دانشگاه یزد پژوهش های نظری و کاربردی هوش ماشینی 2821-2029 3 2 2025 11 22 A Hybrid Model for Data-Driven Energy Consumption Forecasting in the Steel Industry: An Approach Based on LSTM and Hyperparameter Optimization with the Optuna Algorithm مدلی ترکیبی در پیش‌بینی داده محور مصرف انرژی در صنعت فولاد: رویکردی بر پایه LSTM و بهینه‌سازی هایپرپارامترها با الگوریتم Optuna 89 105 3955 10.22034/abmir.2025.23569.1157 FA لیلا ذوالقدر دانشجوی دکتری مهندسی صنایع، گروه مهندسی صنایع، دانشگاه یزد، یزد، ایران مجید شخصی نیائی دانشیار، گروه مهندسی صنایع، دانشگاه یزد، یزد، ایران 0000-0001-8034-9955 یحیی زارع مهرجردی استاد، گروه مهندسی صنایع، دانشگاه یزد، یزد، ایران محمدمهدی لطفی استاد، گروه مهندسی صنایع، دانشگاه یزد، یزد، ایران Journal Article 2025 08 22 In the modern world, electrical energy, as one of the most fundamental needs of societies, plays a vital role in the industrial, economic, and social sectors. Given the impossibility of large-scale storage and fluctuations in supply and demand, accurate forecasting of electrical load consumption is essential. Traditional time-series models often struggle to handle the nonlinear and complex patterns of industrial data. This research presents a novel hybrid framework for accurately forecasting electrical energy consumption time series. The proposed approach is based on a Long Short-Term Memory (LSTM) neural network; to maximize the model's performance, the LSTM network's hyperparameters have been optimized using the Optuna automatic optimization algorithm. The data used includes time series of electricity consumption from the Baft steel factory, along with exogenous variables such as steel production volume, production downtime, and weather and calendar conditions. The evaluation results indicate that the hybrid LSTM-Optuna model, with a coefficient of determination (R²) of 0.89 and a Mean Absolute Percentage Error (MAPE) of 18.46%, not only demonstrates better performance than the baseline model (with an R² of 0.85 and a MAPE of 20.44%) but also outperforms other machine learning methods such as Recurrent Neural Networks (RNN) and both simple and optimized Support Vector Machines (SVM). در دنیای مدرن، انرژی الکتریکی یکی از اساسی‌ترین نیازهای جوامع، نقش حیاتی در بخش‌های صنعتی، اقتصادی و اجتماعی ایفا می‌کند. با توجه به عدم امکان ذخیره‌سازی در مقیاس بزرگ و نوسانات عرضه و تقاضا، پیش‌بینی دقیق مصرف بار الکتریکی ضروری است. مدل‌های سنتی سری‌های زمانی، اغلب در مواجهه با الگوهای غیرخطی و پیچیده داده‌های صنعتی دچار چالش می‌شوند. این پژوهش یک چارچوب ترکیبی نوین برای پیش‌بینی دقیق سری زمانی مصرف انرژی الکتریکی ارائه می‌دهد. رویکرد پیشنهادی بر پایه شبکه عصبی حافظه بلند-کوتاه مدت (LSTM) است که برای به حداکثر رساندن عملکرد مدل، هایپرپارامترهای شبکه LSTM با استفاده از الگوریتم بهینه‌سازی خودکار Optuna  بهینه‌سازی شده‌اند. داده‌های مورد استفاده شامل سری‌های زمانی مصرف برق کارخانه فولاد بافت به همراه متغیرهای برون‌زا مانند میزان تولید فولاد، مدت زمان توقف تولید، شرایط آب و هوایی و تقویمی هستند. نتایج ارزیابی نشان می‌دهند که مدل ترکیبی LSTM-Optuna  با ضریب تعیین ((R2) 89/0و درصد خطای مطلق میانگین (MAPE) 46/18٪، نه تنها از مدل پایه با ضریب تعیین 85/0 و درصد خطای مطلق میانگین با مقدار 44/20٪ عملکرد بهتری نشان می‌دهد، بلکه از سایر روش‌های یادگیری ماشین مانند شبکه‌های عصبی بازگشتی (RNN) و ماشین بردار پشتیبان ((SVM. https://abmir.yazd.ac.ir/article_3955_b4f45bdf0f71096ac121cadfb64c707e.pdf