Afin de répondre à la forte demande du système de réduction catalytique sélective (selective catalytic reduction, SCR) pour la prévision de la concentration massique des oxydes d'azote (NO_x) dans les groupes de production au charbon, une méthode de mesure douce et de déploiement combinant haute précision et faible latence a été conçue et proposée. Basée sur plus de 110 000 ensembles de données opérationnelles haute dimension d'une unité au charbon de 660 MW, une comparaison systématique entre deux modèles, l'apprentissage profond (deep learning, DL) et XGBoost (extreme gradient boosting), a été réalisée sur une plateforme unifiée, avec validation croisée temporelle et recherche par grille pour optimiser les hyperparamètres. Une évaluation globale a été menée en termes de précision de prévision, efficacité de calcul et interprétabilité. Sur cette base, une stratégie de déploiement collaborative "périphérie–embarqué" a été proposée, déployant le modèle DL sur un serveur en périphérie pour obtenir des résultats de haute précision, et le modèle XGBoost intégré dans les systèmes de contrôle distribués (distributed control system, DCS) pour garantir la réactivité en temps réel. Les résultats montrent que le modèle DL présente de meilleures performances en réponse dynamique et précision, avec une réduction d’environ 10 % de l’erreur quadratique moyenne sur le jeu de test par rapport au modèle XGBoost, tout en maintenant la stabilité lors de fortes fluctuations des conditions opératoires ; l’analyse de l’importance des variables révèle que la teneur en oxygène des gaz de combustion, la température de la paroi du brûleur et le débit d’air total sont les principaux facteurs influençant la génération de NO_x. L’architecture de déploiement collaborative proposée peut théoriquement réaliser une inférence en millisecondes tout en disposant de capacités de tolérance aux pannes hors ligne.

Prévision de la concentration massique de NO_x;Apprentissage profond;Importance des variables;Calcul en périphérie;Déploiement de modèles