758の冷蔵倉庫を対象とした調査では、冷凍が総エネルギー使用量の60から70パーセントを占め、冷蔵倉庫は平方フィートあたり年間およそ25 kWhを消費し、これはドライ倉庫の約四倍である。この二つの数字を合わせると、AIによる冷蔵倉庫のエネルギー最適化の根拠は修辞ではなく具体的なものになる。電気代の大半は、照明や事務機器ではなく、昼夜稼働する少数の圧縮機にかかっており、真の問いは、アルゴリズムが実際に圧縮機の負荷のどの部分を動かせるのか、そして何かを動かす前にどのようなデータが必要なのかということである。

まず一つの誤解を解いておくべきだ。ベンダーの資料はしばしば20から30パーセントの節約をうたうが、冷蔵倉庫の電力の公表内訳はそのような一律の数字を裏付けていない。負荷は、電気代のおよそ60から70パーセントを占める圧縮機、10から15パーセントの蒸発器と凝縮器のファン、5から8パーセントの除霜に分かれ、残りは照明とドック設備である。一つの部品を完璧に最適化しても、その部品のシェアしか動かせない。つまり、AIによる冷蔵倉庫のエネルギー最適化プロジェクトの正直な出発点は、パーセンテージを約束するパンフレットではなく、お金がどこに行くのかを示す表である。

エネルギーのお金がどこに行くのか、そこにアルゴリズムは目を向けるべきだ

カリフォルニア州インランド・エンパイアにある、年間を通じて摂氏マイナス18度以下に保たれる80,000平方フィートの第三者冷凍倉庫を考えてみよう。公表されている平方フィートあたり年間25 kWhというベンチマークを当てはめると、年間消費量はおよそ2百万kWhとなり、2026年の米国商業用電力の平均価格であるkWhあたり約13.5セントで計算すると、年間電気代は270,000ドルに近づき、そのおよそ六から七割を冷凍が占める。この計算の目的は精度ではなく方向性である。どの倉庫も異なるが、圧縮機の順序制御、温度設定値、除霜サイクルが電気代の方向を決める一方、照明の改修や事務室の空調は、いかに立派でも、残りのわずかな部分しか動かさない。

中国東部のコールドチェーン事業者は、2025年に最適化のパイロットを行った際、別の道を取った。アルゴリズムを先に買うのではなく、チームは二か月をかけてデータの空白を埋めた。各チャンバーに温度・湿度センサーを、圧縮機にサブメーターを設置し、ドックのドア開閉記録を同じシステムに接続した。彼らの考えは、モデルは過去の負荷曲線とライブの運転条件を消費するものであり、それがなければ経験からの推測しかできない、というものだった。二か月後、彼らは実際の消費ピークが一日の最も暑い時間ではなく、午後の4時から6時の間、つまり集中的な出荷の時間帯に訪れることを発見した。ドックのドアが繰り返し開閉し、暖かい空気が流れ込み、圧縮機は設定値に追いつくためにフル稼働を強いられていた。この発見にはAIは一切使われていないが、それでも、後に続くアルゴリズムが測定可能な成果を出せるかどうかを決定づけた。

三つのエネルギー最適化アルゴリズム、三つの異なる境界

今日冷蔵倉庫に届いているアルゴリズムは、大きく三つの系統に分かれ、それぞれデータ要件と上限が異なる。

第一は負荷予測である。過去の消費曲線、天気予報、出荷計画を使って、今後数時間の冷房需要がどう動くかを予測し、圧縮機の組み合わせを事前にスケジュールする。その価値は、圧縮機を反応型から先読み型に変え、複数のユニットが同時にフル稼働で起動する際に生じるデマンド料金のピークを回避することにある。業界の推計では、デマンド料金は一部の冷蔵倉庫の電気代の30から50パーセントを占め、その範囲は地域と料金体系によって異なるが、方向性は明確だ。負荷を減らすよりも、負荷を移す方が価値が高いことが多い。データの前提条件は、少なくとも一シーズン分の過去の負荷データであり、それがなければ予測には足場がない。

第二の系統はリアルタイム制御の最適化で、動的な温度設定値と除霜スケジュールを対象とする。冷凍倉庫は一般にマイナス18度に保たれるが、多くの冷凍品は一度から二度の幅を許容するため、アルゴリズムは電気が安いときに温度をわずかに下げ、価格がピークのときにゆっくりと戻すことができ、建物自体の熱容量を時間帯別料金に対するバッテリーとして使う。ここでの境界は製品の安全性である。温度の変動は製品の許容範囲内にとどまらなければならず、これにより医薬品やワクチンの保管のほとんどが除外され、通常の冷凍食品が実施可能なケースとして残る。除霜も同じ論理に従う。霜は異なる速度で蓄積し、固定スケジュールはエネルギーを浪費するが、それは蒸発器に信頼できる霜状態の監視がある場合に限る。

第三の系統は異常検知と設備の健全性診断である。圧縮機の効率低下、冷媒のゆっくりとした漏れ、ドアシールの経年劣化は、初期段階ではチャンバー温度をほとんど動かさないが、消費曲線の緩やかな上昇として現れ、手動の点検ではめったに見つからない。アルゴリズムの価値は、その変動にフラグを立て、問題が大きくなる前にメンテナンスを促すことにある。ここでのリターンは、エネルギー節約の外にあることが多い。冷蔵倉庫での計画外の停止は、数か月分の電気代よりも、傷んだ商品と破られた契約の方がはるかに高くつく。

アルゴリズムの種類 解決する問題 データの前提条件 境界とリスク
負荷予測とピークシフト 圧縮機のスケジューリング、デマンド料金 少なくとも一シーズン分の負荷と出荷データ 予測は出荷計画の精度に依存する
リアルタイム制御の最適化 設定値、除霜サイクル ゾーン別センサー、圧縮機のサブメーター 温度の変動は製品の許容範囲に制限される
異常検知と診断 効率低下、冷媒漏れ 継続的な運転データ、メンテナンス記録 問題にフラグを立てるが、修理の代わりにはならない

導入を決める前にパイロット予算を立てよう

AIによる冷蔵倉庫のエネルギー最適化が投資に見合うかどうかは計算に帰着し、仮定を明示しておくと役立つ。上で使った、年間270,000ドルの電気代がかかる80,000平方フィートの冷凍倉庫を取り、パイロットが総電気代の5から10パーセントの削減、つまり年間13,500から27,000ドルを目指すと仮定しよう。この範囲は、プロジェクトがどれだけの投資を正当化できるかを判断するための計画上の仮定であり、測定された結果ではない。公表されている文献には普遍的な数字はなく、固定のパーセンテージを保証するベンダーには、その証拠を求めるべきである。

コスト側も同じ分解が必要だ。センサーとサブメーター、データ統合、アルゴリズムのサブスクリプションまたは開発、パイロットを支える社内スタッフの時間は、日常的に過小評価される。実務的な順序は、まずデータ基盤を構築し、単一のチャンバーでパイロットを実行し、一シーズンかけて検証し、その後初めて施設全体への展開を決めることである。パイロットには対照群も必要だ。同じ期間に同様の条件でアルゴリズムなしで稼働する比較可能なチャンバーである。対照群がなければ、節約された電気がアルゴリズムによるものか、より涼しい天候によるものかを知る方法がない。

一つの前提条件は技術的なものというより組織的なものである。アルゴリズムの推奨事項を毎日手動で実行するようオペレーターに求める場合、実行率は時間とともに低下する。持続する節約とは、自動で動作するよう制御システムに書き込まれ、人が監督し、例外に対応するものである。そのため、このプロジェクトはソフトウェアの購入であると同時に、運用手順の変更でもあり、手順が変わらなければ、成果はパイロット報告書の中にとどまる。

こう見ると、AIによる冷蔵倉庫のエネルギー最適化は、技術の購入というより、データ主導の運用プロジェクトである。冷凍のシェアが60から70パーセントであることは、天井が真剣に取り上げるに十分高いことを意味する一方、アルゴリズムの境界、データの前提条件、製品の安全制限により、急ぐことはできない。今後数年間、センサーのコストが下がり続け、時間帯別価格の差が広がるにつれて、この分野の最適化の余地はさらに広がるばかりであり、すべての事業者に一つの未解決の問いが残る。ツールが整ったとき、あなたの施設は、アルゴリズムが初日から使えるだけの十分にきれいな過去のデータを蓄積しているだろうか。今日収集されなかったデータは、明日使うことができないのだから。

Dr. Chen(サプライチェーン研究者)著 英語版からの翻訳。内容に相違がある場合は英語版を優先します。