Сравнительная оценка нескольких моделей для прогнозирования почасового потребления электроэнергии на сталелитейном заводе

Почему важно предсказывать потребление электроэнергии на заводе

Сталелитейные заводы — одни из самых прожорливых потребителей электроэнергии в мире, и каждое неожиданное пиковое потребление сразу отражается в ежемесячном счету. Если менеджеры могут предсказать такие всплески, даже всего за несколько часов, они могут перестроить графики производства, избежать дорогостоящих штрафов со стороны сети и сократить углеродный след. В этом исследовании сравниваются три современных инструмента на вопрос, который кажется простым, но экономически важным: сколько электроэнергии будет потреблять сталелитейный завод в следующий час?

Следуя ритму загружанного сталелеплавильного предприятия

Внутри интегрированного сталелитейного завода потребление электроэнергии поднимается и опускается в такт работе печей, прокатных станов и технического обслуживания. Почасовой спрос отражает смены, рабочие дни и выходные, а также моменты энергоёмких операций, таких как нагрев и прокатка. Авторы используют полный год реальных эксплуатационных данных крупного китайского металлургического предприятия, получая 8 760 почасовых точек, которые отображают эти суточные и недельные циклы. Их цель — превратить эту историческую хронику в надёжный инструмент краткосрочного прогнозирования, которым менеджеры завода могли бы пользоваться для планирования производства и переговоров по электроэнергии.

Очистка несовершенных данных перед прогнозированием

Данные с заводов в реальном мире часто шумные: датчики выходят из строя, счётчики ошибаются, а редкие экстремальные режимы работы дают выбросы. Поэтому перед построением любых моделей прогнозирования исследователи очищают данные аккуратно, но просто. Сначала они отмечают подозрительные показания, лежащие далеко за пределами типичного диапазона, используя правило трёх сигм. Вместо того чтобы доверять этим экстремальным точкам, их считают пропущенными и заполняют пробелы, проводя прямые линии между окружающими нормальными показаниями по оси времени. Наконец, очищенный год данных делят на три хронологических блока — один для обучения моделей, один для их настройки и последний участок года для тестирования того, как модели действительно работают на невидимых будущих часах.

Три разных способа изучить прошлое

На этой общей базе исследование сравнивает три представительных прогнозных механизма. Первый, называемый XGBoost, строит множество небольших деревьев решений, которые в совокупности учатся связывать прошлые почасовые нагрузки с следующим значением. Две другие — подходы глубокого обучения, которые рассматривают запись нагрузки как временную последовательность. Стандартная сеть долгой кратковременной памяти (LSTM) учится тому, как информация течёт из прошлого в будущее, сохраняя шаблоны во внутренней «памяти», просматривая предыдущие 24 часа. Её родственница, двунаправленная LSTM (BiLSTM), идёт дальше: она обрабатывает каждое 24-часовое окно в обоих направлениях, фактически учитывая, как недавние часы связаны не только с тем, что было раньше, но и с тем, что следует сразу после внутри окна. Всем трём моделям предлагают смотреть назад на предыдущие сутки и предсказывать потребление завода на следующий час.

Какая модель лучше отслеживает подъёмы и спады?

Для оценки качества авторы используют стандартные меры ошибки, которые учитывают и величину типичной ошибки, и её размер по отношению к истинному значению — что особенно важно при низкой загрузке завода. Все три модели воспроизводят знакомые суточные подъёмы и спады спроса на электроэнергию, но их точность различается. Модель BiLSTM даёт наименьшие ошибки во всех показателях, точно повторяя реальные пики и впадины в последний месяц данных. XGBoost хорошо следует общей тенденции и сравнительно устойчив, хотя склонен пропускать резкие всплески. Однонаправленная LSTM слегка превосходит XGBoost по некоторым абсолютным мерам ошибки, но чаще ошибается при низкой нагрузке, что даёт ей более высокую относительную ошибку и более заметное запаздывание в периоды определённых пиков и спадов.

Что это значит для сталелитейных заводов и не только

Для неспециалиста основной вывод прост: при прогнозировании почасового потребления электроэнергии сталелитейного завода двунаправленная модель глубокого обучения, которая читает недавнее прошлое в обе стороны, превосходит как популярный метод на основе деревьев, так и более простую рекуррентную нейронную сеть. Это преимущество прямо переводится в лучшее управление затратами и более плавную работу, поскольку менеджеры могут доверять прогнозам, которые направляют их решения по расписанию и реагированию на спрос. В то же время исследование показывает, что аккуратная, но простая очистка данных и честная, единообразная схема тестирования столь же важны, как и выбор модели. Хотя работа сфокусирована на одном заводе и одном годе данных, она показывает, что подобные подходы могли бы помочь многим энергоёмким предприятиям укротить свои счета за электроэнергию и сократить выбросы.

Цитирование: 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

Ключевые слова: электроэнергия сталелитейного завода, краткосрочное прогнозирование нагрузки, глубокое обучение энергия, промышленное управление энергией, прогнозирование BiLSTM