Sustainable Energy Transitions in Smart Campuses: An AI-Driven Framework Integrating Microgrid Optimization, Disaster Resilience, and Educational Empowerment for Sustainable Development

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

🔬研究者:The novel MS-GTAN+ model and multi-agent optimization provide benchmarks and architectures for further AI applications in energy system resilience and sustainability.

🏢実務担当者:Campus energy managers can adopt the framework to improve microgrid efficiency, reduce carbon emissions, and ensure critical load supply during disasters.

🏛政策担当者:The paper demonstrates how policy support for smart microgrids and educational digital twins can advance both climate resilience and sustainability education.

世界的な持続可能性への移行が進む中、キャンパスエネルギーシステムは、運用効率、極端な気象事象への回復力、持続可能な開発教育のバランスを取るという、ますます高まる圧力に直面している。本研究は、環境的持続可能性と災害回復力を相乗的に推進し、同時に学生の持続可能な開発への理解を深める、スマートキャンパスマイクログリッドのための人工知能駆動型フレームワークを提案する。本フレームワークは、拡張マルチスケールゲート時間的注意ネットワーク（MS-GTAN+）を統合し、適応的ディスパッチモード選択のためのエンドツーエンドの気象災害状態認識を実現する。TransformerおよびInformerベースラインと比較して、MS-GTAN+は風速の予測RMSEを約48.5%、降水量を約46.0%削減しつつ、単一サンプルの推論時間をわずか1.82msに維持する。日常運用においては、マルチインテリジェンス協調最適化アルゴリズムが経済効率と炭素削減目標のバランスを動的に取る。災害シナリオでは、機能的必要性と時間的感応性を組み込んだ改良PageRankアルゴリズムにより、重要負荷の精密な識別と適応的電力再配分が可能となり、平均重要負荷保証率は約75%を達成し、従来のトポロジーベース手法の性能をほぼ2倍にする。さらに、本フレームワークは、教育用デジタルツインプラットフォームを通じて、理論的知識と教育実践の間の隔たりを橋渡しする。シミュレーション結果は、本フレームワークが炭素フットプリント削減、電力途絶への回復力、学生の持続可能性コンピテンシー育成を大幅に向上させることを実証している。技術的革新と教育的進歩を統合することにより、本研究は、持続可能性への移行を推進しつつ次世代の持続可能性リーダーを育成しようとする教育機関に、包括的なモデルを提供する。

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。

Amid global sustainability transitions, campus energy systems confront growing pressure to balance operational efficiency, resilience to extreme weather events, and sustainable development education. This study proposes an artificial intelligence-driven framework for smart campus microgrids that synergistically advances environmental sustainability and disaster resilience, while deepening students’ understanding of sustainable development. The framework integrates an enhanced multi-scale gated temporal attention network (MS-GTAN+) to realize end-to-end meteorological hazard-state recognition for adaptive dispatch mode selection. Compared with Transformer and Informer baselines, MS-GTAN+ reduces prediction RMSE by approximately 48.5% for wind speed and 46.0% for precipitation while maintaining a single-sample inference time of only 1.82 ms. For daily operations, a multi-intelligence co-optimization algorithm dynamically balances economic efficiency with carbon reduction objectives. During disaster scenarios, an improved PageRank algorithm incorporating functional necessity and temporal sensitivity enables precise identification of critical loads and adaptive power redistribution, achieving an average critical-load assurance rate of approximately 75%, nearly doubling the performance of the traditional topology-based method. Furthermore, the framework bridges the divide between theoretical knowledge and educational practice via an educational digital twin platform. Simulation results demonstrate that the framework substantially improves carbon footprint reduction, resilience to power disruptions, and student sustainability competency development. By unifying technical innovation with pedagogical advancement, this study offers a holistic model for educational institutions seeking to advance sustainability transitions while preparing the next generation of sustainability leaders.

• semanticscholar https://www.mdpi.com/2071-1050/18/2/627/pdf?version=1767794283first seen 2026-06-29 07:52:26 · last seen 2026-08-10 05:24:36