Детальная информация

Точное прогнозирование энергопотребления критически важно в металлургической промышленности для сокращения убытков, причем прогнозирование энергопотребления представляет собой серьёзную задачу из-за большого количества параметров и нелинейной динамики систем. В статье проводится оценка различных нейронных сетей для прогнозирования расхода перегретого пара в процессе металлургического производства. Были изучены сети типа Long Short-Term Memory (LSTM), Gate Recurrent Unit (GRU) и гибридная архитектура CNN-LSTM. Оценка результатов проводилась по трём показателям: Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE) и Mean Squared Error (MSE). По результатам экспериментов выяснилось, что значения показателей ошибок низкие, однако это обусловлено главным образом тем фактом, что расход пара остаётся в пределах сравнительно узкого диапазона в течение продолжительного периода времени, а не отражает реальную предсказательную способность моделей. Более подробный анализ показал ограниченную возможность моделей обнаруживать внезапные изменения расхода пара. В конце статьи рассматриваются идеи для повышения точности прогнозирования.

Providing accurate forecasting of energy consumption is critical in the Metal & Mining sector to avoid losses. However, it is also a big challenge due to the high number of parameters and the non-linear dynamic of the systems. This article aims to provide an assessment of different Neural Networks to forecast steam consumption in the metallurgy manufacturing process. In this study Long Short-Term Memory (LSTM), Gate Recurrent Unit (GRU) and hybrid CNN-LSTM are evaluated. The results are assessed using three metrics: Mean Absolute Percentage Error, Mean Absolute Error, and Mean Squared Error to evaluate each model. Although the error metrics are low, this is mainly attributable to the fact that steam consumption values remain within a relatively narrow range over extended periods, rather than reflecting the model’s true predictive capability. The model exhibits limited ability to detect abrupt energy consumption changes. To address this limitation, we propose a potential improvement approach, which is discussed at the end of the paper.

"Промышленный искусственный интеллект (ПИИ'2025)", всероссийская научно-практическая конференция (2025; Санкт-Петербург). Промышленный искусственный интеллект (ПИИ'2025): Всероссийская научно-практическая конференция с международным участием 3–4 июля 2025 года: cборник научных трудов / Российская академия наук, Санкт-Петербургское отделение, Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербургский государственный университет; под общей редакцией Д. Г. Арсеньева. — Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2025. — 1 файл (197 Мб Мб). — Загл. с титул. экрана. — Ч. текста парал. на рус. и англ. яз. — Электронная копия печатной публикации 2025 г. — Доступ по паролю из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/i25-310.pdf>. — DOI 10.18720/SPBPU/2/i25-310. — Текст: электронный