製鋼所の時間別電力使用量予測に関する複数モデルの比較評価

工場の電力需要予測が重要な理由

製鋼所は世界でも最も電力消費の大きい事業の一つであり、予期せぬ電力需要の急増はそのまま月々の請求額に反映されます。経営側がその急増を数時間先でも予測できれば、生産スケジュールを調整し、系統からの高額なペナルティを回避し、炭素排出を抑えることができます。本研究は、見た目には単純だが経済的に重要な問い――『次の1時間に製鋼所はどれだけの電力を使うか』――に対して、3つの現代的なデータ駆動型手法がどのように比較されるかを検討します。

忙しい製鉄所のリズムを追う

統合製鋼所内では、電力使用量は炉や圧延機、保守休止のリズムに合わせて上下します。時間ごとの需要はシフト交代、平日と週末、加熱や圧延などエネルギーを多く消費する工程のタイミングを反映します。著者らは中国の大手製鉄企業から得た1年間の実運転データを用い、日内・週内の周期をたどる8,760の時間データを取得しました。彼らの目的は、この履歴データを信頼できる短期予測ツールに変換し、現場管理者が生産計画を立て、より良い電力契約を交渉する際に役立てることです。

予測の前に不完全なデータをクリーニングする

実運転データはしばしば雑然としています：センサーの故障、メーターの読み取り誤差、稀な極端な運転条件による外れ値が発生します。したがって、予測モデルを構築する前に、研究者らは慎重だが単純な方法でデータをクリーンアップします。まず、3シグマの統計ルールを用いて典型的な値域から大きく外れる疑わしい測定値をフラグ付けします。それらの極端な点をそのまま使うのではなく欠損と見なし、前後の正常な値を時間軸上で直線的に結んで穴を埋めます。最後に、クリーン化した1年分のデータを時系列のまま3つのブロックに分け、1つを学習に、1つを微調整に、残りを未知の将来時間に対するテストに用います。

過去から学ぶ三つの異なる方法

この共通の基盤の上で、本研究は代表的な3つの予測手法を比較します。1つ目はXGBoostと呼ばれるもので、多数の小さな決定木を構築し、それらが協調して過去の時間別負荷と次の時刻の値の関係を学習します。残りの2つは負荷記録を時系列として扱うディープラーニング手法です。標準的なLong Short-Term Memory（LSTM）ネットワークは、過去から未来への情報の流れを学習し、直近24時間を走査しながら内部の“メモリ”にパターンを蓄えます。その兄弟モデルである双方向LSTM（BiLSTM）は一歩進めて、24時間窓を両方向から処理します。すなわち窓内の直近の時間が前に来たものだけでなく後に来るものともどう関係するかを同時に捉えます。3モデルとも直近24時間を参照して次の1時間の消費を予測するよう設計されています。

どのモデルが上下変動を最もよく追うか？

性能評価には、典型的な誤差の大きさと真の値と比較した相対的な誤差の両方を捉える標準的な誤差指標を用います。これは特に負荷が低いときに重要です。3モデルはすべて日内の上下変動を再現することに成功しましたが、精度には差が出ました。BiLSTMは全体的に最小の誤差を示し、最終月の実際の山や谷を精密に追跡しました。XGBoostは全体のトレンドをよく捉え、比較的堅牢ですが、鋭いピークを見逃す傾向があります。一方向のLSTMは絶対誤差の一部指標でXGBoostよりわずかに改善する場面もありましたが、負荷が低いときに躓くことが多く、相対誤差が大きくなり、特定のピークや谷の期間で遅れたフィットを示しました。

製鋼所とその先に意味すること

非専門の読者向けに要点をまとめれば明快です：時間別に製鋼所の電力使用量を予測する場合、直近の過去を両方向から読む双方向ディープラーニングモデルは、人気のあるツリーベースの機械学習手法やより単純な再帰型ニューラルネットワークを上回ります。この利点は、予測に基づく生産スケジュールや需要応答の意思決定を信頼できるようにすることで、コスト管理や運転の平滑化に直接つながります。同時に本研究は、慎重だが簡潔なデータクリーニングと公平で統一的なテスト設定がモデル選択と同じくらい重要であることを示しています。本研究は1プラントの1年分のデータに焦点を当てていますが、同様の手法が電力集約型の多くの工場で電力コストを抑え、排出を削減するのに役立つ可能性を示唆しています。

引用: 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

キーワード: 製鉄所の電力, 短期負荷予測, ディープラーニング エネルギー, 産業エネルギー管理, BiLSTM 予測