Porównawcza ocena kilku modeli prognozujących godzinne zużycie energii elektrycznej w hucie

Dlaczego warto przewidywać zużycie prądu w zakładzie

Huty należą do największych odbiorców energii elektrycznej na świecie, a każdy nieoczekiwany skok zapotrzebowania przekłada się bezpośrednio na miesięczny rachunek. Jeśli menedżerowie potrafią przewidzieć te skoki chociaż na kilka godzin naprzód, mogą przesuwać harmonogramy produkcji, unikać kosztownych kar od operatora sieci i zmniejszać ślad węglowy. W tym badaniu porównano trzy nowoczesne, oparte na danych narzędzia, odpowiadając na pozornie proste, lecz ekonomicznie istotne pytanie: ile energii elektrycznej huta zużyje w następnej godzinie?

Podążając za rytmem dużego zakładu

W zintegrowanej hucie zużycie energii wzrasta i maleje wraz z pracą pieców, walcowni i przerwami konserwacyjnymi. Godzina po godzinie zapotrzebowanie odzwierciedla zmiany zmian roboczych, dni robocze kontra weekendy oraz momenty energochłonnych operacji jak nagrzewanie i walcowanie. Autorzy wykorzystują pełny rok rzeczywistych danych operacyjnych z dużego chińskiego przedsiębiorstwa hutniczego, co daje 8 760 punktów godzinowych śledzących te dobowe i tygodniowe cykle. Ich celem jest przekształcenie tego historycznego zapisu w niezawodne narzędzie krótkoterminowego prognozowania, którego menedżerowie mogliby użyć do planowania produkcji i negocjowania lepszych umów energetycznych.

Oczyszczanie niedoskonałych danych przed prognozowaniem

Dane z zakładu są w praktyce nieporządne: czujniki zawodzą, liczniki błędnie odczytują i sporadyczne ekstremalne warunki eksploatacji tworzą wartości odstające. Zanim zbudowano jakiekolwiek modele prognostyczne, badacze przeprowadzili więc staranne, lecz proste oczyszczanie danych. Najpierw oznaczają podejrzane odczyty, które leżą daleko poza typowym zakresem wartości, stosując regułę trzech odchyleń standardowych. Zamiast polegać na tych ekstremach, traktują je jako brakujące i wypełniają luki, rysując proste odcinki pomiędzy otaczającymi normalnymi odczytami wzdłuż osi czasu. Na koniec dzielą oczyszczony rok danych na trzy chrono logiczne bloki — jeden do trenowania modeli, drugi do strojenia parametrów, a ostatni do testowania, jak dobrze sprawdzają się na niewidzianych godzinach przyszłych.

Trzy różne sposoby uczenia się z przeszłości

Na tej wspólnej podstawie badanie porównuje trzy reprezentatywne silniki prognozujące. Pierwszy, zwany XGBoost, buduje wiele małych drzew decyzyjnych, które łącznie uczą się, jak przeszłe godzinne obciążenia odnoszą się do następnej wartości. Pozostałe dwa to podejścia z zakresu głębokiego uczenia, traktujące zapis obciążenia jako sekwencję w czasie. Standardowa sieć Long Short-Term Memory (LSTM) uczy się, jak informacja przepływa z przeszłości do przyszłości, przechowując wzorce w wewnętrznej „pamięci” podczas skanowania poprzednich 24 godzin. Jej krewniak, Bidirectional LSTM (BiLSTM), idzie o krok dalej: przetwarza każde 24-godzinne okno w obu kierunkach, efektywnie obserwując, jak ostatnie godziny odnoszą się nie tylko do tego, co było wcześniej, lecz także do tego, co występuje bezpośrednio po nich w obrębie okna. Wszystkie trzy modele mają za zadanie spojrzeć wstecz na poprzedni dzień i przewidzieć zużycie zakładu na następną godzinę.

Który model najlepiej śledzi wzloty i spadki?

Aby ocenić wydajność, autorzy stosują standardowe miary błędu, które uwzględniają zarówno wielkość typowego błędu, jak i jego rozmiar w odniesieniu do wartości rzeczywistej — co jest szczególnie istotne, gdy zakład pracuje przy niskim obciążeniu. Wszystkie trzy modele potrafią odtworzyć znajomy dobowy wzorzec wzrostów i spadków zapotrzebowania na energię, lecz ich dokładność się różni. Model BiLSTM osiąga najniższe błędy w większości miar, ściśle odwzorowując rzeczywiste szczyty i doliny w ostatnim miesiącu danych. XGBoost dobrze śledzi ogólny trend i jest stosunkowo odporny, choć ma tendencję do pomijania ostrych skoków. Jednokierunkowy LSTM nieco poprawia niektóre miary błędu bezwzględnego w porównaniu do XGBoost, ale częściej popełnia potknięcia przy niskim obciążeniu, co daje mu wyższy błąd względny i bardziej widoczne opóźnienia w dopasowaniu podczas niektórych okresów szczytów i dolin.

Co to oznacza dla hut i innych zakładów

Dla czytelnika niebędącego specjalistą wynik jest prosty: jeśli chodzi o prognozowanie godzinowego zużycia energii w hucie, dwukierunkowy model głębokiego uczenia, analizujący niedawną przeszłość w obu kierunkach, przewyższa zarówno popularną, opartą na drzewach metodę uczenia maszynowego, jak i prostszą rekurencyjną sieć neuronową. Ta przewaga przekłada się bezpośrednio na lepszą kontrolę kosztów i płynniejszą eksploatację, ponieważ menedżerowie mogą bardziej ufać prognozom, które kierują ich decyzjami dotyczącymi harmonogramowania i reakcji na zapotrzebowanie. Jednocześnie badanie pokazuje, że staranne, ale nieskomplikowane oczyszczanie danych oraz uczciwe, ujednolicone podejście do testowania są równie ważne jak wybór modelu. Choć praca koncentruje się na jednym zakładzie i jednym roku danych, sugeruje, że podobne podejścia mogłyby pomóc wielu energochłonnym fabrykom okiełznać rachunki za energię i zmniejszyć emisje.

Cytowanie: 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

Słowa kluczowe: zużycie energii w hucie, krótkoterminowe prognozowanie obciążenia, głębokie uczenie energetyka, zarządzanie energią w przemyśle, prognozowanie BiLSTM