DE102022106628A1 - Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes - Google Patents

Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes Download PDF

Info

Publication number
DE102022106628A1
DE102022106628A1 DE102022106628.2A DE102022106628A DE102022106628A1 DE 102022106628 A1 DE102022106628 A1 DE 102022106628A1 DE 102022106628 A DE102022106628 A DE 102022106628A DE 102022106628 A1 DE102022106628 A1 DE 102022106628A1
Authority
DE
Germany
Prior art keywords
parameter
prediction
neural network
value
flue gas
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102022106628.2A
Other languages
English (en)
Inventor
Frank Gebhardt
Jonas Hegemann
Tobias Mathur
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GEBHARDT, FRANK, DE
Original Assignee
Uniper Technologies GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Uniper Technologies GmbH filed Critical Uniper Technologies GmbH
Priority to DE102022106628.2A priority Critical patent/DE102022106628A1/de
Publication of DE102022106628A1 publication Critical patent/DE102022106628A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
    • F23G5/50—Control or safety arrangements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N3/00—Regulating air supply or draught
    • F23N3/002—Regulating air supply or draught using electronic means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N3/00—Regulating air supply or draught
    • F23N3/005—Regulating air supply or draught using electrical or electromechanical means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N5/00—Systems for controlling combustion
    • F23N5/003—Systems for controlling combustion using detectors sensitive to combustion gas properties
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N5/00—Systems for controlling combustion
    • F23N5/24—Preventing development of abnormal or undesired conditions, i.e. safety arrangements
    • F23N5/242—Preventing development of abnormal or undesired conditions, i.e. safety arrangements using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G2207/00—Control
    • F23G2207/20—Waste supply
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G2207/00—Control
    • F23G2207/30—Oxidant supply
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N2900/00—Special features of, or arrangements for controlling combustion
    • F23N2900/05006—Controlling systems using neuronal networks

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Incineration Of Waste (AREA)

Abstract

Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eins trainierten neuronalen Netzes, umfassend: Eingeben von Eingabedaten in das trainierte neuronale Netz, wobei die Eingabedaten auf Parametern basieren, die zumindest eine Feuerraumtemperatur, einen Parameter eines Brennstoffaufgabesystems, einen Parameter eines Verbrennungsluftkanalsystems (HLA), einen Parameter eines Rauchgasabführungskanalsystems (HNA), und einen Parameter eines Frischdampfleitungssystems (LBA) umfassen; und Berechnen und Ausgeben von Ausgabedaten durch das trainierte neuronale Netz, wobei die Ausgabedaten zumindest Vorhersagedaten für mindestens einen Ausgangsparameter, das mindestens die Feuerraumtemperatur-Parameter, einen Kohlenstoffmonoxid-Emissions-Konzentrations-Parameter des Rauchgases, einen Stickstoffoxid-Emissions-Konzentrations-Parameter des Rauchgases oder einen Frischdampfmenge-Parameter umfasst.

Description

  • Technisches Gebiet der Erfindung
  • Die Erfindung betrifft ein Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes. Es kommt erfindungsgemäß eine KI-basierte Parameter-Prädiktion zum Einsatz.
  • Technischer Hintergrund der Erfindung
  • Bei Verbrennungsanlagen, insbesondere bei Müllverbrennungsanlagen oder Biomasseheizwerken oder Verbrennungsanlagen, die Energie durch die Verbrennung von Rohstoffen gewinnen und/oder erzeugen, ist es wichtig, dass das zu verbrennende Material möglichst rückstandslos, schadstofffrei und energieeffizient ausbrennt. Das Erkennen von kritischen Parameterwerten, die Steuerung und/oder die Regelung der Verbrennung der Rohstoffe und/oder der Abfälle durch solche Verbrennungsanlagen erfolgt üblicherweise durch menschliches Bedienpersonal. Einerseits ist die Überwachung, das Steuern und/oder das Regeln der Verbrennungsanlage durch Bedienpersonal kostenintensiv und andererseits fehleranfällig und gegebenenfalls ineffizient.
  • EP 3 696 462 B1 offenbart zur effizienten Verbrennung ein Verfahren zum Steuern eines Kessels einer Müllverbrennungsanlage durch ein trainiertes neuronales Netz.
  • Zusammenfassung der Erfindung
  • Eine Aufgabe der vorliegenden Erfindung besteht darin, frühzeitig zu erkennen und/oder zu verhindern, dass Parameter der Verbrennungsanlage möglicherweise kritische Grenzwerte übersteigen.
  • Eine weitere Aufgabe der vorliegenden Erfindung besteht darin, ein Verfahren zur möglichst effizienten, rückstandslosen und/oder schadstofffreien Verbrennung eines zu verbrennenden Materials bereitzustellen.
  • Überdies besteht eine Aufgabe der vorliegenden Erfindung darin, menschliche Stelleingriffe zu planen, um eine möglichst effiziente, rückstandslose und/oder schadstofffreie Verbrennung zu ermöglichen.
  • Eine weitere Aufgabe der vorliegenden Erfindung besteht darin, Parameter zu erzeugen und/oder zu erfassen, die ein Anlernen eines neuen neuronalen Netzes ermöglichen können.
  • Mindestens eine dieser Aufgaben wird durch den Gegenstand der unabhängigen Ansprüche gelöst. Bevorzugte Ausführungsformen sind jeweils Gegenstand der abhängigen Ansprüche.
  • Gemäß einem Aspekt umfasst ein Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes: Eingeben von Eingabedaten in das trainierte neuronale Netz, wobei die Eingabedaten auf Parametern basieren, die zumindest eine Feuerraumtemperatur, einen Parameter eines Brennstoffaufgabesystems, einen Parameter eines Verbrennungsluftkanalsystems (HLA), einen Parameter eines Rauchgasabführungskanalsystems (HNA), und einen Parameter eines Frischdampfleitungssystems (LBA) umfassen; und Berechnen und Ausgeben von Ausgabedaten durch das trainierte neuronale Netz, wobei die Ausgabedaten zumindest Vorhersagedaten für mindestens einen Ausgangsparameter, das mindestens die Feuerraumtemperatur-Parameter, einen Kohlenstoffmonoxid-Emission-Konzentrations-Parameter des Rauchgases, einen Stickstoffoxid-Emissions-Konzentrations-Parameter des Rauchgases oder einen Frischdampfmenge-Parameter umfasst.
  • Das erfindungsgemäße Verfahren kann beispielsweise dazu dienen, menschliche Stelleingriffe basierend auf den Ausgabedaten, die Vorhersagewerten entsprechen, optimal zu planen und gegebenenfalls darauf basierend ein neues neuronales Netz zu trainieren. Insbesondere kann das Bedienpersonal frühzeitig erkennen und/oder gar verhindern, dass Parameter der Verbrennungsanlage möglicherweise kritische Grenzwerte übersteigen. Das Verfahren kann ferner dazu beitragen, dass die Verbrennung eines zu verbrennenden Materials, umfassend Abfall, biologische Stoffe und/oder andere Rohstoffe möglichst effizient, rückstandslos und/oder schadstofffrei erfolgt.
  • Das Verfahren kann ferner dazu beitragen, Warnsignale zu generieren und für einen Bediener der Verbrennungsanlage akustisch und/oder optisch und/oder haptisch anzuzeigen.
  • Das Verfahren kann beispielsweise auch zur Prädiktion bzw. zur Vorhersage verfahrenstechnischer Prozesswerte, wie beispielsweise Dampfeinbrüche (=Frischdampfmengenabfall), Kesseldeckentemperaturen, EMI-Werte, wie dem Gehalt von CO, NOx und/oder O2 im Rauchgas dienen. Bevorzugt sind dazu diese Größen von den Ausgabedaten umfasst.
  • Das Verfahren kann in Gebieten der Verfahrenstechnik verwendet werden, wie beispielsweise in Verbrennungsprozessen, beispielsweise einer Biomasseverbrennungsanlage, insbesondere einer Altholzverbrennungsanlage und/oder einer Müllverbrennungsanlage zur Energieumwandlung und/oder zur Dampferzeugung. Die zu verbrennenden Materialien können umfassen: organische und/oder anorganische Materialien, eine Biomasse, Holz, organischer und/oder anorganischer Müll, organische und/oder anorganische Rohstoffe, (Bio-)Gas, tierische und/oder pflanzliche Überreste.
  • Die Eingabedaten, nachfolgend auch Eingabeparameter oder Eingabewerte werden den Eingangsneuronen des trainierten neuronalen Netzes zugeführt.
  • Die Eingabedaten umfassen zumindest einen Feuerraumtemperatur-Parameter. Dieser Feuerraumtemperatur-Parameter ist ein Parameter, der die aktuelle Temperatur im Feuerraum der Verbrennungsanlage angibt. Mit Feuerraumtemperatur kann eine Temperatur im Bereich eines Verdampfers der Verbrennungsanlage gemeint sein, sodass die Feuerraumtemperatur insbesondere eine Temperatur im/am Verdampfer-System (auch HAD-System), beispielsweise des Verdampfer-Bündels, der Verbrennungsanlage ist. Mit Feuerraumtemperatur kann eine Temperatur im Bereich eines Dampferzeugerinnenraums der Verbrennungsanlage gemeint sein, sodass die Feuerraumtemperatur insbesondere eine Temperatur im/am Dampferzeugerinnenraum (auch HBK-System) der Verbrennungsanlage ist. Die Eingabedaten können auch mehr als einen Feuerraumtemperatur-Parameter umfassen. Beispielsweise können Feuerraumtemperaturen an verschiedenen Positionen im Feuerraum (HBK-System) der Verbrennungsanlage als Eingabedaten erfasst werden. Bevorzugt werden vier bis 5 Feuerraumtemperaturen als Eingabedaten erfasst.
  • Die Eingabedaten umfassen zusätzlich zumindest einen Parameter eines Brennstoffaufgabesystems (HHH-System oder HHX-System). Dabei kann eine Amaturenstellung (Öffnungsgrad) des Aufgabesystems erfasst werden. Dabei kann alternativ oder zusätzlich eine Geschwindigkeit des Brennmediums und/oder eine Wartezeit im Aufgabesystems erfasst werden. Dabei kann alternativ oder zusätzlich ein Füllstand (als Sollwert) eines Brennmediums (bspw. Müll oder Biomasse) erfasst werden. Dabei kann
  • Die Eingabedaten können alternativ oder zusätzlich einen Hauptfeuerungs-Parameter (HH-System), beispielsweise eine Rostregelung oder Rostfeuerung (HHC-System) der Verbrennungsanlage umfassen.
  • Die Eingabedaten umfassen zusätzlich zumindest einen Parameter eines Verbrennungsluftkanalsystems (HLA), beispielsweise einen Druck-Parameter (beispielsweise des Primärluftkanals und/oder unter dem Rost und/oder eines Rostbereichs), und/oder eine Armaturenstellung (Klappenstellung) im Rostbereich und/oder einen Luftdurchsatz unter dem Rost und/oder eine Luftdurchfluss-Menge unter dem Rost. Dabei kann der Parameter ein Parameter des Primärluftkanals und/oder des Sekundärluftkanals sein. Dabei kann der Parameter eine Temperatur des Primärluftkanals umfassen.
  • Die Eingabedaten umfassen zumindest einen Parameter eines Rauchgasabführungskanalsystems (HNA-System und/oder HNE-System). Dabei kann ein Sauerstoffgehalt des Rauchgases und/oder eine Temperatur des Rauchgases und/oder eine Feuchtigkeit des Rauchgases und/oder eine CO-Emissionskonzentration und/oder eine NOx-Emissionskonzentration erfasst werden.
  • Die Eingabedaten umfassen zumindest einen Parameter eines Frischdampfleitungssystems, (LBA). Dabei kann eine Durchflussmenge und/oder ein Druck und/oder eine Temperatur des LBA-Systems erfasst werden. Zudem kann auch eine Dampfmenge (LAB-System) erfasst werden.
  • Optional (oder bevorzugt) können die Eingabedaten auch einen Kesseltrommeldruck umfassen.
  • Optional können die Eingabedaten auch eine Ölmenge eines oder mehrerer Brenner der Verbrennungsanlage (HHF -System) umfassen.
  • Optional (oder bevorzugt) können auch Rauchgaszirkulations-Parameter (HNF-System), beispielsweise die Durchflussmenge und/oder die Temperatur eines Rezigases als Eingabeparameter erfasst werden,
  • Optional (oder bevorzugt) können auch Rauchgasbehandlung, beispielsweise eine Chemikalien- und Additiv-Versorgung, beispielsweise eine Ammoniak-Durchflussmenge, als Eingabeparameter erfasst werden.
  • Die Eingabedaten können als Sensordaten der Anlage erfasst werden und/oder durch einen Leitstand aus Eingabedaten errechnet worden sein. Beispielsweise kann ein Wärmemengenparameter am Rost berechnet und als Eingabeparameter erfasst werden.
  • Als Ausgabedaten wird insbesondere ein Feuerraumtemperatur-Parameter als Vorhersagedaten (Datum eines Parameterwerts in der Zukunft) berechnet und ausgegeben. Dieser Feuerraumtemperatur-Parameter ist ein Parameter, der die Temperatur im Feuerraum der Verbrennungsanlage voraussagt. Mit Feuerraumtemperatur kann eine Temperatur im Bereich eines Verdampfers der Verbrennungsanlage gemeint sein, sodass die Feuerraumtemperatur insbesondere eine Temperatur im/am Verdampfer-System (auch HAD-System), beispielsweise des Verdampfer-Bündels, der Verbrennungsanlage vorausgesagt wird. Mit Feuerraumtemperatur kann bevorzugt eine Temperatur im Bereich eines Dampferzeugerinnenraums der Verbrennungsanlage gemeint sein, sodass die Feuerraumtemperatur insbesondere eine Temperatur im/am Dampferzeugerinnenraum (auch HBK-System) der Verbrennungsanlage vorausgesagt wird. Als Ausgabedaten können auch mehr als ein Feuerraumtemperatur-Parameter vorausgesagt werden. Beispielsweise können Feuerraumtemperaturen an verschiedenen Positionen im Feuerraum (HBK-System) der Verbrennungsanlage als Eingabedaten vorausgesagt werden.
  • Als Ausgabedaten wird insbesondere ein CO-Emissionskonzentrations-Parameter im HNE oder HNA-System als Vorhersagedaten (Datum eines Parameterwerts in der Zukunft) berechnet und ausgegeben.
  • Als Ausgabedaten wird insbesondere ein NOx-Emissionskonzentrations-Parameter im HNE oder HNA-System als Vorhersagedaten (Datum eines Parameterwerts in der Zukunft) berechnet und ausgegeben.
  • Als Ausgabedaten können beispielsweise ein Feuerraumtemperatur-Parameter, ein CO-Emissionskonzentrations-Parameter im HNE oder HNA-System und ein NOx-Emissionskonzentrations-Parameter im HNE- oder HNA-System als Vorhersagedaten (Datum eines Parameterwerts in der Zukunft) berechnet und ausgegeben werden.
  • Als Ausgabedaten wird insbesondere ein Frischdampfmenge-Parameter im LBA-System als Vorhersagedaten (Datum eines Parameterwerts in der Zukunft) berechnet und ausgegeben.
  • Im Ausgeben-Schritt können die Ausgabedaten an eine Anzeigevorrichtung einer Steuereinheit der Verbrennungsanlage, bevorzugt eines Kessels der Verbrennungsanlage, geleitet werden, um einem Bediener zum Steuern der Verbrennungsanlage, bevorzugt des Kessels, angezeigt zu werden.
  • Der Bediener kann die Verbrennungsanlage dann basierend auf den Ausgabedaten steuern. Alternativ oder zusätzlich kann die Verbrennungsanlage auch automatisiert gesteuert werden. Die Anzeigevorrichtung ermöglicht es dem Bediener, die Ausgabedaten ablesen zu können, bevor dieser dann basierend auf den angezeigten Ausgabedaten über geeignete Maßnahmen entscheiden kann.
  • Im Berechnen-Schritt können die Vorhersagedaten durch Mittelwertbildung über einen Vorhersagezeitraum berechnet werden.
  • Beispielsweise kann ein Mittelwert über den etwaigen Zeitraum der kommenden fünf Minuten in der Zukunft gebildet werden.
  • Zusätzlich oder alternativ kann ein Mittelwert über den etwaigen Zeitraum der kommenden fünfzehn Minuten in der Zukunft gebildet werden.
  • Zusätzlich oder alternativ kann ein Mittelwert über den etwaigen Zeitraum der kommenden dreißig Minuten in der Zukunft gebildet werden.
  • Die Vorhersagezeiträume liegen dabei zwischen etwa einer und vierzig Minuten, bevorzugt zwischen etwa fünf und dreißig Minuten.
  • Zusätzlich oder alternativ kann das trainierte neuronale Netz ein Vorhersagemodell, insbesondere ein integrales Prädiktionsmodell („integral prediction“) zum Berechnen der Vorhersagedaten anwenden. Das integrale Prädiktionsmodell ermöglicht es, dass rauschoptimierte Vorhersagedaten zu erzeugen. Es kommt erfindungsgemäß eine KI-basierte Parameter-Prädiktion zum Einsatz. Somit können für bereits erlernte Prozesse (= trainierte neuronale Netze, das „Modell“) Einstellparameter einer Verbrennungsanlage treffsicher und robust vorhergesagt werden, um eine konstante Prozessqualität sicherzustellen und/oder Risikozustände zuverlässig vorhersagen zu können.
  • Der Mittelwert kann insbesondere ein relativer integraler Mittelwert verfahrenstechnischer Prozesswerte für vorbestimmte Zeiträume, wie die besagten Zeiträume, sein. Ein relativer integraler Mittelwert kann dabei einem diskreten Mittelwert entsprechen, der über Zeitstempel in der Zukunft abzüglich des gegenwärtigen verfahrenstechnischen Prozesswertes ermittelt wird.
  • Die Eingabedaten können einen Zustandsvektor für jeden Parameter umfassen und jeder Zustandsvektor kann mehrere Zustandsgrößen des jeweiligen Parameters umfassen, die mindestens eines oder mehr von einem Parameterwert, einem Gradienten zu dem Parameterwert, einer Änderung des Gradienten zu dem Parameterwert, einem Mittelwert über zwei oder mehr aufeinanderfolgende Parameterwerte, einem Mittelwert über Gradienten zu zwei oder mehr aufeinanderfolgenden Parameterwerten, einem Mittelwert über Änderungen der Gradienten zu zwei oder mehr aufeinanderfolgenden Parameterwerten, einem um eine vorgegebene Totzeit vorausgegangenen Parameterwert, einem Gradienten zu dem vorausgegangenen Parameterwert, und einer Änderung des Gradienten zu dem vorausgegangenen Parameterwert enthalten.
  • Die Berücksichtigung vorausgegangener Parameterwerte kann mit herkömmlichen Vorhersagemethoden nicht realisiert werden und ermöglicht eine besonders präzise und schnelle Vorhersage. Vorzugsweise sind die Zustandsvektoren aller Parameter gleich lang, d.h. bestehen aus den gleichen Zustandsgrößen.
  • Die Ausgabedaten können einen Zustandsvektor mit mindestens drei Zustandsgrößen für die Vorhersagedaten für jeden Ausgangsparameter umfassen, wobei die Zustandsgrößen einen ersten Vorhersagewert als erste Zustandsgröße, einen Differenzbetrag zwischen dem ersten Vorhersagewert und einem dem ersten Vorhersagewert vorausgehenden zweiten Vorhersagewert als zweite Zustandsgröße und einen Differenzbetrag aus dem ersten Differenzbetrag und einem Differenzbetrag zwischen dem zweiten Vorhersagewert und einem dem zweiten Vorhersagewert vorausgehenden dritten Vorhersagewert als dritte Zustandsgröße umfassen können.
  • Die Berücksichtigung vorausgegangener Vorhersagedaten kann mit herkömmlichen Vorhersagemethoden nicht realisiert werden und ermöglicht ein besonders präzises und schnelles Anlernen bzw. Trainieren eines neuen neuronalen Netzes. Der Zustandsvektor für die Vorhersagedaten eines Ausgangsparameters kann entsprechende Zustandsgrößen wie der Zustandsvektor eines Parameters oder eine Untergruppe daraus umfassen. Vorzugsweise sind die Zustandsvektoren der Vorhersagedaten für alle Ausgangsparameter gleich lang, d.h. bestehen aus den gleichen Zustandsgrößen.
  • Die berechneten Ausgabedaten für eine quasi-kontinuierliche Ausgabe können interpoliert werden, um beispielsweise eine quasi-kontinuierliche Steuerung zu ermöglichen. Obwohl die Eingabedaten nur in einem vorgegebenen Zeitintervall (entsprechend dem Zeitintervall zwischen aufeinanderfolgenden Parameterwerten, z.B. 5 Minuten) bestimmt werden kann, kann dadurch das Ausgeben der Ausgabedaten häufiger, z.B. alle 30 Sekunden, erfolgen.
  • Ein Zeitraum zur Vorhersage des zumindest einen Ausgangsparameters kann einstellbar sein, bevorzugt zwischen zumindest drei verschiedenen Zeiträumen, wobei ein Zeitraum mindestens eine Minute betragen kann.
  • Ausgehend von einem zeitlichen Startpunkt können daher insbesondere drei Mittelwerte gebildet werden, und zwar über die jeweiligen beispielhaften Vorhersagezeiträume bzw. Zeiträume von etwa fünf, fünfzehn und dreißig Minuten ab dem zeitlichen Startpunkt. Es können allerdings auch weniger oder mehr Mittelwerte über unterschiedliche Zeiträume ab dem zeitlichen Startpunkt gebildet werden. Die Zeiträume liegen dabei zwischen etwa einer und vierzig Minuten, bevorzugt zwischen etwa fünf und dreißig Minuten.
  • Der mindestens eine Parameter des Verbrennungsluftkanalsystems (HLA) kann zumindest einen der folgenden Parameter umfassen: Primärluftdruck, Primärluft-Durchflussmenge, Sekundärluft-Durchflussmenge und Klappenstellung. Diese Parameter eignen sich gut, da sie in üblichen Verbrennungsanlagen einfach erfasst werden können und sich als Eingabedaten für die Vorhersage verfahrenstechnischer Prozesswerte eignen.
  • Der mindestens eine Parameter des Rauchgasabführungskanalsystems (HNA) kann zumindest einen Messwert einer Sauerstoffkonzentration und/oder einen Messwert (HNE) einer Kohlenstoffmonoxid-Emissionskonzentration im Rauchgas und /oder einen Messwert, HNE, einer Stickstoffoxid-Emissionskonzentration (=NOx-Emissionskonzentration) im Rauchgas umfassen, und/oder der mindestens eine Parameter des Frischdampfleitungssystems (LBA) kann zumindest einen oder mehrere der folgenden Parameter umfassen: Druck im Frischdampfleitungssystem (LBA), Frischdampf Durchflussmenge und Frischdampftemperatur. Diese Parameter eignen sich gut, da sie in üblichen Verbrennungsanlagen einfach erfasst werden können und sich als Eingabedaten für die Vorhersage verfahrenstechnischer Prozesswerte eignen.
  • Die Vorhersage, insbesondere der Ausgangsparameter kann zumindest den Feuerraumtemperatur-Parameter und den Kohlenstoffmonoxid-Konzentrations-Parameter, bevorzugt auch den Stickstoffoxid-Konzentrations-Parameter, umfassen.
  • Das neuronale Netz kann ein dreischichtiges Netz mit einer Schicht von Input-Neuronen, einer Schicht von Hidden-Neuronen und einer Schicht von Output-Neuronen sein.
  • Die Anzahl der Input-Neuronen kann dem Produkt aus der Anzahl der Parameter und der Dimension der Zustandsvektoren der Parameter, z.B. 504, entsprechen. Ebenso kann die Anzahl der Output-Neuronen dem Produkt aus der Anzahl der Vorhersageelemente und einem Zustandsvektor der Ausgabedaten, z.B. 252, entsprechen. Die Anzahl der Hidden-Neuronen beträgt vorzugweise 1024. Vorzugsweise wird ein Back-Propagation-Algorithmus, insbesondere mit paralleler Matrix-Vektor-Multiplikation, und/oder ein „deep-learning“-Algorithmus zum Anlernen bzw. Trainieren des neuronalen Netzes verwendet. Vorzugsweise wird serielle Matrix-Vektor-Multiplikation zum Steuern durch das trainierte neuronale Netz verwendet. Das angelernte neuronale Netz kann, sofern es zur automatischen Steuerung herangezogen werden soll, in einer Steuereinheit des Kessels integriert und/oder in einer getrennten Rechnereinheit bzw. einem Controller vorgesehen werden.
  • Das Verfahren kann ferner folgende Schritte zum Trainieren eines neuronalen Netzes umfassen: Eingeben von Eingabedaten in das neuronale Netz, wobei die Eingabedaten auf Parametern basieren können, die zumindest einen Feuerraumtemperatur-Parameter, einen Parameter eines Brennstoffaufgabesystems, einen Parameter eines Verbrennungsluftkanalsystems (HLA, HNE), einen Parameter eines Rauchgasabführungskanalsystems (HNA), und einen Parameter eines Frischdampfleitungssystems (LBA) umfassen; Eingeben von Ausgabedaten in das neuronale Netz, wobei die Ausgabedaten zumindest Vorhersagedaten für mindestens eine Vorhersage, die mindestens einen Feuerraumtemperatur-Parameter, einen Kohlenstoffmonoxid-Emissions-Konzentrations-Parameter des Rauchgases, einen Stickstoffoxid-Emissions-Konzentrations-Parameter des Rauchgases oder einen Frischdampfmenge-Parameter enthält, umfassen können; und/oder Trainieren des neuronalen Netzes basierend auf den Eingabedaten und den Ausgabedaten, um das trainierte neuronale Netz zu erhalten.
  • Der Schritt des Trainierens kann umfassen: Berechnen von berechneten Ausgabedaten basierend auf den Eingabedaten, und Vergleichen der berechneten Ausgabedaten mit den eingegebenen Ausgabedaten.
  • Die eingegebenen Ausgabedaten können einen Zustandsvektor der Vorhersagedaten für jedes Vorhersageelement umfassen, und der Zustandsvektor der Vorhersagedaten für ein Vorhersageelement kann mehrere Zustandsgrößen der Vorhersagedaten eines Vorhersageelements umfassen, einschließlich mindestens eines von einem Vorhersagewert, einem Gradienten zu dem Vorhersagewert, einer Änderung des Gradienten zu dem Vorhersagewert, einem Mittelwert über zwei oder mehr aufeinanderfolgende Vorhersagewerte, einem Mittelwert über Gradienten zu zwei oder mehr aufeinanderfolgenden Vorhersagewerten, einem Mittelwert über Änderungen der Gradienten zu zwei oder mehr aufeinanderfolgenden Vorhersagewerten, einem um eine vorgegebene Totzeit vorausgegangenen Vorhersagewert, einem Gradienten zu dem vorausgegangenen Vorhersagewert, und einer Änderung des Gradienten zu dem vorausgegangenen Vorhersagewert.
  • Kurzbeschreibung der Zeichnungen
    • 1 ist ein Flussdiagramm für den Ablauf des Verfahrens zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes gemäß einer Ausführungsform;
    • 2 ist eine Topologie eines angelernten bzw. trainierten neuronalen Netzes gemäß einer Ausführungsform;
    • 3 zeigt schematisch einen Kessel einer Verbrennungsanlage für Biomasse, und zwar einer Holzverbrennungsanlage gemäß einer Ausführungsform;
    • 4 ist ein beispielhaftes Diagramm mit Zeitverläufen von aktueller Feuerraumtemperatur und vorhergesagter Änderungen der Feuerraumtemperatur (KKS-Element HBK10CT902) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion;
    • 5 ist ein weiteres beispielhaftes Diagramm mit Zeitverläufen von aktueller Feuerraumtemperatur und vorhergesagter Änderungen der Feuerraumtemperatur (KKS-Element HBK10CT902) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion;
    • 6 bis 8 sind beispielhafte Diagramme mit Zeitverläufen von aktueller Feuerraumtemperatur und vorhergesagter Änderungen der Feuerraumtemperatur zur Demonstration der integralen Prädiktion („integral prediction“) anhand Summenbildung von Flächen unterhalb und oberhalb jeweiliger Mittelwertlinien für 30, 15 und 5 Minuten Vorhersagekurve;
    • 9 ist ein beispielhaftes Diagramm mit Zeitverläufen von aktueller Feuerraumtemperatur und vorhergesagter Änderungen der Feuerraumtemperatur (KKS-Element HBK10CT902) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage einer Temperaturabsenkung;
    • 10 ist ein beispielhaftes Diagramm mit Zeitverläufen von aktueller Feuerraumtemperatur und vorhergesagter Änderungen der Feuerraumtemperatur (KKS-Element HBK10CT902) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage einer Temperaturkonstanz;
    • 11 ist ein beispielhaftes Diagramm mit Zeitverläufen von aktueller CO-Emission und vorhergesagter Änderungen der CO-Emission (KKS-Element HNE10CQ001) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage eines CO-Emissionsanstiegs;
    • 12 ist ein weiteres beispielhaftes Diagramm mit Zeitverläufen von aktueller CO-Emission und vorhergesagter Änderungen der CO-Emission (KKS-Element HNE10CQ001) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage eines CO-Emissionsanstiegs;
    • 13 ist ein weiteres beispielhaftes Diagramm mit Zeitverläufen von aktueller CO-Emission und vorhergesagter Änderungen der CO-Emission (KKS-Element HNE10CQ001) für 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage eines CO-Emissionsanstiegs;
    • 14 ist ein beispielhaftes Diagramm mit Zeitverläufen von aktueller NOx-Emission und vorhergesagter Änderungen der NOx-Emission (KKS-Element HNE10CQ002) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage eines NOx-Emissionsanstiegs;
    • 15 ist ein weiteres beispielhaftes Diagramm mit Zeitverläufen von aktueller NOx-Emission und vorhergesagter Änderungen der NOx-Emission (KKS-Element HNE10CQ002) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage eines NOx-Emissionsanstiegs;
    • 16 ist ein weiteres beispielhaftes Diagramm mit Zeitverläufen von aktueller NOx-Emission und vorhergesagter Änderungen der NOx-Emission (KKS-Element HNE10CQ002) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage eines NOx-Emissionsanstiegs;
    • 17 ist ein beispielhaftes Diagramm zur Prüfung der Vorhersage der Feuerraumtemperatur (HBK10CT902) mit integraler Prädiktion für ein Testmuster für 30, 15 und 5 Minuten;
    • 18 ist ein beispielhaftes Diagramm zur Prüfung der Vorhersage des Anstiegs der Feuerraumtemperatur (HBK10CT902) mit integraler Prädiktion für ein Testmuster;
    • 19 ist ein beispielhaftes Diagramm zur Prüfung der Vorhersage des Anstiegs der CO-Emission (HNE10CQ001) mit integraler Prädiktion für ein Testmuster;
    • 20 ist ein beispielhaftes Diagramm zur Prüfung der Vorhersage des Anstiegs der NOx-Emission (HNE10CQ002) mit integraler Prädiktion für ein Testmuster; und
    • 21 ist ein beispielhaftes Diagramm zur Prüfung der Vorhersage der Absenkung der NOx-Emission (HNE10CQ002) mit integraler Prädiktion für ein Testmuster.
    • 22 zeigt schematisch einen Kessel einer Müllverbrennungsanlage gemäß einer Ausführungsform;
    • 23 ist ein beispielhaftes Diagramm mit Zeitverläufen von aktueller Frischdampfmenge, vorhergesagter Frischdampfmenge (KKS-Element LBA50CF901) für 15 Minuten und vorhergesagter Änderungen der Frischdampfmenge (KKS-Element LBA50CF901) für 15 Minuten in die Zukunft mit integraler Prädiktion unter Darstellung von Warn-Zeitbereichen anhand der Eingabewerte aus Tabelle 6;
    • 24 ist ein weiteres beispielhaftes Diagramm mit Zeitverläufen von aktueller Frischdampfmenge, vorhergesagter Frischdampfmenge (KKS-Element LBA50CF901) für 15 Minuten und vorhergesagter Änderungen der Frischdampfmenge (KKS-Element LBA50CF901) für 15 Minuten in die Zukunft mit integraler Prädiktion unter Darstellung von Warn-Zeitbereichen anhand der Eingabewerte aus Tabelle 6.
  • Detaillierte Beschreibung der Zeichnungen
  • Im Folgenden werden, sofern nicht anders vermerkt, für gleiche und gleichwirkende Elemente dieselben Bezugszeichen verwendet.
  • Für die Prädiktion verfahrenstechnischer Prozesswerte beispielsweise zur Steuerung und Regelung von physikalischen Systemen, wie einer komplexen Anlage, wird ein Systemmodell basierend auf mathematischen Differentialgleichungen zur Abbildung physikalischer Gesetzmäßigkeiten zugrunde gelegt. Mit solch einem Systemmodell können Vorhersagestrukturen entworfen werden. Erfindungsgemäß wird ein trainiertes neuronales Netz zur Vorhersage verfahrenstechnischer Prozesswerte einer Anlage verwendet.
  • Das neuronale Netz lernt über das Ausführen von einfachen Operationen, wie Skalar-Multiplikation mit anschließender Aktivierungsfunktion. Diese einfachen Operationen können in hohem Maß parallel abgearbeitet werden. Hierzu werden bevorzugt Parallelrechner (=parallel computing) verwendet. Ein Parallelrechner ist ein Rechner oder ein Rechnersystem, bei dem Rechenoperationen gleichzeitig unter anderem auf mehreren Haupt- und/oder Nebenprozessoren durchgeführt werden können. Lediglich zur Veranschaulichung der Dimension einer möglichen Rechenleistung wird - als ein nicht beschränkendes Beispiel - der (Vektor-) Grafikprozessor GK110 der Firma NVIDIA genannt, der gleichzeitig bis zu 30720 Rechenoperationen (=Threads) ausführen kann.
  • Ein Trainieren eines neuen neuronalen Netzes und auch ein Steuern einer Anlage durch ein trainiertes neuronales Netz kann durch eine spezielle Rechnerarchitektur, beispielsweise die „Compute Unified Device Architecture“, kurz CUDA, Architektur verbessert werden. Dabei können Teile eines Programms durch hochgradig parallelisierte Programmabläufe zeitgleich abgearbeitet werden. Durch Verwenden dieser speziellen Rechnerarchitektur kann demnach eine Rechenleistung eines Computersystems hocheffizient zum Anlernen des neuronalen Netzes einer komplexen Anlage genutzt werden, wodurch das Programm im Vergleich zu einem konventionellen Rechner beziehungsweise Rechnersystem signifikant schneller abgearbeitet wird. Es wird bevorzugt ein (oder mehrere) Vektor- (bzw. Grafik) - Prozessor verwendet. Durch diese Architektur kann erstens das neuronale Netz unter vertretbaren Zeitaufwänden trainiert werden und zweitens kann das angelernte Netz zur Steuerung von komplexen physikalischen Systemen, wie der Steuerung eines Kessels einer VA, eingesetzt werden.
  • Alternativ kann das Trainieren des neuronalen Netzes und die Prädiktion verfahrenstechnischer Prozesswerte durch ein trainiertes neuronales Netz auch mittels anderer Architekturen oder anderer Programmiertechniken, beispielsweise auf der Programmiersprache Python basiertem System, erfolgen.
  • Eine Fehlerrückführung, auch als Rückpropagierung oder „Backpropagation of Error“ bezeichnet, wird als ein beispielhaftes Verfahren zum Trainieren des neuronalen Netzes verwendet. Für das Trainieren wird ein Datenmodell zugrunde gelegt. Dieses Datenmodell umfasst Eingabedaten. Dies können reell gemessene Daten der zu steuernden Anlage sein, die zum Zweck des Trainierens bereitgestellt werden.
  • Die Eingabedaten können einen Zustandsvektor für einen Parameter umfassen. Der Zustandsvektor umfasst mehrere Zustandsgrößen des Parameters, beispielsweise mindestens eines von einem Parameterwert, einem Gradienten zu dem Parameterwert, einer Änderung des Gradienten zu dem Parameterwert, einem Mittelwert über zwei oder mehr aufeinanderfolgende Parameterwerte, einem Mittelwert über Gradienten zu zwei oder mehr aufeinanderfolgenden Parameterwerten, einem Mittelwert über Änderungen der Gradienten zu zwei oder mehr aufeinanderfolgenden Parameterwerten, einem um eine vorgegebene Totzeit vorausgegangenen Parameterwert, einem Gradienten zu dem vorausgegangenen Parameterwert, und einer Änderung des Gradienten zu dem vorausgegangenen Parameterwert. Die Berücksichtigung vorausgegangener Parameterwerte kann mit herkömmlichen Steuermethoden nicht realisiert werden und ermöglicht eine besonders präzise und schnelle Steuerung der Anlage. Vorzugsweise sind die Zustandsvektoren aller Parameter gleich lang, d.h. sie bestehen bevorzugt aus den gleichen Zustandsgrößen.
  • Bei der Prädiktion verfahrenstechnischer Prozesswerte mittels trainierter neuronale Netz können die Ausgabedaten einen Zustandsvektor mit mindestens drei Zustandsgrößen für die Vorhersagedaten für jeden Ausgangsparameter umfassen, wobei die Zustandsgrößen einen ersten Vorhersagewert als erste Zustandsgröße, einen Differenzbetrag zwischen dem ersten Vorhersagewert und einem dem ersten Vorhersagewert vorausgehenden zweiten Vorhersagewert als zweite Zustandsgröße und einen Differenzbetrag aus dem ersten Differenzbetrag und einem Differenzbetrag zwischen dem zweiten Vorhersagewert und einem dem zweiten Vorhersagewert vorausgehenden dritten Vorhersagewert als dritte Zustandsgröße umfassen.
  • Die berechneten Ausgabedaten können interpoliert werden, um eine quasi-kontinuierliche Vorhersage zu ermöglichen beispielsweise für eine quasi-kontinuierliche Steuerung. Obwohl die Eingabedaten nur in einem vorgegebenen Zeitintervall, beispielweise 5 Minuten, bestimmt werden können, kann das Ausgeben der Ausgabedaten häufiger, beispielsweise alle 30 Sekunden, erfolgen. Diese angegeben Intervalle sind typisch für eine Kesselsteuerung einer Verbrennungsanlage. Das Bestimmen der Eingabedaten kann alternativ auch in viel größeren Zeitabständen, beispielsweise alle 10 Minuten oder mehr Minuten erfolgen. Das Bestimmen der Eingabedaten kann alternativ auch in viel kürzeren Zeitabständen, beispielsweise jede Minute oder alle 30 Sekunden oder in noch kürzeren Zeitabständen erfolgen (hier sind transiente Übergangsvorgänge zu beachten). Das Ausgeben der Ausgabedaten kann alternativ in größeren Zeitabständen als das Bestimmen der Eingabedaten erfolgen, beispielsweise alle 5 Minuten, alle 10 Minuten oder in längeren Zeitabständen. Das Ausgeben der Ausgabedaten kann alternativ in kürzeren Zeitabständen erfolgen, beispielsweise alle 10 Sekunden oder in noch kürzeren Zeitabständen erfolgen (hier sind transiente Übergangsvorgänge zu beachten).
  • Es wird nachfolgend die Prädiktion verfahrenstechnischer Prozesswerte mittels des angelernten neuronalen Netzes beschrieben.
  • 1 ist ein Flussdiagramm für den Ablauf des Verfahrens 100 zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes mit den optionalen Schritten 200 zum Trainieren eines neuen neuronalen Netzes. Das Verfahren 100 umfasst ein Eingeben 101 von Eingabedaten, wie sie beispielhaft in dem in 3 oder 22 gezeigten Kessel erfasst werden können, in das trainierte neuronale Netz, wobei die Eingabedaten auf Parametern basieren bzw. Eingabeparameter umfassen, die zumindest eine Feuerraumtemperatur, einen Parameter eines Brennstoffaufgabesystems, einen Parameter eines Verbrennungsluftkanalsystems (HLA), einen Parameter eines Rauchgasabführungskanalsystems (HNA), und einen Parameter eines Frischdampfleitungssystems (LBA) umfassen und ein Berechnen 102 und Ausgeben von Ausgabedaten durch das trainierte neuronale Netz, wobei die Ausgabedaten zumindest Vorhersagedaten für mindestens einen Ausgangsparameter, das mindestens die Feuerraumtemperatur-Parameter, einen Kohlenstoffmonoxid-Konzentrations-Parameter oder einen Stickstoffoxid-Konzentrations-Parameter umfasst.
  • Das Verfahren 100 kann ferner folgende Schritte 200 zum Trainieren eines neuronalen Netzes umfassen: ein Eingeben 201 von Eingabedaten in das neuronale Netz, wobei die Eingabedaten auf Parametern basieren, die zumindest einen Feuerraumtemperatur-Parameter, einen Parameter eines Brennstoffaufgabesystems, einen Parameter eines Verbrennungsluftkanalsystems (HLA, HNE), einen Parameter eines Rauchgasabführungskanalsystems (HNA) und einen Parameter eines Frischdampfleitungssystems (LBA) umfassen, ein Eingeben 202 von Ausgabedaten in das neuronale Netz, wobei die Ausgabedaten zumindest Vorhersagedaten für mindestens eine Vorhersage, das mindestens einen Feuerraumtemperatur-Parameter, einen Kohlenstoffmonoxid-Konzentrations-Parameter oder einen Stickstoffoxid-Konzentrations-Parameter enthält, umfassen und ein Trainieren 203 des neuronalen Netzes basierend auf den Eingabedaten und den Ausgabedaten, um das trainierte neuronale Netz zu erhalten. Der Schritt des Trainierens 203 kann dabei umfassen: ein Berechnen 203a von berechneten Ausgabedaten basierend auf den Eingabedaten, und ein Vergleichen 203b der berechneten Ausgabedaten mit den eingegebenen Ausgabedaten.
  • In der 2 ist eine beispielhafte Topologie eines angelernten bzw. trainierten neuronalen Netzes dargestellt. Das angelernte neuronale Netz kann als Software-Modul in eine Hardware-Architektur (beispielsweise unter Verwendung eines parallel abarbeitenden Vektorprozessors GK110 in einer CUDA Umgebung) einer Leitanlage, distributed control system (DCS) der zu steuernden Anlage integriert werden. Alternativ kann das neuronale Netz auf einem externen Rechner bzw. Controller enthalten sein. Das neuronale Netz der 2 ist ein dreischichtiges Netz mit einer Schicht von Input-Neuronen IN, einer Schicht von Hidden-Neuronen HN und einer Schicht von Output-Neuronen ON. In das angelernte neuronale Netz werden Eingabedaten eingegeben. Diese Eingabedaten können einem Teil oder allen 24 Parametern der unten angegebenen Tabelle 1 entsprechen und können für jeden Parameter einen Zustandsvektor mit einer Länge gemäß Tabelle 3 umfassen, sodass bis zu 24 x 21 Elemente an die Eingangsneuronen IN des neuronalen Netzes gegeben werden. Die Anzahl der Input-Neuronen IN kann dem Produkt aus der Anzahl der Parameter (hier maximal 24 gemäß Tabelle 1) und der Länge bzw. Dimension der Zustandsvektoren (hier maximal 21 Dimensionen gemäß Tabelle 3) der Parameter, also 504, entsprechen. Ebenso kann die Anzahl der Output-Neuronen dem Produkt aus der Anzahl der Ausgangsparameter und einer Länge der Zustandsvektoren der Ausgabedaten entsprechen. Die Anzahl der Hidden-Neuronen HN beträgt vorzugsweise 1024.
  • Während des Trainierens werden Kernels in sequenzieller Abfolge aufgerufen. Hierbei können beispielsweise bis zu 1024 Blöcke mit bis zu 1024 Threads gleichzeitig gestartet werden. Die Abfolge der Aufrufe ist angepasst, um einen effizienten Programmablauf zu ermöglichen. Vorzugsweise wird mittels der Rechnerarchitektur eine parallele Matrix-Vektor-Multiplikation zum Anlernen bzw. Trainieren des neuronalen Netzes verwendet.
  • Eingabedaten
  • Die nachfolgende Tabelle 1 listet mögliche Eingabegrößen bzw. Eingabeparameter zum Eingeben in das trainierte neuronale Netz zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels des trainierten neuronalen Netzes auf: Tabelle 1 - Mögliche Eingabeparameter (für Kessel 1 der VA der Fig. 3)
    Eingabeparameter als KKS-Element Erläuterung des KKS-Element
    HBK10CP901 Feuerraumdruck (HBK = Dampferzeugerinnenraum)
    HBK10CT821 Feuerraumtemperatur Position 1
    HBK10CT823 Feuerraumtemperatur Position 2
    HBK10CT902 Feuerraumtemperatur Position 3
    HBK20CT001 Feuerraumtemperatur Position 4
    HHX10DL01 Brennmedienversorgung (Füllstand, Sollwert)
    HHX30AA002 Armatur an der Brennmedienversorgung (Geschwindigkeit des Brennmediums)
    HLA10CF801 Primärluft-Durchflussmenge
    HLA10CP010 Primärluft-Druck
    HLA10CT801 Primärluft-Temperatur
    HLA16AA001 Primärluft-Armatur (bspw. Klappe am Rost)
    HLA20CF801 Sekundärluft-Durchflussmenge
    HNA10CP001 Rauchgas-Kanalsystem - Druck (bspw. vor Zyklon)
    HNA10CQ801 Rauchgas-Kanalsystem - Sauerstoffgehalt (bspw. vor Filter)
    HNA10CT001 Rauchgas-Kanalsystem - Temperatur (bspw. vor Zyklon)
    HNE10CQ001 Kamin - CO-Emissionskonzentration
    HNE10CQ002 Kamin - NOx-Emissionskonzentration
    HNE10CQ007 Kamin - Feuchtigkeit
    HNF10CF801 Rauchgasrezirkulation (Rezigas) - Durchflussmenge
    HNF10CT010 Rauchgasrezirkulation (Rezigas) - Temperatur
    HTS40CF001 Rauchgasbehandlung, Chemikalien- und Additiv-Versorgung - Durchflussmenge Ammoniak (NH3)
    LBA10CF001 Frischdampf-Leitungssystem - Durchflussmenge
    LBA10CP001 Frischdampf-Leitungssystem - Druck
    LBA10CT801 Frischdampf-Leitungssystem - Temperatur
  • Insbesondere die Durchflussmenge NH3 (KKS-Element HTS40CF001) der Chemikalien- und Additiv-Versorgung aus der Tabelle 1 ist (nur) ein optionaler Eingabeparameter, d.h. auf diesen kann zur Vorhersage der Ausgangsparameter verzichtet werden. Die in Tabelle 1 gelisteten 24 Eingabeparameter können so auf 23 Eingabeparameter reduziert werden.
  • Die nachfolgende Tabelle 2 listet eine Auswahl möglicher Werte der Eingabeparameter zum Anlernen des trainierten neuronalen Netzes zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage, die mit Hilfe einer Korrelationsmatrix getroffen wurde: Tabelle 2 - Korrelationsanalyse der Eingabeparameter
    Eingabeparameter als KKS-Element Korrelationswert zu vorherzusagendem Ausgabeparameter CO- Emission (HNE10CQ001) Korrelationswert zu vorherzusagendem Ausgabeparameter NOx- Emission (HNE10CQ002) Korrelationswert zu vorherzusagendem Ausgabeparameter Feuerraumtemperatur (HBK10CT902)
    1. HBK10CP901 -0,17 -0,10 -0,10
    2. HBK10CT821 -0,23 0,48 0,75
    3. HBK10CT823 -0,13 0,46 0,66
    4. HBK10CT902 -0,28 0,63 1,00
    5. HBK20CT001 -0,20 0,31 0,51
    6. HHX10DL01 0,14 -0,03 -0,09
    7. HHX30AA002 0,00 0,22 0,15
    8. HLA10CF801 -0,21 0,57 0,88
    9. HLA10CP010 -0,20 0,65 0,90
    10. HLA10CT801 -0,16 0,31 0,49
    11. HLA16AA001 -0,13 0,20 0,42
    12. HLA20CF801 -0,11 0,44 0,58
    13. HNA10CP001 0,24 -0,40 -0,66
    14. HNA10CQ801 0,30 -0,64 -0,94
    15. HNA10CT001 -0,15 0,52 0,78
    16. HNE10CQ001 1,00 -0,15 -0,28
    17. HNE10CQ002 -0,15 1,00 0,63
    18. HNE10CQ007 -0,19 0,71 0,71
    19. HNF10CF801 -0,10 0,44 0,66
    20. HNF10CT010 -0,15 0,57 0,86
    21. HTS40CF001 -0,17 0,40 0,55
    22. LBA10CF001 -0,29 0,61 0,93
    23. LBA10CP001 -0,19 0,67 0,93
    24. LBA10CT801 -0,23 0,66 0,95
  • Diese Tabelle 2 zeigt in den drei rechten Spalten die Korrelationsmatrix der bis zu 24 Eingangsgröße zu den vorherzusagenden Ausgangsparameter, also dem Feuerraumtemperatur-Parameter, dem Kohlenstoffmonoxid-Emissions-Konzentrations-Parameter des Rauchgases, dem Stickstoffoxid-Emissions-Konzentrations-Parameter des Rauchgases für die in 3 gezeigte VA. Eine entsprechende Korrelationsanalyse der bis zu 24 Eingangsgrößen wurde auch für die MVAder 22 durchgeführt.
  • Erfindungsgemäß kann auch nur eine Untergruppe der Eingangsdaten verwendet werden, insbesondere kann auf die Durchflussmenge NH3 (KKS-Element HTS40CF001).
  • Für die Vorhersage durch das neuronale Netz können die Eingabedaten einen Zustandsvektor für jeden der in Tabelle 1 gezeigten Parameter umfassen. Der Zustandsvektor umfasst mehrere Zustandsgrößen des Parameters, beispielsweise mindestens eines von einem Parameterwert, einem Gradienten zu dem Parameterwert, einer Änderung des Gradienten zu dem Parameterwert, einem Mittelwert über zwei oder mehr aufeinanderfolgende Parameterwerte, einem Mittelwert über Gradienten zu zwei oder mehr aufeinanderfolgenden Parameterwerten, einem Mittelwert über Änderungen der Gradienten zu zwei oder mehr aufeinanderfolgenden Parameterwerten, einem um eine vorgegebene Totzeit vorausgegangenen Parameterwert, einem Gradienten zu dem vorausgegangenen Parameterwert, und einer Änderung des Gradienten zu dem vorausgegangenen Parameterwert.
  • Die Berücksichtigung vorausgegangener Parameterwerte kann mit herkömmlichen Steuermethoden nicht realisiert werden und ermöglicht eine besonders präzise und schnelle Vorhersage.
  • Der Zustandsvektor eines Parameters kann beispielsweise 21 Zustandsgrößen gemäß der Tabelle 3 enthalten: Tabelle 3 - Zustandsvektor für Eingabedaten des neuronalen Netzes
    Dim. Zustandsvektorelement Erläuterung
    1. Messwert Parameterwert PW1
    2. Gradient' Differenz zwischen PW1 und PW2
    3. Änderung Gradient‘‘ Differenzbetrag von dem Differenzbetrag zwischen PW1 und PW2 und von dem Differenzbetrag zwischen PW2 und PW3
    4. [Messwert]-2 Messungen Mittelwert über 2 Parameterwerte
    5. [Messwert]-4 Messungen Mittelwert über 4 Parameterwerte
    6. [Messwert]-8 Messungen Mittelwert über 8 Parameterwerte
    7. [Messwert]-16 Messungen Mittelwert über 16 Parameterwerte
    8. Gradient' - 2 Messungen Mittelwert über den Gradienten zum PW1 und den Gradienten zum PW2
    9. Gradient' - 4 Messungen Mittelwert über den Gradienten zu PW1 bis PW4
    10. Gradient' - 8 Messungen Mittelwert über den Gradienten zu PW1 bis PW8
    11. Änderung Gradient‘‘ - 2 Messungen Mittelwert über die Änderung des Gradienten zum PW1 und über die Änderung des Gradienten zum PW2
    12. Änderung Gradient‘‘ - 4 Messungen Mittelwert über die Änderung des Gradienten zum PW1 und über die Änderung des Gradienten zum PW2 und über die Änderung des Gradienten zum PW3 und über die Änderung des Gradienten zum PW4
    13. Änderung Gradient‘‘ - 8 Messungen Mittelwert über die Änderung des Gradienten zum PW1 und über die Änderung des Gradienten zum PW2 und über die Änderung des Gradienten zum PW3 und über die Änderung des Gradienten zum PW4 und über die Änderung des Gradienten zum PW5 und über die Änderung des Gradienten zum PW6 und über die Änderung des Gradienten zum PW7 und über die Änderung des Gradienten zum PW8
    14. Totzeit 1 PW zur Totzeit (=Intervall zwischen zwei aufeinanderfolgenden PWs)
    15. Gradient Totzeit 1' Gradient zum PW zu Totzeit 1
    16. Änderung Gradient Totzeit 1" Änderung des Gradienten zum PW zu Totzeit 1
    17. Totzeit 3 PW zu 3 Totzeiten (= 3 Intervalle zwischen zwei aufeinanderfolgenden PWs)
    18. Gradient Totzeit 3' Gradient zum PW zu 3 Totzeiten
    19. Änderung Gradient Totzeit 3" Änderung des Gradienten zum PW zu drei Totzeiten
    20. Totzeit 5 PW zu 5 Totzeiten (= 5 Intervalle zwischen zwei aufeinanderfolgenden PWs)
    21. Gradient Totzeit 5' Gradient zum PW zu 5 Totzeiten
  • Die bis zu sechzehn Parameterwerte PW sind mit einem vorgegebenen Intervall aufeinanderfolgend. Hierbei ist zu beachten, dass die sechzehn Parameterwerte zeitlich rückwärts gezählt sind, d.h. die zeitliche Reihenfolge ist PW16, PW15, ..., PW1. In einem Beispiel, in dem das Intervall zwischen zwei aufeinanderfolgenden Parameterwerten fünf Minuten beträgt, berücksichtigt der Zustandsvektor Parameterwerte über sechzehnmal 5 Minuten, also 80 Minuten. Diese Zeit wird auch als Anlaufzeit der Anlage angesehen, da erst ab diesem Zeitpunkt (80 Minuten) alle Elemente des Zustandsvektors der Tabelle 3 vorhanden sind.
  • Ein weiterer Zustandsvektor des Parameters kann nach dem Prinzip des „Sliding-Window“ bestimmt werden, d.h. die Parameterwerte zwei bis sechzehn werden wiederverwendet als Parameterwerte eins bis fünfzehn, zusätzlich zu einer neuen Messung für den neuen sechzehnten Parameterwert. Somit kann jeweils nach Ablauf eines Zeitintervalls (z.B. 5 Minuten) ein Zustandsvektor eines Parameters für die Eingabedaten bestimmt werden.
  • Wenn einer der Parameter der Tabelle 1 (beispielsweise eine Messgröße ist, z.B. Druck, Temperatur, Durchflussmenge, Staudruck, Sauerstoff- oder Kohlenstoffmonoxid-Gehalt bzw. - Konzentration, etc.) ist, dann ist ein Parameterwert PW ein Messwert zu einem bestimmten Zeitpunkt. Wenn der Parameter eine Vorgabe für eine Steuerung oder einen Regler umfasst, dann ist der Parameterwert ein Vorgabewert zu einem bestimmten Zeitpunkt.
  • 3 zeigt schematisch einen Kessel einer Verbrennungsanlage VA für Biomasse, und zwar für eine Holzverbrennungsanlage. Die Erfindung schränkt sich nicht auf eine solche hierin beschriebene VA ein, sondern kann auch auf andere Verbrennungsanlagen basierend auf der Verbrennung anderer Stoffe angewandt werden. Hier soll die Erfindung nur beispielhaft anhand dieser VA für Holz als beispielhafte Biomasse beschrieben werden.
  • Der Kessel 1 hat ein Holzaufgabesystem als Brennmaterial-Aufgabe 2. Hier wird das Holz in den Kessel der VA eingebracht. Das Holz kann vorab konditioniert werden, um eine verbesserte Stetigkeit des Brennwerts des Holzes zu ermöglichen. Das Holz gelangt über die Brennmaterial-Aufgabe 2 in einen Feuerraum 15 des Kessels 1.
  • In der VA der 3 ist eine Rostfeuerung 16 mit einer Rosthydraulik 6 dargestellt. Es können beispielsweise Vorschubroste oder Walzenroste als Roste 16 zur Rostfeuerung in dem Kessel 1 der VA vorgesehen werden. Durch die Verwendung einer Rostbefeuerung mit einem Rost 16 in der VA kann eine Aufbereitung des Holzes weniger aufwendig sein oder sie kann sogar gänzlich entfallen. Über das Brennmaterial-Aufgabe 2 wird das Holz dosiert in den Feuerraum 15 befördert. Die Rosthydraulik 6 befördert das aufgegebene Holz während der Verbrennungsphasen weiter. Einer oder mehrere Brenner 11 sind im Feuerraum 15 vorgesehen, um das Holz im Feuerraum 15 zu verbrennen.
  • Im Feuerraum 15 wird das Holz demnach mittels Brenner 11 verbrannt. Die Verbrennungsrückstände fallen am Ende des Rosts 16 in einen Kesselascheraum 5. Aus dem Kesselascheraum 5 können diese Verbrennungsrückstände über Stößel oder Kettenkratzer (nicht dargestellt) ausgetragen werden. Die Verbrennung des Holzes wird im Feuerraum 15 mittels einer Rostfeuerungsregelung 3 geregelt. An den Feuerraum 15 ist ein Gebläse 4 einer Primärluftzufuhr (HLA) angeschlossen. Der Feuerraum 15 wird mit einer Primärluft 7 versorgt. Über eine weitere Feuerungsregelung 10 wird eine Zufuhr von Sekundärluft 8 zum Feuerraum 15 geregelt.
  • Das durch die Verbrennung entstehende Rauchgas 17 wird aus dem Feuerraum 15 beispielsweise mittels eines Saugzuggebläses (nicht dargestellt) absaugt und durch einen Kamin K in die Atmosphäre abgeführt und/oder einer Rauchgasreinigungsanlage (nicht dargestellt) zugeführt. Zusätzlich kann zwischen dem Feuerraum 15 und dem Saugzuggebläse ein Filter 96, bevorzugt ein Elektrofilter bzw. E-Filter, angeordnet sein.
  • Ferner ist in dem Prinzip des Kessels 1 der 3 ein Verdampfer-Bündel 19 bzw. ein Dampferzeuger dargestellt. Damit ist der Feuerraum 15 gleichzeitig ein Dampferzeuger-Innenraum. In dem Verdampfer-Bündel 19 wird mittels des (heißen) Rauchgases 17 aus dem Feuerraum 15 über den zuvor durchlaufenen Vorüberhitzer (nicht dargestellt) Frischdampf erzeugt. Dieser Frischdampf kann über eine Turbine einen Generator zum Erzeugen von elektrischem Strom antreiben. Dieser Frischdampf kann alternativ oder zusätzlich als Fernwärme zum Heizen von Haushalten bzw. als Prozesswärme für industrielle Produktionsprozesse genutzt werden.
  • Zur Vorhersage von Ausgangsparametern der VA der 3 kann das hierin beschriebene trainierte neuronale Netz verwendet werden. Hier sind ein Verbrennungsluftkanalsystem HLA, ein Rauchgasabführungskanalsystem HNA, ein Dampferzeuger-Innenraum HBK und ein Frischdampfleitungssystem LBA zur Vereinfachung als ein gemeinsames Steuerschema dargestellt. Das Luft-Rauchgasschema kann überdies eine Schornsteinanlage (=Kamin K) HNE, eine Rauchgaszirkulation (Rezigas) HNF, eine Mediumversorgung für das Befüllen des Holzes HHX und eine Chemikalien- und Additiv-Versorgung HTS aufweisen. Die in der 3 gezeigten Elemente sind anhand eines Kraftwerk-Kennzeichensystems, KKS, klassifiziert. Reglementiert werden diese KKS-Kennzeichen in den VGB-Richtlinien VGB-B 105 und VGB-B 106, gemäß der zum Anmeldezeitpunkt gültigen Fassung VGB-S-811-01-2018-01-DE.
  • Nachfolgend werden die für die Steuerung des Kessels 1 vom neuronalen Netz verwendeten Parameter gemäß der 3 kurz erläutert. Eine zusätzliche Erläuterung kann der Beschreibung der 22 entnommen werden. Diese Parameter sind die Basis für die Eingabedaten für das neuronale Netz. Die oben gezeigte Tabelle 1 listet 23 bzw. 24 mögliche Eingabeparameter als KKS-Elemente zur Vorhersage von Ausgangsparametern gemäß u.a. Tabelle 4 des Kessels 1 der VA gemäß der 3 durch das trainierte neuronale Netz bzw. zum Trainieren eines neuronalen Netzes auf.
  • Diese Liste der Tabelle 1 ist als Beispiel anzusehen. Es kann auf einzelne Elemente dieser Tabelle 1 verzichtet werden. Je geringer die Anzahl der Eingabeparameter (Eingabedaten), desto schneller kann eine Vorhersage-Berechnung durch das neuronale Netz erfolgen, allerdings kann sich dadurch die Genauigkeit enorm verschlechtern.
  • Die Eingabeparameter mit ihren KKS-Elemente der Tabelle 1 werden im Folgenden kurz in der VA der 3 verortet.
  • Der Druck im Feuerraum 15 (KKS-Element HBK10CP901) wird in der Nähe des Dampferzeugers 19 (Verdampfer-Bündel) erfasst. Die Temperatur im Feuerraum 15 wird durch die KKS-Elemente HBK10CT821, HBK10CT823, HBK10CT902 HBK20CT001 an 4 verschiedenen Positionen im Feuerraum 15 erfasst. Der Druck und der Sauerstoffgehalt des Rauchgases 17 wird mittels der KKS-Elemente HNA10CP001 und HNA10CQ801 zwischen dem Feuerraum 15 (= Dampferzeuger-Innenraum mit Verdampfer Bündel 19) und dem Filter 9 erfasst, beispielsweise vor einem Zyklon (nicht dargestellt).
  • Die Menge des zu verbrennenden Holzes (als Sollwert in der VA) und die Geschwindigkeit am Holzaufgabesystem 2 wird durch die KKS-Element HHX30AA002 und HHX10DL01 erfasst.
  • Die Primärluft-Durchflussmenge wird durch das KKS-Element HLA10CF801 erfasst. Der Primärluft-Druck wird durch das KKS-Element HLA10CP010 erfasst. Die Klappenstellung unterhalb des Rosts 16 wird durch das KKS-Element HLA16AA001 erfasst. Diese drei Parameter des Primärluftstroms im HLA werden zwischen dem Rost 16 und der Primärluftquelle 7 erfasst.
  • Die Sekundärluft-Durchflussmenge wird durch das KKS-Element HLA20CF801 erfasst. Dieser Parameter des Sekundärluftstroms im HLA wird zwischen dem Feuerraum 15 und der Sekundärluftquelle 8 erfasst.
  • Im Rauchgas 17 vor dem Kamin K wird die Kohlenstoffmonoxid-Emissions-Konzentration durch das KKS-Element HNE10CQ001 als Parameter erfasst.
  • Im Rauchgas 17 vor dem Kamin K wird die Stickstoffoxid-Emissions-Konzentration (NOx-) durch das KKS-Element HNE10CQ002 als Parameter erfasst.
  • Im Rauchgas 17 vor dem Kamin K wird die Feuchtigkeit des Rauchgases 17 durch das KKS-Element HNE10CQ007 als Parameter erfasst.
  • Als weiterer Rauchgasparameter wird der Sauerstoffgehalt durch das KKS-Element HNA10CQ801 vor dem Filter 9 erfasst.
  • Als weitere Rauchgasparameter werden die Rauchgastemperatur durch das KKS-Element HNA10CT001 und der Rauchgasdruck durch das KKS-Element HNA10CP001 im HNA Kanal beispielsweise vor einem Zyklon (nicht dargestellt) erfasst.
  • Die Durchflussmenge und die Temperatur eines Rezigases (Rauchgasrezirkulation) werden durch die KKS-Elemente HNF10CF801 und HNF10CT010 zwischen dem Gebläse 4 und dem Feuerraum 15 erfasst.
  • Die Durchflussmenge des Frischdampfes wird im Frischdampfkreislauf LBA durch das KKS-Element LBA10CF001 erfasst. Der Druck des Frischdampfes wird im Frischdampfkreislauf LBA durch das KKS-Element LBA10CP001 erfasst. Die Temperatur des Frischdampfes wird im Frischdampfkreislauf LBA durch das KKS-Element LBA10CT801 erfasst.
  • Ausgabedaten
  • Nach Eingabe der beispielhaft aufgelisteten Eingabeparameter aus der Tabelle 1 in das trainierte neuronale Netz können, wie nachfolgend beschrieben, beispielhafte Ausgabedaten vorausberechnet und ausgegeben werden. Die Tabelle 4 zeigt eine beispielhafte Messtellenliste für die Ausgänge bzw. die Ausgabe: Tabelle 4 - Mögliche Messtellenliste
    KKS Element / Erläuterung SKZ Bezugszeichen für die jeweiligen vorhergesagten Werteänderungen Mittelwert 12 über die Änderung des Parameters in den nächsten 5 min in die Zukunft Mittelwert 13 über die Änderung des Parameters in den nächsten 15 min in die Zukunft Mittelwert 14 über die Änderung des Parameters in den nächsten 30 min in die Zukunft
    HBK10CT902/ Feuerraumtemperatur .X1 A1 X
    .X2 A2 X
    .X3 A3 X
    HNE10CQ001 / CO-Emissionskonzentration im Rauchgas .X1 B1 X
    .X2 B2 X
    .X3 B3 X
    HNE10CQ002 / NOx-Emissionskonzentration im Rauchgas .X1 C1 X
    .X2 C2 X
    X3 C3 X
  • Gemäß Tabelle 4 können erfindungsgemäß Vorhersagen für die KKS-Elemente (Parameter) HBK10CT902 / Feuerraumtemperatur als A1, A2, A3, HNE10CQ001 / CO-Emissionskonzentration im Rauchgas 17 als B1, B2, B3, HNE10CQ002 / NOx-Emissionskonzentration im Rauchgas 17 als C1, C2, C3 und optional auch die LBA10CF001 / Frischdampfmenge ausgegeben werden, und zwar für drei Zeitspannen von 5 Minuten, 15 Minuten und 30 Minuten. Es werden somit insgesamt neun Vorhersagewerte als Prädiktion der aktuellen Parameterwerte (HBK10CT902 / Feuerraumtemperatur oder HNE10CQ001 / CO-Emissionskonzentration im Rauchgas 17 oder HNE10CQ002 / NOx-Emissionskonzentration im Rauchgas 17 oder LBA10CF001 / Frischdampfmenge) vom neuronalen Netz berechnet und ausgegeben.
  • Es können dabei auch Gradienten 1. und 2. Ordnung, Mittelwerte, beispielsweise über fünf Minuten Zeitdifferenzen bis insgesamt 16 x 5 Minuten = 80 Minuten, und Totzeiten dieser aktuellen Parameterwerte vorhergesagt werden.
  • Die 4 bis 16 zeigen Diagramme beispielhafter aktueller Parameterwerte im Vergleich zu Vorhersageergebnisse mit integraler Prädiktion geeignet als Lernmuster zum Trainieren eines neuronalen Netzes und/oder zum Prüfen eines angelernten neuronalen Netzes.
  • In den folgenden Figuren werden beispielhaft Mittelwerte 12, 13, 14, wie in Tabelle 4 beschrieben, über die Änderung für die drei Ausgangsparameter HBK10CT902 / Feuerraumtemperatur als A1, A2, A3, HNElOCQ001 / CO-Emissionskonzentration im Rauchgas 17 als B1, B2, B3, HNE10CQ002 / NOx- Emissionskonzentration im Rauchgas 17 als C1, C2, C3 aufgetragen für die drei Zeitspannen von 5 Minuten, 15 Minuten und/oder 30 Minuten. Drei Mittelwerte 12, 13, 14 werden für die Zeitspannen von jeweils 5 Minuten, 15 Minuten und/oder 30 Minuten mit abgebildet. Die 4 bis 16 zeigen entsprechende Diagramme beispielhafter aktueller Parameterwerte und die Vorhersageergebnisse mit integraler Prädiktion gemäß verschiedener Ausführungsformen.
  • 4 ist ein beispielhaftes Diagramm einer aktuellen Feuerraumtemperatur und vorhergesagter Änderungen der Feuerraumtemperatur am KKS-Element HBK10CT902 mit integraler Prädiktion geeignet für ein Lernmuster für einen beispielhaften Zeitraum zwischen etwa 19:13 und etwa 19:55. Der besagte Zeitraum wurde als Lernmuster im 5 Minuten-Raster gewählt. Mit den Eingangsdaten der Tabelle 1 kann ein ausgelernte neuronale Netz geprüft werden. Die Kurve, die mit A gekennzeichnet ist, bezieht sich auf die linke vertikale Achse und entspricht dem aktuellen Wert für die Feuerraumtemperatur (HBK10CT902). Die Kurven, die mit A1 bis A3 gekennzeichnet sind, beziehen sich auf die rechte vertikale Achse und entsprechen jeweils der vorhergesagten mittleren Änderung der Feuerraumtemperatur (HBK10CT902) in den nächsten 5, 15 und 30 Minuten in die Zukunft in °C. Die Kurven A1 bis A3 zeigen die Voraussagen der Feuerraumtemperatur immer als Änderung zur aktuellen Feuerraumtemperatur der Kurve A, siehe Linie ausgehend von 0 °C der rechten vertikalen Achse.
  • Wie durch die Pfeile in dem Kasten angedeutet ist, sagt die 30 min-Änderung A3 für die Feuerraumtemperatur in die Zukunft einen substanziellen Temperaturanstieg voraus.
  • 5 ist ein beispielhaftes Diagramm einer aktuellen Feuerraumtemperatur und vorhergesagter Änderungen (hier Anstieg) der Feuerraumtemperatur (des KKS-Elements HBK10CT902) mit integraler Prädiktion geeignet für ein Lernmuster. Die Achsenbeschriftung entspricht der Achsenbeschriftung der 4. Die Kurve, die mit A gekennzeichnet ist, bezieht sich auf die linke vertikale Achse und entspricht dem aktuellen Wert für die Feuerraumtemperatur (HBK10CT902). Die Kurven, die mit A1 bis A3 gekennzeichnet sind, beziehen sich auf die rechte vertikale Achse und entsprechen jeweils der vorhergesagten mittleren Änderung der Feuerraumtemperatur (HBK10CT902) in den nächsten 5, 15 und 30 Minuten in die Zukunft in °C.
  • Im Zeitpunkt 30.10.2020 19:35 Uhr wird eine mittlere Feuerraumtemperatur (als Parameterwert für das KKS-Element HBK10CT902) für in 30 min von ca. 887 °C vorhergesagt. Diese Vorhersage (Prädiktion) wird nachfolgend erläutert:
    • Die aktuelle Feuerraumtemperatur (gemessen durch das KKS-Element HBK10CT902) für den Zeitpunkt 30.10.2020 19:35 Uhr beträgt ca. 865°C.
  • Die vorausgesagte mittlere Änderung der Feuerraumtemperatur (als Parameterwert für das KKS-Element HBK10CT902) zum Zeitpunkt 30.10.2020 19:35 Uhr für die nächsten 30 min (Kurve A3) ist mit +22 °C angegeben (siehe Bezug zur Linie ausgehend von 0 °C der rechten vertikalen Achse).
  • Die Summe aus der aktuellen Feuerraumtemperatur (865°C) zum Zeitpunkt 30.10.2020 19:35 Uhr und der vorausgesagte mittleren Änderung der Feuerraumtemperatur zum Zeitpunkt 30.10.2020 19:35 Uhr gemäß Kurve A3 (+22 °C) ergibt die Vorhersage der absoluten mittleren Feuerraumtemperatur von 887 °C (siehe „X“ in 5).
  • In der 5 ist gut zu erkennen, dass die Vorhersage des Temperaturwerts 887 °C für die Feuerraumtemperatur (siehe „X“ in 5) in 30 min zum Zeitpunkt 30.10.2020 19:35 Uhr mit der aktuellen Feuerraumtemperatur zum Zeitpunkt 30.10.2020 20:05 Uhr übereinstimmt, siehe Linie und Referenzzeichen 14 in 5.
  • In Analogie können die Vorhersagen für 5 min in der Zukunft (Kurve A1) und 15 min in der Zukunft (Kurve A2) für die vorausgesagte mittlere Änderung der Feuerraumtemperatur (als Parameterwert für das KKS-Element HBK10CT902) geprüft werden.
  • Die Vorhersage des Werts 870 °C für die Feuerraumtemperatur in 5 min zum Zeitpunkt 30.10.2020 19:35 Uhr stimmt mit der aktuellen Feuerraumtemperatur zum Zeitpunkt 30.10.2020 19:40 Uhr, siehe Referenzzeichen 12 in 5.
  • Die gerade Linie durch den Punkt X kann auch berechnet werden mittels Summenbildung der Flächen unterhalb und oberhalb dieser geraden Linie durch den Punkt X. Dies wird in den 6 bis 8 dargestellt. Die Summe der Flächen unter dem Durchschnitt entspricht der Summe der Flächen über dem Durchschnitt. 6 bis 8 entsprechen daher beispielhaften Diagrammen zur Demonstration der integralen Prädiktion („integral prediction“) für die mittlere Feuerraumtemperatur für jeweils 30, 15 und 5 Minuten.
  • 9 ist ein beispielhaftes Diagramm mit Zeitverläufen der aktuellen Feuerraumtemperatur und vorhergesagter Änderungen der Feuerraumtemperatur (KKS-Element HBK10CT902) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der Vorhersage einer Temperaturabsenkung. Zu erkennen ist, dass zum Zeitpunkt 00:05 die aktuelle Feuerraumtemperatur auf einem Höchstwert von ca. 890 °C ist und sowohl die 5min, die 15min und auch die 30 min Vorhersagekurve (A1 bis A3) eine Temperaturänderung im negativen Bereich voraussagen, die dann tatsächlich zu den jeweiligen Zeitpunkten 00:10 (Smin); 00:20 (15min) und 00:35 (30 min) eintreten (im Trend jedenfalls zutreffend).
  • 10 ist ein beispielhaftes Diagramm mit Zeitverläufen der aktuellen Feuerraumtemperatur und vorhergesagter Änderungen der Feuerraumtemperatur (KKS-Element HBK10CT902) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der Vorhersage einer Temperaturkonstanz. Zu erkennen ist, dass zum Zeitpunkt 00:05 die aktuelle Feuerraumtemperatur auf einem Höchstwert von ca. 890 °C ist und sowohl die 5min, die 15min und auch die 30 min Vorhersagekurve (A1 bis A3) eine Temperaturänderung im negativen Bereich voraussagen, die dann tatsächlich zu den jeweiligen Zeitpunkten 00:10 (Smin); 00:20 (15min) und 00:35 (30 min) eintreten (im Trend jedenfalls zutreffend).
  • 11 ist ein beispielhaftes Diagramm mit Zeitverläufen von aktueller CO-Emission und vorhergesagter Änderungen der CO-Emission (KKS-Element HNE10CQ001) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage eines CO-Emissionsanstiegs. Die Kurven, die mit B1-B3 gekennzeichnet sind, beziehen sich auf die rechte vertikale Achse, und entsprechen jeweils der Änderung für die CO-Emission (des KKS-Elements HNE10CQ001) in den nächsten 5, 15 und 30 Minuten in die Zukunft in °C. Die Kurve, die mit B gekennzeichnet ist, bezieht sich auf die linke vertikale Achse und entspricht dem aktuellen Wert der CO-Emission (am KKS-Element HNE10CQ001). Der gebildete Mittelwert 14 über die Änderung der CO-Emission (HNE10CQ001) in den nächsten 30 min in die Zukunft sagt einen CO-Emissionsanstieg voraus.
  • 12 ist ein weiteres beispielhaftes Diagramm mit Zeitverläufen von aktueller CO-Emission und vorhergesagter Änderungen der CO-Emission (KKS-Element HNE10CQ001) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage eines CO-Emissionsanstiegs.
  • 13 ist ein weiteres beispielhaftes Diagramm mit Zeitverläufen von aktueller CO-Emission und vorhergesagter Änderungen der CO-Emission (KKS-Element HNE10CQ001) für 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage eines CO-Emissionsanstiegs.
  • 14 ist ein beispielhaftes Diagramm mit Zeitverläufen von aktueller NOx-Emission und vorhergesagter Änderungen der NOx-Emission (KKS-Element HNE10CQ002) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage eines NOx-Emissionsanstiegs. Die Kurven, die mit C1 bis C3 gekennzeichnet sind, beziehen sich auf die rechte vertikale Achse, und entsprechen jeweils der Änderung für die NOx-Emission (KKS-Element HNE10CQ002) in den nächsten 5, 15 und 30 Minuten in die Zukunft in °C. Die Kurve, die mit C gekennzeichnet ist, bezieht sich auf die linke vertikale Achse und entspricht dem aktuellen Wert für die NOx-Emission (am KKS-Element HNE10CQ002). Der gebildete Mittelwert 14 über die Änderung der NOx-Emission (HNE10CQ002) in den nächsten 30 min in die Zukunft sagt einen NOx-Emissionsanstieg voraus.
  • 15 und 16 sind weitere beispielhafte Diagramm mit Zeitverläufen von aktueller NOx-Emission und vorhergesagter Änderungen der NOx-Emission (KKS-Element HNE10CQ002) für 5, 15 und 30 Minuten in die Zukunft mit integraler Prädiktion zur Demonstration der korrekten Vorhersage eines NOx-Emissionsanstiegs.
  • Die 17 bis 21 zeigen Diagramme beispielhafter aktueller Parameterwerte bzw. Vorhersageergebnisse mit integraler Prädiktion geeignet für ein Testmuster gemäß verschiedener Ausführungsformen zum Testen eines angelernten neuronalen Netzes auf ordnungsgemäße Funktion.
  • 17 ist ein beispielhaftes Diagramm zur Prüfung der Vorhersage der Feuerraumtemperatur (A1HBK10CT902) mit integraler Prädiktion für ein Testmuster für 30, 15 und 5 Minuten.
  • 18 ist ein beispielhaftes Diagramm zur Prüfung der Vorhersage des Anstiegs der Feuerraumtemperatur (HBK10CT902) mit integraler Prädiktion für ein Testmuster, hier zum Testen einer Vorhersage eines Temperaturanstiegs.
  • 19 ist ein beispielhaftes Diagramm zur Prüfung der Vorhersage des Anstiegs der CO-Emission (HNE10CQ001) mit integraler Prädiktion für ein Testmuster.
  • 20 ist ein beispielhaftes Diagramm zur Prüfung der Vorhersage des Anstiegs der NOx-Emission (HNE10CQ002) mit integraler Prädiktion für ein Testmuster, hier zum Testen einer Vorhersage eines NOx-Emissionsanstiegs.
  • 21 ist ein beispielhaftes Diagramm zur Prüfung der Vorhersage der Absenkung der NOx-Emission (HNE10CQ002) mit integraler Prädiktion für ein Testmuster, hier zum Testen einer Vorhersage einer NOx-Emissionsabsenkung.
  • In 22 ist ein Luft-Rauchgas Steuerungsschema für einen Kessel in einer MVA gezeigt. Die Funktion des Kessels wird nachfolgend kurz erläutert.
  • Der Kessel hat eine Müllzugabe 2. Hier wird der Müll in den Kessel der MVA eingebracht. Der Müll kann vorab konditioniert werden, um eine verbesserte Stetigkeit des Brennwerts des Mülls zu ermöglichen. Der Müll gelangt über das Müllzugabe 2 in einen Feuerraum 15 des Kessels.
  • In der 22 ist eine Rostfeuerung dargestellt. Insbesondere können Vorschubroste oder Walzenroste als Roste 16 in dem Kessel der MVA vorgesehen werden. Zur Beschickung des Rosts 16 können Förderbänder oder Müllaufgabeschieber benutzt werden, deren Ölhydrauliksysteme ein Teil der Eingabedaten für das neuronale Netz sein können (siehe 3 mit Bezugszeichen 6). Über die Müllzugabe 2 wird der Müll dosiert auf den Rost 16 in den Feuerraum 15 befördert. Der Rost 16 befördert den aufgegebenen Müll während der Verbrennungsphasen weiter (Pfeil).
  • Im Feuerraum 15 wird der Müll verbrannt. Die Verbrennungsrückstände fallen am Ende des Rosts 15 in einen Entschlacker 5. Aus den Entschlacker 5 können diese Verbrennungsrückstände über Stößel oder Kettenkratzer (nicht dargestellt) ausgetragen werden.
  • Das durch die Verbrennung entstehende Rauchgas 17 wird aus dem Feuerraum 15 beispielsweise mittels eines Saugzuggebläses (nicht dargestellt) absaugt und durch einen Kamin K in die Atmosphäre abgeführt und/oder einer Rauchgasreinigungsanlage RR zugeführt. Zusätzlich kann zwischen dem Feuerraum 15 und dem Saugzuggebläse ein Filter 9 (siehe 3), bevorzugt ein Elektrofilter bzw. E-Filter, angeordnet sein.
  • Gemäß 22 ist ein Dampferzeuger 19 vorgesehen, in welchem mittels des (heißen) Rauchgases 10 aus dem Feuerraum 15 Frischdampf erzeugt wird. Dieser Frischdampf kann über eine Turbine einen Generator zum Erzeugen von elektrischem Strom antreiben (nicht dargestellt). Dieser Frischdampf kann alternativ oder zusätzlich als Fernwärme zum Heizen von Haushalten bzw. als Prozesswärme für industrielle Produktionsprozesse genutzt werden. Ein entsprechendes Frischdampfschema ist als LBA angedeutet.
  • Zur Vorhersage von Parameterwerten des Kessels, beispielsweise mit einem in der 22 gezeigten Luft-Rauchgas- und Frischdampfschema, kann ein trainiertes neuronales Netz verwendet werden. Hier sind ein Verbrennungsluftkanalsystem HLA, ein Rauchgasabführungskanalsystem HNA und ein Frischdampfleitungssystem LBA als gemeinsames Steuerschema vorgesehen. Die in der 22 gezeigten Elemente sind - wie auch in 3 - anhand eines Kraftwerk-Kennzeichensystems, KKS, klassifiziert.
  • Nachfolgend werden die für die erfindungsgemäße Prädiktion verfahrenstechnischer Prozesswerte des Kessels durch ein angelerntes neuronales Netz verwendeten Parameter gemäß der 22 kurz erläutert. Einige dieser Parameter sind die Basis für die Eingabedaten für das neuronale Netz. Die Parameter sind auch in Tabellen 5 und 6 wiederzufinden. In 22 gestrichelt dargestellte Parameter sind nur in Tabelle 5, nicht aber in Tabelle 6 aufgelistet. Die in 23 und 24 gezeigten Diagramme wurden mit Parametern gemäß Tabelle 6 erhalten.
  • Vom Verbrennungsluftkanalsystem HLA können beispielsweise Parameter einer Primärluft als Eingangsdaten erfasst werden. Die Primärluft ist bevorzugt Luft aus dem Kesselhaus KH. Dabei können der gesamte Primärluft-Durchsatz (KKS-Element HLA01FF901) und der Primärluft-Druck (KKS-Element HLA02CP001) erfasst werden. Zudem können die Drücke (KKS-Elemente HLA21CP001, HLA11CP001, HLA12CP001, HLA22CP001) unter dem Rost 16 erfasst werden. Zudem kann der Luftdurchsatz (KKS-Element HLA21DF001 und HLA21FF001 HLA11FF001 HLA12FF001 HLA22FF001) und/oder die Armaturwerte (Klappenwerte) (KKS-Elemente HLA21AA001, HLA11AA001, HLA12AA001, HLA22AA001) im Bereich unter einem Teil des Rosts 16 als Eingabeparameter erfasst werden.
  • Zudem kann die Feuerraumtemperatur (KKS-Element HAD01CT902) und/oder der Kesseltrommeldruck (HAD02CP002) als Eingabeparameter erfasst werden. Zudem können Ölmengen (KKS-Elemente HHF15FF001, HHF35FF001) für einen oder mehrere Brenner 11 als Eingabeparameter erfasst werden.
  • Im Rauchgasabführungskanalsystem HNA kann beispielsweise die Sauerstoffkonzentration (KKS-Element HNA01CQ001) und/oder die CO-Emissionskonzentration (KKS-Element HNA01CQ001) und/oder eine Feuchtemessung (KKS-Element HNA01CM001) des Rauchgases 17 als Eingabeparameter erfasst werden.
  • Im Frischdampfleitungssystem LBA kann beispielsweise der Frischdampf-Druck und/oder die Frischdampf-Menge (KKS-Element LBA50CF901) und/oder die Frischdampf-Temperatur und/oder eine Dampfmenge (KKS-Element: LAB70DU001) als Eingabeparameter erfasst werden.
  • Zudem können Steuersignale als Eingabeparameter erfasst werden, beispielsweise Steuersignale an der Brennmaterial-Aufgabe (hier Müll-Aufgabe), beispielsweise eine Wartezeit eines Müllzuteilers (KKS-Element HHH40DU001) oder eine Feuerrostregelung (KKS-Element HHC10EE001).
  • Die Tabelle 5 listet 24 mögliche Eingabeparameter zur Vorhersage von Parametern des Kessels 1 gemäß der 22 durch das trainierte neuronale Netz auf: Tabelle 5 - Mögliche Eingabeparameter für Kessel 1 der MVA der Fig. 22)
    Eingabeparameter als KKS-Element Erläuterung des KKS-Element
    HLA21CP001 Primärluftkanal - Druck unter dem Rost - Position 3
    HLA11CP001 Primärluftkanal - Druck unter dem Rost - Position 1
    HLA12CP001 Primärluftkanal - Druck unter dem Rost - Position 2
    HLA22CP001 Primärluftkanal - Druck unter dem Rost - Position 4
    HLA21AA001 Primärluftkanal - Armatur (Klappe) unter dem Rost - Position 3
    HLA11AA001 Primärluftkanal - Armatur (Klappe) unter dem Rost - Position 1
    HLA12AA001 Primärluftkanal - Armatur (Klappe) unter dem Rost - Position 2
    HLA22AA001 Primärluftkanal - Armatur (Klappe) unter dem Rost - Position 4
    HLA21DF001 Primärluftkanal - Luftdurchsatz unter dem Rost - Position 3
    HLA21FF001 Primärluftkanal - Luftdurchflussmenge unter dem Rost - Position 3
    HLA11DF001 Primärluftkanal - Luftdurchsatz unter dem Rost - Position 1
    HLA11FF001 Primärluftkanal - Luftdurchflussmenge unter dem Rost - Position 1
    HLA01FF901 Primärluftkanal - Durchflussmenge
    HLA02CP001 Primärluftkanal - Druck
    HNA01CM001 Feuchtigkeit im Rauchgas
    HNA01CQ001 O2-Emissionskonzentration im Rauchgas
    HNA01CQ003 CO-Emissionskonzentration im Rauchgas
    HAD01CT902 Feuerraumtemperatur
    HAD02CP002 Kesseltrommeldruck
    HHF15FF001 Ölmenge Brenner 1
    HHF35FF001 Ölmenge Brenner 2
    LBA50CF901 Frischdampfkanal - Frischdampfmenge
    LAB70DU001 Frischdampfkanal - Dampfmenge
    HHH40DU001 Brennmaterial-Aufgabe - Wartezeitsignal des Müllzuteiler
    HHC10EE001 Feuerrostregelung
  • In Tabelle 5 sind 25 Eingabeparameter für das trainierte neuronale Netz aufgelistet, mit denen die Vorhersage der Frischdampfmenge der MVA nach 22 erfolgen kann. Tabelle 6 - Mögliche alternative Eingabeparameter (für Kessel 1 der MVA der Fig. 22)
    Eingabeparameter als KKS-Element Erläuterung des KKS-Element
    HLA21CP001 Primärluftkanal - Druck unter dem Rost - Position 3
    HLA11CP001 Primärluftkanal - Druck unter dem Rost - Position 1
    HLA12CP001 Primärluftkanal - Druck unter dem Rost - Position 2
    HLA22CP001 Primärluftkanal - Druck unter dem Rost - Position 4
    HLA21AA001 Primärluftkanal - Armatur (Klappe) unter dem Rost - Position 3
    HLA11AA001 Primärluftkanal - Armatur (Klappe) unter dem Rost - Position 1
    HLA12AA001 Primärluftkanal - Armatur (Klappe) unter dem Rost - Position 2
    HLA22AA001 Primärluftkanal - Armatur (Klappe) unter dem Rost - Position 4
    HLA22FF001 Primärluftkanal - Luftdurchflussmenge unter dem Rost - Position 4
    HLA21FF001 Primärluftkanal - Luftdurchflussmenge unter dem Rost - Position 3
    HLA12FF001 Primärluftkanal - Luftdurchflussmenge unter dem Rost - Position 2
    HLA11FF001 Primärluftkanal - Luftdurchflussmenge unter dem Rost - Position 1
    HLA01FF901 Primärluftkanal - Durchflussmenge
    HLA02CP001 Primärluftkanal - Druck
    HNA10CM001 Feuchtigkeit im Rauchgas
    HNA01CQ001 O2-Emissionskonzentration im Rauchgas
    HNA10CQ003 CO-Emissionskonzentration im Rauchgas
    HAD01CT902 Feuerraumtemperatur
    HHH40DU001 Brennmaterial-Aufgabe - Wartezeitsignal des Müllzuteiler
    HHC10DU002 Rostfeuerung
    PCR95CU901 Berechnete Wärmemenge am Rost
    LBA50CF901 Frischdampfkanal - Frischdampfmenge
    LAB70DU001 Frischdampfkanal - Dampfmenge
    HHC10EE001 Feuerrostregelung
  • In Tabelle 6 sind 24 Eingabeparameter für das trainierte neuronale Netz aufgelistet, mit denen die Vorhersage der Frischdampfmenge der MVA nach 22 erfolgen kann.
  • Im Unterschied zu Tabelle 5 ist in Tabelle 6 ein minimal anderer Eingabeparametersatz verwendet, die Unterschiede sind fett markiert.
  • Insbesondere sind die KKS-Elemente HLA21DF001 und HLA11DF001 durch vergleichbare KKS-Elemente HLA22FF001 und HLA12FF001 ersetzt worden, da deren Parameter trotz vergleichbarer Art eine verbesserte Vorhersage und/oder eine vereinfachte Handhabung bei der Berechnung ermöglicht.
  • Zudem sind die KKS-Elemente HNA01CM001 und HNA01CQ003 durch vergleichbare KKS-Elemente HNA10CM001 und HNA10CQ003ersetzt worden, da deren Parameter trotz vergleichbarer Art eine verbesserte Vorhersage und/oder eine vereinfachte Handhabung bei der Berechnung ermöglicht.
  • Zudem wurden die KKS-Elemente HAD02CP002, HHF15FF001, HHF35FF001 ersetzt durch andere Eingabeparameter (KKS-Elemente HHC10DU002 PCR95CU901). Mit diesen Parametern hat sich eine verbesserte Vorhersage und/oder eine vereinfachte Handhabung bei der Berechnung ergeben.
  • Mit anderen Worten: Die Eingabeparameter nach Tabelle 5 ergeben eine zuverlässige Vorhersage der Frischdampfmenge (KKS-Element LBA50CF901). Die Eingabeparameter nach Tabelle 6 ergeben eine noch zuverlässigere Vorhersage der Frischdampfmenge (KKS-Element LBA50CF901) im Vergleich zu Tabelle 5.
  • Ausgabedaten
  • Nach Eingabe der beispielhaften Eingabewerte aus Tabelle 5 in das trainierte neuronale Netz können, wie nachfolgend beschrieben, beispielhafte Ausgabedaten vorausberechnet und ausgegeben werden.
  • Das angelernte neuronale Netz kann Vorhersagen für die Frischdampfmenge (= Dampfmassenstrom) beispielsweise des KKS-Elements LBA50CF901 mit zwölf Zeitspannen von 5 Minuten bis 60 Minuten (in 5 Minuten-Schritten) als Vorhersageparameterwerte ausgeben, bspw. als folgender Ausgabevektor:
    • 4LBA50CF901.X1.01 : Dampfmassenstrom in 05 min
    • 4LBA50CF901.X1.02 : Dampfmassenstrom in 10 min
    • 4LBA50CF901.X1.03 : Dampfmassenstrom in 15 min
    • 4LBA50CF901.X1.04 : Dampfmassenstrom in 20 min
    • 4LBA50CF901.X1.05 : Dampfmassenstrom in 25 min
    • 4LBA50CF901.X1.06 : Dampfmassenstrom in 30 min
    • 4LBA50CF901.X1.07 : Dampfmassenstrom in 35 min
    • 4LBA50CF901.X1.08 : Dampfmassenstrom in 40 min
    • 4LBA50CF901.X1.09 : Dampfmassenstrom in 45 min
    • 4LBA50CF901.X1.10 : Dampfmassenstrom in 50 min
    • 4LBA50CF901.X1.11 : Dampfmassenstrom in 55 min
    • 4LBA50CF901.X1.12 : Dampfmassenstrom in 60 min
  • Mit diesem Ausgabevektor kann schnell auf eine zeitliche Vorhersage geschlossen werden, beispielsweise X1.01 mal 5 min = 5 min Zeitvorhersage, X1.04 mal 5 min = 20 min Zeitvorhersage.
  • Es können auch Gradienten 1. und 2. Ordnung, Mittelwerte, beispielsweise über fünf Minuten Zeitdifferenzen bis insgesamt 16 x 5 Minuten = 80 Minuten, und Totzeiten vorhergesagt werden.
  • Zum Vorhersagen durch das neuronale Netz können die Eingabedaten einen Zustandsvektor für jeden der in Tabelle 5 oder jeden der in Tabelle 6 gezeigten Eingabeparameter umfassen, beispielsweise mit einem Zustandsvektor mit 21 Zustandsgrößen gemäß der Tabelle 3.
  • 23 ist ein beispielhaftes Diagramm mit Zeitverläufen von aktueller Frischdampfmenge (KKS-Element LBA50CF901), vorhergesagter Frischdampfmenge für 15 Minuten und vorhergesagter Änderungen der Frischdampfmenge für 15 Minuten in die Zukunft mit integraler Prädiktion unter Darstellung von Warn-Zeitbereichen W. Für dieses Diagramm wurden die Eingabeparameter der Tabelle 6 verwendet. Die Kurven, die mit D2 und D3 gekennzeichnet sind, beziehen sich auf die rechte vertikale Achse, und entsprechen der Änderung bzw. dem Gradienten für die Frischdampfmenge (KKS-Element LBA50CF901) in den nächsten 15 Minuten in die Zukunft in Tonne pro Stunde (t/h). Die Kurve, die mit D gekennzeichnet ist, bezieht sich auf die linke vertikale Achse und entspricht dem aktuellen Wert für die Frischdampfmenge (am KKS-Element LBA50CF901). Die Kurve, die mit D1 gekennzeichnet ist, bezieht sich auf die linke vertikale Achse und entspricht dem vorgesagten Wert für die Frischdampfmenge (KKS-Element LBA50CF901) für 15 Minuten in die Zukunft. Zudem ist ein Signal „Relevanz“ dargestellt, dass die vorausgesagten Änderungen visualisiert. Entsprechend einer Anstiegs- oder Absenkungsgewichtung kann ein Warnsignal gemäß der Warnbereiche W der Relevanz-Signale erzeugt werden. Das Warnsignal, das in den Warnbereichen W erzeugt wird kann optisch (eine Warnleuchte an einem Bedienpult oder ein Blinken eines Bereiches einer grafischen Benutzeroberfläche) oder akustisch (Generieren eines Warntons) oder haptisch (Vibration eines Steuerelements) sein. In 23 sind drei Zeitbereiche als Warnbereiche W dargestellt, in denen ein Bediener der MVA der 22 gewarnt wird, dass laut Vorhersage der Wert der Frischdampfmenge (KKS-Element LBA50CF901) in den nächsten 15 Minuten abfallen wird und entsprechend gegenzusteuern ist.
  • 24 ist ein weiteres beispielhaftes Diagramm mit Zeitverläufen von aktueller Frischdampfmenge, vorhergesagter Frischdampfmenge (KKS-Element LBA50CF901) für 15 Minuten und vorhergesagter Änderungen der Frischdampfmenge für 15 Minuten in die Zukunft mit integraler Prädiktion unter Darstellung von Warn-Zeitbereichen W. Für dieses Diagramm wurden die Eingabeparameter der Tabelle 6 verwendet. In 24 sind drei Zeitbereiche als Warnbereiche W dargestellt, in denen ein Bediener der MVA der 22 gewarnt wird, dass laut Vorhersage der Wert der Frischdampfmenge (KKS-Element LBA50CF901) in den nächsten 15 Minuten abfallen wird und entsprechend gegenzusteuern ist. So wird im rechten Warnbereich W (Zeitpunkt 16:08 bis 16:12) eine Frischdampfmengenabsenkung vorausgesagt. Diese Frischdampfmengenabsenkung führte dann zu einem Anstieg der Ölmenge für zwei Brenner 11 (KKS-Elemente HHF15FF001 und HHF35FF011) im Zeitpunkt kurz nach 16:30 (sogenannte Ölzugabe in der MVA). Die daraus resultierende Erhöhung der Feuerraumtemperatur erhöht die Frischdampfmenge im Zeitpunkt 16:33. Die vorhergesagte Frischdampfmengenabsenkung hätte bei Beachtung des rechten Warnbereichs W (durch frühzeitigeres Gegensteuern durch den gewarnten Bediener) verhindert werden können.
  • Die Frischdampfmenge (4LBA50CF901.X1) kann beispielsweise für 60 Minuten in 5 Minuten Taktung vorhergesagt werden (mit Gradienten 1. und 2. Ordnung, Mittelwerte und Totzeiten). Alle Eingangsdaten können auf 5 Messwerte gemittelt werden, sodass sich ein Zeitverzug von ca. 1,3 min einstellt.
  • Vergleichbare Ergebnisse können auch mit den Eingabeparametern der Tabelle 5 erzielt werden.
  • Bezugszeichenliste
    • A
    aktuelle Feuerraumtemperatur (Wert des KKS-Elements HBK10CT902)
    A1
    vorhergesagte mittlere Änderung der Feuerraumtemperatur in den nächsten 5 min in die Zukunft (Vorhersage für das KKS-Element HBK10CT902)
    A2
    vorhergesagte mittlere Änderung der Feuerraumtemperatur in den nächsten 15 min in die Zukunft (Vorhersage für das KKS-Element HBK10CT902)
    A3
    vorhergesagte mittlere Änderung der Feuerraumtemperatur in den nächsten 30 min in die Zukunft (Vorhersage für das KKS-Element HBK10CT902)
    B
    aktuelle CO_Emissionen (KKS-Element: HNE10CQ001)
    B1
    vorhergesagte mittlere Änderung der CO-Emissionskonzentration in den nächsten 5 min in die Zukunft (HNE10CQ001)
    B2
    vorhergesagte mittlere Änderung für CO-Emissionskonzentration in den nächsten 15 min in die Zukunft (HNE10CQ001)
    B3
    vorhergesagte mittlere Änderung der CO-Emissionskonzentration in den nächsten 30 min in die Zukunft (HNE10CQ001)
    C
    aktuelle NOx-Emissionskonzentration (KKS-Element HNE10CQ002)
    C1
    vorhergesagte mittlere Änderung für NOx-Emissionskonzentration in den nächsten 5 min in die Zukunft (KKS- Element HNE10CQ002)
    C2
    vorhergesagte mittlere Änderung für NOx-Emissionskonzentration in den nächsten 15 min in die Zukunft (KKS- Element HNE10CQ002)
    C3
    vorhergesagte mittlere Änderung für NOx-Emissionskonzentration in den nächsten 30 min in die Zukunft (KKS- Element HNE10CQ002)
    D
    aktuelle Frischdampfmenge (Wert des KKS-Elements LBA50CF901)
    D1
    vorhergesagte Frischdampfmenge (Dampfmassenstrom) in den nächsten 15 min in die Zukunft (KKS-Element LBA50CF901)
    D2
    vorhergesagte mittlere Änderung für Frischdampfmenge in den nächsten 15 min in die Zukunft (KKS-Element LBA50CF901)
    D3
    vorhergesagter Gradient der Frischdampfmenge in den nächsten 15 min in die Zukunft (am KKS-Element LBA50CF901)
    W
    Zeitbereich, in den Warnung ausgegeben wird
    HBK
    Dampferzeuger-Innenraumsystem
    HLA
    Verbrennungsluftkanalsystem
    HNA
    Rauchgasabführungskanalsystem
    K
    Kamin
    KH
    Kesselhaus
    RR
    Rauchgasreinigungsanlage
    1
    Kessel einer Biomasseverbrennungsanlage
    2
    Brennmaterial-Zugabe, Müllzugabe
    3
    Rostfeuerungsregelung
    4
    Gebläse
    5
    Kesselascheraum, Entschlacker
    6
    Rosthydraulik
    7
    Primärluftquelle
    8
    Sekundärluftquelle
    9
    Filter
    10
    Feuerungsregelung
    11
    Brenner
    12
    Mittelwert über die Änderung eines Parameters in den nächsten 5 min in die Zukunft
    13
    Mittelwert über die Änderung eines Parameters in den nächsten 15 min in die Zukunft
    14
    Mittelwert über die Änderung eines Parameters in den nächsten 30 min in die Zukunft
    15
    Feuerraum
    16
    Rost
    17
    Rauchgas
    18
    Dampferzeuger
    100
    Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes
    101
    Eingeben von Eingabedaten in das trainierte neuronale Netz
    102
    Berechnen und Ausgeben von Ausgabedaten durch das trainierte neuronale Netz
    200
    Schritte zum Trainieren eines neuronalen Netzes
    201
    Eingeben von Eingabedaten in das neuronale Netz
    203
    Trainieren des neuronalen Netzes basierend auf den Eingabedaten und den Ausgabedaten
    203a
    Berechnen von berechneten Ausgabedaten basierend auf den Eingabedaten
    203b
    Vergleichen der berechneten Ausgabedaten mit den eingegebenen Ausgabedaten
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • EP 3696462 B1 [0003]

Claims (15)

  1. Verfahren (100) zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes, umfassend: - Eingeben (101) von Eingabedaten in das trainierte neuronale Netz, wobei die Eingabedaten auf Parametern basieren, die zumindest eine Feuerraumtemperatur, einen Parameter eines Brennstoffaufgabesystems, einen Parameter eines Verbrennungsluftkanalsystems, HLA, einen Parameter eines Rauchgasabführungskanalsystems, HNA, und einen Parameter eines Frischdampfleitungssystems, LBA, umfassen; und - Berechnen (102) und Ausgeben von Ausgabedaten durch das trainierte neuronale Netz, wobei die Ausgabedaten zumindest Vorhersagedaten (A1, A2, A3, B1, B2, B3, C1, C2, C3, D2, D3) für mindestens einen Ausgangsparameter, der mindestens die Feuerraumtemperatur-Parameter, einen Kohlenstoffmonoxid-Emissions-Konzentrations-Parameter des Rauchgases, einen Stickstoffoxid-Emissions-Konzentrations-Parameter des Rauchgases oder einen Frischdampfmenge-Parameter umfasst.
  2. Verfahren nach Anspruch 1, wobei im Ausgeben-Schritt die Ausgabedaten an eine Anzeigevorrichtung einer Steuereinheit der Verbrennungsanlage, bevorzugt eines Kessels der Verbrennungsanlage, geleitet werden, um einem Bediener zum Steuern der Verbrennungsanlage, bevorzugt des Kessels, angezeigt zu werden.
  3. Verfahren nach einem der vorhergehenden Ansprüche, wobei im Berechnen-Schritt die Vorhersagedaten (A1, A2, A3, B1, B2, B3, C1, C2, C3, D2, D3) durch Mittelwertbildung über einen Vorhersagezeitraum berechnet werden.
  4. Verfahren nach einem der vorhergehenden Ansprüche, wobei das trainierte neuronale Netz ein Vorhersagemodell, insbesondere ein Integrales Prädiktionsmodell, zum Berechnen der Vorhersagedaten anwendet.
  5. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Eingabedaten einen Zustandsvektor für j eden Parameter umfassen und jeder Zustandsvektor mehrere Zustandsgrößen des jeweiligen Parameters umfasst, die mindestens eines oder mehrere von einem Parameterwert, einem Gradienten zu dem Parameterwert, einer Änderung des Gradienten zu dem Parameterwert, einem Mittelwert (12, 13, 14) über zwei oder mehr aufeinanderfolgende Parameterwerte, einem Mittelwert über Gradienten zu zwei oder mehr aufeinanderfolgenden Parameterwerten, einem Mittelwert über Änderungen der Gradienten zu zwei oder mehr aufeinanderfolgenden Parameterwerten, einem um eine vorgegebene Totzeit vorausgegangenen Parameterwert, einem Gradienten zu dem vorausgegangenen Parameterwert, und einer Änderung des Gradienten zu dem vorausgegangenen Parameterwert enthalten.
  6. Verfahren nach einem der vorausgehenden Ansprüche, wobei die Ausgabedaten einen Zustandsvektor mit mindestens drei Zustandsgrößen für die Vorhersagedaten für jeden Ausgangsparameter umfassen, wobei die Zustandsgrößen einen ersten Vorhersagewert als erste Zustandsgröße, einen Differenzbetrag zwischen dem ersten Vorhersagewert und einem dem ersten Vorhersagewert vorausgehenden zweiten Vorhersagewert als zweite Zustandsgröße und einen Differenzbetrag aus dem ersten Differenzbetrag und einem Differenzbetrag zwischen dem zweiten Vorhersagewert und einem dem zweiten Vorhersagewert vorausgehenden dritten Vorhersagewert als dritte Zustandsgröße umfassen.
  7. Verfahren nach einem der vorausgehenden Ansprüche, wobei die berechneten Ausgabedaten für eine quasi-kontinuierliche Ausgabe interpoliert werden.
  8. Verfahren nach einem der vorhergehenden Ansprüche, wobei ein Zeitraum zur Vorhersage des zumindest einen Ausgangsparameters einstellbar ist, bevorzugt zwischen zumindest drei verschiedenen Zeiträumen, wobei ein Zeitraum mindestens eine Minute beträgt.
  9. Verfahren nach einem der vorausgehenden Ansprüche, wobei der mindestens eine Parameter des Verbrennungsluftkanalsystems, HLA, zumindest einen der folgenden Parameter umfasst: Primärluftdruck, Primärluft-Durchflussmenge, Sekundärluft-Durchflussmenge und Amaturstellung.
  10. Verfahren nach einem der vorausgehenden Ansprüche, wobei der mindestens eine Parameter des Rauchgasabführungskanalsystems, HNA, zumindest einen Messwert einer Sauerstoffkonzentration im Rauchgas und/oder einen Messwert, HNE, einer Kohlenstoffmonoxid-Emissionskonzentration im Rauchgas und /oder einen Messwert, HNE, einer NOx-Emissionskonzentration im Rauchgas umfasst, und/oder wobei der mindestens eine Parameter des Frischdampfleitungssystems, LBA, zumindest einen oder mehrere der folgenden Parameter umfasst: Druck im Frischdampfleitungssystem, LBA, Frischdampf-Durchflussmenge und Frischdampftemperatur.
  11. Verfahren nach einem der vorausgehenden Ansprüche, wobei die Vorhersage zumindest den Feuerraumtemperatur-Parameter und den Kohlenstoffmonoxid-Konzentrations-Parameter, bevorzugt auch den Stickstoffoxid-Konzentrations-Parameter und/oder den Frischdampfmenge-Parameter, umfasst.
  12. Verfahren nach einem der vorausgehenden Ansprüche, wobei das neuronale Netz ein dreischichtiges Netz mit einer Schicht von Input-Neuronen, einer Schicht von Hidden-Neuronen und einer Schicht von Output-Neuronen ist.
  13. Verfahren (100) nach einem der vorausgehenden Ansprüche, wobei das Verfahren (100) ferner folgende Schritte (200) zum Trainieren eines neuronalen Netzes umfasst: - Eingeben (201) von Eingabedaten in das neuronale Netz, wobei die Eingabedaten auf Parametern basieren, die zumindest einen Feuerraumtemperatur-Parameter, einen Parameter eines Brennstoffaufgabesystems (1), einen Parameter eines Verbrennungsluftkanalsystems, HLA, HNE, einen Parameter eines Rauchgasabführungskanalsystems, HNA, und einen Parameter eines Frischdampfleitungssystems, LBA, umfassen; - Eingeben (202) von Ausgabedaten in das neuronale Netz, wobei die Ausgabedaten zumindest Vorhersagedaten für mindestens eine Vorhersage, die mindestens einen Feuerraumtemperatur-Parameter, einen Kohlenstoffmonoxid-Emission-Konzentrations-Parameter des Rauchgases, einen Stickstoffoxid-Emission-Konzentrations-Parameter des Rauchgases oder einen Frischdampfmenge-Parameter enthält, umfassen; und - Trainieren (203) des neuronalen Netzes basierend auf den Eingabedaten und den Ausgabedaten, um das trainierte neuronale Netz zu erhalten.
  14. Verfahren (100) nach Anspruch 13, wobei der Schritt des Trainierens (203) umfasst: - Berechnen (203a) von berechneten Ausgabedaten basierend auf den Eingabedaten, und - Vergleichen (203b) der berechneten Ausgabedaten mit den eingegebenen Ausgabedaten.
  15. Verfahren nach Anspruch 13 oder 14, wobei die eingegebenen Ausgabedaten einen Zustandsvektor der Vorhersagedaten für jedes Vorhersageelement umfassen, und der Zustandsvektor der Vorhersagedaten für ein Vorhersageelement mehrere Zustandsgrößen der Vorhersagedaten eines Vorhersageelements umfasst, einschließlich mindestens eines von einem Vorhersagewert, einem Gradienten zu dem Vorhersagewert, einer Änderung des Gradienten zu dem Vorhersagewert, einem Mittelwert (12, 13, 14) über zwei oder mehr aufeinanderfolgende Vorhersagewerte, einem Mittelwert über Gradienten zu zwei oder mehr aufeinanderfolgenden Vorhersagewerten, einem Mittelwert über Änderungen der Gradienten zu zwei oder mehr aufeinanderfolgenden Vorhersagewerten, einem um eine vorgegebene Totzeit vorausgegangenen Vorhersagewert, einem Gradienten zu dem vorausgegangenen Vorhersagewert, und einer Änderung des Gradienten zu dem vorausgegangenen Vorhersagewert.
DE102022106628.2A 2022-03-22 2022-03-22 Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes Pending DE102022106628A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102022106628.2A DE102022106628A1 (de) 2022-03-22 2022-03-22 Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102022106628.2A DE102022106628A1 (de) 2022-03-22 2022-03-22 Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes

Publications (1)

Publication Number Publication Date
DE102022106628A1 true DE102022106628A1 (de) 2023-09-28

Family

ID=87930510

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022106628.2A Pending DE102022106628A1 (de) 2022-03-22 2022-03-22 Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes

Country Status (1)

Country Link
DE (1) DE102022106628A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10219251B3 (de) 2002-04-30 2004-01-22 Robert Bosch Gmbh Heizeinrichtung
EP2446193B1 (de) 2009-06-24 2014-05-07 Siemens Aktiengesellschaft Verfahren zur regelung eines verbrennungsprozesses, insbesondere in einem feuerraum eines fossilbefeuerten dampferzeugers, und verbrennungssystem
DE202019000735U1 (de) 2019-02-17 2019-03-21 Frank Gebhardt Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur Steuerung eines Müllkessels
EP4056898A1 (de) 2021-03-09 2022-09-14 SL-Technik GmbH Biomasse-heizanlage mit einer mittels maschinellem lernen optimierten steuereinrichtung und entsprechendes verfahren

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10219251B3 (de) 2002-04-30 2004-01-22 Robert Bosch Gmbh Heizeinrichtung
EP2446193B1 (de) 2009-06-24 2014-05-07 Siemens Aktiengesellschaft Verfahren zur regelung eines verbrennungsprozesses, insbesondere in einem feuerraum eines fossilbefeuerten dampferzeugers, und verbrennungssystem
DE202019000735U1 (de) 2019-02-17 2019-03-21 Frank Gebhardt Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur Steuerung eines Müllkessels
EP3696462B1 (de) 2019-02-17 2021-08-11 Uniper Technologies GmbH Verfahren zum steuern eines kessels einer müllverbrennungsanlage durch ein trainiertes neuronales netz und verfahren zum trainieren eines neuronalen netzes zum steuern eines kessels einer müllverbrennungsanlage
EP4056898A1 (de) 2021-03-09 2022-09-14 SL-Technik GmbH Biomasse-heizanlage mit einer mittels maschinellem lernen optimierten steuereinrichtung und entsprechendes verfahren

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
VGB PowerTech e.V.: KKS Kraftwerk-Kennzeichensystem : Anwendungs-Erläuterungen. Teil A, B, B1, B2, B3, B4. Essen : VGB PowerTech Service GmbH, 2004 (VGB-B ; 106). 304 S. - ISBN 978-3-86875-828-3
VGB PowerTech e.V.: KKS Kraftwerk-Kennzeichensystem : Begriffszuordnungsliste zum Aggregate- und Betriebsmittelschlüssel. Essen : VGB PowerTech Service GmbH, 1989 (VGB-B ; 105.1). 86 S. - ISBN 978-3-86875-334-9. - Originalschrift der NPL ist (aus urheberrechtlichen Gründen) in der DPMAprüfstoff-npl-datenbasis unter der ID 162417 abgelegt; Ersatzdokument in der Akte
VGB PowerTech e.V.: VGB-Standard : Dokumentenkennzeichen für Anlagen der Energieversorgung : VGB-S-832-00-2016-04-DE-EN (vormals/formerly VGB-B 103). Essen : VGB PowerTech Service GmbH, 2016 (VGB-S ; 832-00). 196 S. - ISBN 978-3-86875-930-3
VGB PowerTech e.V.: VGB-Standard : KKS Kraftwerk-Kennzeichensystem : Richtlinie und Schlüsselteil : VGB-S-811-01-2018-01-DE (vormals VGB-B 105). Bd. 1+2. 8. überarb. Ausg. Essen : VGB PowerTech Service GmbH, 2018 (VGB-S ; 811-01). Deckblatt u. Inhaltsverzeichnis. - ISBN 978-3-96284-040-2

Similar Documents

Publication Publication Date Title
DE69423895T2 (de) Virtuelles kontinuierliches emissionsüberwachungssystem mit gültigkeitsbestätigung des messfühlers
DE102019126310B4 (de) System und Verfahren zum Optimieren der Verbrennung eines Kessels
EP2048553B1 (de) Regelkreis zur Regelung eines Prozesses, insbesondere Verbrennungsprozesses
EP1906092B1 (de) Verfahren zur Regelung eines Verbrennungsprozesses
EP0815397B2 (de) Verfahren und vorrichtung zur feuerungsregelung einer dampferzeugeranlage
EP2080953B1 (de) Regelkreis und Verfahren zum Erstellen eines Prozessmodells hierfür
EP1890207B1 (de) Verfahren zum Erstellen eines Prozessmodells
DE3526384A1 (de) Verfahren und anordnung zur feinregulierung des brennstoffmengenstromes an brennerbetriebenen feuerungsanlagen durch messung des restsauerstoffes und des kohlenmonoxidgehaltes in den abgasen
EP2246755A1 (de) Regelkreis
Dal Pozzo et al. Economic and environmental benefits by improved process control strategies in HCl removal from waste-to-energy flue gas
Tronci et al. Monitoring pollutant emissions in a 4.8 MW power plant through neural network
EP1832810A1 (de) Regelung eines Abfallverbrennungsprozesses
EP3696462B1 (de) Verfahren zum steuern eines kessels einer müllverbrennungsanlage durch ein trainiertes neuronales netz und verfahren zum trainieren eines neuronalen netzes zum steuern eines kessels einer müllverbrennungsanlage
EP0499976B1 (de) Verfahren zum Betreiben einer Müllverbrennungsanlage
DE102022106628A1 (de) Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes
WO2021094291A1 (de) Verfahren und vorrichtung zur regelung der verbrennung in feuerungsanlagen
DE112016006642T5 (de) Eigenschaftsbewertungsvorrichtung für eine gasturbine und eigenschaftsbewertungsverfahren für eine gasturbine
EP1051585B1 (de) Verfahren und vorrichtung zum betreiben einer verbrennungsanlage
Chong et al. Prediction of gaseous emissions from a chain grate stoker boiler using neural networks of ARX structure
EP1693558A1 (de) Verfahren zur Schadstoffemissionsvorhersage von Verbrennungsprozessen
EP3214370B1 (de) Verfahren und vorrichtung zur verbrennung von festen organischen brennstoffen
DE102019002848A1 (de) Steuerungsvorrichtung einer anlage, anlage, steuerungsverfahren einer anlage und steuerungsprogramm einer anlage
DE202017006632U1 (de) Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur technischen und physikalischen Systemdarstellung des Verbrennungsprozesses einer Müllverbrennungsanlage
DE102019204422A1 (de) Vorhersage einer Verbrennungsdynamik einer Gasturbine
DE10227026A1 (de) Verfahren und Vorrichtung zur Regelung einer Rauchgasentstickungsanlage

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R081 Change of applicant/patentee

Owner name: GEBHARDT, FRANK, DE

Free format text: FORMER OWNER: UNIPER TECHNOLOGIES GMBH, 45896 GELSENKIRCHEN, DE

R082 Change of representative