Application Research of Deep Reinforcement Learning in Low-carbon Scheduling Mechanism for Power Grid Construction Tasks
電力網建設タスクの低炭素スケジューリング機構における深層強化学習の応用研究 (AI 翻訳)
K. K. Qin, Yu Zheng, Chao Zeng, S. Z. Wang
🤖 gxceed AI 要約
日本語
本論文は、改良遺伝的アルゴリズム（IGA）、深層強化学習（DRL）、GRUニューラルネットワークを統合し、電力網建設機械の低炭素スケジューリングと炭素排出予測の枠組みを提案する。タスク依存関係、設備特性、排出係数に基づく多目的スケジューリングモデルを構築し、GRUでリアルタイム排出予測を行う。実験では、従来のGAやPSOと比較して平均スケジューリング時間を35.37%、総炭素排出量を24.69%削減し、GRUのRMSEは2.89 kgCO/hと高い予測精度を示した。
English
This paper proposes a low-carbon scheduling and carbon emission prediction framework for power grid construction machinery by integrating an improved genetic algorithm (IGA), deep reinforcement learning (DRL), and a gated recurrent unit (GRU) neural network. The multi-objective scheduling model considers task dependencies, equipment characteristics, and emission factors, while GRU provides real-time emission forecasting. Experiments show a 35.37% reduction in average scheduling time and a 24.69% reduction in total carbon emissions compared to GA and PSO, with GRU achieving an RMSE of 2.89 kgCO/h.
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
日本の建設業界では、SSBJ開示やサプライチェーン排出量算定への対応が急務であり、建設機械の運用最適化による排出削減は実務上の関心が高い。本手法は、工事スケジュールと排出量を同時に最適化する点で、ゼロエミッション建設や環境報告への応用が期待される。
In the global GX context
Globally, the construction sector faces increasing pressure to reduce carbon emissions and align with TCFD/ISSB disclosure requirements. This paper demonstrates a practical AI-driven approach to optimize construction scheduling for both time and emissions, offering a scalable solution for infrastructure projects to meet sustainability targets and enhance ESG reporting.
👥 読者別の含意
🔬研究者:AI×ESGの応用として、DRLとGRUを組み合わせた建設スケジューリング最適化の新規性と有効性を示す実証研究。
🏢実務担当者:建設会社の排出削減対策として、機械の運用スケジュール最適化によるコスト削減と排出量削減の具体的な手法を提供。
🏛政策担当者:建設部門の脱炭素政策において、AIを活用した排出削減の可能性を示すエビデンスとして有用。
📄 Abstract（原文）
This paper proposes a low-carbon scheduling and carbon emission prediction framework for power grid construction machinery by integrating an improved genetic algorithm (IGA), deep reinforcement learning (DRL), and a gated recurrent unit (GRU) neural network. The proposed approach is applicable to engineering scenarios involving power transmission facilities, electromagnetic infrastructure, and communication-support systems where energy efficiency and carbon reduction are critical. A multi-objective scheduling model is established based on task dependency relationships, equipment operating characteristics, and carbon emission factors, while the GRU network is employed for real-time carbon emission forecasting. Experimental results demonstrate that the proposed method outperforms traditional GA and PSO approaches, reducing average scheduling time by 35.37% and total carbon emissions by 24.69%. The GRU model achieves an RMSE of 2.89 kgCO/h, showing superior prediction accuracy compared with RF and SVR models. The results verify the effectiveness, stability, and practical value of the proposed framework for intelligent low-carbon scheduling in complex engineering environments.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.7716/aem.v15i3.3100first seen 2026-08-15 04:52:43
🔔 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。