Datenbasierte Bi-Level-Optimierung von Wärmekraftwerken mit neuronalen Netzen

Eine neue, vollständig maschinelles Lernen basierte Methode zur Bi-Level-Optimierung von industriellen Wärmekraftwerken wurde vorgestellt. Durch die Kombination von künstlichen neuronalen Netzwerken (ANN) und den Karush‑Kuhn‑Tucker (KKT)-Optimalitätsbedingungen wird die komplexe, hierarchisch strukturierte Optimierung von Leistungsvariablen in Echtzeit möglich.

Traditionell sind die simultanen Optimierungsaufgaben in Wärmekraftwerken aufgrund ihrer stark gekoppelt­en Variablen und der hierarchischen Wichtigkeit der Ziele rechenintensiv oder sogar unlösbar. Diese Einschränkung verhindert eine effiziente, skalierbare Betriebsoptimierung.

Das neue Framework approximiert die Zielfunktionen der oberen und unteren Ebene mit ANN-Modellen und bindet die untere Ebene analytisch über die KKT-Bedingungen ein. Das resultierende einstufige Optimierungsmodell – ANN‑KKT – vereint die Genauigkeit von neuronalen Netzen mit der mathematischen Strenge der KKT‑Kriterien.

Die Methode wurde zunächst an klassischen Benchmark‑Problemen getestet und anschließend auf reale Kraftwerksdaten angewendet: ein 660‑MW‑Kohlekraftwerk und ein 395‑MW‑Gas­turbinen­system. Die erzielten Lösungen sind mit den klassischen Bi‑Level‑Ergebnissen vergleichbar, während die Rechenzeit auf nur 0,22 bis 0,88 Sekunden sinkt.

Die Optimierung liefert für das Kohlekraftwerk 583 MW und für die Gas­turbine 402 MW Spitzenleistung bei optimalen Wärme­raten von 7337 kJ/kWh bzw. 7542 kJ/kWh. Darüber hinaus ermöglicht das Verfahren die Definition eines robusten Betriebs­umfangs, der Unsicherheiten in den Betriebsvariablen berücksichtigt und gleichzeitig die thermische Effizienz maximiert.

Diese Ergebnisse zeigen, dass das ANN‑KKT‑Framework ein leistungsfähiges Werkzeug für die datengetriebene Optimierung großer industrieller Energiesysteme darstellt und das Potenzial hat, die betriebliche Effizienz von Wärmekraftwerken signifikant zu steigern.