Avaliação comparativa de vários modelos para previsão do consumo horário de eletricidade em uma siderúrgica

Por que prever o consumo de energia de uma fábrica é importante

As siderúrgicas estão entre os consumidores de eletricidade mais vorazes do planeta, e todo pico inesperado na demanda aparece diretamente na conta mensal. Se os gerentes conseguem prever esses picos, mesmo que apenas algumas horas antes, podem ajustar cronogramas de produção, evitar penalidades caras da rede e reduzir sua pegada de carbono. Este estudo analisa como três ferramentas modernas baseadas em dados se comparam quando colocadas diante de uma pergunta aparentemente simples, porém economicamente crucial: quanta eletricidade uma siderúrgica consumirá na próxima hora?

Seguindo o ritmo de uma siderúrgica movimentada

No interior de uma usina integrada de aço, o consumo de eletricidade sobe e desce com o ritmo de fornos, laminadores e pausas de manutenção. Hora a hora, a demanda reflete trocas de turno, dias úteis versus fins de semana e o timing de etapas intensivas em energia, como aquecimento e laminação. Os autores usam um ano completo de dados operacionais reais de uma grande empresa siderúrgica chinesa, obtendo 8.760 pontos de dados horários que acompanham esses ciclos diários e semanais. O objetivo é transformar esse registro histórico em uma ferramenta confiável de previsão de curto prazo que os gestores da planta possam usar para planejar a produção e negociar contratos de eletricidade melhores.

Limpeza de dados imperfeitos antes de prever

Dados de fábrica do mundo real são desordenados: sensores falham, medidores registram valores errados e condições operacionais extremas ocasionais geram outliers. Antes de construir qualquer modelo de previsão, os pesquisadores limpam os dados de forma cuidadosa, porém simples. Primeiro, identificam leituras suspeitas que ficam muito fora da faixa típica usando a regra estatística de três sigma. Em vez de confiar nesses pontos extremos, tratam-nos como ausentes e preenchem as lacunas traçando linhas retas entre as leituras normais adjacentes ao longo do eixo do tempo. Finalmente, dividem o ano limpo em três blocos cronológicos — um para treinar os modelos, outro para ajustá-los e a última parte do ano para testar quão bem eles realmente funcionam em horas futuras não vistas.

Três maneiras diferentes de aprender com o passado

Sobre essa base comum, o estudo compara três mecanismos representativos de previsão. O primeiro, chamado XGBoost, constrói muitas pequenas árvores de decisão que, em conjunto, aprendem como as cargas horárias passadas se relacionam com o valor seguinte. Os outros dois são abordagens de deep learning que tratam o registro de carga como uma sequência no tempo. Uma rede Long Short-Term Memory (LSTM) padrão aprende como a informação flui do passado para o futuro, armazenando padrões em uma “memória” interna enquanto percorre as últimas 24 horas. Sua congênere, a Bidirectional LSTM (BiLSTM), vai um passo além: processa cada janela de 24 horas em ambas as direções, olhando efetivamente como horas recentes se relacionam não apenas com o que veio antes, mas também com o que vem imediatamente depois dentro da janela. Todos os três modelos são solicitados a olhar para o dia anterior e prever o consumo da planta para a próxima hora.

Qual modelo acompanha melhor subidas e descidas?

Para julgar o desempenho, os autores usam medidas de erro padrão que capturam tanto o tamanho do erro típico quanto o quão grande esse erro é em relação ao valor verdadeiro, o que é especialmente importante quando a planta opera com baixa carga. Todos os três modelos conseguem reproduzir a familiar subida e descida diária da demanda por eletricidade, mas sua precisão difere. O modelo BiLSTM apresenta os menores erros em todas as métricas, traçando de perto os picos e vales reais no último mês de dados. O XGBoost acompanha bem a tendência geral e é relativamente robusto, embora tenda a perder picos acentuados. A LSTM unidirecional melhora ligeiramente sobre o XGBoost em algumas medidas de erro absoluto, mas tropeça com mais frequência quando a carga é baixa, o que lhe confere erro relativo maior e um ajuste mais visivelmente defasado durante certos períodos de pico e vale.

O que isso significa para siderúrgicas e além

Para o leitor leigo, o resultado principal é direto: na previsão do consumo horário de uma siderúrgica, um modelo de deep learning bidirecional que lê o passado recente em ambas as direções supera tanto um método popular baseado em árvores de decisão quanto uma rede neural recorrente mais simples. Essa vantagem se traduz diretamente em melhor controle de custos e operação mais suave, porque os gestores podem confiar nas previsões que orientam seu planejamento e decisões de resposta à demanda. Ao mesmo tempo, o estudo mostra que uma limpeza de dados cuidadosa, mas descomplicada, e um procedimento de teste justo e unificado são tão importantes quanto a escolha do modelo. Embora o trabalho foque em uma planta e um único ano de dados, sugere que abordagens semelhantes poderiam ajudar muitas fábricas intensivas em energia a domar suas contas de eletricidade e reduzir suas emissões.

Citação: 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

Palavras-chave: eletricidade em siderúrgica, previsão de carga de curto prazo, deep learning energia, gestão industrial de energia, previsão BiLSTM