【Objectif】 Améliorer la vitesse de réponse et l'économie pendant la phase instable de montée en charge au démarrage et de descente en charge à l'arrêt des groupes à charbon dans des conditions de réglage profond de la charge. 【Méthode】 Basé sur les données de plusieurs mois d'exploitation en démarrage et arrêt d'une unité de 660 MW sous DCS, on utilise d'abord une fenêtre glissante avec seuils et critères d'état stable pour identifier les segments instables du processus de démarrage et arrêt, puis on applique le coefficient d'information maximal pour sélectionner les variables caractéristiques fortement corrélées à la puissance, et on introduit une caractéristique de progression du processus pour représenter l'avancement dans les phases de démarrage et arrêt. Pour gérer les différences conditionnelles entre les mois, les données de chaque segment sont stratifiées par chronologie, et des modèles proxy de prédiction de puissance utilisant LightGBM et Transformer sont construits, avec optimisation bayésienne des hyperparamètres. Enfin, les modèles entraînés sont intégrés dans NSGA-Ⅱ pour optimiser la vitesse de variation de charge et réduire la consommation de combustible, tout en respectant les contraintes de sécurité, et produire des trajectoires de valeurs réalisables. 【Résultats】 Le modèle de prédiction des segments instables conserve une bonne capacité de généralisation entre mois ; après optimisation par NSGA-II, la durée moyenne des phases instables de démarrage et arrêt est réduite d'environ 5,34%, et la consommation cumulée de combustible baisse d'environ 3,53%. 【Conclusion】 La méthode d'optimisation du démarrage et arrêt basée sur la modélisation proxy pilotée par données et l'optimisation multi-objectifs permet de réduire à la fois le temps de mise en marche et l'arrêt, ainsi que la consommation de carburant, sous contrainte de sécurité, offrant un support technique pour la flexibilité du réglage de la charge et la prise de décision d'exploitation en ligne des groupes à charbon.

groupe à charbon; réglage profond de la charge; démarrage et arrêt rapides; piloté par données; algorithme d'optimisation hybride