Evaluación comparativa de varios modelos para pronosticar el consumo horario de electricidad en una planta siderúrgica

Por qué importa predecir el consumo eléctrico de una fábrica

Las plantas siderúrgicas están entre los mayores consumidores de electricidad del mundo, y cada pico inesperado en la demanda se refleja de forma directa en su factura mensual. Si los responsables pueden anticipar esos picos, aunque sea con unas pocas horas de antelación, pueden ajustar los horarios de producción, evitar penalizaciones costosas por parte de la red y reducir su huella de carbono. Este estudio compara tres herramientas modernas basadas en datos frente a una pregunta aparentemente simple pero económicamente crucial: ¿cuánta electricidad consumirá una planta siderúrgica en la próxima hora?

Siguiendo el ritmo de una acería activa

En una planta siderúrgica integrada, el consumo eléctrico sube y baja con el ritmo de los hornos, las trenes de laminación y las paradas de mantenimiento. Hora a hora, la demanda refleja los cambios de turno, los días laborales frente a los fines de semana y el momento de etapas con gran consumo energético como el calentamiento y el laminado. Los autores emplean un año completo de datos operativos reales de una gran empresa siderúrgica china, lo que les proporciona 8.760 puntos horarios que trazan estos ciclos diarios y semanales. Su objetivo es convertir este registro histórico en una herramienta de previsión a corto plazo fiable que los gestores podrían usar para planificar la producción y negociar mejores contratos eléctricos.

Limpiar datos imperfectos antes de predecir

Los datos de fábricas reales son desordenados: los sensores fallan, los contadores se equivocan y condiciones operativas extremas ocasionales generan valores atípicos. Antes de construir cualquier modelo de predicción, los investigadores limpian por tanto los datos de forma cuidadosa pero sencilla. Primero marcan lecturas sospechosas que quedan muy fuera del rango típico usando una regla estadística de tres sigma. En lugar de fiarse de esos puntos extremos, los tratan como datos faltantes y rellenan las lagunas trazando líneas rectas entre las lecturas normales adyacentes a lo largo del eje temporal. Finalmente, dividen el año limpio de datos en tres bloques cronológicos: uno para entrenar los modelos, otro para ajustarlos y la última parte del año para probar cuánto rinden realmente sobre horas futuras no vistas.

Tres maneras diferentes de aprender del pasado

Sobre esta base común, el estudio compara tres motores representativos de predicción. El primero, llamado XGBoost, construye muchos pequeños árboles de decisión que en conjunto aprenden cómo las cargas horarias pasadas se relacionan con el valor siguiente. Los otros dos son enfoques de aprendizaje profundo que tratan el registro de carga como una secuencia temporal. Una red estándar de Memoria a Largo Corto Plazo (LSTM) aprende cómo fluye la información del pasado al futuro, guardando patrones en una «memoria» interna mientras recorre las 24 horas previas. Su pariente, la LSTM bidireccional (BiLSTM), va un paso más allá: procesa cada ventana de 24 horas en ambas direcciones, observando cómo las horas recientes se relacionan no solo con lo que vino antes sino también con lo que ocurre inmediatamente después dentro de la ventana. A los tres modelos se les pide que miren hacia atrás en el día anterior y predigan el consumo de la planta para la siguiente hora.

¿Qué modelo sigue mejor las subidas y bajadas?

Para evaluar el desempeño, los autores usan medidas de error estándar que capturan tanto el tamaño del error típico como la magnitud del error en relación con el valor real, algo especialmente importante cuando la planta opera a baja carga. Los tres modelos logran reproducir la conocida subida y bajada diaria de la demanda eléctrica, pero su precisión difiere. El modelo BiLSTM ofrece los errores más bajos en todos los casos, trazando de cerca los picos y valles reales en el mes final de datos. XGBoost sigue bien la tendencia general y es comparativamente robusto, aunque tiende a no captar picos agudos. La LSTM unidireccional mejora ligeramente a XGBoost en algunas medidas de error absoluto, pero falla con más frecuencia cuando la carga es baja, lo que le da un error relativo mayor y un ajuste visiblemente rezagado durante ciertos periodos de picos y valles.

Qué significa esto para las plantas siderúrgicas y más allá

Para un lector no especializado, la conclusión principal es directa: a la hora de predecir hora a hora el consumo eléctrico de una planta siderúrgica, un modelo profundo bidireccional que lee el pasado reciente en ambas direcciones supera tanto a un método popular de aprendizaje automático basado en árboles como a una red recurrente más simple. Esta ventaja se traduce directamente en mejor control de costes y una operación más fluida, porque los gestores pueden confiar en las previsiones que guían su programación y las decisiones de respuesta a la demanda. Al mismo tiempo, el estudio muestra que una limpieza de datos cuidadosa pero sin complicaciones y un montaje de prueba justo y unificado son tan importantes como la elección del modelo. Aunque el trabajo se centra en una planta y un solo año de datos, sugiere que enfoques similares podrían ayudar a muchas fábricas intensivas en energía a domar sus facturas eléctricas y reducir sus emisiones.

Cita: 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

Palabras clave: electricidad en planta siderúrgica, pronóstico de carga a corto plazo, aprendizaje profundo energía, gestión energética industrial, pronóstico BiLSTM