AI駆動のカーボンインテンシティ予測とグリーンスライディングウィンドウ検出

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:LSTM-based carbon forecasting with actionable index opens new directions for carbon-aware decision-making research.

🏢実務担当者:Carbon Score Index provides a practical tool to schedule industrial processes during low-carbon hours, reducing operational emissions.

🏛政策担当者:Supports demand-side flexibility policies and urban grid decarbonization targets by translating forecasts into actionable insights.

都市グリッドは世界のエネルギー排出量の約70%を占めているが、都市グリッドの炭素強度（CI）は1日を通して大きく変動するため、都市やマイクログリッドが低炭素方式で運用するための明確な指針は存在しない。現在のシステムは通常、都市に過去の期間のCI情報を提供するが、短期CIの正確な予測と実行可能な洞察を提供しないため、国連の持続可能な開発目標の達成に向けた進展が制限されている。ここで述べる研究は、需要、再生可能エネルギー発電、気象条件、および連系線データの複数年にわたる期間で訓練されたLong Short-Term Memory（LSTM）ネットワークを用いて、都市グリッドの短期CIを予測するAI技術に基づくフレームワークを提示する。短期炭素強度予測は、都市および産業のエネルギー消費者が低CI運転時間帯を特定できるようにするため、炭素スコア指数に変換される。モデル検証プロセスにおいて、予測の性能指標はScaled MAE 0.0875およびRMSE 0.1066を達成し、古典的なベースラインと比較して22%から30%の性能改善を示した。実験により、特定された低炭素運転時間帯を利用することで、産業施設は排出量を15%以上削減できる可能性があることが示された。全体として、この研究の知見は、現代の軽量深層学習アーキテクチャが、持続可能な都市エネルギーシステムの開発のための実用的かつデータに基づく炭素認識意思決定を促進できるという前提を支持するものである。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Urban grids account for approximately 7 0% of global energy emissions, but the carbon intensity (CI) of urban grids varies significantly throughout the day, meaning there is no clear guidance available for cities or microgrids to operate in a lowcarbon fashion. Current systems typically provide cities with CI information for historical periods but do not provide an accurate forecast of short-term CI along with actionable insight, which limits progress toward achieving the United Nations' Sustainable Development Goals. The work described here presents a framework based on AI technology that predicts short-term CI for an urban grid using Long Short-Term Memory (LSTM) networks trained on multi-year intervals of demand, renewable generation, weather conditions, and interconnector data. Short-Term Carbon Intensity Forecasts are converted to a Carbon Score Index to enable urban and industrial energy consumers to identify low-CI operating windows. In the model validation process, the forecast's performance metrics yielded a Scaled MAE of 0.0875 and a RMSE of 0.1066, representing a 22% to 30% performance improvement compared to classical baselines. Experimentation indicates that by using the identified low-carbon operating windows, industrial facilities may reduce their emissions by 15% or more. Overall, the findings of this research support the premise that contemporary lightweight deep learning architectures can facilitate practical and data-informed carbon-aware decision-making for developing sustainable urban energy systems.

• semanticscholar https://doi.org/10.23919/indiacom70271.2026.11525648first seen 2026-05-29 05:44:43 · last seen 2026-06-24 05:23:31