Development of machine learning-based pipelines and an optimization agent for electricity price-driven production planning in the automotive sector

The rise of Industry 4.0 has transformed the manufacturing processes in the automotive sector, facilitating the utilization of data-driven approaches to achieve operational efficiency and cost-effectiveness. In this context, the present thesis addresses the challenges of energy consumption prediction and electricity price-driven production scheduling in the automotive sector, proposing a comprehensive framework that is implemented by integrating machine learning-based modelling and optimization agents. Accordingly, as the first step, two machine learning-based pipelines are developed: a production forecasting model (based on calendar-driven features) and an energy consumption estimation model utilized for both retrospective analysis and forecasting (using the predicted production). In the next step, the latter pipeline is integrated with an optimization agent that determines the optimal daily production (in a week-ahead manner), considering the corresponding electricity price, while aiming at minimizing the incurred cost. In this context, in the first scenario, in order to determine the maximum (ideal) achievable cost saving, the optimization is performed while assuming that 100% accurate week-ahead electricity price forecast is available. In the second scenario instead, the production is adjusted dynamically based on the day-ahead price, while the prices for the remaining (following) days are assumed to be the same as those of the corresponding days in the previous week. The results demonstrate that, using the first pipeline, an acceptable production forecasting accuracy (resulting in an R² score of 0.807) is achieved. The resulting predicted production is then utilized by the downstream energy consumption prediction pipeline (with an R² score of 0.930) resulting in the overall R² score of 0.888 for energy consumption forecasting. It is also shown that maximum achievable (ideal) cost reduction, through price-driven production planning is 5.96%. The above-mentioned adaptive day-by-day optimization approach is instead shown to result in a cost reduction of 4.78%, demonstrating its effectiveness.

L'avvento dell'Industria 4.0 ha trasformato i processi produttivi nel settore automobilistico, facilitando l'utilizzo di approcci guidati dai dati per raggiungere l'efficienza operativa e l'efficacia dei costi. In questo contesto, la presente tesi affronta le sfide della previsione del consumo energetico e della programmazione della produzione basata sul prezzo dell'elettricità nel settore automobilistico, proponendo un quadro completo che viene implementato integrando agenti di ottimizzazione e modelli basati sull' machine learning. Di conseguenza, come primo passo, vengono sviluppate due pipeline basate sul machine learning: un modello di previsione della produzione (basato su parametri basati sul tempo) e un modello di stima del consumo energetico utilizzato sia per l'analisi retrospettiva che per la previsione (utilizzando la produzione prevista). Nella fase successiva, quest'ultima pipeline è integrata con un agente di ottimizzazione che determina la produzione giornaliera ottimale (con una settimana di anticipo), considerando il prezzo dell'elettricità corrispondente, con l'obiettivo di minimizzare il costo sostenuto. In questo contesto, nel primo scenario, al fine di determinare il massimo (ideale) del risparmio di costi ottenibile, l'ottimizzazione viene eseguita ipotizzando che sia disponibile una previsione precisa al 100% del prezzo dell'energia elettrica con un anticipo di una settimana. Nel secondo scenario, invece, la produzione viene regolata dinamicamente in base al prezzo del giorno prima, mentre si ipotizza che i prezzi dei giorni rimanenti (successivi) siano uguali a quelli dei giorni corrispondenti della settimana precedente. I risultati dimostrano che, utilizzando la prima pipeline, si ottiene un'accuratezza di previsione della produzione accettabile (con un punteggio R² di 0,807). La produzione prevista viene poi utilizzata dalla pipeline di estima del consumo energetico (con un punteggio R² di 0,930), ottenendo un punteggio R² complessivo di 0,888 per la previsione del consumo energetico. È stato inoltre dimostrato che la massima riduzione dei costi ottenibile (ideale) attraverso la pianificazione della produzione basata sui prezzi è del 5,96%. L'approccio di ottimizzazione giorno per giorno di cui sopra si dimostra invece in grado di ridurre i costi del 4,78%, confermando la sua efficacia.