【Ziel】Angesichts des stark nichtlinearen Verhaltens, großer Verzögerungen und signifikanter physikalischer Kopplung des Betriebszustands von kohlebefeuerten Kraftwerken ist es für traditionelle Modellierungsmethoden schwierig, eine Balance zwischen dynamischer Genauigkeit und Bereitstellungskosten zu finden. In diesem Artikel wird ein kooperatives Vorhersagemodell PID-CTNet (physik-informiertes dual-branch convolutional transformer Netzwerk) vorgeschlagen. 【Methode】Zunächst wird basierend auf dem Verbrennungsmechanismus ein multiquellen Merkmalraum rekonstruiert, wobei 27 wichtige physikalische Größen aus vier Variablentypen selektiert werden: Lastanweisung, Brennstoff- und Rauchgassystem, thermodynamische Parameter des Arbeitsmediums und historische Rückmeldungen zu Schlüsselleistungsindikatoren; anschließend wird ein multitasking Deep-Learning-Framework mit hybrider CNN-Transformer-Architektur aufgebaut, wobei die Front-End mit zeitlichen CNNs (TCN) lokale transiente Veränderungen erfasst und Dimensionsreduktion vornimmt, während im Back-End der Transformer-Selbstaufmerksamkeitsmechanismus zur Verarbeitung von großen Verzögerungen und langzeitlichen Abhängigkeiten eingesetzt wird; zuletzt wird durch einen Parameter-Sharing-Mechanismus eine simultane Vorhersage von NOx-, SO2-, CO-Emissionen sowie Haupt-/Überhitzerdampftemperaturen realisiert. 【Ergebnisse】Experimente zeigen, dass dieses End-to-End-Modell eine RMSE von 2,895, eine mittlere absolute Abweichung von 1,654, eine mittlere absolute prozentuale Abweichung von 0,565 % und einen Bestimmtheitsmaß von 0,957 erreicht, wobei die Vorhersagefehler wichtiger industrieller Parameter unter 3 % liegen und es traditionelle Zeitreihenmodelle sowie Einzelaufgabenmethoden deutlich übertrifft. Ablationsstudien bestätigen die Verbesserung von Genauigkeit, Stabilität und Robustheit gegenüber komplexen Betriebsbedingungen durch die physikalische Vorinformation, die kooperative TCN-Transformer-Struktur und den Multitasking-Mechanismus. 【Schlussfolgerung】Das PID-CTNet-Modell vereint physikalische Mechanismen mit den Vorteilen des Deep Learning und berücksichtigt sowohl Vorhersagegenauigkeit als auch Rechenleistung, wodurch eine leichtgewichtige Lösung für den intelligenten Betrieb kohlebefeuerter Kraftwerke bereitgestellt wird.

Kohlekraftwerke;CNN-Transformer;Physikalischer Mechanismus;Multitasking-Lernen;Kooperative Vorhersage