← 論文一覧に戻る

炭素価格発見に基づく電力・炭素統合市場の入札均衡モデルに関する研究

Research on bidding equilibrium model of the joint electricity-carbon market based on carbon price discovery (原題)

Mengjie Zhao, Shijie Duan, Tianshuai Jiang, Xin Jiang, Qiangang Jia

Journal of Physics: Conference Series📚 査読済 / ジャーナル2026-04-01#炭素価格Origin: CN
DOI: 10.1088/1742-6596/3214/1/012091
原典: https://doi.org/10.1088/1742-6596/3214/1/012091

🤖 gxceed AI 要約

日本語

本論文は、マルチエージェント強化学習を用いて電力・炭素統合市場の入札均衡モデルを構築。炭素排出基準を約14.21%引き締めると火力発電コストが約13.83%上昇し、再エネ比率が倍増すると火力の入札パラメータが最低1/3低下することを実証。低炭素ユニットは炭素価格優位を収益増に転換でき、「双炭」目標達成に寄与する。

English

This paper develops a bidding equilibrium model for the joint electricity-carbon market using multi-agent reinforcement learning. It finds that tightening carbon benchmarks by ~14.21% increases thermal power costs by ~13.83%, and doubling renewable penetration reduces thermal bidding parameters by at least one-third. Low-carbon units leverage carbon price advantages to increase revenue, promoting the dual carbon goal.

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

本研究は、日本のGX政策における電力市場と炭素市場の連携メカニズムの理解に貢献する。特にSSBJ開示基準やカーボンプライシング制度設計に示唆を与え、日本でも導入が進むカーボンプライシングと電力市場の統合に具体的なモデルを提供する。

In the global GX context

This paper models the interaction between electricity and carbon markets, providing insights for carbon pricing design and market coupling. It is relevant to global GX contexts like EU ETS and emerging carbon markets, and its use of multi-agent reinforcement learning offers a novel approach to bidding strategy analysis.

👥 読者別の含意

🔬研究者:Researchers can extend this model to study dynamic bidding strategies under different carbon pricing mechanisms and market structures.

🏢実務担当者:Corporate sustainability teams can use these findings to assess how carbon prices affect power procurement costs and optimize bidding in integrated markets.

🏛政策担当者:Policymakers can gain insights into the design of integrated electricity-carbon markets, including the impact of carbon benchmark tightening and renewable integration.

📄 抄録（日本語訳）

電力市場と炭素市場は自然に結合しており、炭素取引市場の運営は炭素価格と発電コストを密接に結び付けている。本論文は、両市場の相互作用結合メカニズムから出発し、まず電力-炭素連合市場におけるゲームが非協力ゲームであることを明確にし、次に炭素価格発見に基づく連合市場の入札均衡モデルを構築する——上層はマルチエージェント強化学習に基づく発電事業者の入札戦略反復モデルであり、下層は連合市場の清算モデルである。最後に、Win or Learn Fast-Policy Hill Climbing（WOLF-PHC）アルゴリズムを用いて、モデルの求解プロセスを示す。事例分析は以下を示す：1）炭素排出ベンチマークが約14.21%厳格化された場合、従来型火力発電ユニットの炭素取引コストは約13.83%上昇する；2）システムの新エネルギー普及率が2倍になると、火力発電ユニットの入札パラメータは少なくとも1/3低下する；3）炭素価格を考慮すると、連合市場における低炭素ユニットは入札パラメータをより大きく引き上げる傾向があり（炭素排出優位性をより高い収益に転換する）、これは「ダブルカーボン」目標の達成により資する。

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）

The electricity and carbon markets are naturally coupled, and the operation of the carbon trading market links carbon prices closely with power generation costs. Starting from the interactive coupling mechanism of the two markets, this paper first clarifies that the game in the joint electricity-carbon market is a non-cooperative game, and then constructs a bidding equilibrium model for the joint market based on carbon price discovery—with the upper layer being a power generator’s bidding strategy iterative model, which based on multi-agent reinforcement learning, and the lower layer being a joint market clearing model. Finally, using the Win or Learn Fast-Policy Hill Climbing (WOLF-PHC) algorithm, the paper gives the model solution process. Example analysis shows: 1) When the carbon emission benchmark is tightened by ∼14.21%, the carbon transaction cost of traditional thermal power units rises by ∼13.83%; 2) When the system’s new energy penetration doubles, thermal power units’ bidding parameters decrease by at least 1/3; 3) Considering carbon prices, low-carbon units in the joint market tend to increase their bidding parameters more (transforming their carbon emission advantages into higher revenue), which is more conducive to achieving the “dual carbon” goal.

🔗 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。