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

Stel je voor dat je een gigantische, hoogtechnologische limonadekraam runt, maar in plaats van citroenen maak je complexe machines, en in plaats van een zonnige dag is het weer je grootste uitdaging. In de wereld van moderne fabrieken is er een constante touwtrekkerij tussen twee zeer onvoorspelbare dingen: hoeveel mensen je product willen kopen (vraag) en hoeveel het kost om de machines aan te zetten (energie). Lange tijd probeerden fabriekmanagers dit op te lossen door de toekomst te voorspellen met één enkel "beste gok"-getal. Ze zouden zeggen: "Morgen hebben we 100 citroenen nodig, en elektriciteit kost 5 cent." Maar in de echte wereld is de toekomst rommelig. Soms wil niemand limonade, en soms is de zon zo fel dat elektriciteit zelfs negatief geld kost (wat betekent dat het elektriciteitsbedrijf jou betaalt om het te gebruiken!). Dit artikel leeft in een hoek van de wetenschap die Operations Research wordt genoemd, wat in feits de kunst is om de beste beslissingen te nemen wanneer je niet weet wat er gaat gebeuren. Het bouwt voort op het idee dat als je de toekomst behandelt als een vaststaand feit, je vast komt te zitten in een verkeersopstopping van slechte keuzes. In plaats daarvan suggereren de auteurs dat we de toekomst moeten behandelen als een kaartspel: we weten niet welke kaart we zullen trekken, maar we kunnen het spel schudden en plannen voor elke mogbare hand.

Deze studie, getiteld "Eco-Conscious Master Production Scheduling Under Dual Uncertainty", stelt een slimme nieuwe manier voor om een fabriek te runnen die slim genoeg is om zowel de vraag "zal iemand dit kopen?" als de vraag "wat kost stroom op dit moment?" tegelijkertijd aan te kunnen. De auteurs suggereren een "hybride" aanpak die twee krachtige instrumenten mengt: Machine Learning (computers die leren van gegevens uit het verleden) en Stochastische Optimalisatie (wiskunde die plant voor vele verschillende toekomsten).

Zo werkt hun "tovertruc". Eerst gebruiken ze een superintelligent computerbrein genaamd LightGBM om te raden hoeveel producten mensen mogelijk willen. In plaats van slechts één getal te geven, tekent het een "wolk" van mogelijkheden, zeggende: "We hebben misschien 100 nodig, of misschien 150, of misschien maar 50." Tegelijkertijd gebruiken ze een ander computerbrein genaamd een LSTM (wat een soort geheugenbank voor tijd is) om naar elektriciteitsprijzen te kijken. Dit brein is erg goed in het herkennen van patronen, zoals hoe prijzen kunnen instorten wanneer de zon schijnt of pieken wanneer iedereen thuiskomt van het werk.

Zodra deze twee breinen hun voorspellingen hebben gedaan, kiezen de auteurs niet zomaar één scenario. In plaats daarvan creëren ze een "boom" van honderden mogelijke toekomsten (scenario's). Vervolgens gebruiken ze een speciale wiskundige filter om deze enorme boom in te krimpen tot de belangrijkste takken, zodat de computer niet overweldigd raakt. Ten slotte voeren ze deze boom in een Two-Stage Stochastic Model. Denk aan dit model als een tweestapsdans:

1. De "Hier-en-Nu" Stap: De fabriek maakt een plan voordat de toekomst plaatsvindt. Ze beslissen welke machines ze aanzetten en hoeveel ze produceren, wetende dat ze later mogelijk aanpassingen moeten doen.
2. De "Wacht-en-Zie" Stap: Zodra de eigenlijke dag aanbreekt en de werkelijke vraag en de werkelijke elektriciteitsprijzen aan het licht komen, maakt de fabriek snelle aanpassingen. Als elektriciteit goedkoop is, laten ze de machines hard draaien. Als het duur is, pauzeren ze en gebruiken ze de voorraad die ze eerder hebben opgebouwd.

Het artikel voert een sterk pleidooi tegen de oude manier van doen, die bekend staat als Just-In-Time (JIT). De oude methode zegt: "Maak precies wat je nodig hebt, precies wanneer je het nodig hebt, en houd nul extra voorraad aan." De auteurs laten zien dat in een wereld waar elektriciteitsprijzen wild schommelen, deze rigide aanpak een ramp is. Het dwingt fabrieken om hun machines te laten draaien tijdens dure piekuren, alleen maar om extra voorraad te vermijden. Hun nieuwe methode suggereert dat het eigenlijk slimmer is om een beetje bewust "overvoorraad" aan te leggen. Door extra producten te maken wanneer de elektriciteit goedkoop is (of zelfs gratis!), kan de fabriek de productie tijdens dure uren stilleggen, wat een enorme hoeveelheid geld bespaart.

Toen de auteurs dit idee testten op een gesimuleerde fabriek die handelt in elektriciteit op de Europese markt (specifiek de EPEX SPOT-markt), waren de resultaten behoorlijk opmerkelijk. In hun simulaties bespaarde de nieuwe "voorspel-en-optimaliseer"-methode 34,3% in totale operationele kosten vergeleken met de oude, rigide planningsmethoden. Dit wordt gemeten met iets dat de Value of the Stochastic Solution (VSS) wordt genoemd, die $10.570 bedroeg over een periode van 30 dagen in hun test. Het model bespaarde niet alleen geld; het hielp ook op natuurlijke wijze het milieu. Omdat de fabriek haar werk verschoof naar tijden dat het elektriciteitsnet veel wind- en zonne-energie had (wat vaak de tijden zijn waarop elektriciteit goedkoop of zelfs negatief is), daalde de CO2-uitstoot van de fabriek zonder dat ze expliciet "groen" probeerden te zijn. De economische drang om geld te besparen werd onbedoeld een drang om de planeet te redden.

De auteurs ontdekten ook dat het model erg goed was in het opsporen van "negatieve prijzen"—die zeldzame momenten waarop het elektriciteitsnet zo vol zit met hernieuwbare energie dat bedrijven fabrieken betalen om het te gebruiken. Het model zou de productie proactief naar deze tijden verschuiven, waardoor een energiekost effectief wordt omgezet in een kleine beetje omzet. De auteurs merken echter voorzichtig op dat deze resultaten voortkomen uit simulaties en computationele experimenten op een specif kind van een fabriek, en niet van een echte fabriek die al jaren op deze manier draait. De auteurs suggereren dat hoewel de wiskunde solide lijkt en de besparingen aanzienlijk zijn in de simulatie, de implementatie in de echte wereld verder getest moet worden. Ze berekenden ook dat als een bedrijf de absolute perfecte toekomst zou willen kennen, het tot wel $4.800 (de Expected Value of Perfect Information) waard zou zijn om zelfs betere voorspellingen te krijgen, maar aangezien perfecte voorspelling onmogelijk is, is hun huidige methode een zeer sterk alternatief.

Kortom, dit artikel suggereert dat de toekomst van fabrieksbeheer niet gaat over het perfect voorspellen van de toekomst; het gaat over het bouwen van een flexibel plan dat met de toekomst kan dansen, ongeacht hoe wild de muziek ook wordt. Door AI te gebruiken om de chaos te voorspellen en wiskunde om ervoor te plannen, kunnen fabrieken geld besparen, voorraden voorkomen en per ongeluk het milieu helpen, dat allemaal tegelijkertijd.