Eco-Conscious Master Production Scheduling Under Dual Uncertainty: A Hybrid Approach Using Machine Learning and Stochastic Optimization

Stellen Sie sich vor, Sie betreiben einen riesigen, hochtechnologischen Limonadenstand, aber anstelle von Zitronen stellen Sie komplexe Maschinen her, und anstelle eines sonnigen Tages ist Ihre größte Herausforderung das Wetter. In der Welt moderner Fabriken gibt es ein ständiges Tauziehen zwischen zwei sehr unvorhersehbaren Dingen: wie viele Menschen Ihr Produkt kaufen wollen (Nachfrage) und wie viel es kostet, die Maschinen einzuschalten (Energie). Lange Zeit versuchten Fabrikmanager, dies zu lösen, indem sie die Zukunft mit einer einzigen „besten Schätzung“ erraten. Sie sagten: „Morgen werden wir 100 Zitronen brauchen, und Strom wird 5 Cent kosten.“ Aber in der realen Welt ist die Zukunft chaotisch. Manchmal will niemand Limonade, und manchmal scheint die Sonne so hell, dass Strom tatsächlich negatives Geld kostet (das heißt, das Stromunternehmen bezahlt Sie dafür, ihn zu nutzen!). Diese Arbeit lebt in der Wissenschaftsecke der Operations Research, was im Grunde die Kunst ist, die bestmöglichen Entscheidungen zu treffen, wenn man nicht weiß, was als Nächstes passiert. Sie baut auf der Idee auf, dass man in eine Verkehrsblockade aus schlechten Entscheidungen gerät, wenn man die Zukunft wie eine feste Tatsache behandelt. Stattdessen schlagen die Autoren vor, die Zukunft wie ein Kartendeck zu behandeln: Wir wissen nicht, welche Karte wir ziehen werden, aber wir können das Deck mischen und für jede mögliche Hand planen.

Diese Studie mit dem Titel „Eco-Conscious Master Production Scheduling Under Dual Uncertainty“ schlägt einen cleveren neuen Weg vor, eine Fabrik zu führen, die intelligent genug ist, um sowohl die Frage „Wird das jemand kaufen?“ als auch die Frage „Was kostet der Strom gerade?“ gleichzeitig zu bewältigen. Die Autoren schlagen einen „hybriden“ Ansatz vor, der zwei leistungsstarke Werkzeuge kombiniert: Maschinelles Lernen (Computer, die aus vergangenen Daten lernen) und Stochastische Optimierung (Mathematik, die für viele verschiedene Zukünfte plant).

So funktioniert ihr „Zaubertrick“. Zuerst nutzt ein superintelligentes Computergehirn namens LightGBM, um zu erraten, wie viele Produkte die Menschen eventuell wollen werden. Anstatt nur eine Zahl anzugeben, zeichnet es eine „Wolke“ von Möglichkeiten und sagt: „Wir könnten 100 brauchen, oder vielleicht 150, oder vielleicht nur 50.“ Gleichzeitig nutzt ein anderes Computergehirn namens LSTM (das wie ein Gedächtnis für die Zeit funktioniert) den Blick auf die Strompreise. Dieses Gehirn ist großartig darin, Muster zu erkennen, wie etwa wie die Preise einbrechen, wenn die Sonne scheint, oder wie sie in die Höhe schnellen, wenn alle von der Arbeit nach Hause kommen.

Sobald diese beiden Gehirne ihre Vorhersagen getroffen haben, wählen die Autoren nicht einfach ein Szenario aus. Stattdessen erstellen sie einen „Baum“ aus hunderten möglicher Zukünfte (Szenarien). Dann verwenden sie einen speziellen mathematischen Filter, um diesen riesigen Baum auf die wichtigsten Zweige zu schrumpfen, damit der Computer nicht überfordert wird. Schließlich speisen sie diesen Baum in ein Zweistufiges Stochastisches Modell ein. Stellen Sie sich dieses Modell als einen zweistufigen Tanz vor:

1. Der „Hier-und-Jetzt“-Schritt: Die Fabrik erstellt einen Plan, bevor die Zukunft eintritt. Sie entscheiden, welche Maschinen eingeschaltet werden und wie viel produziert wird, im Wissen, dass sie später eventuell Anpassungen vornehmen müssen.
2. Der „Abwarten-und-Sehen“-Schritt: Sobald der eigentliche Tag da ist und die reale Nachfrage sowie die realen Strompreise bekannt gegeben wurden, trifft die Fabrik schnelle Anpassungen. Wenn der Strom günstig ist, lassen sie die Maschinen unter Hochtouren laufen. Wenn er teuer ist, pausieren sie und nutzen den Bestand, den sie zuvor aufgebaut haben.

Die Arbeit spricht sich vehement gegen die alte Art des Vorgehens aus, die als Just-in-Time (JIT) bezeichnet wird. Die alte Methode besagt: „Produziere genau das, was du brauchst, genau dann, wenn du es brauchst, und behalte null zusätzliche Bestände.“ Die Autoren zeigen, dass dieser starre Ansatz in einer Welt, in der die Strompreise wild schwanken, ein Desaster ist. Er zwingt Fabriken dazu, ihre Maschinen während teurer Spitzenzeiten laufen zu lassen, nur um die Lagerung zusätzlicher Artikel zu vermeiden. Ihr neuer Ansatz legt nahe, dass es tatsächlich klüger ist, absichtlich ein wenig zu „überstocken“. Indem sie zusätzliche Produkte produzieren, wenn der Strom günstig (oder sogar kostenlos!) ist, kann die Fabrik die Produktion während teurer Stunden stoppen, was eine enorme Menge Geld spart.

Als die Autoren diese Idee an einer simulierten Fabrik testeten, die am europäischen Strommarkt (speziell dem EPEX SPOT Markt) handelt, waren die Ergebnisse recht beeindruckend. In ihren Simulationen sparte die neue „Vorhersage-und-Optimierungs“-Methode 34,3 % der gesamten Betriebskosten im Vergleich zu den alten, starren Planungsmethoden. Dies wird durch eine Kennzahl namens Value of the Stochastic Solution (VSS) gemessen, die über einen Zeitraum von 30 Tagen in ihrem Test 10.570 $ betrug. Das Modell sparte nicht nur Geld; es half auch ganz natürlich der Umwelt. Da die Fabrik ihre Arbeit in Zeiten verlagerte, in denen das Stromnetz viel Wind- und Solarkraft hatte (was oft die Zeiten sind, in denen Strom günstig oder im negativen Bereich ist), sank der CO2-Ausstoß der Fabrik, ohne dass sie explizit darauf programmiert waren, „grün zu werden“. Der wirtschaftliche Antrieb, Geld zu sparen, wurde unbeabsichtigt zu einem Antrieb, den Planeten zu retten.

Die Autoren fanden auch heraus, dass das Modell sehr gut darin war, „negative Preise“ zu erkennen – jene seltenen Momente, in denen das Stromnetz so voll mit erneuerbaren Energien ist, dass Unternehmen dafür bezahlt werden, Strom zu nutzen. Das Modell würde die Produktion proaktiv in diese Zeiten verschieben und so die Energiekosten effektiv in einen kleinen Umsatz verwandeln. Die Autoren weisen jedoch vorsichtig darauf hin, dass diese Ergebnisse aus Simulationen und computergestützten Experimenten für einen spezifischen Typ von Fabrik stammen und nicht von einer realen Fabrik, die bereits seit Jahren so arbeitet. Die Autoren deuten an, dass, obwohl die Mathematik solide aussieht und die Einsparungen in der Simulation signifikant sind, die Implementierung in der realen Welt weiter getestet werden müsste. Sie berechneten auch, dass wenn ein Unternehmen die absolut perfekte Zukunft kennen wollte, es bereit wäre, bis zu 4.800 $ (Expected Value of Perfect Information) auszugeben, um noch bessere Vorhersagen zu erhalten, aber da eine perfekte Vorhersage unmöglich ist, ist ihre aktuelle Methode eine sehr starke Alternative.

Kurz gesagt: Diese Arbeit legt nahe, dass die Zukunft des Fabrikmanagements nicht darin besteht, die Zukunft perfekt zu erraten, sondern darin, einen flexiblen Plan zu erstellen, der mit der Zukunft tanzen kann, egal wie wild die Musik auch wird. Indem sie KI nutzen, um das Chaos vorherzusagen, und Mathematik, um dafür zu planen, können Fabriken Geld sparen, Engpässe vermeiden und gleichzeitig zufällig auch der Umwelt helfen.