研究の概要

電力系統における炭素排出量削減の新アプローチとして、「炭素強度（Carbon Intensity）が上がってから対応する」リアクティブな手法から、1日先の炭素強度を深層学習で予測してプロアクティブに対応するフレームワークを提案した研究。

技術的には階層型深層学習モデル（二段階アテンション機構）とLLM（大規模言語モデル）ベースのマルチエージェント協調システムを組み合わせ、時空間的な炭素応答スケジューリングを実現する。可動エネルギー貯蔵設備と分散データセンターを組み合わせた実証実験をIEEE 33バスシステムで実施した（Cai, Qiu, Yang他）。

主な発見・成果

  • 炭素スケジューリング遅延を1時間短縮するだけで、提案モデルにより排出量30%超削減を達成
  • 炭素強度の時間的変動を事前予測することで、蓄電設備の充放電タイミングを最適化
  • LLMベースのマルチエージェント協調が、複雑な系統内での分散型制御の精度を向上
  • 可動型蓄電設備（Electric Vehicles等）と固定型データセンターの柔軟性を組み合わせた新しい最適化アーキテクチャ

実務への応用

工場・データセンター・商業施設など大口電力ユーザーにとって、炭素強度予測に基づく「カーボンアウェア・スケジューリング」はScope 2排出量削減の強力な実装手段。再エネ電力の供給が多い時間帯（太陽光・風力の出力が高く炭素強度が低い時間帯）に、生産ラインやデータセンターの高消費タスクを自動的にシフトさせる判断に活用できる。日本では電力広域的運営推進機関（OCCTO）が公開する系統データやエリアプライスと組み合わせれば、現場への適用可能性を具体的に検討できる。