迈向净零制造业：基于碳意识的调度策略以减少温室气体排放

《Journal of Cleaner Production》：Towards net-zero manufacturing: Carbon-aware scheduling for GHG emissions reduction

碳意识调度通过整合电网碳强度、现场可再生能源及任务能耗，在降低制造系统范围2排放的同时控制生产周期。采用混合整数线性规划建模，设计双随机密钥膜式算法求解，实验显示单机场景下减排47.6%仅增周期1.8%。

　　在当今全球致力于实现净零温室气体（GHG）排放的背景下，能源供应行业作为主要排放源，承担了超过三分之一的全球温室气体排放（IPCC，2023）。这一行业的转型不仅受到政策法规的推动，也与社会对环境问题的关注密切相关。与此同时，制造业作为经济的重要组成部分，其能源消耗占欧盟2022年总能源消耗的约四分之一（Eurostat，2023），因此如何优化制造业的能源使用成为减少排放的关键。在这一过程中，碳感知调度（carbon-aware scheduling）作为一种新兴策略，正逐步受到重视。该策略不仅考虑了生产过程中时间相关的碳强度，还结合了本地可再生能源的可用性，为降低制造业的碳足迹提供了新的可能性。

碳感知调度的核心理念在于，通过合理安排生产任务的时间，使电力消耗与低碳能源的供应时间相匹配。当前，制造业通常依赖于本地可再生能源系统和公共电网的组合供电。虽然本地可再生能源的使用能够有效避免Scope 2排放（即与购买电力相关的间接排放），但其供应的稳定性与持续性仍然受到自然条件的限制。相比之下，公共电网的电力供应虽然具备较大的容量，但其碳强度会随时间波动，因为电网的发电结构会根据实时需求进行调整，从而影响电力的环境影响。因此，如何在生产调度中充分考虑这些时间相关的变量，成为降低碳排放的重要方向。

在这一背景下，传统的调度优化方法主要关注于减少生产周期（makespan）和制造成本，而忽略了碳排放这一重要维度。随着对环境问题的日益重视，越来越多的研究开始将碳排放纳入调度优化的目标。然而，大多数研究仍然基于固定的时间平均碳排放因子，未能充分反映电网碳强度随时间变化的特性。此外，这些研究大多忽略了本地可再生能源的供应情况，导致在优化过程中无法充分利用这一低排放资源。因此，开发一种能够同时考虑电网碳强度、本地可再生能源可用性以及任务特定电力需求的调度模型，成为当前研究的重要任务。

本文提出了一种碳感知的排列流车间调度模型（carbon-aware permutation flow-shop scheduling model），旨在减少制造业的Scope 2排放。该模型基于混合整数线性规划（MILP）进行构建，结合了预测的电网发电结构、本地可再生能源的供应情况以及任务所需的电力需求。为了求解这一复杂问题，我们设计了一种双随机键混合算法（dual random-key memetic algorithm），该算法融合了进化计算与局部搜索，能够在较短时间内找到高质量的调度方案。通过计算实验的结果表明，碳感知调度不仅能够显著降低碳排放，而且对生产周期的影响相对较小。例如，在单机调度场景中，碳排放的减少幅度可达47.6%，而生产周期仅增加1.8%。这些结果展示了碳感知调度在降低温室气体排放方面的重要潜力，同时也表明其在不严重影响运营效率的前提下，能够有效实现环境目标。

在实际应用中，碳感知调度的实现需要考虑多个关键因素。首先，电网碳强度的动态变化要求调度系统能够实时获取和分析电力供应结构的数据。其次，本地可再生能源的供应情况受到天气、地理位置等条件的影响，因此调度方案需要具备一定的灵活性，以适应这些变化。此外，不同任务的电力需求差异也需要在调度过程中进行考虑，以确保在满足生产要求的同时，尽可能减少高碳电力的使用。这些因素共同构成了碳感知调度模型的复杂性，也使得传统的调度方法难以有效应对。

为了应对这些挑战，本文提出了一种新的混合算法，该算法结合了进化计算的全局搜索能力和局部搜索的精确优化能力。进化计算通过模拟自然选择和遗传机制，能够在较大的解空间中寻找潜在的最优解。而局部搜索则通过迭代优化的方式，对候选解进行微调，以进一步提升其质量。这种算法的结合不仅能够提高求解效率，还能够确保调度方案在满足生产约束的同时，尽可能降低碳排放。此外，该算法还具备良好的可扩展性，能够处理现实世界中的大规模生产调度问题，为制造业的可持续发展提供了可行的技术支持。

在模型构建方面，本文首先引入了时间相关的任务电力需求概念，并展示了如何通过电网发电结构数据计算碳强度。随后，我们构建了基于MILP的数学模型，该模型将生产任务的安排与能源使用情况相结合，以实现碳排放的最小化。为了使模型更具实用性，我们还考虑了本地可再生能源的供应情况，将其纳入调度决策的考量因素。通过这种方式，模型不仅能够反映实际生产环境的复杂性，还能够为决策者提供更全面的优化方案。

在算法设计方面，本文提出的双随机键混合算法通过引入随机键编码方式，能够在较短时间内生成多样化的调度方案。该算法结合了进化计算的全局搜索能力与局部搜索的精确优化能力，使得在复杂的调度问题中，能够快速找到高质量的解。此外，该算法还具备良好的鲁棒性，能够在面对不确定性因素时保持较高的求解效率。通过计算实验的结果表明，该算法在单机和多机调度场景中均表现出色，能够在合理的时间内找到满足生产要求的调度方案，同时显著降低碳排放。

在实际应用中，碳感知调度不仅能够降低制造业的碳排放，还能够提高能源使用的效率。通过合理安排生产任务的时间，企业可以充分利用低碳电力的供应，减少高碳电力的使用，从而降低整体的碳足迹。此外，该策略还能够帮助企业在面对能源价格波动时，优化生产成本，提高经济性。因此，碳感知调度不仅具有环境效益，还具备经济效益，为制造业的可持续发展提供了双重支持。

然而，碳感知调度的实施仍然面临一些挑战。首先，电网碳强度的动态变化需要实时数据支持，这可能增加数据采集和处理的成本。其次，本地可再生能源的供应情况受到多种因素的影响，例如天气条件和地理位置，这可能增加调度方案的不确定性。此外，不同任务的电力需求差异也需要在调度过程中进行考虑，这可能增加模型的复杂性。因此，为了确保碳感知调度的有效实施，需要在算法设计和模型构建方面进行进一步的优化。

在未来的研发方向中，本文提出了一些可能的改进措施。首先，可以进一步优化算法的参数设置，以提高求解效率和调度质量。其次，可以考虑引入更多的能源相关变量，例如不同能源来源的碳强度差异和成本变化，以使模型更加全面。此外，可以探索将碳感知调度与其他优化目标相结合，例如生产成本、能源价格波动等，以实现更综合的优化方案。这些改进措施将有助于提高碳感知调度在实际应用中的可行性，为制造业的可持续发展提供更强的支持。

综上所述，碳感知调度作为一种新兴的优化策略，正在成为制造业减少碳排放的重要手段。通过合理安排生产任务的时间，企业可以充分利用低碳电力的供应，减少高碳电力的使用，从而降低整体的碳足迹。本文提出的模型和算法不仅能够有效应对这一挑战，还能够在实际应用中实现较高的求解效率和调度质量。随着对环境问题的日益重视，碳感知调度的应用前景将更加广阔，为制造业的可持续发展提供有力的支持。