【الهدف】نظرًا للطبيعة شديدة غير الخطية والتأخير الكبير والاقتران الفيزيائي الواضح لحالة تشغيل مجموعات توليد الطاقة بالفحم، تواجه طرق النمذجة التقليدية صعوبة في تحقيق التوازن بين دقة الديناميكا وتكلفة النشر. في هذه المقالة، نقترح نموذج التنبؤ التعاوني PID-CTNet (الشبكة التلافيفية ذات الفرعين المستندة إلى المحولات والمستنيرة فيزيائيًا). 【الطريقة】أولاً، بناءً على آلية الاحتراق، يتم إعادة بناء مساحة الميزات متعددة المصادر، ويتم اختيار 27 كمية فيزيائية رئيسية من 4 أنواع من المتغيرات تشمل أوامر الحمولة، ونظام الوقود والدخان، والمعلمات الحرارية للوسط العامل، وردود الفعل التاريخية للمؤشرات الرئيسية؛ ثانيًا، يتم بناء إطار تعلم عميق متعدد المهام باستخدام بنية هجينة شبكات عصبية تلافيفية (CNN) ومحولات (Transformer)، حيث يستخدم الطرف الأمامي شبكات التلافيف الزمنية (TCN) لالتقاط التغيرات المؤقتة المحلية وتقليل الأبعاد، ويستخدم الطرف الخلفي آلية الانتباه الذاتي لمحولات لمعالجة علاقات تسلسلية طويلة المدى مع تأخير كبير؛ أخيرًا، يتم تطبيق آلية مشاركة المعلمات لتحقيق التنبؤ المتزامن لانبعاثات NOx وSO2 وCO ودرجات حرارة البخار الرئيسية/المعاد تسخينها. 【النتائج】تظهر التجارب أن النموذج الشامل يحقق RMSE بمقدار 2.895، ومتوسط الخطأ المطلق 1.654، ومتوسط نسبة الخطأ المطلق 0.565٪، ومعامل التحديد 0.957، مع خطأ تنبؤ أقل من 3٪ للمعلمات الصناعية الرئيسية، متفوقًا بشكل كبير على النماذج الزمنية التقليدية والطرق أحادية المهمة. تؤكد تجارب الإزالة الدور المحسن للمعرفة الفيزيائية، والبنية التعاونية TCN-Transformer، وآلية المهام المتعددة على دقة النموذج، الثبات، ومتانة ظروف العمل المعقدة. 【الاستنتاج】يجمع نموذج PID-CTNet بين آليات الفيزياء وميزات التعلم العميق لتحقيق التوازن بين دقة التنبؤ وكفاءة الحوسبة، موفرًا حلاً خفيف الوزن للتشغيل الذكي لمجموعات توليد الطاقة بالفحم.

مجموعات توليد الطاقة بالفحم;CNN-Transformer;آلية فيزيائية;التعلم متعدد المهام;التنبؤ التعاوني