【目的】石炭火力発電ユニットの運転状態は強い非線形性、大きな遅延および著しい物理的結合を特徴としており、従来のモデリング手法では動的精度と展開コストの両立が難しい。本稿では物理的先験知識を融合したPID-CTNet（physics-informed dual-branch convolutional transformer network）協調予測モデルを提案する。【方法】まず、燃焼メカニズムに基づき多元的特徴空間を再構築し、負荷指令、燃料および煙道系、作動流体熱力学パラメータおよび主要指標の履歴フィードバックの4種類の変数から27次元の主要物理量を選択した。次に、畳み込みニューラルネットワーク（CNN）-Transformer混合アーキテクチャによるマルチタスク深層学習フレームワークを構築し、前段は時間畳み込みニューラルネットワーク（TCN）で局所的な瞬時変化を捉えて次元削減を行い、後段はTransformerの自己注意機構を導入し大遅延の長期時系列依存をグローバル受容野で処理する。最後にパラメータ共有機構によりNO_x、SO₂、CO排出量および主蒸気/再熱蒸気温度の同期予測を実現した。【結果】実験結果、本エンドツーエンドモデルはRMSE 2.895、平均絶対誤差1.654、平均絶対誤差率0.565%、決定係数0.957の高精度指標を達成し、工業的主要パラメータの予測誤差は3%未満であり、従来の時系列モデルや単一タスク手法を大幅に上回った。アブレーション実験により物理先験知識、TCN-Transformer協調構造およびマルチタスク機構がモデルの精度、安定性および複雑作業条件に対する頑健性を向上させることをさらに検証した。【結論】PID-CTNetモデルは物理メカニズムと深層学習の利点を融合し、予測精度と計算効率を両立させ、石炭火力ユニットの知能運転に対する軽量化された解決策を提供する。

石炭火力ユニット;CNN-Transformer;物理メカニズム;マルチタスク学習;協調予測