で見ると、電力需要予測は非常に象徴的なテーマである。なぜなら、ここではAIの役割が、

過去を見る → 未来を予測する → 不確実性を評価する → 意思決定する → システムを最適化する

という一連の流れとして現れるからである。

私たちが毎日何気なく使っている「電気」。その裏側では、すでに大量のデータとAIが、「次にどれだけ電気が必要になるのか」を予測しようとしている。そしてこれからのAIに求められるのは、未来を「当てる」ことだけではない。予測した未来に備え、より安定した未来をつくること。電力需要予測AIは、その可能性を示す代表的な技術の一つなのである。


【参考リンク】


電力需要・電力システム

AI・電力需要予測

AI・データセンター・電力


We Are Hiring!

クーガーは自律的で大胆なチャレンジを支援し、それぞれの個性を生かした技術と創造性の追求ができる場を目指しています。

ぜひ採用ページからエントリーください。カジュアル面談も実施しています！


最新情報をメールで取得

登録

© Couger Inc. All rights reserved.