By shifting towards renewable energy sources, manufacturing facilities can significantly reduce their carbon footprint. This environmental issue can be addressed by developing sustainable production through on-site renewable electricity generation and demand-side management policies. In this study, the energy required to power the manufacturing system is obtained from different energy sources: the conventional grid, on-site renewable energy, and an energy storage system. The main objective is to generate a production schedule for a flexible multi-process and multi-product manufacturing system that optimizes the utilization and procurement of electricity without affecting the final demand. A mathematical programming model is proposed to minimize both the total production costs and energy costs, considering a time-of-use pricing policy and an incentive-based program. The uncertainty in renewable energy generation, specifically under the worst-case scenario, is taken into account and the model is transformed into a robust two-stage optimization model. To solve this model, a decomposition approach based on a genetic algorithm is applied. The effectiveness of the proposed model and algorithm is tested on a real industry case involving feed-animal products. A sensitivity analysis is conducted by modifying problem parameters. Finally, a comparison with the nested Column and Constraint Generation algorithm is performed. The obtained results from these analyses validated the proposed model and algorithm.
Cette thèse porte sur la planification industrielle intégrée dans un contexte d'optimisation énergétique, avec une attention particulière aux défis liés à l'intégration des énergies renouvelables. Le travail se concentre principalement sur le problème intégré de dimensionnement de lots et d'ordonnancement de la production (ILSPS), auquel sont ajoutées des contraintes énergétiques et logistiques. Deux modèles mathématiques linéaires mixtes sont ensuite développés pour traiter ce problème, en tenant compte de l'impact des temps d'attente liés aux changements de produits. Ces modèles sont résolus à l'aide du solveur CPLEX. Cependant, les limites des approches exactes pour les grandes instances soulignent la nécessité d'explorer des alternatives plus efficaces. Pour répondre à cette complexité, un système multi-agents est proposé. Ce système permet de résoudre simultanément le dimensionnement et l'ordonnancement des lots, en intégrant des agents autonomes capables d'apprendre et de coopérer à l'aide de l'algorithme Q-learning. Ensuite, l'accent est mis sur l'importance des prévisions dans la gestion de l'énergie photovoltaïque. Des méthodes de prévision sont appliquées pour prédire la production d'énergie photovoltaïque, mais en raison de la nature variable de ces sources d'énergie, des erreurs de prédiction surviennent, ce qui rend la planification complexe. Pour gérer ces incertitudes, des approches robustes et stochastiques sont développées.