排出予測に基づく時空間カーボン応答：マルチエージェント注意機構強化深層学習フレームワーク

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

🔬研究者:The dual-stage attention mechanism and LLM-based multi-agent framework provide a novel methodological blueprint for integrating AI into carbon forecasting and demand response research.

🏢実務担当者:Utilities and grid operators can adopt the proactive carbon scheduling model to reduce emissions by over 30% via short-term predictive control, improving operational efficiency.

🏛政策担当者:The framework demonstrates how AI can enable real-time carbon management, supporting policies that incentivize low-carbon dispatch and reduce regulatory latency.

主要な炭素排出源として、電力システムの脱炭素化は社会的に大きな注目を集めている。ノード炭素強度（NCI）は、炭素指向型デマンドレスポンスにおける重要な要素であり、従来は事後計算によって決定されてきた。しかし、この事後的なアプローチは低炭素運用に遅延をもたらす。この課題に対処するため、本論文は事前予測型の時空間炭素応答フレームワークを提示する。その中核として、二段階注意機構と大規模言語モデル（LLM）ベースのマルチエージェント協調システムによって強化された、新しい深層学習ベースの階層的設計を開発し、日前NCIを正確に予測する。この設計は、再生可能エネルギー不確実性の影響を効果的に軽減し、予測の回復力を高める。需要側では、フレームワークは地理的に配電可能な負荷（GDLs）、すなわち移動式エネルギー貯蔵システム（MESSs）と分散型データセンター（DDCs）を統合する時空間炭素スケジューリングモデルを提案する。高精度な日前NCI予測を活用することで、フレームワークは炭素強度の変動に迅速に対応し、システム排出量を効果的に削減できる。提案されたフレームワークは、修正されたIEEE 33母線システムで試験される。シミュレーション結果に基づき、提案フレームワークが運用遅延と排出結果に与える影響が分析される。結果は、炭素スケジューリング遅延が1時間短縮された場合、提案モデルと方法論が30%以上の排出削減を達成できることを示している。本研究は、受動的な炭素会計の限界を打破し、能動的な炭素管理へと前進する。これは、よりクリーンな電力システムへの移行を加速し、持続可能な生産目標を直接支援する知的ソリューションを提供する。

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。

As a major contributor to carbon emissions, the decarbonization of power systems has garnered significant societal attention. Nodal carbon intensity (NCI), a critical factor in carbon-oriented demand response, has traditionally been determined through ex-post calculations. However, this ex-post approach introduces latency in low-carbon dispatch. To address this, this paper presents a proactive ex-ante spatial-temporal carbon response framework. At its core, we develop a novel deep learning-based hierarchical design, enhanced by a dual-stage attention mechanism and a large language model (LLM)-based multi-agent cooperation system, to accurately forecast day-ahead NCI. This design effectively mitigates the impact of renewable energy uncertainty and enhances predictive resilience. On the demand side, the framework proposes a spatial-temporal carbon scheduling model that integrates geographically dispatchable loads (GDLs), including mobile energy storage systems (MESSs) and distributed data centers (DDCs). Leveraging high-accuracy day-ahead NCI predictions, the framework can effectively reduce system emissions by quickly responding to carbon intensity fluctuations. The proposed framework is tested on the modified IEEE 33-bus system. According to the simulation results, the impacts of proposed framework on dispatching latency and emission outcomes are analyzed. The results demonstrate that under a one-hour reduction in carbon scheduling latency, the proposed model and methodology can achieve over 30% emission reduction. This research breaks through the limitations of passive carbon accounting, advancing toward proactive carbon management. It offers an intelligent solution that accelerates the transition to cleaner power systems while directly supporting sustainable production goals.

• arXiv https://arxiv.org/abs/2607.26560first seen 2026-07-30 04:10:41 · last seen 2026-08-11 04:11:32