Vergelijkende evaluatie van meerdere modellen voor het voorspellen van het uurlijkse elektriciteitsverbruik in een staalfabriek

Waarom het voorspellen van het energieverbruik van een fabriek ertoe doet

Staalfabrieken behoren tot de meest energie-intensieve gebruikers van elektriciteit op aarde, en iedere onverwachte piek in het stroomverbruik vertaalt zich direct in de maandelijkse rekening. Als managers die pieken enkele uren van tevoren kunnen zien aankomen, kunnen ze productieplanningen verschuiven, dure boetes van het net vermijden en hun CO2-voetafdruk verkleinen. Deze studie onderzoekt hoe drie moderne, datagedreven methoden presteren bij een ogenschijnlijk eenvoudige maar economisch cruciale vraag: hoeveel elektriciteit zal een staalfabriek in het komende uur verbruiken?

Het ritme volgen van een druk staalbedrijf

In een geïntegreerde staalfabriek stijgt en daalt het elektriciteitsverbruik met het ritme van ovens, warmwalserijen en onderhoudspauzes. Uur na uur weerspiegelt de vraag ploegendiensten, werkdagen versus weekenden en het tijdstip van energie-intensieve stappen zoals verwarmen en walsen. De auteurs gebruiken een volledig jaar aan echte bedrijfsgegevens van een grote Chinese staalonderneming, wat hen 8.760 uurgegevens oplevert die deze dagelijkse en wekelijkse cycli vastleggen. Hun doel is dit historische bestand om te zetten in een betrouwbare kortetermijnvoorspellingstool die fabrieksmanagers kunnen gebruiken om productie te plannen en betere elektriciteitscontracten te onderhandelen.

Onopechte data opschonen voordat er voorspeld wordt

Reële fabrieksgegevens zijn rommelig: sensoren vallen uit, meters lezen verkeerd en incidentele extreme bedrijfsomstandigheden veroorzaken uitschieters. Voordat ze voorspellingsmodellen bouwen, maken de onderzoekers de data daarom op een zorgvuldige maar eenvoudige manier schoon. Ze markeren eerst verdachte meetwaarden die ver buiten het gebruikelijke bereik liggen met behulp van de drie-sigma statistische regel. In plaats van die extreme punten te vertrouwen, behandelen ze ze als ontbrekend en vullen ze de gaten door rechte lijnen te trekken tussen de omliggende normale metingen langs de tijdas. Ten slotte splitsen ze het schoongemaakte jaar aan elkaar chronologisch in drie blokken—één om de modellen te trainen, één om ze fijn af te stemmen, en het laatste deel van het jaar om te testen hoe goed ze werkelijk presteren op ongeziene toekomstige uren.

Drie verschillende manieren om van het verleden te leren

Op deze gemeenschappelijke basis vergelijkt de studie drie representatieve voorspellingsengines. De eerste, XGBoost genoemd, bouwt veel kleine beslissingsbomen die samen leren hoe eerdere uurlijkse lasten samenhangen met de volgende waarde. De andere twee zijn deep-learningbenaderingen die het lastrecord als een tijdssequentie behandelen. Een standaard Long Short-Term Memory (LSTM)-netwerk leert hoe informatie van verleden naar toekomst stroomt, waarbij patronen in een interne “geheugen” worden opgeslagen terwijl het de vorige 24 uur doorloopt. Zijn verwant, de Bidirectionele LSTM (BiLSTM), gaat een stap verder: het verwerkt elk 24-uursvenster in beide richtingen en kijkt daardoor naar hoe recente uren niet alleen samenhangen met wat eraan voorafging, maar ook met wat direct daarna binnen het venster gebeurt. Alle drie modellen krijgen de opdracht om terug te kijken naar de voorgaande dag en het verbruik van de fabriek voor het volgende uur te voorspellen.

Welk model volgt de pieken en dalen het beste?

Om de prestaties te beoordelen gebruiken de auteurs standaard foutmaten die zowel de omvang van de typische fout vastleggen als hoe groot die fout is vergeleken met de werkelijke waarde, wat vooral belangrijk is wanneer de fabriek op laag vermogen draait. Alle drie modellen weten de vertrouwde dagelijkse stijging en daling van de vraag naar elektriciteit te reproduceren, maar hun nauwkeurigheid verschilt. Het BiLSTM-model levert overal de laagste fouten en volgt nauwgezet de echte pieken en dalen in de laatste maand van de data. XGBoost volgt de algemene trend goed en is relatief robuust, hoewel het de neiging heeft scherpe pieken te missen. De eendirectionele LSTM presteert op sommige absolute foutmaten iets beter dan XGBoost, maar struikelt vaker wanneer de belasting laag is, wat leidt tot hogere relatieve fouten en een duidelijker achterblijvende voorspelling tijdens bepaalde piek- en dalperiodes.

Wat dit betekent voor staalfabrieken en verder

Voor een niet-specialistische lezer is de hoofduitkomst helder: voor het uur-tot-uur voorspellen van het elektriciteitsgebruik van een staalfabriek presteert een bidirectioneel deep-learningmodel dat het recente verleden in beide richtingen leest beter dan zowel een populair boomgebaseerd machinaal-lerenmodel als een eenvoudiger recurrent neuraal netwerk. Dit voordeel vertaalt zich direct in betere kostenbeheersing en soepeler bedrijf, omdat managers kunnen vertrouwen op de voorspellingen die hun planning en vraagresponsbeslissingen sturen. Tegelijk laat de studie zien dat zorgvuldige maar niet-gecompliceerde datareiniging en een eerlijke, uniforme testopzet net zo belangrijk zijn als de keuze van het model. Hoewel het werk zich concentreert op één fabriek en één jaar aan gegevens, suggereert het dat vergelijkbare benaderingen veel energie-intensieve fabrieken kunnen helpen hun energierekeningen te temmen en hun emissies te verkleinen.

Bronvermelding: 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

Trefwoorden: elektriciteit staalfabriek, kortetermijn laaddrukvoorspelling, deep learning energie, industriële energiemanagement, BiLSTM voorspelling