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。
0 件のコメント:
コメントを投稿