Çelik fabrikasında saatlik elektrik tüketimini tahmin etmek için çeşitli modellerin karşılaştırmalı değerlendirmesi

Bir fabrikanın enerji kullanımını tahmin etmenin önemi

Çelik fabrikaları dünyadaki en çok elektrik tüketen tesisler arasında yer alır ve güç talebindeki her beklenmedik sıçrama doğrudan aylık faturalarına yansır. Yöneticiler bu sıçramaları, hatta sadece birkaç saat önceden görmeyi başarırsa, üretim programlarını kaydırabilir, şebekeden kaynaklanan maliyetli cezaları önleyebilir ve karbon ayak izlerini azaltabilirler. Bu çalışma, üç modern veri odaklı aracın, göründüğü kadar basit ama ekonomik açıdan kritik bir soruyu yanıtlamada nasıl performans gösterdiğini inceliyor: bir çelik fabrikası bir sonraki saatte ne kadar elektrik tüketecek?

Yoğun bir çelik tesisinin ritmini izlemek

Entegre bir çelik fabrikasının içinde, elektrik kullanımı fırınların, haddelerin ve bakım aralarının ritmine göre yükselir ve düşer. Saat saat talep, vardiya değişimlerini, iş günleri ile hafta sonlarını ve ısıtma ve haddeleme gibi enerji yoğun adımların zamanlamasını yansıtır. Yazarlar, günlük ve haftalık döngüleri izleyen 8.760 saatlik veri noktası sağlayan büyük bir Çin çelik işletmesinin bir yıllık gerçek işletme verisini kullanıyor. Amaçları, bu tarihsel kaydı tesis yöneticilerinin üretimi planlamak ve daha iyi elektrik sözleşmeleri müzakere etmek için kullanabileceği güvenilir bir kısa vadeli tahmin aracına dönüştürmek.

Tahmin yapmadan önce kusurlu veriyi temizlemek

Gerçek dünya fabrika verileri düzensizdir: sensörler arızalanır, sayaçlar yanlış okur ve zaman zaman aşırı işletme koşulları aykırı değerlere yol açar. Bu nedenle herhangi bir tahmin modeli kurmadan önce araştırmacılar verileri dikkatli ama basit bir şekilde temizliyor. Önce tipik değer aralığının çok dışında kalan şüpheli okumaları üç sigma istatistik kuralıyla işaretliyorlar. Bu aşırı noktalara güvenmek yerine onları eksik veri olarak ele alıyor ve zaman ekseni boyunca çevredeki normal okumalar arasında düz çizgilerle boşlukları dolduruyorlar. Son olarak, temizlenmiş yıllık veriyi kronolojik olarak üç bloğa ayırıyorlar—biri modelleri eğitmek, biri ince ayar yapmak ve yılın son bölümü ise henüz görülmemiş gelecekteki saatlerde performansı test etmek için.

Geçmişten öğrenmenin üç farklı yolu

Bu ortak temel üzerinde çalışma, üç temsilî tahmin motorunu karşılaştırıyor. Birincisi, XGBoost adını taşıyor ve birlikte bir sonraki değeri nasıl etkileyeceğini öğrenmek için birçok küçük karar ağacı kuruyor. Diğer ikisi ise yük kaydını zaman içindeki bir dizi olarak ele alan derin öğrenme yaklaşımları. Standart bir Uzun Kısa Süreli Bellek (LSTM) ağı, geçmişten geleceğe bilgilerin nasıl aktığını öğreniyor ve önceki 24 saat boyunca tararken içsel bir “bellekte” örüntüleri saklıyor. Onun kuzeni, Çift Yönlü LSTM (BiLSTM), bir adım daha ileri gidiyor: her 24 saatlik pencereyi her iki yönde işleyerek, son saatlerin yalnızca öncesiyle değil aynı zamanda pencere içindeki hemen sonrakilerle nasıl ilişkili olduğunu da efektif şekilde göz önüne alıyor. Üç model de önceki günü geriye dönük olarak inceleyip tesisin bir sonraki saat için tüketimini tahmin etmek üzere görevlendiriliyor.

Hangi model iniş çıkışları en iyi takip ediyor?

Performansı değerlendirmek için yazarlar, tipik hatanın büyüklüğünü ve bu hatanın gerçek değere göre ne kadar büyük olduğunu yakalayan standart hata ölçülerini kullanıyor; bu, tesis düşük yükte çalışırken özellikle önemli. Üç model de elektrik talebinin tanıdık günlük yükseliş ve düşüşünü yeniden üretmeyi başarıyor, ancak doğrulukları farklılık gösteriyor. BiLSTM modeli tüm ölçümlerde en düşük hatayı veriyor ve veri setinin son ayında gerçek zirveleri ve vadileri yakından izliyor. XGBoost genel eğilimi iyi takip ediyor ve göreli olarak sağlam bir performans sergiliyor, ancak keskin sıçramaları kaçırma eğiliminde. Tek yönlü LSTM, bazı mutlak hata ölçülerinde XGBoost’a karşı hafif bir iyileşme gösterse de düşük yük durumlarında daha sık tökezliyor; bu da ona daha yüksek göreli hata ve belirli zirve ile vadi dönemlerinde daha bariz gecikmeli bir uyum sağlıyor.

Bu çelik fabrikaları ve ötesi için ne anlama geliyor

Bir genel okuyucu için ana sonuç açıktır: saat saat bir çelik tesisinin elektrik tüketimini tahmin etme söz konusu olduğunda, yakın geçmişi iki yönde okuyan çift yönlü bir derin öğrenme modeli, hem popüler bir ağaç tabanlı makine öğrenmesi yöntemini hem de daha basit bir yinelemeli sinir ağını geride bırakıyor. Bu avantaj, yöneticilerin planlama ve talep-cevap kararlarını yönlendiren tahminlere güvenebilmesi sayesinde doğrudan daha iyi maliyet kontrolü ve daha düzgün operasyon anlamına geliyor. Aynı zamanda çalışma, dikkatli ama karmaşık olmayan veri temizliğinin ve adil, birleştirilmiş bir test düzeninin model seçimi kadar önemli olduğunu gösteriyor. Çalışma bir fabrika ve tek bir yıl verisine odaklansa da benzer yaklaşımların birçok enerji yoğun fabrikanın enerji faturalarını kontrol altına almasına ve emisyonlarını azaltmasına yardımcı olabileceğini öneriyor.

Atıf: 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

Anahtar kelimeler: çelik fabrikası elektriği, kısa dönem yük tahmini, derin öğrenme enerji, endüstriyel enerji yönetimi, BiLSTM tahmini