Case Study

Prädiktion der Wärmeverschiebung in Waste-to-Energy-Anlagen (AVK(V)IN)

Entwicklung eines robusten Machine-Learning-Workflows zur Vorhersage thermischer Verlagerung in Müllheizkraftwerken – von Datenaufbereitung über Modellvergleich bis zur Ableitung eines operativen Frühwarnindikators für Predictive Maintenance.

Predictive Maintenance Zeitreihenanalyse Energieanlagen Robust ML

Greifer im Müllbunker einer Waste-to-Energy-Anlage

Ausgangssituation

In Müllheizkraftwerken verursacht Ruß- und Ascheablagerung im Dampferzeuger thermische Verlagerung: Der Wärmeübergang in vorderen Komponenten sinkt, nachgelagerte Bauteile werden stärker belastet.

sinkender Wirkungsgrad der Anlage
erhöhte thermische Belastung einzelner Komponenten
ungeplante Anlagenstillstände zur Reinigung
hohe wirtschaftliche Verluste, geringere Verfügbarkeit

Ziel des Projekts

Thermische Verlagerung frühzeitig vorhersagen, um Wartung und Reinigung vorausschauend zu planen und ungeplante Stillstände zu vermeiden.

Predictive Maintenance statt reaktiver Reinigung
mehr Effizienz und Betriebssicherheit
höhere Anlagenverfügbarkeit

Schema der thermischen Verlagerung im Dampferzeuger einer WtE-Anlage — Wärmeverschiebung in WtE-Anlagen, die in Dampferzeugern auftritt. Das rote Quadrat markiert die Stelle im Dampferzeuger, an der Rußpartikel die Wärmetauscher blockieren und eine Wärmeverschiebung auf andere Komponenten verursachen.

Datenbasis

Umfang

250.000+ Messwerte

über zwei Jahre

Sensorik

14 Prozesssensoren

Temperatur, Druck, Massen- & Volumenströme

Zielgrößen

Wärmestromgrößen

drei Überhitzer + Economizer

Die Daten waren realitätsnah, aber herausfordernd: starke Ausreißer (u. a. durch verändertes Abfallaufkommen während COVID‑19), fehlende Werte und nicht-stationäre Zeitreihen mit saisonalen Effekten.

Datenaufbereitung

robuste Ausreißerbehandlung (angepasste IQR‑Methode)
Interpolation fehlender Werte
Aggregation von 5‑Minuten‑ auf Stundenwerte
Feature Engineering: Time Since Cleaning, Time Since Revision, Wetterdaten

Modellentwicklung

ARIMA, SARIMA, SARIMAX als klassische Zeitreihenmodelle
LSTM‑Modelle mit unterschiedlichen Komplexitäten
univariate vs. multivariate Ansätze im Vergleich

Validierung

Eine eigens entwickelte Five‑Day Forward‑Chaining Nested Cross‑Validation simuliert den produktiven Einsatz realistisch und ermöglicht robuste Fehlerabschätzung.

realistische Deployment‑Simulation robuste Fehlermaße (MDAPE) belastbare Modellvergleiche

Vorhersage der Leistung eines Überhitzers mit vorhergesagter und tatsächlicher Leistung — Vorhersage der Leistung: In blau wird die bisherige Leistung eines Überhitzers (Teilkomponente) in einem Abfallverbrennungskraftwerk visualisiert. Die orange Kurve zeigt die vorhergesagte und die grüne die tatsächliche Leistung. Die graue Fläche zeigt mögliche Vorhersageschwankungen auf.

Zentrales Ergebnis

ARIMA erwies sich als sehr robuster und zuverlässiger Baseline‑Ansatz. SARIMAX und LSTM lieferten bei bestimmten Komponenten zusätzliche Vorteile. Durch die Vorhersage der relevanten Wärmeströme konnte ein Heat‑Flow‑Ratio definiert werden, das als direkter Indikator für thermische Verlagerung dient. Wird ein definierter Schwellwert überschritten, kann präventiv eine Reinigung ausgelöst werden.

Mehrwert & Impact

zustandsbasierte, datengetriebene Wartung
reduzierte Stillstände und Betriebskosten
höhere Effizienz und längere Lebensdauer
übertragbar auf andere WtE‑Anlagen
perspektivisch edge‑fähig

Projektfakten

Domain: Waste-to-Energy
Standort: Hannover
Horizont: 5‑Tage‑Forecast
Output: Frühwarnindikator

Weiterführendes Material

Wenn du tiefer einsteigen oder über ähnliche Projekte sprechen möchtest, melde dich gern.

Weiterführender Artikel

Künstliche Intelligenz fördert nachhaltige Abfallentsorgung

Artikel lesen

Unveröffentlichtes Paper

Using (robust) machine learning techniques for the prediction of (future) process behaviour

Felix Schmedes, Lisa Dawel, Alexandra Pehlken

Hinweis: Dieses Paper ist noch nicht veröffentlicht.

PDF öffnen

Zurück zur Startseite Kontakt aufnehmen