TCN–BiLSTM確率的太陽光予測を用いた低炭素マイクログリッドのプライバシー保護型分散オンラインディスパッチ
Privacy-Preserving Distributed Online Dispatch of Low-Carbon Microgrids with TCN–BiLSTM Probabilistic Photovoltaic Forecasts (原題)
Chen Zhang, ZHAO Zhongyuan
🤖 gxceed AI 要約
日本語
TCN–BiLSTMによる確率的PV予測と差分プライバシー型分散オンライン経済ディスパッチを統合した手法を提案。分位点予測をリスク考慮型純需要に変換し、ステップ型炭素取引コストを含む問題を一点バンディット最適化で解く。IEEE162バス系統のシミュレーションで、プライバシーと性能のトレードオフを保ちつつ平均後悔と炭素コストを低減できることを示した。
English
This paper couples TCN–BiLSTM probabilistic PV forecasting with privacy-preserving distributed online economic dispatch for low-carbon microgrids. Quantile forecasts become a risk-aware net demand, and a step-type carbon-trading cost is included. A differentially private one-point bandit algorithm achieves sublinear regret O(T^3/4); IEEE 162-bus simulations show lower average regret and carbon cost versus the no-PV case.
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
炭素取引コストを組み込んだ分散型マイクログリッド運用は、日本での地域電力・需要家間のカーボンマネジメントや非化石証書・J-クレジット取引の実務に示唆を与える。SSBJ開示とは直接接続しないが、Scope2排出削減の運用高度化に関連する。
In the global GX context
The work contributes to global decarbonization scholarship by integrating carbon-trading cost into distributed microgrid dispatch under privacy constraints. It is relevant to operational carbon accounting and Scope 2 reduction, though it does not directly address TCFD/ISSB disclosure frameworks.
👥 読者別の含意
🔬研究者:確率的予測と差分プライバシーを組み合わせた分散オンライン最適化の理論的枠組みに関心がある研究者に有用。
🏢実務担当者:マイクログリッド運用者が炭素コストとPV不確実性を同時に管理する際のアルゴリズム設計の参考になる。
🏛政策担当者:炭素取引制度下での分散型エネルギー運用のプライバシー保護と効率性の両立に関する政策的示唆を提供する。
📄 Abstract（原文）
Low-carbon microgrids are complex energy systems in which photovoltaic (PV) uncertainty, time-varying operating costs, distributed coordination, and information privacy must be addressed simultaneously. This paper couples TCN–BiLSTM probabilistic PV forecasting with privacy-preserving distributed online economic dispatch. Quantile forecasts are converted into a risk-aware net demand by combining the median PV forecast with a lower-side uncertainty reserve. The resulting dispatch problem also includes a step-type carbon-trading cost. To solve the problem when cost gradients are unavailable, we propose a probabilistic PV forecasting-driven differentially private distributed online one-point bandit optimization algorithm (PPF-DP-DOBO). Each generator uses one function-value query per iteration and perturbs its communicated state with Laplace noise. The analysis establishes a per-release differential privacy guarantee, its sequential composition over the dispatch horizon, and an individual dynamic regret bound that explicitly depends on PV forecasting uncertainty. Under bounded weighted path variation and cumulative forecasting uncertainty, the regret is sublinear with order O(T3/4). Simulations on a modified IEEE 162-bus system show that the method tracks the risk-aware net demand, preserves the expected privacy–performance trade-off, and yields lower average regret and carbon cost in the evaluated probabilistic-PV setting than in the no-PV case.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.3390/math14193551first seen 2026-10-02 04:50:14
🔔 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。