30分値データ・O&M・リパワリングを一体で見る理由

自家消費太陽光や既設発電所のリパワリングを検討するとき、設備容量やパネル枚数だけを見ても十分ではありません。 実際に重要なのは、施設がいつ電気を使い、発電所がどこで止まり、どの更新が停止時間と発電損失を減らすかです。 I-S3では、30分値データ解析、O&M、SolarEdgeを利用した高度なリパワリング、停止時間を短縮する並行施工を一体で検討します。

相談は 太陽光のAIチャット から始められます。 30分値データ、電気料金明細、屋根・受電設備写真、既設パワコンや監視画面の写真があれば、現地調査前に判断材料を整理しやすくなります。

なぜ30分値が重要なのか

自家消費太陽光は、年間使用量だけでは判断しにくい設備です。 月間使用量が大きくても、夜間や休日に需要が偏っていれば、昼間の太陽光を使い切れない可能性があります。 逆に、日中稼働の工場、倉庫、店舗、冷蔵倉庫、EV充電を行う事業所では、昼間の需要パターンを確認することで導入容量を検討しやすくなります。

• 日別・時間別に、どの時間帯で太陽光を使えるかを確認する
• 契約電力やピーク抑制の可能性を見る
• 余剰が出やすい時間帯と、EV充電など新しい日中負荷を合わせて検討する
• オンサイトPPA、逆潮流防止、蓄電池の要否を現実的に比較する

O&Mを前提に設計する

太陽光発電設備は、設置後に長く運用する設備です。 発電量低下、ストリング単位の不調、パワコン停止、草刈り事故、落雷、経年劣化などは、施工後の運用で見つかります。 そのため、EPC、O&M、修理、リパワリングを分断せず、遠隔監視やI-V測定を含めて運用前提で考えることが重要です。

I-S3では O&M、 修理・点検、 リパワリング を一体で相談できます。 単発の修理ではなく、発電量改善、停止時間、将来の保守性まで含めて判断します。

なぜ短時間でリパワリングできるのか

リパワリングで発電所を止める時間が長くなると、その間の売電機会が失われます。 I-S3では、既設設備を可能な限り稼働させたまま、新しい設備の主要工程を並行して進め、切り替え時のみ停止する考え方を取ります。 設備規模や配線条件によって変わりますが、低圧では1〜2日、高圧では3〜7日を目安に停止時間の短縮を検討します。

SolarEdgeを利用するリパワリングでは、DCストリング配線も新しい構成にできます。 既設パワコンを動かしたまま、新しいDC配線やオプティマイザーの準備を進められる場合があり、切り替え時の停止時間を短くしやすくなります。 さらに、パネル単位の監視により、更新後のO&Mや不調箇所の把握もしやすくなります。

一般論ではなく、相談時に見る情報

初期相談では、次のような情報があると判断が進みます。

• 30分値データ、電気料金明細、契約電力、施設用途、稼働時間
• 屋根、敷地、受電設備、キュービクル、既設パワコン、接続箱の写真
• 発電量データ、監視画面、不具合履歴、停止履歴
• 自家消費、売電継続、パワコン更新、O&M改善、EV充電連携などの目的

関連ページ

• 工場・事業所向け自家消費太陽光
• 30分値解析から見る自家消費太陽光
• 太陽光リパワリング
• リパワリングの停止時間と並行施工
• 太陽光発電×AI運用
• I-S3は何をやっている会社なのか

よくある質問

30分値データがないと相談できませんか？

いいえ。電気料金明細や月別使用量、施設用途から初期相談は可能です。ただし30分値があると、導入容量や自家消費率の見通しを具体化しやすくなります。

リパワリングは全国対応ですか？

自家消費太陽光とリパワリングは全国対応で相談できます。現地条件、設備規模、施工体制により進め方を個別に判断します。

SolarEdgeを使う理由は何ですか？

パネル単位の最適化・監視により、発電量改善だけでなく、更新後のO&Mや不調箇所の把握に役立つためです。既設設備の状態に応じて適否を判断します。

Solar + AI: The Prediction Illusion — Why Operations, Not Forecasting, Define Performance —

 AI has become one of the dominant narratives in the solar industry.

The idea is simple and compelling:
collect large volumes of historical data, apply machine learning, and predict failures before they happen.

It sounds logical.
Predictive maintenance has delivered real value in industries led by companies like GE and Siemens.

But there is a fundamental question that is rarely asked:

👉 Does solar actually behave like the systems where prediction works?

---

Solar Failures Are Not Predictable in the Same Way

In real-world solar operations, failures are rarely systematic.

They tend to be:

• A single underperforming module
• A loose or degraded connector
• A cable fault
• Localized soiling or shading
• An inverter that stops unexpectedly

These events share three defining characteristics:

👉 They are local, random, and non-reproducible

This creates a structural limitation:

• Increasing data volume does not necessarily improve predictability
• Historical patterns often fail to generalize
• Early warning signals are weak or inconsistent

Yet much of the industry continues to assume that with enough data, these problems will become predictable.

That assumption deserves closer examination.

---

The Problem with “Average Degradation”

Another widely accepted concept is long-term degradation:

• 0.5%–1% annual decline
• Smooth performance curves over time

While statistically valid, this is not what drives operational outcomes.

In practice:

• Systems operate normally → near full output
• A fault occurs → sudden, discrete loss

👉 Performance is driven by exceptions, not averages

Focusing on average degradation can obscure the real drivers of loss:
localized, event-based failures.

---

Weather Data Does Not Eliminate Uncertainty

AI models often incorporate weather data to improve forecasting.

This is useful — but limited.

The reality is simple:

👉 Weather itself is uncertain

Prediction error remains a dominant factor in output variability.

---

What Actually Matters: Knowing the Present

If prediction is structurally limited, the optimization target changes.

The critical capability is not predicting the future, but:

👉 Understanding the present with high precision

This means:

• Module-level visibility (ideally)
• String-level visibility (at minimum)
• Real-time awareness

Technologies such as module-level monitoring (e.g., SolarEdge) move in this direction.

👉 If you can pinpoint the issue immediately, prediction becomes less critical.

---

Not Everything Should Be Fixed

There is another uncomfortable but essential reality:

👉 Fixing every issue is economically irrational

Solar O&M is not about eliminating all faults.
It is about making decisions:

• What to fix
• When to fix
• What to ignore

Key variables include:

• Energy loss
• Repair cost
• Operational timing

👉 O&M is fundamentally about prioritization, not perfection

---

This Is Not an Argument Against AI

It is important to be clear:

👉 This is not an argument against AI

AI is valuable — but only when its role is correctly defined.

The problem is not the technology.
The problem is how it is positioned.

Rather than treating AI as a prediction engine, its real value lies in:

• Assisting anomaly detection
• Prioritizing issues based on impact
• Supporting operational decision-making

👉 AI should optimize response, not attempt to predict randomness

---

Where This Becomes Critical: Second-Hand Modules

This perspective has direct implications for one of the most debated topics in solar:

👉 The use of second-hand (reused) modules

They are often dismissed because:

• Quality varies
• Failure risk is perceived as higher
• Extensive pre-screening is assumed necessary

But this reasoning is based on a flawed premise:

👉 That quality must be guaranteed upfront

---

The Limits of Pre-Screening

Even new modules are not immune to:

• Early failures
• Random defects
• Performance variability

👉 Perfect pre-screening is impossible.

So the question becomes:

👉 Why invest heavily in upfront filtering when variability cannot be eliminated anyway?

---

Quality Through Operations

A more robust model is:

• Accept variability as a given
• Detect issues immediately
• Replace components selectively based on economics

With module-level control:

• Faults can be isolated
• System impact can be contained
• Replacement can be targeted

👉 Variability becomes manageable, not prohibitive

---

The Real Conclusion

Solar is often framed as a hardware-driven industry.

It is not.

👉 Solar is an operations-driven business

Once this is understood:

• AI shifts from prediction to operational support
• Data shifts from volume to granularity
• Second-hand modules become viable
• System design becomes more flexible and scalable

---

Final Thought

The industry is trying to answer:

👉 “Can we predict failures before they happen?”

But the more relevant question is:

👉 “How quickly can we detect and respond when they do?”

Solar systems do not fail on average.
They fail in exceptions.

And performance is not determined by how well you predict —
but by how well you respond.

日本の太陽光×AIはどこで間違えたのか — 「予測」という幻想と、運用という現実 —

 太陽光発電の世界で、AIが語られるとき、だいたい同じ話になります。

「大量のデータを集めて、故障を予測する」

もっともらしく聞こえます。
実際、GE や Siemens のような企業が進めてきた“予知保全”の文脈を引き継いでいるのでしょう。

しかし、その前提は本当に太陽光に当てはまっているのでしょうか。

---

現場で起きていることは「予測不能」である

太陽光発電所で起きるトラブルは、極めて単純です。

• 1枚のパネルだけ発電しない
• コネクタが抜ける
• ケーブルが断線する
• 局所的に汚れる
• パワコンが突然止まる

どれも共通しているのは、

👉 局所的で、突発的で、再現性がない

ということです。

これは統計モデルにとって最も扱いにくいタイプの現象です。

• 母数を増やしても意味がない
• 過去データが未来を説明しない
• 「兆候」がほとんど存在しない

それでもなお、「AIで予測できる」と言い続けるのは、現場から見るとかなり無理がある。

---

日本のAI活用は“予測”ではなく“効率化”に収束している

日本でもAIは導入されています。
ただし中身を見ると、やっていることはこうです。

• ドローンで異常箇所を見つける
• 発電量のズレを検出する
• 監視の省人化を進める

つまり、

👉 未来を当てているのではなく、後から効率よく見つけているだけ

です。

これは悪いことではありません。むしろ正しい。
ただし、それを「予知保全」と呼ぶのは少し違う。

---

なぜ日本は「予測」に固執するのか

理由は単純です。

1. FIT時代の延長線

大規模・均一・金融モデル。
👉 平均で語る癖がついている

2. SIer的発想

データを集めて、解析して、レポートを出す。
👉 データ量＝価値という前提

3. 人手不足

電気主任技術者が足りない。
👉 AI＝省人化ツールとして期待される

---

結果として何が起きているか。

👉 「予測できることにしてしまう」構造

---

しかし問題はそこではない

現場の課題はもっと単純です。

• いつ壊れるかは分からない
• 壊れたときにすぐ分かるか
• どこが壊れたか特定できるか
• 直すべきか無視すべきか判断できるか

つまり必要なのは、

👉 予測ではなく“即応”

です。

---

データは「量」ではなく「粒度」である

ここで考え方をひっくり返す必要があります。

多くの議論はこうなっています：

• データをたくさん集める
• 全体を俯瞰する
• 傾向をつかむ

しかし現場で効くのは逆です。

• パネル単位で見る
• ストリング単位で見る
• 今の状態を知る

例えば、SolarEdge のようなモジュール単位監視は、この方向にあります。

👉 問題は「どこか」が分かれば、それで十分

---

もう一つの本質：「全部は直さない」

もう一つ重要なことがあります。

それは、

👉 すべての異常に対応すると破綻する

という現実です。

太陽光発電のO&Mは、

• 修理コスト
• 発電損失
• タイミング

を見ながら意思決定するビジネスです。

つまり本質は、

👉 選択と無視

です。

---

AIの正しい役割

ここでようやくAIの出番です。

AIがやるべきことは：

• 異常の検出補助
• 優先順位の整理
• 対応判断の支援

👉 未来を当てることではない

---

この考え方が意味を持つ領域：中古パネル

ここから話がつながります。

中古パネルは日本では嫌われがちです。

• 品質がばらつく
• 故障が多そう
• 信頼できない

しかしこれは、

👉 「事前に完璧を求める前提」

に立っているからです。

---

完璧な事前検査は幻想である

新品であっても、

• 初期不良はある
• 突発故障は起きる
• 個体差は消えない

つまり、

👉 事前にすべてを見抜くことはできない

---

運用で品質を作るという発想

そこで発想を変える。

• 問題は起きる前提
• 起きたらすぐ分かる
• 必要なものだけ交換する

この構造を作れば、

👉 品質のばらつきは“管理可能な変数”になる

---

結論：太陽光は「予測のビジネス」ではない

ここまでをまとめると明確です。

日本の太陽光×AIは、

👉 「壊れる前に当てようとしている」

しかし実際に必要なのは、

👉 「壊れた瞬間に最速で対応すること」

---

そしてこの違いはそのまま、

• O&Mコスト
• システム設計
• 中古パネルの成立性
• 海外展開のしやすさ

に直結します。

---

太陽光発電は平均では動きません。
現場は常に例外でできています。

だからこそ、

予測ではなく運用。
事前ではなく事後。
全体ではなく局所。

この視点に立たない限り、
いくらAIを積み上げても本質には届かないでしょう。

Why Solar-Powered Modular AI Infrastructure Is Becoming More Relevant

 The rapid growth of AI is often discussed as a computing problem.

But increasingly, it is becoming an energy infrastructure problem.

As AI training and inference workloads expand, more attention is being given to GPU availability, data center construction, and advanced cooling systems. Yet in many real-world cases, the more immediate constraint is much simpler: power cannot be supplied where and when it is needed.

This is one reason why solar-powered, modular, DC-based AI infrastructure may become far more relevant than many people currently assume.

Not All AI Workloads Are Equally Time-Critical

One of the common assumptions around AI infrastructure is that all workloads require uninterrupted, utility-grade power at all times.

That is not necessarily true.

Many machine learning workloads are important, but they are not always time-critical in the strictest sense. Training jobs, batch processing tasks, and certain classes of large-scale optimization can often tolerate interruption, delayed execution, or partial scheduling. In many cases, computation can resume from checkpoints rather than requiring a perfectly continuous power supply.

This changes the architecture question.

If a workload can pause and resume, then it does not always need to be tied to the same power assumptions as a conventional urban hyperscale data center. That opens the door to infrastructure designed around available energy, rather than around the expectation of unlimited grid power.

Grid Expansion Is Too Slow

At the same time, grid reinforcement, interconnection approval, and large-scale electrical construction are becoming major bottlenecks.

Even where there is strong demand for new AI infrastructure, the supporting energy infrastructure may take years to upgrade. Permitting is slow. Utility coordination is slow. Transformer capacity is limited. Transmission expansion is even slower.

This problem is not limited to remote locations.

In rural areas, sufficient grid capacity may simply not exist.

In urban areas, the grid may already be too congested to absorb large new data center loads without costly and time-consuming upgrades.

So the issue is no longer just “Where can we build more compute?”

It is increasingly “Where can we actually deliver the power?”

Modular Compute + Solar + Storage Is No Longer a Niche Idea

This is where modular, solar-powered AI infrastructure starts to make practical sense.

If compute modules are paired with solar generation, battery storage, and DC-native power architecture, they may be deployed in a way that reduces dependence on slow and uncertain grid expansion.

This does not mean all AI workloads will immediately move off-grid.

But it does suggest that certain classes of compute can be matched with a different energy model:

• energy-aware scheduling

• checkpoint-based restart capability

• modular deployment

• local renewable generation

• storage-assisted operation

• DC-native efficiency

In that sense, the value of this architecture is not only sustainability.

It is also speed of deployment, freedom from grid bottlenecks, and a more realistic path to scaling compute under power constraints.

AI Infrastructure May Need to Follow Energy, Not the Other Way Around

For a long time, the dominant logic was simple:

build the data center first, and the energy system will follow.

That assumption is becoming harder to maintain.

In many places, energy infrastructure can no longer be expanded quickly enough to support the growth of AI. Under those conditions, it may make more sense to bring compute to energy, or to design compute in forms that can operate with greater flexibility around energy availability.

This is one reason DC-based modular infrastructure is so interesting.

A well-controlled DC bus, especially when combined with unit-level power electronics, selective isolation, and storage, can potentially support highly scalable architectures with fewer conversion losses and more direct integration with solar generation.

That same architectural logic may also extend beyond AI.

From AI Infrastructure to Distributed Energy Platforms

One of the most interesting aspects of this approach is that the underlying DC unit may not be limited to data centers.

A modular DC power block designed for compute infrastructure could also be adapted for residential, commercial, industrial, or off-grid distributed energy systems.

In other words, the same core architecture could support:

• modular AI compute infrastructure

• distributed solar + storage systems

• microgrids

• resilient power systems

• off-grid energy platforms

Because the DC side of such systems is far less dependent on regional AC conventions, this kind of architecture may offer a path toward greater global standardization and scale.

A Practical Question, Not Just a Vision

The point is not that solar-powered modular AI infrastructure will replace all conventional data centers.

The point is that the combination of:

• non-time-critical AI workloads

• checkpoint-based computation

• slow grid reinforcement

• growing power density

• and increasing interconnection constraints

is making this class of solution much more relevant than before.

What once looked like a niche or futuristic concept may increasingly become a practical answer to a very immediate problem.

AI is not only pushing the limits of computing.

It is pushing the limits of how energy is delivered, managed, and scaled.

And that may be exactly why solar-powered modular AI infrastructure deserves much more serious attention now.

太陽光パネルの「出口」を誰がどう考えているのか 〜 再資源化一辺倒でも魔法の新技術礼賛でもない。I-S3が準備している次の一手

 太陽光パネルの大量排出が将来の社会課題になる、という話はここ数年で急に当たり前のように語られるようになりました。

制度面でも、再資源化や適正処理をどう進めるかという議論が進み、関連企業や業界団体もそれぞれ「リユース」「リサイクル」「資源循環」を掲げています。

もちろん、使えなくなった設備を適正に処理することは重要です。
それ自体を否定するつもりはありません。

ただ、最近この手の話を見ていると、どうにも気になることがあります。

それは、まだ使えるものまで最初から“廃棄予備軍”として扱う空気が強すぎることです。

さらに言えば、何かというと
「高精度な診断技術」
「革新的な選別技術」
「画期的な再資源化技術」
といった、いかにもそれらしい話が前面に出てきます。

しかし、現実の事業はそんな魔法では回りません。

太陽光発電設備は、そもそも新品であっても、工場から出た瞬間に価値が完成するものではありません。
設計、施工、監視、保守、交換、資金計画、契約条件。
そうしたものを積み上げて、ようやく長期の発電資産として成立します。

だとすれば、既に一度使われたパネルについても、本当に問うべきなのは同じはずです。

それをどう運用するのか。
どのような条件で再び発電資産として成立させるのか。
どこにリスクがあり、それをどう技術・運用・契約・金融で受け止めるのか。

そこを抜きにして、
「検査して選別しました」
「新技術で見分けます」
「最後は再資源化します」
だけで語るのは、正直かなり雑だとI-S3は考えています。

私たちが関心を持っているのは、
検査で一度きりの安心を演出することではなく、運用の中で品質を成立させることです。

品質というと、多くの人はすぐに検査成績や初期判定を思い浮かべます。
もちろんそれは必要です。
しかし、設備の本当の品質は、紙の上の判定だけでは決まりません。

どのような構成で使うのか。
どのように監視するのか。
異常が出たときにどう切り分けるのか。
交換可能性をどう持たせるのか。
期待利回りとリスクをどう釣り合わせるのか。

つまり品質とは、部材単体の性格だけでなく、システム全体と運用体制の中で実現されるものです。

I-S3は、ここに大きな可能性があると見ています。

しかもそれは、単なる環境美談ではありません。
「もったいないから使いましょう」という情緒的な話でもありません。
ましてや、派手な新技術を振りかざして注目を集めるための企画でもありません。

目指しているのは、もっと地味で、もっと真面目で、しかし本質的にはずっと強いものです。

技術で無理をしない。
運用で支える。
ファイナンスまで含めて成立させる。

この三つを組み合わせて、初めて事業になる。
I-S3はそう考えています。

世の中には、古くなった設備が出てくるたびに「新しい再資源化技術で解決する」と言いたがる人たちがいます。
しかし、本当に必要なのは、これから発明されるかもしれない何かを待つことではありません。

必要なのは、今ある現実の設備と、今ある技術と、今ある制度の中で、筋の良いモデルを組むことです。

使えるものは使う。
ただし雑には使わない。
運用を前提に、責任の持てる形で使う。
そして、無理なものだけを適正に次の段階へ送る。

この順序が、これからの太陽光の出口戦略には必要だと考えています。

日本では、初期の太陽光設備が次々に更新期を迎えています。
PCSや周辺機器の更新、監視の見直し、設備全体の再構成。
これからのテーマは、新しく入れることだけではなく、既にある資産をどう再編集するかに移っていくはずです。

I-S3としても、この領域については以前から強い関心を持ってきました。
そして今、単なる意見ではなく、現実の事業として成立させるための準備を少しずつ進めています。

まだ現時点では、細かなスキームや個別のパートナー、具体的な案件の話をすべて書く段階ではありません。
ただ一つ言えるのは、これは
再資源化一辺倒の話でもなく、魔法の技術に賭ける話でもない
ということです。

I-S3が考えているのは、
太陽光設備の価値を、技術・運用・金融の組み合わせでもう一度立ち上げ直すことです。

派手ではないかもしれません。
しかし、こういう地に足のついたやり方こそ、最後には残ると私たちは考えています。

今後、このテーマについては少しずつ発信していく予定です。
太陽光の「入口」ばかりが語られてきた時代の次に、
出口と再構成をどう設計するのか。
そこに、I-S3としての次の勝負があると思っています。

I-S3は、既設太陽光設備の再構成・再活用に関する新たな取り組みを準備中です。詳細は今後、順次お知らせしていきます。

The rapid expansion of AI is creating an unprecedented challenge: energy infrastructure.

Training large models and running AI inference at scale requires enormous computing power, and modern data centers are increasingly constrained by the availability of electricity. In many regions, grid capacity—not computing hardware—is becoming the bottleneck.

One possible solution is to rethink the architecture of AI infrastructure itself.

Instead of building ever-larger centralized data centers that depend heavily on grid expansion, we can consider a different approach: solar-powered modular AI data centers.

In this concept, data center modules are deployed alongside dedicated solar power systems and connected through a DC-oriented architecture. Such systems can operate partially or fully independent of the traditional power grid.

This approach offers several advantages:

• Scalability – Modular units can be deployed incrementally as demand grows
• Energy independence – Local renewable generation reduces grid constraints
• Sustainability – AI workloads powered directly by renewable energy
• Rapid deployment – Infrastructure can be built where solar resources are available

As AI becomes a foundational layer of modern infrastructure, the question is no longer just about compute efficiency. It is also about how we power intelligence at scale.

Solar-powered modular data centers could become one of the pathways toward scalable and sustainable AI infrastructure.

Article:
https://i-s3.blogspot.com/2024/06/solar-powered-ai-data-centers-scalable.html

【告発】変圧器トップランナー制度、LCAも安全性も供給リスクも「未検証」だった ― 開示文書が暴いた資源エネルギー庁の制度設計の空洞

皆さん、こんにちは。

今回は、日本の電力インフラと産業基盤の根幹を揺るがしかねない、極めて深刻な行政の怠慢について書きます。

国が推進している
資源エネルギー庁の「変圧器トップランナー制度」。

省エネの名の下に全国の変圧器仕様を強制的に切り替え、
いま現実には

• トランス価格の異常高騰

• 供給停止

• 新設工場・設備の受電不能

という静かな国家級インフラ障害を引き起こしつつあります。

そこで私は、この制度の科学的・工学的な根拠が本当に検討されているのかを確認するため、行政文書の開示請求を行いました。

そして帰ってきたのが、今回の 「開示・不開示決定通知書」 です。

――結論から言います。

この制度は、「国家経済に直撃する規模の政策であるにもかかわらず、最も重要な技術的・環境的・供給的リスクを、行政自身が“一切検討していなかった”か、あるいは“記録を意図的に残していなかった”ことが公式文書で確定しました。

これは無能では済みません。
欺瞞か、職務放棄か、そのどちらかです。

---

1. 「手続きは完璧です！」──資源エネルギー庁が誇らしげに出してきた“形式資料”

まず、資源エネルギー庁は、開示請求に対して

34件の文書を「開示決定」

しました。

一覧を見ると、確かに**“書類の体裁”だけは完璧**です。

• ワーキンググループ（WG）の議事次第・議事録

• 「改善率試算」「原油換算効果」などの参考値

• パブリックコメントと、それに対する「考え方」

• 制度説明スライドや目標基準案

――要するに、

「会議はやりました」「資料は並べました」「手続きは踏みました」

という行政の自己満足セットは、すべて揃っていました。

しかし、ここからが本題です。

---

2. 「え？ それ一番大事なところでは？」──衝撃の“不存在”

今回、私は次のような “制度の正当性を左右する最重要資料” の開示を求めました。

• ライフサイクルCO₂（LCA）評価

• 材料使用量（鉄・銅・アモルファス鋼など）の増減試算

• 重量増加による施工・落下・耐震リスク評価

• 旧製品製造中止による供給・施工リスク評価

• 製造・輸送・据付まで含めた実質的CO₂収支

これに対する 資源エネルギー庁の公式回答は、以下の一文です。

「作成も取得もしておらず、保有していないため」

――つまり、

✅ CO₂は減るのか → 検証していない
✅ 重量が増えて危険にならないか → 検証していない
✅ 供給が止まらないか → 検証していない
✅ 材料増で資源・価格が破綻しないか → 検証していない

ということを、国自身が公式に認めたことになります。

これはもう、無邪気などという生易しい言葉で済む話ではありません。

国家インフラ政策として、やってはいけない「検討ゼロ運用」が明文化された瞬間です。

---

3. もはや「省エネ政策」ではなく「国家規模の実験」

特に致命的なのが、LCA（ライフサイクルCO₂）評価の完全欠如です。

高効率化のために：

• 鉄が増える

• 銅が増える

• アモルファス鋼板が増える

• トランスは重くなり、巨大化する

これらはすべて

• 製造時CO₂

• 輸送時CO₂

• 設置時CO₂

を確実に押し上げます。

にもかかわらず、資源エネルギー庁は

「運用時削減」と「製造時増加」を比較検証すらしていない

状態で制度を強行した。

これはもはや

「省エネ政策」ではなく、「エネルギーと資源を賭けた無計測の社会実験」

です。

---

4. 事故が起きたとき、誰が責任を取るのか

新型トランスは確実に

• 重くなり

• 大型化し

• 施工難度が上がり

• クレーン・基礎・耐震要求が厳しくなり

• 落下事故・感電事故・据付事故リスクが増大します

しかし今回の通知書では、

✅ 重量増加リスク評価 → 不存在
✅ 施工安全性評価 → 不存在
✅ 既存設備での設置可否検証 → 不存在

と 公式に断言されています。

つまり、誰も安全側の検証をしていない。

事故が起きたときに、

• メーカーの責任か

• 設計者の責任か

• 施工業者の責任か

• 発注者の責任か

と責任のなすりつけ合いになる未来が、制度設計の段階ですでに確定しているわけです。

---

5. 「制度上は製造中止を求めていない」という最悪の詭弁

通知書の中には、次の逃げ口上も記されています。

「トップランナー制度は、旧型トランスの製造中止を求めるものではない」

しかし現実はどうか。

• 旧製品は次々と製造終了

• 新製品は納期半年以上

• 現場は完全に供給崩壊

これは

「制度上やっていないと言い張りながら、結果として完全にやらかしている」

という、行政の中でも最悪レベルの “結果責任放棄” です。

---

6. 結論：これは「無邪気」ではない、「国家級の怠慢」だ

ここまでの行政文書が公式に認めた事実は、極めて単純です。

✅ 手続きは踏んだ
✅ 書類は揃えた
❌ 科学的検証はしていない
❌ 安全性評価はしていない
❌ 供給リスクは想定していない
❌ CO₂収支すら比較していない

これを総合すると、

資源エネルギー庁は、「政策の形式」だけを整え、「政策の中身」を空洞化させたまま、国家経済を実験台に載せた

という結論以外に、どう解釈しても到達しません。

---

まとめ：これは「素朴」ではない、「許されない」

よく「善意の失策」「素朴な省エネ行政」といった言葉で行政を擁護する人がいます。

しかし今回は違います。

• 経済への影響が明白

• 安全リスクが明白

• 資源・材料問題が明白

• 国際競争力への打撃が明白

それでも検証を意図的に行わず,
「書類だけ整えて突っ走った」。

これはもはや

無邪気ではありません。
国家インフラ政策として“許されないレベルの怠慢”です。

私は今後も
この制度が どのような犠牲を日本社会に強いていくのか を、
行政文書と実務現場の両方から、徹底的に記録・公開していきます。