Çelik Sektöründe Enerji Tüketimi Tahmini ile Daha İyi Enerji Verimliliğine Doğru

Abstract

Elektrik tüketiminin en doğru şekilde tahmin edilmesi, maliyet optimizasyonu, operasyonel verimlilik, rekabet gücü, sözleşme müzakereleri ve üretimde sürdürülebilir kalkınmanın küresel hedeflerine ulaşılması için çok önemlidir. Bu çalışma, bütüncül bir yaklaşımla, bir çelik şirketinde elektrik tüketimi için en uygun tahmin algoritmasının ve en etkin uygulama alanlarının belirlenmesine odaklanmaktadır. Rastgele Orman, Gradyan Destekli Ağaçlar, Genelleştirilmiş Doğrusal Modeller, Karar Ağaçları ve Derin Sinir Ağı verilen probleme uygun oldukları ve tahmin amacıyla yaygın olarak kullanılan regresyon algoritmaları oldukları için kullanılmıştır. Tahmin modellerinin performansı, artıkların standart sapmasına (RMSE) ve açıklanan varyans oranına (R-kare) göre değerlendirilir. Bu çalışma, Rastgele Orman modelinin Gradyan Destekli Ağaçlar, Genelleştirilmiş Doğrusal Modeller, Karar Ağaçları ve Derin Sinir Ağı modellerinden daha iyi performans ortaya koyduğunu göstermektedir. Sonuçlar birçok farklı alanda fayda sağlayacaktır. İlk olarak, sözleşme görüşmeleri sırasında, gün öncesi piyasasında elektrik satın almak için rekabet avantajı elde etmemizi sağlayacaktır. İkinci olarak, üretim planlama aşamasında, elektrik tüketimi en yüksek olan bobinlerin, en uygun fiyatlarla, talebin en az olduğu saatlerde üretimlerinin planlanmasına izin verecektir. Ve son olarak, satış siparişleri önceliklendirilirken, mevcut kapasitenin, daha düşük enerji tüketimi olan veya daha yüksek kar marjına sahip satış siparişleri için kullanılması sağlanacaktır.Forecasting electricity consumption most accurately is crucial for cost optimization, operational efficiency, competitiveness, contract negotiation, and achieving the global goals of sustainable development in manufacturing. With a holistic approach, this study focuses on identifying the most appropriate prediction algorithm for electricity consumption and the most effective implementation areas in a steel production company. Random Forest, Gradient-Boosted Trees, Generalized Linear Models, Decision Trees, and Deep Neural Networks are utilized as they are appropriate for the given problem and widely used regression algorithms for prediction purposes. The performance of the prediction models is evaluated based on the standard deviation of the residuals (RMSE) and the proportion of variance explained (R-squared). Results show that the Random Forest model outperforms the Gradient-Boosted Trees, Generalized Linear Models, Decision Trees, and Deep Neural Network models. The results will provide benefits in many different areas. Firstly, during contract negotiations, it will enable us to gain a competitive advantage when purchasing electricity in the day-ahead market. Secondly, in the production scheduling phase, coils with the highest electricity consumption will be produced during the hours when there is the least demand at the most affordable prices. Finally, when prioritizing sales orders, the use of the existing capacity for orders with lower energy intensity or a higher profit margin will be ensured.