基于时空碳响应的排放预测：一种多智能体注意力增强深度学习框架

《Journal of Cleaner Production》：Emission forecasting based spatial-temporal carbon response: A multi-agent attention-enhanced deep learning framework

　　

• •
  一种事前的碳响应框架能够实现主动的低碳调度。
• •
  分层深度学习通过可再生能源解耦来预测碳强度。
• •
  语言模型代理提高了数据处理的灵活性和预测能力的韧性。
• •
  移动储能和数据中心利用预测性碳信号减少排放。

引言

随着二氧化碳排放的加剧，极端气候事件在全球范围内变得越来越突出，对人类社会的可持续发展构成了重大威胁（Slamer?ak等人，2022年）。作为回应，包括英国、中国、德国、日本和澳大利亚在内的120多个国家承诺实现“净零碳”和“碳中和”，作为应对气候变化的核心措施（联合国环境规划署，2025年）。作为能源相关二氧化碳排放的最大来源（约占40%（DCCEEW，2022年），电力行业的脱碳对于缓解气候变化至关重要（国会预算办公室，2022年）。这一能源转型的特点是整合了可变的可再生能源（RES），如风能和太阳能。尽管减少对化石燃料的依赖至关重要，但这一转型也引入了重大的运营挑战，并需要前所未有的电网灵活性来管理可再生能源发电的间歇性和不确定性（Xu等人，2024年）。

在这种背景下，需求侧的碳响应作为一种关键且成本效益高的机制出现了，它可以增强电网的灵活性，使电力消费与波动的可再生能源发电相匹配，并支持系统稳定性（Wang等人，2020年）。为了引导需求响应计划实现具体的脱碳目标，精确的碳信号是必不可少的。节点碳强度（NCI）是一个关键指标，它量化了与特定电网位置电力消费相关的碳排放（Ma等人，2024年）。通过揭示电网的碳足迹，NCI使得灵活负载能够将消费转移到使用更清洁能源的时间和地点，从而有助于系统层面的减排（Lu等人，2024年）。

然而，基本的信息-决策不匹配限制了NCI驱动的碳响应的运营价值。地理可调度负载（GDLs）的空间-时间调度，例如移动储能系统（MESS）的重新定位和分布式数据中心（DDC）的工作负载转移，必须在进行相关运营之前进行规划，而传统的NCI方法是从实时或消费后的功率流数据中得出碳信号的。因此，所得信号只能在系统运行期间或之后获得。此外，可再生能源发电的变异性可能会在调度和执行之间改变节点碳条件，因此事后的NCI值可能不再代表实施预定行动时遇到的情况。尽管基于数据的研究已经开始预测与碳相关的信号，但日前每小时的节点碳强度（NCI）尚未充分确立为空间-时间GDL调度的高级决策信号。因此，未解决的研究空白是可用碳信息的时间和粒度与调度决策所需的时间和粒度之间的不匹配。

为了弥合这一差距，本文提出了一种新颖的“事前”空间-时间碳响应框架，该框架通过前瞻性的NCI预测在包含MESSs和DDCs的电力系统中实现主动调度。因此，该研究不仅将NCI视为预测目标，还将其视为相应调度期之前的可用信息。贡献总结如下：

• 1)
  与传统主要提供事后碳信号的NCI计算和碳排放流跟踪方法不同，本文提出了一种事前的空间-时间碳响应框架。所提出的框架将日前NCI预测转换为MESSs和DDCs的主动调度信号，从而减少了碳信号生成和低碳调度之间的延迟。
• 2)
  与直接将历史特征映射到未来碳强度的传统混合预测框架相比，本文开发了一种分层深度学习预测结构。第一层预测电网中的可再生能源发电量，第二层使用这些结构化的可再生能源预测作为NCI预测的辅助输入。这种设计明确地将可再生能源发电的不确定性与下游碳强度预测分离。
• 3)
  本文介绍了一种基于大型语言模型（LLM）的多代理合作机制，该机制在预测模型的输入和输出阶段运行。一个数据预处理代理在输入端操作，而一个性能评估代理在输出端工作。与传统方法相比，这种机制提高了模型的韧性和自动化能力。
• 4)
  与仅考虑时间因素的碳感知需求响应不同，所提出的框架明确利用了GDLs（包括MESSs和DDCs）的时间和空间灵活性。这种设计使得碳响应能够在不同的时间段和网络位置进行，而不仅仅是沿时间轴调整需求。

本文的其余部分组织如下。第2节介绍了关于碳导向运营和预测技术的文献综述。第3节详细介绍了方法论工作流程，包括所提出的分层预测模型和GDLs的空間-时间低碳调度模型。第4节提出了案例研究和结果，第5节进行了讨论。第6节总结了本文。

节片

文献综述

作为碳排放的主要来源，电力系统在通过脱碳实现碳中和方面发挥着不可或缺的作用。现有研究在减排策略方面取得了实质性进展，主要是在供应方面。（Farhoumandi等人，2020年）提出了一个针对老旧燃煤发电机的退役计划，以支持碳中和。参考文献（Zeng等人，2020年）提出了一个考虑天然气-电力耦合和天然气储存的详细模型。

提出的系统框架

为了实现事前的空间-时间碳响应，必须解决两个关键挑战。首先是电力系统中准确的NCI预测，特别是具有小时分辨率的日前预测。其次是构建一个结合GDLs并使用第一阶段预测结果的空间-时间低碳调度模型。

实验设置和实施细节

在所提出的ACGD辅助的空间-时间碳响应框架中，碳强度预测模型包括分层设计、DSAM和多代理合作机制。在需求侧碳响应阶段，评估了MESSs和DDCs的地理可调度性。

ACGD预测模型在Visual Studio Code（VS Code）中使用PyTorch框架在Python 3.8中实现，并在配备AMD? Ryzen 7 6800H CPU、16 GB RAM和NVIDIA?的PC上运行

事前空间-时间碳响应的运营影响

所提出框架的主要运营价值在于将NCI从回顾性会计指标转换为前瞻性调度信号。案例1和3都允许空间-时间GDL调度，但它们分别使用事后和事前的碳信号。如图6所示，预测的NCI允许MESS2的代表性充放电动作大约提前一小时进行调度。这种比较支持了该框架的能力

结论

本文提出了一种基于ACGD碳强度预测模型的空间-时间集成系统的事前低碳响应框架。该框架结合了日前NCI预测和GDLs（包括MESSs和DDCs）的主动低碳响应，以支持碳感知的需求侧调度。在修改后的IEEE 33节点系统上的案例研究表明，预测的NCI将MESS2的代表性充放电动作提前了大约一小时

CRediT作者贡献声明

Feiyu Cai：撰写——原始草稿，可视化，软件，资源，方法论，调查，形式分析，数据管理。Jing Qiu：监督，项目管理，方法论，资金获取，概念化。Yi Yang：验证，监督，软件，资源，项目管理，方法论，调查，形式分析，概念化。Chenxi Zhang：可视化，验证，监督，资源，形式分析，概念化。Xinlei Wang：软件：

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作部分得到了中国国家自然科学基金（项目编号72601122）和福建省自然科学基金（项目编号2026J008067）的支持。此外，本工作还得到了ARC研究枢纽（项目编号IH180100020）、ARC培训中心（项目编号IC200100023）、ARC链接项目（项目编号LP200100056）、ARC发现项目（项目编号DP220103881）和ARC链接项目（项目编号）的支持

Feiyu Cai|Jing Qiu|Yi Yang|Chenxi Zhang|Xinlei Wang|Baichuan Liu|Junhua Zhao