Using LSTM and GRU-Based Deep Learning Approaches: Sustainable Energy Optimization in the Steel Industry

Abstract

This study develops and investigates predictive models for energy consumption using deep learning techniques, focusing on a smart small-scale steel manufacturing facility in South Korea. It aims to predict energy consumption (Usage_kWh) to achieve sustainable energy optimization in the steel industry. The dataset used in this study was compiled from daily, monthly, and annual data obtained from the Korea Electric Power Corporation’s website and consists of 35,040 observations and 11 features. Energy consumption data are acquired through IoT-based monitoring systems and utilized for predictive modeling. The dataset incorporates key industrial variables, including lagging and leading current reactive power, lagging and leading current power factor, carbon dioxide (CO₂) emissions, and load type classifications. Various industrial variables were used as the basis for developing different deep learning (Long Short-Term Memory - LSTM / Gated Recurrent Unit - GRU) and machine learning architectures. The models were evaluated comparatively. The LSTM model achieved the highest mean absolute error (MAE) score of 5.75 while the AdaBoostRegressor model achieved an R² score of 0.90%. The results obtained in this study contribute directly to a sustainable green industry by predicting energy consumption in steel industry facilities and ensure the optimization of energy efficiency. This model can be leveraged to support the design of energy-efficient systems, facilitating the optimization of energy consumption and informing policy development in smart city frameworks.

Keywords

• Steel Industry
• Sustainable Energy
• LSTM
• GRU
• AdaBoost

LSTM ve GRU Tabanlı Derin Öğrenme Yaklaşımlarının Kullanımı: Çelik Endüstrisinde Sürdürülebilir Enerji Optimizasyonu

Abstract

Bu çalışma, Güney Kore'deki akıllı küçük ölçekli bir çelik üretim tesisine odaklanarak, derin öğrenme tekniklerini kullanarak enerji tüketimi için tahmine dayalı modeller geliştirmeyi ve incelemeyi amaçlamaktadır. Çalışmanın amacı, çelik endüstrisinde sürdürülebilir enerji optimizasyonunu sağlamak için enerji tüketimini (Kullanım_kWh) tahmin etmektir. Bu çalışmada kullanılan veri seti, Kore Elektrik Enerjisi Kurumu'nun web sitesinden elde edilen günlük, aylık ve yıllık verilerden derlenmiş olup 35.040 gözlem ve 11 özellik içermektedir. Enerji tüketimi verileri, IoT tabanlı izleme sistemleri aracılığıyla elde edilmiş ve tahmine dayalı modelleme için kullanılmıştır. Veri seti, gecikmeli ve önde gelen akım reaktif gücü, gecikmeli ve önde gelen akım güç faktörü, karbondioksit (CO₂) emisyonları ve yük tipi sınıflandırmaları dahil olmak üzere temel endüstriyel değişkenleri içermektedir. Çeşitli endüstriyel değişkenler, farklı derin öğrenme (Uzun Kısa Süreli Bellek - LSTM / Kapılı Tekrarlayan Birim - GRU) ve makine öğrenmesi mimarilerinin geliştirilmesi için temel olarak kullanılmıştır. Modeller karşılaştırmalı olarak değerlendirilmiştir. LSTM modeli 5,75 ile en yüksek ortalama mutlak hata (MAE) puanına ulaşırken, AdaBoostRegressor modeli %0,90'lık bir R² puanı elde etti. Bu çalışmada elde edilen sonuçlar, çelik endüstrisi tesislerindeki enerji tüketimini tahmin ederek ve enerji verimliliğinin optimizasyonunu sağlayarak sürdürülebilir yeşil endüstriye doğrudan katkıda bulunmaktadır. Bu model, enerji verimli sistemlerin tasarımını desteklemek, enerji tüketiminin optimizasyonunu kolaylaştırmak ve akıllı şehir çerçevelerinde politika geliştirme süreçlerine bilgi sağlamak için kullanılabilir.

Keywords

• Çelik Sanayi
• Sürdürülebilir Enerji
• LSTM
• GRU
• AdaBoost

References

1. United Nations, "Transforming our world: The 2030 Agenda for Sustainable Development," UN Publishing, 2015. [Online]. Available: https://sdgs.un.org/goals. [Accessed: April 9, 2026].
2. European Commission, "The European green deal," 2019. [Online].
3. International Energy Agency, "Iron and Steel Technology Roadmap," IEA, 2020. [Online]. Available: https://www.iea.org. [Accessed: April 9, 2026].
4. E. Gholamzadeh and A. Ghaemi, "Optimizing electricity consumption in direct reduction iron processes using RSM, MLP, and RBF models," Scientific Reports, vol. 15, no. 1, p. 34947, 2025.
5. H. Bai, Y. Chen, H. Bai, et al., "Energy Optimization and Efficiency Improvement Model for Enterprise Production Process Based on Deep Learning Under the Background of Carbon Peak and Carbon Neutrality," International Journal of Computational Intelligence Systems ,vol. 18, p. 169, 2025. doi:10.1007/s44196-025-00901-9
6. J. Chen, Q. Gong, Z. Cao, M. Liu, M. Xie, and G. Zhao, "Three-layer design and optimization of CO2 emission reduction in the iron and steel industry based on ‘BRL’ industrial metabolism," Energy, vol. 315, p. 134387, 2025. doi:10.1016/j.energy.2025.134387
7. K. Karthick, R. Dharmaprakash, and S. Sathya, "Predictive modeling of energy consumption in the steel industry using CatBoost regression: A data-driven approach for sustainable energy management," International Journal of Robotics and Control Systems, vol. 4, no. 1, pp. 33-49, 2024.
8. K. Kerdprasop, N. Kerdprasop, and P. Chuaybamroong, "Deep learning and machine learning models to predict energy consumption in steel industry," International Journal of Machine Learning, vol. 13, no. 4, pp. 142-145, 2023.

9. S. A. Sarswatula, T. Pugh, and V. Prabhu, "Modeling energy consumption using machine learning," Frontiers in Manufacturing Technology, vol. 2, p. 855208, 2022.
10. A. H. Whitworth and K. D. Tsavdaridis, "Embodied Energy Optimization of Steel-Concrete Composite Beams using a Genetic Algorithm," Procedia Manufacturing, vol. 44, pp. 417-424, 2020. doi:10.1016/j.promfg.2020.02.275
11. C. Chen, Y. Liu, M. Kumar, and J. Qin, "Energy consumption modelling using deep learning technique—a case study of EAF," Procedia CIRP, vol. 72, pp. 1063-1068, 2018.
12. V E, S. Shin, and Y. Cho, “Efficient energy consumption prediction model for a data analytic-enabled industry building in a smart city,” Building Research & Information, vol. 49, no.1, p. 127–143, 2021, doi:10.1080/09613218.2020.1809983
13. S. Hochreiter and J. Schmidhuber, "Long short-term memory," Neural computation, vol. 9, no. 8, pp. 1735-1780, 1997.
14. K. Cho, B. Van Merriënboer, Ç. Gulçehre, D. Bahdanau, F. Bougares, H. Schwenk, and Y. Bengio, "Learning phrase representations using RNN encoder–decoder for statistical machine translation," in Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP), Oct. 2014, pp. 1724-1734.
15. J. Chung, C. Gulcehre, K. Cho, and Y. Bengio, “Empirical evaluation of gated recurrent neural networks on sequence modeling,” arXiv preprint arXiv:1412.3555, 2014.
16. R. Jozefowicz, W. Zaremba, and I. Sutskever, “An empirical exploration of recurrent network architectures,” in International Conference on Machine Learning (ICML), 2015, pp. 2342–2350.
17. I. Sutskever, O. Vinyals, and Q. V. Le, “Sequence to sequence learning with neural networks,” in Advances in Neural Information Processing Systems (NeurIPS), 2014.