再生可能エネルギーの導入が加速する一方で、「天気まかせ」の電源をどう安定的に運用するかは世界共通の課題だ。太陽光は雲ひとつで出力が急落し、風力は風が止まればゼロになる。系統運用者にとって「明日の再エネ出力がわからない」ことは、火力バックアップのコスト増、需給バランス崩壊によるインバランスコスト、そして出力抑制（カーテイルメント）による経済性毀損に直結する。
つまり、「気象予報の精度 ≈ 再エネの経済的価値」という等式が成り立つ。ここにAIが切り込み始めた。
従来型気象予報の限界
電力需給予測の基盤は数値気象予報（NWP：Numerical Weather Prediction）だ。物理法則に基づく方程式をスーパーコンピュータで解くこのアプローチは、数十年にわたり改良が重ねられてきた。ヨーロッパ中期予報センター（ECMWF）のIFS（Integrated Forecasting System）はその最高峰とされ、世界中の気象機関や電力会社が依存する「ゴールドスタンダード」である。
しかし従来型NWPには根本的な制約がある。10日間の全球予報を出すのに、数千台のプロセッサを擁するスーパーコンピュータで数時間を要する。計算コストが莫大なため、予報の高頻度更新や解像度向上には限界があった。ECMWFのPeter Bauer前副事務局長は、従来の予報精度の向上ペースについて「10年で1日分の改善」だったと述べている。
日本国内では、電力中央研究所とスカパーJSATが衛星画像と地上カメラを組み合わせて雲を追跡する「ハイブリッド型太陽光発電出力予測システム」を開発するなど、独自の取り組みが進められてきた。だが、数分先から数時間先までの局所的な変動を高精度に予測するのは依然として困難だった。
AI気象モデルの登場 ― GraphCast、Pangu-Weather、GenCast
2022年から2024年にかけて、AI気象モデルが次々と登場し、従来型NWPの「10年で1日分」という改善ペースを一気に覆した。
GraphCast（Google DeepMind、2023年）
Google DeepMindが2023年にScience誌で発表したGraphCastは、グラフニューラルネットワーク（GNN）を用いた決定論的気象予報モデルだ。地球表面を100万以上の格子点で表現し、各点で気温・風速・風向・気圧など5つの地表変数と、37の高度レベルにおける6つの大気変数を予測する。
その性能は衝撃的だった。ECMWFのHRES（高解像度予報）と比較して、1,380の検証ターゲットのうち90%以上でGraphCastのほうが高精度だった。対流圏（地表から6〜20km）に限定すると、99.7%のターゲットでHRESを上回った。しかも10日間予報の生成に要する時間は、Google TPU v4チップ1台でわずか1分未満。従来のスーパーコンピュータによる数時間の計算と比べて桁違いの効率だ（Lam et al., Science, 2023）。
Pangu-Weather（Huawei、2023年）
Huaweiのノアの箱舟ラボが2023年にNature誌で発表したPangu-Weatherは、3D Earth-Specific Transformerと呼ばれるアーキテクチャを採用し、大気を3次元的に処理する。1時間・3時間・6時間・24時間の異なるリードタイムごとに別々のモデルを訓練し、推論時に組み合わせることで自己回帰的な誤差蓄積を低減するアプローチをとった。
Pangu-Weatherは従来のアンサンブルNWPと比較して1万倍高速に動作し、熱帯低気圧の進路予測ではECMWFのHRESを上回る精度を示した（Bi et al., Nature, 2023）。
GenCast（Google DeepMind、2024年）
2024年12月にNature誌で発表されたGenCastは、これらの先行モデルからさらに大きな飛躍を遂げた。画像生成AIの基盤技術である拡散モデルを気象予測に適用し、単一の「最善予測」ではなく、50以上の異なるシナリオからなる確率的アンサンブル予報を生成する。
GenCastは40年分（1979〜2018年）のERA5データで訓練され、2019年のデータでテストされた。ECMWFのENS（世界最高水準のアンサンブル予報）と1,320の組み合わせで比較した結果、97.2%のターゲットでGenCastが上回り、リードタイム36時間超では99.8%で優位だった。しかも15日間予報をGoogle Cloud TPU v5チップ1台でわずか8分で生成する。
特筆すべきは、GenCastが極端気象（猛暑・強風・熱帯低気圧）の予測と、風力発電の出力予測でENSを上回ったことだ。GenCastのNature論文では、風力発電の発電量予測で従来システムを凌駕する性能が実証されている（Price et al., Nature, 2024）。
ECMWFのAIFS ― 気象機関自らがAIへ
各社のAI気象モデルに触発されたECMWF自身も、AIベースの予報システム「AIFS（Artificial Intelligence Forecasting System）」を開発した。GNNとTransformerを組み合わせたアーキテクチャで、2025年2月25日に決定論的版（AIFS Single）を正式運用開始。続いて2025年7月1日には51メンバーからなるアンサンブル版（AIFS ENS）も運用を開始した。
AIFS ENSは従来のIFS ENSと比較して、上層大気の変数で最大25%、地表面気温でも最大20%の予測精度向上を達成している。しかも予報に必要なエネルギー消費は従来型の約1,000分の1だ。世界の主要気象機関が自らAIモデルを運用する時代に入ったことは、この技術が「実験段階」を脱したことを意味する。
主要AI気象モデル比較
| モデル名 | 開発元 | 発表年 | アーキテクチャ | 主な成果 |
|---|---|---|---|---|
| GraphCast | Google DeepMind | 2023 | GNN | HRES比 90%超のターゲットで高精度、1分未満で10日予報 |
| Pangu-Weather | Huawei | 2023 | 3D Vision Transformer | 従来NWP比 1万倍高速、台風進路予測で優位 |
| GenCast | Google DeepMind | 2024 | 拡散モデル | ENS比 97.2%のターゲットで高精度、風力予測にも優位 |
| AIFS | ECMWF | 2025（運用開始） | GNN + Transformer | IFS ENS比 最大25%精度向上、エネルギー消費1/1000 |
再エネ予測の実用化 ― 「当てる技術」から「稼ぐ技術」へ
DeepMind × Google ― 風力発電の価値を20%向上
AIによる再エネ予測の先駆的な実用事例は、Google DeepMindが2019年に公開したプロジェクトだ。米国中部の風力発電所（合計700MW）に対して、気象予報と過去のタービンデータで訓練したニューラルネットワークを適用し、36時間先の風力発電出力を予測した。
この予測に基づいて電力網への最適な時間帯別供給計画を策定した結果、供給スケジュールなしの場合と比較して風力エネルギーの経済的価値が約20%向上した。「スケジュール可能な電源はグリッドにとってより価値が高い」ため、風力の出力予測精度が上がるほど、風力は「不安定な電源」から「計画可能な電源」へと変貌する（Google DeepMind Blog, 2019）。
このシステムはその後、フランスの多国籍エネルギー企業Engieに提供され、ドイツの13カ所の風力発電所に展開されている。
予測精度の経済効果 ― IRENA試算
国際再生可能エネルギー機関（IRENA）の2024年の推計によれば、24時間先の風力予測精度が10%改善するだけで、欧州電力網の需給調整コストを年間15〜30億ユーロ削減できる可能性がある。予測精度の向上は、もはや技術的な関心事にとどまらず、巨大な経済インパクトを持つ。
HEFTcom ― 「精度」より「戦略」の時代
2025年に開催された再エネ予測・取引コンペティション「HEFTcom」では、世界66チームが英国の3.6GW級再エネ設備を対象にAIで発電量予測と入札量決定を競った。
興味深いのは、最高精度の予測を出したVestasが優勝できなかったことだ。優勝はスウェーデンの国営電力会社SvKで、「予測に基づきどのタイミングでどれだけリスクを取るか」をAIで最適化したチームが最も高い収益を上げた。AIの役割が「当てる技術」から「稼ぐ技術」へ進化していることを象徴する結果だ。
FIP（Feed-in Premium）制度下では、「発電量予測 → 需給制御 → 市場入札 → 価格変動対応」をワンフローで最適化できるかどうかが、再エネ事業者の収益を左右する。精度だけでなく、予測をどう戦略に落とし込むかが競争力の源泉になっている。
日本の課題と展望
「串だんご状」電力系統の宿命
日本の電力系統は、地域間連系線の容量が限られた「串だんご状」構造が特徴だ。再エネのポテンシャルが高い九州・東北・北海道では出力制御が常態化しており、2023年度の再エネ発電比率は22.9%に達したものの、出力抑制による「座礁した再エネ」が大きな課題となっている。
第7次エネルギー基本計画（2025年2月閣議決定）では、2040年度の再エネ比率を4〜5割とする目標を掲げている。太陽光だけで約9.8%を占める現状からさらなる拡大を目指すなかで、AI予測の高度化は不可避だ。
日本で求められる3つの技術適用
分散型電源・蓄電池・EV/V2Hを統合制御し、あたかも1つの発電所のように運用するVPPでは、深層強化学習（DRL）によるリアルタイム最適制御が実装フェーズに入りつつある。欧州ではNextKraftwerkeが8,000以上の分散型設備をAIで統合制御している。
電力中央研究所のハイブリッド型予測のように、衛星画像・地上カメラ・AI気象モデルを組み合わせた数分〜1時間先の局所的変動予測の精度向上は、出力抑制の判断精度に直結する。
FIP制度下での卸電力市場での収益最大化には、気象予測・発電量予測・市場価格予測を統合した意思決定AIが求められる。HEFTcomの結果が示すように、精度と戦略を一体化する視点が鍵になる。
残された課題と今後の展望
AI気象モデルの進歩は目覚ましいが、万能ではない。
極端気象の過小評価が大きな課題だ。多くのAI気象モデルはMSE（平均二乗誤差）で訓練されるため予測の平滑化が起こり、極端な風速や降水量を過小評価する傾向がある。GenCastの拡散モデルやAIFS ENSの確率的訓練はこの問題に部分的に対応しているが、完全には解決されていない。
空間解像度の限界もある。GraphCastやGenCastの解像度は約25km（0.25°）で、都市スケールの局所予報には不十分だ。ECMWFの物理ベースIFSは9kmで動作しており、この面では従来型が依然として優位にある。
気候変動への対応も未知数だ。AI気象モデルは過去データで訓練されるため、気候変動に伴う「過去に例のない」気象パターンへの対応力は検証されていない。物理ベースとAIを融合するハイブリッドモデルの開発がNOAA、ECMWF、複数の研究大学で2026年現在進行中だ。
それでも、ECMWFのFlorence Rabier事務局長が「気象科学と予測を変革するマイルストーン」と表現したように、AIと物理ベースモデルの相互補完が再エネの予測精度を段階的に引き上げていくことは確実だ。「研究→実証→実装」のサイクルが従来の10年超から3〜5年に圧縮されるなか、2030年に向けて「気象予報の精度 ≈ 再エネの経済的価値」という等式の右辺は、着実に大きくなっていくだろう。
主要参考文献
- Lam, R. et al. “Learning skillful medium-range global weather forecasting.” Science, 2023.（GraphCast）
- Bi, K. et al. “Accurate medium-range global weather forecasting with 3D neural networks.” Nature, 2023.（Pangu-Weather）
- Price, I. et al. “Probabilistic weather forecasting with machine learning.” Nature, 2024.（GenCast）
- Lang, S. et al. “AIFS — ECMWF’s data-driven forecasting system.” arXiv:2406.01465, 2024.
- ECMWF. “ECMWF’s AI forecasts become operational.” 2025年2月25日.
- ECMWF. “ECMWF’s ensemble AI forecasts become operational.” 2025年7月1日.
- Google DeepMind. “Machine learning can boost the value of wind energy.” 2019年2月.
- 電力中央研究所・スカパーJSAT. 「ハイブリッド型太陽光発電出力予測システム」.
- 資源エネルギー庁. 第7次エネルギー基本計画, 2025年2月.
