Um den hohen Anforderungen des selektiven katalytischen Reduktionssystems (selective catalytic reduction, SCR) zur Vorhersage der Massenkonzentration von Stickoxiden (NO_x) bei Kohlekraftwerken gerecht zu werden, wurde ein Soft-Messtechnik- und Bereitstellungskonzept entworfen und vorgeschlagen, das hohe Genauigkeit und geringe Latenz kombiniert. Basierend auf über 110.000 hochdimensionalen Betriebsdatensätzen einer 660-MW-Kohleeinheit wurden auf einer einheitlichen Plattform systematisch zwei Modelle verglichen: Deep Learning (DL) und XGBoost (extreme gradient boosting). Dabei kamen zeitliche Kreuzvalidierung kombiniert mit Gittersuche zur Optimierung der Hyperparameter zum Einsatz, und es erfolgte eine ganzheitliche Bewertung hinsichtlich Vorhersagegenauigkeit, Rechenleistung und Interpretierbarkeit. Darauf aufbauend wurde eine kooperative Bereitstellungsstrategie "Edge–Embedded" vorgeschlagen, bei der das DL-Modell auf Edge-Servern zur hochpräzisen Vorhersage bereitgestellt und das XGBoost-Modell in das verteilte Steuerungssystem (distributed control system, DCS) eingebettet wird, um die Echtzeitfähigkeit sicherzustellen. Die Ergebnisse zeigen, dass das DL-Modell in der dynamischen Reaktion und Vorhersagegenauigkeit überlegen ist: Der mittlere quadratische Fehler im Testdatensatz wurde gegenüber dem XGBoost-Modell um etwa 10 % reduziert, und das DL-Modell bleibt auch bei stark schwankenden Betriebsbedingungen stabil; die Analyse der Variablenbedeutung zeigte, dass der Sauerstoffgehalt im Rauchgas, die Brennerwandtemperatur und der Gesamtluftstrom die Hauptfaktoren für die NO_x-Bildung sind. Die vorgeschlagene kooperative Bereitstellungsarchitektur kann theoretisch millisekundenschnelle Inferenz ermöglichen und verfügt über eine Offline-Fehlertoleranz.

NO_x-Massenkonzentrationsvorhersage;Deep Learning;Variablenbedeutung;Edge Computing;Modellbereitstellung