比较评估几种用于预测钢厂每小时用电量的模型

为何预测工厂用电至关重要

钢厂是全球用电量最大的用户之一，任何意外的用电峰值都会直接反映在月度电费中。如果管理者能提前预见这些峰值，即便只提前几小时，也能调整生产计划、避免电网的高额罚款并降低碳排放。本研究考察了三种现代数据驱动工具在回答一个看似简单但经济上至关重要的问题时的表现：钢厂在下一小时将消耗多少电能？

跟随繁忙钢厂的运行节律

在一座一体化钢厂内，用电随熔炉、轧机和检修间歇的节奏起伏。逐小时看，负荷反映了班次变化、工作日与周末的差异，以及诸如加热和轧制等耗能环节的时序。作者使用了一家大型中国钢铁企业的整整一年实际运行数据，得到8,760个小时的数据点，描绘出这些日常和每周循环。他们的目标是把这段历史记录转化为可靠的短期预测工具，供厂方管理者用于生产计划和更有利的电力合同谈判。

在建模前清理不完美的数据

现实工厂数据往往杂乱：传感器故障、计量误差以及偶发的极端工况都会产生离群点。因此，在构建任何预测模型之前，研究者以一种谨慎但简单的方法对数据进行了清理。他们首先使用三西格玛规则标记那些远超典型值范围的可疑读数。对于这些极端点，不直接信任而是当作缺失值处理，并通过在时间轴上用相邻正常读数之间画直线来填补缺口。最后，他们将清理后的全年数据按时间顺序分成三段——一段用于训练模型，一段用于调优，最后一段用于测试模型在未见过的未来小时上的实际表现。

三种不同的历史学习方法

在这一共同基础上，研究比较了三种代表性的预测引擎。第一种称为 XGBoost，通过构建大量小决策树学习过去每小时负荷与下一时刻之间的关系。另两种是把负荷记录视为时间序列的深度学习方法。标准的长短期记忆网络（LSTM）学习信息如何从过去传向未来，在扫描过去24小时时将模式存入内部“记忆”。其变体——双向 LSTM（BiLSTM）更进一步：它对每个24小时窗口在两个方向上进行处理，既考虑近期小时与之前时刻的关系，也考察窗口内随后的时刻如何关联。所有三种模型都被要求回顾前一天的数据并预测下一小时的厂用电量。

哪种模型更能追踪起伏？

为评判性能，作者使用了标准误差度量，既反映典型误差的大小，也反映该误差相对于真实值的比例——在厂内处于低负荷时这一点尤其重要。三种模型都能再现熟悉的用电日波动，但精度有所不同。BiLSTM 在各项指标上误差最低，能在最后一个月的数据中紧密跟踪真实的峰值与谷值。XGBoost 在整体趋势上表现良好且相对稳健，但倾向于错过尖锐的峰值。单向 LSTM 在某些绝对误差指标上比 XGBoost 略有提升，但在低负荷时更易出错，导致相对误差较高，并在某些峰谷时期出现更明显的滞后拟合。

这对钢厂及更广泛场景的意义

对普通读者而言，结论明确：在逐小时预测钢厂用电方面，一种双向的深度学习模型——在时间上同时向前向后“阅读”近期记录——优于流行的基于树的机器学习方法和更简单的递归神经网络。这一优势可直接转化为更好的成本控制和更平稳的运行，因为管理者可以信赖用于排产和需求响应决策的预测。同时，研究表明，谨慎但不复杂的数据清理以及公平统一的测试方案与模型选择同样重要。尽管该工作聚焦于单一厂址和一年的数据，但结果表明，类似方法有望帮助更多高耗能工厂降低电费并减少排放。

引用: 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

关键词: 钢厂用电, 短期负荷预测, 深度学习 能源, 工业能源管理, BiLSTM 预测