Jämförande utvärdering av flera modeller för att prognostisera timvis elförbrukning i ett stålverk

Varför det är viktigt att förutsäga en fabrikens elförbrukning

Stålverk är bland de mest elkrävande verksamheterna i världen, och varje oväntad topp i effektbehov syns direkt på månadens elräkning. Om chefer kan förutse sådana toppar, även bara några timmar i förväg, kan de justera produktionsscheman, undvika kostsamma avgifter från nätet och minska sitt koldioxidavtryck. Denna studie undersöker hur tre moderna data-drivna verktyg står sig mot varandra när de får en till synes enkel men ekonomiskt avgörande fråga: hur mycket el kommer ett stålverk att använda under nästa timme?

Att följa rytmen i ett intensivt stålverk

Inom ett integrerat stålverk stiger och sjunker elförbrukningen i takt med masugnar, valsverk och underhållspauser. Timme för timme speglar efterfrågan skiftbyten, arbetsdagar kontra helger och tidpunkten för energikrävande steg som uppvärmning och valsning. Författarna använder ett helt år av verkliga driftdata från ett stort kinesiskt stålföretag, vilket ger dem 8 760 timvisa datapunkter som fångar dessa dagliga och veckovisa cykler. Målet är att förvandla denna historik till ett pålitligt verktyg för korttidsprognoser som fabriksledningen kan använda för att planera produktion och förhandla bättre elavtal.

Rensa ofullkomliga data innan prognoser byggs

Verkliga fabriksdata är röriga: sensorer fallerar, mätare visar fel och tillfälliga extrema driftförhållanden skapar avvikare. Innan några prognosmodeller byggs rengör därför forskarna data på ett noggrant men enkelt sätt. De flaggar först misstänkta mätvärden som ligger långt utanför det typiska värdeintervallet med en tre-sigma-statistikregel. Istället för att lita på dessa extrema punkter behandlar de dem som saknade och fyller luckorna genom att dra raka linjer mellan de omgivande normala avläsningarna längs tidsaxeln. Slutligen delar de upp det rengjorda årets data i tre kronologiska block—ett för att träna modellerna, ett för att finjustera dem och den sista delen av året för att testa hur väl de verkligen presterar på osedda framtida timmar.

Tre olika sätt att lära av det förflutna

På denna gemensamma grund jämför studien tre representativa prognosmotorer. Den första, kallad XGBoost, bygger många små beslutsträd som tillsammans lär sig hur tidigare timbelastningar relaterar till nästa värde. De andra två är djupinlärningsmetoder som behandlar belastningsserien som en tidssekvens. Ett standard Long Short-Term Memory (LSTM)-nätverk lär sig hur information flyter från dåtid till framtid och lagrar mönster i ett internt ”minne” medan det skannar igenom de föregående 24 timmarna. Dess släkting, Bidirectional LSTM (BiLSTM), går ett steg längre: det bearbetar varje 24-timmarsfönster i båda riktningar och ser därmed hur de senaste timmarna relaterar inte bara till vad som kom före utan också till vad som kommer omedelbart efter inom fönstret. Alla tre modellerna ombeds att titta tillbaka över det senaste dygnet och förutsäga anläggningens förbrukning för nästa timme.

Vilken modell följer upp- och nedgångarna bäst?

För att bedöma prestanda använder författarna standardiserade felmått som fångar både storleken på det typiska felet och hur stort det felet är i förhållande till det sanna värdet, vilket är särskilt viktigt när anläggningen körs på låg last. Alla tre modellerna lyckas återskapa den välkända dagliga upp- och nedgången i elbehovet, men deras noggrannhet skiljer sig åt. BiLSTM-modellen ger de lägsta felen överlag och följer nära de verkliga topparna och dalarna i den sista månaden av data. XGBoost följer den övergripande trenden väl och är förhållandevis robust, även om den tenderar att missa skarpa toppar. Den endirektionella LSTM förbättrar sig något jämfört med XGBoost i vissa absoluta felmått men snubblar oftare när lasten är låg, vilket ger högre relativa fel och en mer uppenbart eftersläpande passform under vissa topp- och dalperioder.

Vad detta betyder för stålverk och vidare

För en allmän läsare är huvudresultatet enkelt: när det gäller att förutsäga ett stålverks elförbrukning timme för timme slår en bidirektionell djupinlärningsmodell som läser den senaste historiken i båda riktningar både en populär träd-baserad maskininlärningsmetod och ett enklare rekurrent neuralt nätverk. Denna fördel översätts direkt till bättre kostnadskontroll och smidigare drift, eftersom chefer kan lita på prognoserna som styr deras schemaläggning och beslut om efterfrågeflexibilitet. Samtidigt visar studien att noggrann men okomplicerad datarensning och en rättvis, enhetlig testuppställning är lika viktiga som val av modell. Även om arbetet fokuserar på en anläggning och ett enda års data antyder det att liknande tillvägagångssätt kan hjälpa många energiintensiva fabriker att tygla sina elkostnader och minska sina utsläpp.

Citering: 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

Nyckelord: stålfabrik el, korttidsbelastningsprognoser, djupinlärning energi, industriell energihantering, BiLSTM prognostisering