スマートグリッド建設プロジェクトにおける動的なコスト超過緩和のためのマルチエージェント深層強化学習
Multi-Agent Deep Reinforcement Learning for Dynamic Cost Overrun Mitigation in Smart Grid Construction Projects
本研究は、スマートグリッド建設プロジェクトにおける動的なエンジニアリングの不確実性下でのコスト超過緩和のための、協調型マルチエージェント深層強化学習(MARL)フレームワークを開発した。このフレームワークは、調達管理、建設スケジューリング、設備割り当て、監督制御ユニットを、調整済みの建設シミュレーション環境に組み込まれた分散エージェントとしてモデル化する。環境は中国河南省の42件のスマートグリッド建設プロジェクトからパラメータ化され、天候効率損失、輸送遅延、市場価格変動、労働力不足、サプライチェーン中断を含む擾乱シナリオを生成する。ハイブリッドDQN–PPOメカニズムは、離散的な管理上の選択(タスク加速、サプライヤー切り替え、調達タイミングなど)を処理するDQNモジュールと、連続的なリソース割り当ておよび回復強度決定を調整するPPOモジュールを組み合わせる。階層的な報酬関数は、ローカル部門の目標と、コスト超過、スケジュール遅延、リソース遊休、回復支出、安全リスク、環境影響に対するプロジェクトレベルのペナルティを組み合わせる。実験プロトコルでは、30ペアのランダムシード、ノンパラメトリックブートストラップ信頼区間、Holm調整済みWilcoxon符号順位検定を使用し、決定論的最適化、ローリングホライゾンMPC、確率的/ロバスト最適化、シングルエージェントDRL、MAPPO、MADDPG/MATD3、QMIX、HAPPOベースラインと比較した。提案フレームワークは、平均コスト超過率6.83%、平均スケジュール遅延16.82日を達成し、報告された擾乱設定下でのルールベースの建設管理と比較して、コスト超過を18.7%、スケジュール遅延を21.4%削減した。
- 中国河南省の42件のスマートグリッド建設プロジェクトを対象に、マルチエージェント深層強化学習フレームワークを開発し、ルールベース管理比でコスト超過を18.7%、スケジュール遅延を21.4%削減した。
本研究はスマートグリッド建設プロジェクトにおけるコスト超過とスケジュール遅延を大幅に削減する強化学習フレームワークを提案しており、エネルギーインフラの建設管理・運用効率を高める技術として注目に値する。特に、複数の不確実性要因(天候、物流、市場変動、労働力不足など)を同時に扱い、ルールベース管理と比較してコスト超過を18.7%、スケジュール遅延を21.4%削減した点は、スマートグリッドや再生可能エネルギー関連の建設プロジェクト管理ソリューション企業への応用が期待される。