【목적】석탄 화력 발전소의 운전 상태가 강한 비선형성, 긴 지연 및 뚜렷한 물리적 결합 특성을 가지므로 전통적인 모델링 방법은 동적 정확성과 배포 비용을 동시에 충족하기 어렵다. 본 논문에서는 물리적 사전 지식을 통합한 PID-CTNet(physics-informed dual-branch convolutional transformer network) 협동 예측 모델을 제안한다. 【방법】우선 연소 메커니즘에 기반하여 다중 출처 특성 공간을 재구성하고 부하 명령, 연료 및 연도 시스템, 작업 매체 열역학 매개변수 및 주요 지표 과거 피드백의 4가지 변수 유형에서 27차원 주요 물리량을 선별하였다. 다음으로, 합성곱 신경망(CNN)-Transformer 혼합 아키텍처의 다중 작업 딥 러닝 프레임워크를 구축하였으며, 전단에서는 시간 합성곱 신경망(TCN)으로 국부적 순간 변화를 포착하고 차원 축소를 수행하고, 후단에서는 Transformer 자기 주의 메커니즘을 도입하여 전역 수용 영역을 통해 큰 지연과 긴 시계열 의존성을 처리하였다. 마지막으로 파라미터 공유 메커니즘을 통해 NO_x, SO₂, CO 배출 및 주/재열 증기 온도를 동시 예측하였다. 【결과】실험 결과 본 엔드 투 엔드 모델은 RMSE 2.895, 평균 절대 오차 1.654, 평균 절대 백분율 오차 0.565%, 결정 계수 0.957의 고정밀 지표를 달성하였으며 산업 주요 파라미터 예측 오류는 3% 미만으로 전통 시계열 모델 및 단일 작업 방법보다 현저히 우수하였다. 소거 실험을 통해 물리적 사전 지식, TCN-Transformer 협동 구조 및 다중 작업 메커니즘이 모델 정확성, 안정성 및 복잡한 작업 조건에서의 강인성 향상에 기여함을 추가로 검증하였다. 【결론】PID-CTNet 모델은 물리 메커니즘과 심층 학습의 장점을 융합하여 예측 정확성과 계산 효율성을 모두 고려한 경량화된 석탄 화력 발전소 지능형 운전 솔루션을 제공한다.

석탄 화력 발전소;CNN-Transformer;물리 메커니즘;다중 작업 학습;협동 예측