Valutazione comparativa di diversi modelli per la previsione dell’uso orario di elettricità in un’acciaieria

Perché è importante prevedere il consumo energetico di una fabbrica

Le acciaierie sono tra i maggiori consumatori di elettricità al mondo, e ogni picco imprevisto di domanda si riflette immediatamente sulla bolletta mensile. Se i responsabili possono prevedere questi picchi, anche solo con poche ore di anticipo, possono spostare i programmi di produzione, evitare penalità costose dalla rete e ridurre la propria impronta di carbonio. Questo studio analizza come tre strumenti moderni basati sui dati si confrontano nel rispondere a una domanda apparentemente semplice ma di grande rilevanza economica: quanta elettricità userà un’acciaieria nell’ora successiva?

Seguendo il ritmo di un’acciaieria impegnata

All’interno di un’acciaieria integrata, il consumo di elettricità cresce e cala seguendo il ritmo di forni, laminatoi e pause di manutenzione. Ora per ora, la domanda riflette i cambi di turno, i giorni lavorativi rispetto ai fine settimana e il momento di fasi energivore come il riscaldamento e la laminazione. Gli autori utilizzano un intero anno di dati operativi reali di una grande impresa siderurgica cinese, ottenendo 8.760 punti dati orari che tracciano questi cicli quotidiani e settimanali. L’obiettivo è trasformare questo archivio storico in uno strumento di previsione a breve termine affidabile che i manager di stabilimento possano usare per pianificare la produzione e negoziare contratti elettrici migliori.

Pulire dati imperfetti prima di prevedere

I dati reali delle fabbriche sono disordinati: i sensori guastano, i contatori sbagliano e condizioni operative estreme occasionali generano valori anomali. Prima di costruire qualsiasi modello di previsione, i ricercatori procedono quindi a una pulizia dei dati attenta ma semplice. Per prima cosa segnalano le letture sospette che si trovano ben al di fuori dell’intervallo tipico utilizzando la regola statistica delle tre deviazioni standard. Invece di affidarsi a quei punti estremi, li trattano come mancanti e colmano le lacune tracciando linee rette tra le letture normali circostanti lungo l’asse temporale. Infine, dividono l’anno pulito in tre blocchi cronologici: uno per addestrare i modelli, uno per affinare i parametri e l’ultima parte dell’anno per testare quanto bene funzionano realmente su ore future non viste.

Tre modi diversi di apprendere dal passato

Su questa base comune, lo studio confronta tre motori di previsione rappresentativi. Il primo, chiamato XGBoost, costruisce molti piccoli alberi decisionali che insieme apprendono come i carichi orari passati si relazionano al valore successivo. Gli altri due sono approcci di deep learning che trattano la serie dei carichi come una sequenza temporale. Una rete LSTM (Long Short-Term Memory) standard impara come l’informazione fluisce dal passato al futuro, immagazzinando schemi in una “memoria” interna mentre scorre le 24 ore precedenti. La sua parente, la Bidirectional LSTM (BiLSTM), va un passo oltre: elabora ogni finestra di 24 ore in entrambe le direzioni, osservando efficacemente come le ore recenti si riferiscono non solo a ciò che è venuto prima ma anche a ciò che segue immediatamente all’interno della finestra. A tutti e tre i modelli viene chiesto di guardare indietro alle 24 ore precedenti e prevedere il consumo dell’impianto per l’ora successiva.

Quale modello segue meglio alti e bassi?

Per valutare le prestazioni, gli autori utilizzano misure di errore standard che catturano sia l’entità dell’errore tipico sia quanto quell’errore sia grande rispetto al valore reale, aspetto particolarmente importante quando l’impianto opera a basso carico. Tutti e tre i modelli riescono a riprodurre il familiare aumento e calo giornaliero della domanda elettrica, ma la loro accuratezza varia. Il modello BiLSTM fornisce gli errori più bassi in generale, tracciando da vicino i veri picchi e avvallamenti nell’ultimo mese di dati. XGBoost segue bene la tendenza complessiva ed è relativamente robusto, sebbene tenda a non cogliere i picchi bruschi. L’LSTM unidirezionale migliora leggermente su XGBoost in alcune misure di errore assoluto ma inciampa più spesso quando il carico è basso, risultando in un errore relativo più elevato e in un adattamento più visibilmente in ritardo durante certi periodi di picco e valle.

Cosa significa per le acciaierie e oltre

Per il lettore non specialista, il risultato principale è chiaro: nel prevedere ora per ora il consumo elettrico di un’acciaieria, un modello deep learning bidirezionale che legge il passato recente in entrambe le direzioni supera sia un popolare metodo di machine learning basato su alberi sia una rete neurale ricorrente più semplice. Questo vantaggio si traduce direttamente in un migliore controllo dei costi e in operazioni più fluide, perché i manager possono fidarsi delle previsioni che guidano la pianificazione e le decisioni di demand response. Allo stesso tempo, lo studio mostra che una pulizia dei dati attenta ma non complicata e un quadro di test giusto e unificato sono importanti quanto la scelta del modello. Pur concentrandosi su un singolo impianto e un solo anno di dati, il lavoro suggerisce che approcci simili potrebbero aiutare molte industrie ad alta intensità energetica a ridurre le bollette e le emissioni.

Citazione: 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

Parole chiave: elettricità acciaieria, previsione del carico a breve termine, deep learning energia, gestione energetica industriale, previsione BiLSTM