NOx-Soft-Sensor für Wärmekraftwerke
Ein Random-Forest-Soft-Sensor mit Just-in-Time-Learning sagt die NOx-Konzentration aus Prozessdaten eines Wärmekraftwerks voraus — mit R² = 0,93 auf dem Testdatensatz und besser als alle sechs Vergleichsmodelle der Studie.
Soft-Sensor-Lösung
Ansatz
Just-in-Time-Learning (JITL) mit Random Forest: Für jede Vorhersage wird aus den historischen Prozessdaten über einen zeitlich-räumlichen Ähnlichkeitsindex ein lokaler Trainingsdatensatz gewählt und darauf ein Random Forest angepasst. Ein verbesserter Permutation-Importance-Algorithmus wählt die relevanten Eingangsgrößen; eine Moving-Window-Prozessüberwachung erkennt geänderte Betriebsbedingungen und löst Online-Aktualisierungen aus.
Eingangsvariablen
- Prozessgrößen, ausgewählt per verbesserter Permutation Importance aus den Betriebsdaten der Anlage
Ausgangsvariablen
- NOx-Konzentration (mg/m³)
Modelltyp
- Random Forest
- Just-in-Time-Learning
Aktualisierungsstrategie
- Lokales Modell je Anfrage (Just-in-Time-Learning)
- Moving-Window-Überwachung der Betriebsbedingungen
Kennzahlen
Ergebnisse
-
Auf dem Testdatensatz erreichte das vorgeschlagene Verfahren R² = 0,9319, RMSE = 3,696 mg/m³ und MAE = 2,772 mg/m³, mit 99,71 % der Werte innerhalb von 15 mg/m³ absolutem Fehler — besser als alle sechs Vergleichsmodelle der Studie (PLS, JIT-PLS, MW-PLS, Random Forest, Moving-Window-Random-Forest und einfacher JIT-Random-Forest; am nächsten kam JIT-Random-Forest mit R² = 0,9252).
Warum es wichtig ist
- Eine genaue NOx-Vorhersage in Echtzeit ist die Grundlage der Verbrennungsoptimierung in Wärmekraftwerken: Sie liefert der Feuerungsregelung ein schnelles Signal — ergänzend zur gesetzlich vorgeschriebenen Emissionsmessung.
- Die Betriebsbedingungen ändern sich mit Last und Brennstoff, ein einzelnes globales Modell veraltet. Lokale Just-in-Time-Modelle mit überwachter Aktualisierung bleiben am aktuellen Betriebszustand.
Haben Sie eine Regelungsaufgabe? Sprechen wir.
Quellen
He, K., Ding, H. — Open Access. JITL-Random-Forest mit verbesserter Permutation Importance, zeitlich-räumlicher Ähnlichkeit und Moving-Window-Überwachung; Ergebnisse auf dem Testdatensatz aus Anlagenbetriebsdaten.
Überblick
Ein Soft-Sensor schätzt NOx aus Prozessgrößen, die das Leitsystem ohnehin erfasst — so kann die Feuerung nachgeführt werden, bevor die Emissionsmessung reagiert. Er ergänzt die vorgeschriebene kontinuierliche Emissionsmessung, ersetzt sie aber nicht.
Wann das Muster passt
- NOx schwankt stark mit Last, Brennstoff und Luftverteilung, und ein schnelleres Signal als der Analysator würde der Feuerungsregelung helfen.
- Mehrere Jahre historisierte Prozessdaten liegen vor.
- Der Betriebszustand wechselt so oft, dass ein einzelnes globales Modell driftet.
Warum Just-in-Time-Learning
Ein globales Modell mittelt über Betriebszustände, die sich unterschiedlich verhalten. Just-in-Time-Learning baut um den aktuellen Betriebspunkt ein lokales Modell aus den ähnlichsten historischen Daten; die Moving-Window-Überwachung entscheidet, wann aktualisiert werden muss. Laut der zitierten Studie war diese Kombination auf denselben Testdaten besser als alle sechs Vergleichsmodelle.
Was vor dem Aufbau zu prüfen ist
- Ob die historischen Daten den Last- und Brennstoffbereich abdecken, den der Sensor sehen wird.
- Wie die Vorhersage genutzt wird (Bedienbild, Feuerungsoptimierer, Plausibilisierung des Analysators) — daraus folgen die Anforderungen an Genauigkeit und Latenz.
- Wie Drifts der zugrunde liegenden Messungen erkannt werden, damit der Soft-Sensor keine fehlerhafte Messung stillschweigend lernt.
Verwandte Muster
Kontakt
Nachricht senden
Direkter Kontakt
Dr. Rafał Noga
Bleiben Sie informiert
Erhalten Sie Einblicke zu Industrieller KI, APC und Prozessoptimierung direkt in Ihr Postfach.