【Objectif】 Établir un modèle dynamique précis et efficace est la clé pour optimiser la stratégie de contrôle et améliorer la flexibilité de fonctionnement des unités de production électrique au charbon.【Méthode】 Une méthode de modélisation dynamique du système de coordination chaudière-turbine pour unité de charbon ultra-supercritique basée sur un réseau de neurones informé par la physique est proposée, afin de prédire des paramètres clés tels que la pression de la vapeur principale, l’enthalpie de la vapeur à la sortie du séparateur eau-vapeur et la puissance générée. La méthode repose sur un réseau de neurones feed-forward conventionnel en intégrant les lois dynamiques fondamentales de conversion d’énergie et de matière sous forme de fonction de perte dans l’architecture d’apprentissage du réseau, permettant au réseau d’apprendre les caractéristiques des données tout en respectant les lois physiques fondamentales, améliorant ainsi la précision, l’interprétabilité et la capacité de généralisation du modèle.【Résultats】 Les résultats de simulation montrent que dans un contexte de données abondantes, le coefficient de détermination (R2) des prédictions à un pas et à plusieurs pas dépasse 0,99 pour la méthode à réseau de neurones informé par la physique ; dans un contexte de données rares, la méthode maintient une haute précision prédictive : l’erreur quadratique moyenne (RMSE) des prédictions multi-pas de la pression de vapeur principale est inférieure à 1% en erreur relative, et celle de l’enthalpie vapeur en sortie de séparateur ainsi que de la puissance générée est inférieure à 0,75%. Dans les deux cas, la méthode proposée surpasse nettement les méthodes classiques de réseaux neuronaux, prouvant ainsi son efficacité et sa supériorité.【Conclusion】 Les résultats de cette étude offrent une nouvelle approche fiable et efficace pour la modélisation de l’optimisation du contrôle coordonné des unités au charbon, jouant un rôle important dans l’amélioration des performances de contrôle et de la flexibilité opérationnelle.

Unité au charbon ultra-supercritique; système de coordination chaudière-turbine; modélisation dynamique; apprentissage profond; réseaux informés par la physique