Para atender à alta demanda do sistema de redução catalítica seletiva (selective catalytic reduction, SCR) em usinas termoelétricas a carvão pela previsão da concentração mássica de óxidos de nitrogênio (NO_x), foi projetada e proposta uma solução de medição suave e implantação que combina alta precisão e baixa latência. Com base em mais de 110 mil conjuntos de dados operacionais de alta dimensão de uma unidade termelétrica a carvão de 660 MW, uma comparação sistemática foi realizada em uma plataforma unificada entre dois modelos: deep learning (DL) e XGBoost (extreme gradient boosting). Foi utilizada a validação cruzada temporal combinada com busca em grade para otimizar os hiperparâmetros do modelo, e a avaliação abrangente considerou precisão preditiva, eficiência computacional e interpretabilidade. Com base nisso, foi proposta uma estratégia cooperativa de implantação “borda–embutida”, implementando o modelo DL em servidores de borda para obter resultados de alta precisão e integrando o modelo XGBoost em sistemas de controle distribuído (distributed control system, DCS) para garantir a capacidade de tempo real. Os resultados indicam que o modelo DL apresenta melhor resposta dinâmica e precisão preditiva, reduzindo o erro quadrático médio no conjunto de teste em cerca de 10% em comparação ao modelo XGBoost, mantendo a estabilidade em condições de operação voláteis; a análise da importância das variáveis revelou que o teor de oxigênio nos gases de combustão, a temperatura da parede do queimador e o fluxo total de ar são os principais fatores que afetam a geração de NO_x. A arquitetura cooperativa de implantação proposta pode teoricamente realizar inferência em milissegundos e possui capacidade de tolerância a falhas offline.

Previsão de concentração mássica de NO_x;Deep learning;Importância das variáveis;Computação de borda;Implantação de modelos