【Objectif】En raison des caractéristiques fortement non linéaires, de longs délais et d’un couplage physique significatif dans l’état de fonctionnement des groupes thermiques au charbon, les méthodes de modélisation traditionnelles ont du mal à concilier précision dynamique et coût de déploiement. Cet article propose un modèle de prédiction collaboratif PID-CTNet (réseau de transformateurs convolutionnels à double branche informé par la physique). 【Méthode】Tout d’abord, basé sur le mécanisme de combustion, un espace de caractéristiques multi-sources est reconstruit, sélectionnant 27 variables physiques clés parmi 4 catégories : commande de charge, système de combustible et de fumée, paramètres thermodynamiques du fluide de travail et rétroactions historiques des indicateurs clés ; ensuite, une architecture hybride CNN-Transformer est construite dans un cadre d’apprentissage profond multitâche, la partie avant utilise un réseau de convolution temporel (TCN) pour capturer les variations transitoires locales et réduire la dimensionnalité, la partie arrière introduit le mécanisme d’attention automatique du Transformer pour traiter les dépendances temporelles longues avec de grands délais ; enfin, un mécanisme de partage de paramètres est utilisé pour réaliser la prédiction simultanée des émissions de NOx, SO2, CO et des températures de vapeur principale/réchauffée. 【Résultats】Les expériences montrent que ce modèle de bout en bout atteint une RMSE de 2.895, une erreur absolue moyenne de 1.654, une erreur absolue moyenne en pourcentage de 0.565%, un coefficient de détermination de 0.957, avec une erreur de prédiction des principaux paramètres industriels inférieure à 3%, surpassant nettement les modèles temporels traditionnels et les méthodes mono-tâches. Les expériences d’ablation confirment en outre l’amélioration de la précision, de la stabilité et de la robustesse du modèle aux conditions complexes grâce à la connaissance préalable physique, à la structure collaborative TCN-Transformer et au mécanisme multitâche. 【Conclusion】Le modèle PID-CTNet intègre les mécanismes physiques et les avantages de l’apprentissage profond, conciliant précision de prédiction et efficacité de calcul, offrant une solution allégée pour l’exploitation intelligente des groupes thermiques au charbon.

Groupes thermiques au charbon;CNN-Transformer;mécanisme physique;apprentissage multitâche;prédiction collaborative