動的カーボンシグナル予測と簡易低炭素負荷シフト配分：LSTMによる地域電力ケーススタディ
Dynamic Carbon-Signal Forecasting and Simplified Low-Carbon Load-Shifting Dispatch: An LSTM-Based Regional Power Case Study (原題)
Yu Zhang, Zifeng Qin, Weigang Liu
🤖 gxceed AI 要約
日本語
スペインの時間別電力データを用い、LSTMで地域電力の時間別炭素排出係数を予測し、動的カーボンシグナルとして負荷シフト配分シミュレーションに適用した。LSTMは持続性・季節ナイーブ基準を上回るがRidge回帰には劣った。6%の移転可能負荷の下で経済配分比0.114%の排出削減となるが、電力コストは約0.040%増加し、炭素価格が約98.23EUR/tCO2を超える場合のみ費用対効果が逆転する。
English
Using hourly Spanish power data, an LSTM forecasts regional carbon emission factors as dynamic carbon signals for a simplified load-shifting dispatch simulation. The LSTM beats persistence and seasonal naive baselines but not Ridge regression. Under 6% transferable load, emissions fall 0.114% versus economic dispatch while cost rises ~0.040%; break-even requires a carbon price above ~98.23 EUR/tCO2.
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
日本では再生可能エネルギーの時間別炭素強度を踏まえた需要シフトは、SSBJのScope2算定や電力調達戦略に直結する。本稿は動的カーボンシグナルの実務的限界と炭素価格の閾値を示し、国内の低炭素配分設計や炭素価格政策の議論に示唆を与える。
In the global GX context
This study contributes to global discussions on dynamic carbon signals for demand-side flexibility, relevant to Scope 2 accounting and hourly matching under emerging disclosure frameworks. It highlights that deep learning does not automatically outperform linear baselines and that carbon price thresholds determine cost-effectiveness, informing ISSB/CSRD-aligned operational decarbonization strategies.
👥 読者別の含意
🔬研究者:LSTMと線形ベースラインの比較、および簡易配分モデルの限界を明確に示す実証研究として参考になる。
🏢実務担当者:動的炭素シグナルを活用した需要シフトの効果とコスト増、炭素価格の損益分岐点を把握し、調達・配分戦略の検討に活用できる。
🏛政策担当者:炭素価格が約98EUR/tCO2を超えないと動的シグナルによる低炭素配分が費用対効果を持たない点は、炭素価格設計や電力市場政策の参考になる。
📄 Abstract（原文）
Abstract Regional power-system carbon intensity varies with load, renewable generation, fuel mix, imports, and market signals. Static emission factors can therefore misrepresent the low-carbon value of shifting demand from one hour to another. This revised manuscript presents a prediction-dispatch framework that estimates hourly regional electricity carbon emission factors and uses them as dynamic carbon signals in a simplified load-shifting dispatch simulation. The forecasting component uses an LSTM model and compares it with persistence, seasonal naive, Ridge regression, random forest, and multilayer perceptron baselines on the public hourly Spain electricity demand, generation, price, and weather dataset. The LSTM achieves an MAE of 23.65 kgCO 2 /MWh and an RMSE of 30.17 kgCO 2 /MWh for 24-hour forecasting, improving over persistence and seasonal naive baselines but not over Ridge regression, which obtains the lowest error on this dataset. The dispatch component is intentionally limited to a 6% transferable-load simulation rather than a full unit-commitment or AC power-flow model. Under this simplified setting, LSTM-driven dynamic carbon signals reduce average daily emissions from 172,655.87 tCO 2 to 172,459.68 tCO 2 relative to economic dispatch, a reduction of 0.114%, while increasing electricity cost by approximately 0.040%. A break-even analysis shows that this LSTM scenario becomes cost-composite favorable only when the effective carbon price exceeds about 98.23 EUR/tCO 2 . The results support the operational value of dynamic carbon signals under the stated assumptions, but they also show that strong linear baselines, feature-availability auditing, coefficient disclosure, and fuller dispatch validation are necessary before claiming a general advantage for deep learning or complete low-carbon dispatch optimization.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.1088/1742-6596/3322/1/012005first seen 2026-09-30 04:55:59
🔔 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。