Vergleichende Bewertung mehrerer Modelle zur Vorhersage des stündlichen Stromverbrauchs in einem Stahlwerk

Warum die Vorhersage des Stromverbrauchs einer Fabrik wichtig ist

Stahlwerke gehören zu den größten Stromverbrauchern weltweit, und jeder unerwartete Leistungsspitzen schlägt sich unmittelbar auf der Monatsrechnung nieder. Können Manager diese Spitzen nur wenige Stunden im Voraus erkennen, lassen sich Produktionspläne anpassen, teure Netzstrafen vermeiden und der CO2-Fußabdruck reduzieren. Diese Studie untersucht, wie drei moderne datengetriebene Werkzeuge miteinander vergleichen, wenn sie eine vermeintlich einfache, wirtschaftlich aber entscheidende Frage beantworten sollen: Wie viel Strom wird ein Stahlwerk in der nächsten Stunde verbrauchen?

Dem Rhythmus eines geschäftigen Stahlwerks folgen

In einem integrierten Stahlwerk steigt und fällt der Stromverbrauch im Takt von Öfen, Walzwerken und Wartungspausen. Stunde für Stunde spiegeln die Verbrauchswerte Schichtwechsel, Werktage versus Wochenenden und den Zeitpunkt energieintensiver Schritte wie Erhitzen und Walzen wider. Die Autoren verwenden ein volles Jahr realer Betriebsdaten eines großen chinesischen Stahlunternehmens und erhalten damit 8.760 stündliche Messpunkte, die diese täglichen und wöchentlichen Zyklen abbilden. Ihr Ziel ist es, aus diesem historischen Datensatz ein verlässliches kurzfristiges Prognosewerkzeug zu schaffen, das Werksleiter zur Produktionsplanung und zur Aushandlung günstigerer Stromverträge nutzen können.

Unvollkommene Daten bereinigen, bevor Vorhersagen erstellt werden

Fabrikdaten aus der Praxis sind unordentlich: Sensoren fallen aus, Zähler lesen falsch und gelegentlich erzeugen extreme Betriebszustände Ausreißer. Bevor sie Vorhersagemodelle bauen, bereinigen die Forschenden die Daten daher sorgfältig, aber einfach. Zunächst markieren sie verdächtige Messwerte, die weit außerhalb des typischen Wertebereichs liegen, mithilfe einer Drei-Sigma-Regel. Anstatt diesen Extremwerten zu vertrauen, behandeln sie sie als fehlend und füllen die Lücken, indem sie entlang der Zeitachse gerade Linien zwischen den umgebenden normalen Messwerten ziehen. Schließlich teilen sie das bereinigte Jahr chronologisch in drei Blöcke auf – einen zum Trainieren der Modelle, einen zum Feinabstimmen und den letzten Teil des Jahres, um zu testen, wie gut die Modelle bei unbekannten zukünftigen Stunden wirklich abschneiden.

Drei verschiedene Wege, aus der Vergangenheit zu lernen

Auf dieser gemeinsamen Grundlage vergleicht die Studie drei repräsentative Prognoseansätze. Der erste, XGBoost genannt, baut viele kleine Entscheidungsbäume, die gemeinsam lernen, wie vergangene stündliche Lasten mit dem nächsten Wert zusammenhängen. Die beiden anderen sind Deep-Learning-Ansätze, die die Lastreihe als zeitliche Sequenz behandeln. Ein standardmäßiges Long Short-Term Memory (LSTM)-Netzwerk lernt, wie Informationen von der Vergangenheit in die Zukunft fließen, und speichert Muster in einem internen „Gedächtnis“, während es die vorherigen 24 Stunden durchsucht. Sein Verwandter, das Bidirektionale LSTM (BiLSTM), geht einen Schritt weiter: Es verarbeitet jedes 24-Stunden-Fenster in beide Richtungen und betrachtet damit, wie sich die jüngsten Stunden nicht nur zu dem zuvor Gelegten, sondern auch zu dem unmittelbar danach Innerhalb des Fensters Verbrachten verhalten. Alle drei Modelle blicken auf den vorangegangenen Tag zurück und sagen den Verbrauch des Werks für die nächste Stunde voraus.

Welches Modell bildet die Schwankungen am besten ab?

Zur Leistungsbewertung verwenden die Autoren gängige Fehlermaße, die sowohl die Größe des typischen Fehlers als auch die Fehlergröße im Verhältnis zum wahren Wert erfassen – letzteres ist besonders wichtig, wenn das Werk mit geringer Auslastung läuft. Alle drei Modelle schaffen es, den vertrauten täglichen Anstieg und Abfall des Stromverbrauchs nachzubilden, doch ihre Genauigkeit unterscheidet sich. Das BiLSTM-Modell liefert durchgängig die geringsten Fehler und folgt in der letzten Monatsperiode der Datenlage sehr genau den realen Spitzen und Tälern. XGBoost folgt dem Gesamttrend gut und ist vergleichsweise robust, tendiert jedoch dazu, scharfe Spitzen zu verpassen. Das unidirektionale LSTM verbessert sich in einigen absoluten Fehlermaßen leicht gegenüber XGBoost, stolpert aber häufiger bei niedriger Last, was zu höheren relativen Fehlern und einer auffälliger nachlaufenden Anpassung in bestimmten Spitzen- und Talphasen führt.

Was das für Stahlwerke und darüber hinaus bedeutet

Für eine breite Leserschaft ist das Ergebnis klar: Bei der stündlichen Vorhersage des Stromverbrauchs eines Stahlwerks schlägt ein bidirektionales Deep-Learning-Modell, das die jüngere Vergangenheit in beide Richtungen liest, sowohl ein populäres baumbasiertes Machine-Learning-Verfahren als auch ein einfacheres rekurrentes neuronales Netzwerk. Dieser Vorteil schlägt sich direkt in besserer Kostenkontrolle und reibungsloseren Abläufen nieder, weil Manager den Vorhersagen vertrauen können, die ihre Planungs- und Laststeuerungsentscheidungen leiten. Gleichzeitig zeigt die Studie, dass sorgfältige, aber unkomplizierte Datenbereinigung und ein faires, einheitliches Testverfahren genauso wichtig sind wie die Wahl des Modells. Auch wenn die Arbeit auf ein Werk und ein Jahr von Daten begrenzt ist, deutet sie darauf hin, dass ähnliche Ansätze vielen energieintensiven Fabriken helfen könnten, ihre Stromrechnungen zu zähmen und ihre Emissionen zu verringern.

Zitation: Gu, F., Zhao, Y. Comparative evaluation of several models for forecasting hourly electricity use in a steel plant. Sci Rep 16, 13123 (2026). https://doi.org/10.1038/s41598-026-43868-z

Schlüsselwörter: Stahlwerk Stromverbrauch, Kurzfristige Lastprognose, Deep Learning Energie, Industrielles Energiemanagement, BiLSTM Prognose