← 論文一覧に戻る

VMD-BSLO-CTL予測と多目的MPCを用いた電気自動車フリートの動的カーボンアウェアスケジューリング

Dynamic Carbon-Aware Scheduling for Electric Vehicle Fleets Using VMD-BSLO-CTL Forecasting and Multi-Objective MPC (原題)

Hongyu Wang, Zhiyu Zhao, Kai Cui, Zixuan Meng, Bin Li, Wei Zhang, Wenwen Li

Energies📚 査読済 / ジャーナル2026-01-16#EV・輸送Origin: Global
DOI: 10.3390/en19020456
原典: https://doi.org/10.3390/en19020456

🤖 gxceed AI 要約

日本語

本論文は、電気自動車（EV）フリートの低炭素充電を実現する「予測-最適化」閉ループフレームワークを提案する。まず、VMDとCNN-Transformer-LSTMを統合したハイブリッド予測モデル（VMD-BSLO-CTL）を構築し、英国ナショナルグリッドのデータで有効性を検証した。次に、多目的MPC戦略により、ユーザーの経済性と系統安定性を両立する充電スケジューリングを実現。シミュレーションの結果、経済コスト4.17%削減、炭素排出8.82%削減、ピークバレー差6.46%低減、負荷分散11.34%低減を達成した。最後に、クラウドエッジ連携展開スキームを示し、次世代低炭素エネルギー管理への工学的可能性を示唆する。

English

This paper proposes a 'Prediction-Optimization' closed-loop framework for low-carbon EV fleet charging. A hybrid forecasting model (VMD-BSLO-CTL) integrating VMD and CNN-Transformer-LSTM is built and validated on UK National Grid data. A multi-objective MPC strategy trades off user economy and grid stability. Simulations show 4.17% cost reduction, 8.82% carbon emission reduction, 6.46% peak-valley difference reduction, and 11.34% load variance reduction. A cloud-edge collaborative deployment scheme demonstrates engineering potential for next-generation low-carbon energy management.

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

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本ではEV普及とカーボンニュートラル目標が進む中、本フレームワークは需要側応答の高度化に寄与する。日本独自の系統データを用いた適用が期待されるが、本研究は英国データに基づくため、日本の電力構成や炭素強度特性への適合検証が必要。

In the global GX context

This work advances carbon-aware scheduling for EV fleets, directly supporting global climate disclosure frameworks (ISSB, TCFD) by providing quantifiable emission reductions. It also aligns with transition finance by demonstrating cost-effective decarbonization in the transport sector.

👥 読者別の含意

🔬研究者:The hybrid forecasting model (VMD-BSLO-CTL) and multi-objective MPC approach offer novel methods for spatio-temporal carbon intensity forecasting and EV fleet optimization.

🏢実務担当者:EV fleet operators and grid managers can adopt the framework to reduce both costs and carbon emissions while improving grid stability.

🏛政策担当者:The study provides evidence that smart charging policies can achieve significant emission reductions without compromising user economy.

📄 抄録（日本語訳）

動的炭素強度の正確な把握は、低炭素デマンドサイド応答の前提条件である。しかし、従来の系統平均炭素係数は、リアルタイム調整に必要な時空間粒度を欠いている。この課題に対処するため、本論文は電気自動車（EV）フリートのための「予測-最適化」閉ループフレームワークを提案する。第一に、ハイブリッド予測モデル（VMD-BSLO-CTL）を構築する。変分モード分解（VMD）と、吸血ヒル最適化器（BSLO）によって最適化されたCNN-Transformer-LSTMネットワークを統合することにより、このモデルはマルチスケール特徴を効果的に捕捉する。英国ナショナルグリッドデータセットでの検証は、最先端のベースラインと比較して、予測期間延長に対する優れたロバスト性を示している。第二に、EV充電を導くための多目的モデル予測制御（MPC）戦略を開発する。実世界のステーションレベルシナリオに適用され、この戦略はユーザー経済性と系統安定性の間のトレードオフを調整する。シミュレーション結果は、提案フレームワークが経済コストを4.17%、炭素排出量を8.82%同時に削減し、ピーク-バレー差を6.46%、負荷分散を11.34%低減することを示している。最後に、クラウドエッジ協調展開スキームは、次世代低炭素エネルギー管理に対する提案アプローチの工学的可能性を示している。

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。

📄 Abstract（原文）

Accurate perception of dynamic carbon intensity is a prerequisite for low-carbon demand-side response. However, traditional grid-average carbon factors lack the spatio-temporal granularity required for real-time regulation. To address this, this paper proposes a “Prediction-Optimization” closed-loop framework for electric vehicle (EV) fleets. First, a hybrid forecasting model (VMD-BSLO-CTL) is constructed. By integrating Variational Mode Decomposition (VMD) with a CNN-Transformer-LSTM network optimized by the Blood-Sucking Leech Optimizer (BSLO), the model effectively captures multi-scale features. Validation on the UK National Grid dataset demonstrates its superior robustness against prediction horizon extension compared to state-of-the-art baselines. Second, a multi-objective Model Predictive Control (MPC) strategy is developed to guide EV charging. Applied to a real-world station-level scenario, the strategy navigates the trade-offs between user economy and grid stability. Simulation results show that the proposed framework simultaneously reduces economic costs by 4.17% and carbon emissions by 8.82%, while lowering the peak-valley difference by 6.46% and load variance by 11.34%. Finally, a cloud-edge collaborative deployment scheme indicates the engineering potential of the proposed approach for next-generation low-carbon energy management.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。