Avec l'augmentation de la demande de flexibilité de fonctionnement des chaudières des centrales électriques, un fonctionnement à charge variable fréquent entraîne de fortes fluctuations de la teneur en polluants et des paramètres des fumées, la modélisation des paramètres clés pour un polluant unique ou un paramètre de fumée ne peut plus répondre aux besoins réels de la centrale électrique, il est donc nécessaire de considérer la couplage de multiples paramètres clés pour modéliser une prévision collaborative. Sur la base des données historiques de fonctionnement des centrales électriques au charbon, une extraction de caractéristiques est effectuée en utilisant une fonction noyau et une structure partagée de paramètres durs est construite à partir d'un réseau de neurones à mémoire court-long pour la modélisation collaborative de prévisions multi-tâches, en optimisant le modèle de prévision à l'aide de la perte d'incertitude. Les résultats expérimentaux montrent que le modèle de prévision proposé présente une précision de prévision élevée dans des conditions de charge variable, réduisant l'erreur quadratique moyenne pour des paramètres clés tels que le pourcentage d'oxygène dans les fumées à la sortie de l'échangeur de chaleur d'air, la température des fumées, la concentration massique de l'oxyde d'azote NO_x à la sortie de la chambre de combustion respectivement de 25,5%, 41,8% et 4,7%. La méthode proposée peut prévoir plusieurs paramètres clés des chaudières dans des conditions de charge variable, contribuer à la maîtrise de la pollution et à l'optimisation de l'efficacité de la combustion des centrales électriques, fournir un support technique pour un fonctionnement intelligent de la centrale électrique.

coal-fired boiler;prediction model;LSTM neural network;multi-task learning;uncertainty loss