Steel Energy LSTM

Steel Energy LSTM — LSTM-модель от larissaac (PUCPR), которая прогнозирует следующее 15-минутное энергопотребление сталелитейного завода по предыдущим 15 часам. Архитектура из трёх LSTM-слоёв (128 → 64 → 32) и Dense(1), обучена на TensorFlow/Keras.

📝 Ключевые особенности

• 📝 Архитектура: LSTM(128) → Dropout(0.2) → LSTM(64) → Dropout(0.2) → LSTM(32) → Dense(1).
• ⌨ Вход: 60 шагов по 15 минут × 5 признаков, включая Usage_kWh и реактивную мощность.
• 🤔 Крупные ошибки прогноза помечаются как возможные энергогаргалы: порог MAE + 1.5σ.
• 👍 На хронологическом тесте: MAE 5.00 kWh, RMSE 9.05 kWh, R² 0.9169.
• 😔 Обучена на одном заводе за один год; порог описательный, а не производственное правило.

⌨ Пример

from huggingface_hub import hf_hub_download
from tensorflow.keras.models import load_model
model = load_model(hf_hub_download(repo, "lstm_model.keras"), compile=False)
# window: (60, 5) сырых признаков
x = scaler.transform(window)[None, ...]
pred = model.predict(x)[0, 0]

Подробнее

Бенчмарки: MAE 5.00 kWh, RMSE 9.05 kWh, R² 0.9169 на 7 008 тестовых последовательностях.
Порог аномалии: |ошибка| > 16.31 kWh (MAE + 1.5σ); так помечено 7.62% периодов.
Ограничения: один завод и один год, нет проверки на других объектах; флаг указывает на большую ошибку, а не на подтверждённый сбой.
Загрузка: формат Keras 3 .keras, compile=False и TensorFlow, близкий к обучающему.