Évaluation comparative de plusieurs modèles pour la prévision horaire de la consommation électrique dans une aciérie

Pourquoi il est important de prévoir la consommation électrique d’une usine

Les aciéries figurent parmi les plus gros consommateurs d’électricité au monde, et chaque pic de demande inattendu se traduit immédiatement sur leur facture mensuelle. Si les responsables peuvent anticiper ces pics, ne serait-ce que quelques heures à l’avance, ils peuvent décaler les programmes de production, éviter des pénalités coûteuses imposées par le réseau et réduire leur empreinte carbone. Cette étude examine comment trois outils modernes basés sur les données se comportent face à une question apparemment simple mais économiquement cruciale : quelle quantité d’électricité une aciérie consommera-t-elle dans l’heure qui vient ?

Suivre le rythme d’une aciérie active

Dans une aciérie intégrée, la consommation d’électricité augmente et diminue au rythme des fours, des laminoirs et des pauses de maintenance. Heure après heure, la demande reflète les changements d’équipes, les jours ouvrés par rapport aux week-ends, et le calendrier des étapes énergivores comme le chauffage et le laminage. Les auteurs utilisent une année complète de données opérationnelles réelles d’une grande entreprise sidérurgique chinoise, soit 8 760 points de données horaires qui tracent ces cycles quotidiens et hebdomadaires. Leur objectif est de transformer cet historique en un outil de prévision à court terme fiable que les responsables d’usine pourraient utiliser pour planifier la production et négocier de meilleurs contrats électriques.

Nettoyer des données imparfaites avant de prédire

Les données industrielles sont souvent désordonnées : des capteurs tombent en panne, des compteurs se trompent et des conditions de fonctionnement extrêmes créent des valeurs aberrantes. Avant de construire des modèles de prévision, les chercheurs procèdent donc à un nettoyage minutieux mais simple des données. Ils identifient d’abord les lectures suspectes qui se situent très en dehors de la plage typique à l’aide d’une règle statistique des trois sigmas. Plutôt que de faire confiance à ces points extrêmes, ils les traitent comme des données manquantes et comblent les intervalles en traçant des lignes droites entre les lectures normales voisines le long de l’axe temporel. Enfin, ils divisent l’année nettoyée en trois blocs chronologiques : un pour entraîner les modèles, un pour les affiner, et le dernier pour tester réellement leur performance sur des heures futures inconnues.

Trois manières différentes d’apprendre du passé

Sur cette base commune, l’étude compare trois moteurs de prévision représentatifs. Le premier, appelé XGBoost, construit de nombreux petits arbres de décision qui apprennent ensemble comment les charges horaires passées se rapportent à la valeur suivante. Les deux autres sont des approches de deep learning qui considèrent la série de charges comme une séquence temporelle. Un réseau Long Short-Term Memory (LSTM) standard apprend comment l’information se propage du passé vers le futur, stockant des motifs dans une « mémoire » interne en parcourant les 24 heures précédentes. Son cousin, le Bidirectional LSTM (BiLSTM), va un cran plus loin : il traite chaque fenêtre de 24 heures dans les deux sens, examinant ainsi comment les heures récentes se rapportent non seulement à ce qui les précède mais aussi à ce qui suit immédiatement à l’intérieur de la fenêtre. Les trois modèles sont invités à regarder la journée précédente et à prédire la consommation de l’usine pour l’heure suivante.

Quel modèle suit le mieux les hauts et les bas ?

Pour évaluer la performance, les auteurs utilisent des mesures d’erreur standard qui saisissent à la fois l’ampleur de l’erreur typique et sa taille relative par rapport à la valeur réelle, ce qui est particulièrement important lorsque l’usine fonctionne à faible charge. Les trois modèles parviennent à reproduire la hausse et la baisse quotidiennes familières de la demande d’électricité, mais leur précision diffère. Le modèle BiLSTM fournit les erreurs les plus faibles dans l’ensemble, retraçant de près les pics et creux réels au cours du dernier mois de données. XGBoost suit bien la tendance générale et se montre relativement robuste, bien qu’il ait tendance à manquer les pointes nettes. Le LSTM unidirectionnel améliore légèrement certains indicateurs d’erreur absolue par rapport à XGBoost mais pèche plus souvent lorsque la charge est faible, ce qui lui vaut une erreur relative plus élevée et un ajustement plus visiblement décalé pendant certaines périodes de pics et de creux.

Ce que cela signifie pour les aciéries et au-delà

Pour le lecteur non spécialiste, le résultat principal est simple : pour prédire heure par heure la consommation électrique d’une aciérie, un modèle profond bidirectionnel qui lit le passé récent dans les deux sens surpasse à la fois une méthode d’apprentissage machine à base d’arbres populaire et un réseau de neurones récurrent plus simple. Cet avantage se traduit directement par un meilleur contrôle des coûts et une exploitation plus fluide, car les gestionnaires peuvent se fier aux prévisions qui orientent leur planification et leurs décisions de réponse à la demande. En outre, l’étude montre qu’un nettoyage des données soigné mais peu compliqué et une méthodologie de test équitable et unifiée sont tout aussi importants que le choix du modèle. Bien que le travail se concentre sur une seule usine et une seule année de données, il suggère que des approches similaires pourraient aider de nombreuses industries à forte intensité énergétique à maîtriser leurs factures d’électricité et à réduire leurs émissions.

Citation: 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

Mots-clés: électricité aciérie, prévision de charge à court terme, deep learning énergie, gestion énergétique industrielle, prévision BiLSTM