【Objetivo】 Estabelecer um modelo dinâmico preciso e eficiente é a chave para otimizar estratégias de controle e melhorar a flexibilidade operacional de unidades geradoras a carvão.【Método】 Propõe-se um método de modelagem dinâmica do sistema de coordenação caldeira-turbina de unidades a carvão ultra-supercríticas baseado em rede neural informada pela física, para prever parâmetros-chave como pressão do vapor principal, entalpia do vapor na saída do separador de água e vapor e potência gerada. O método utiliza uma rede neural feedforward convencional como estrutura básica, integrando as leis dinâmicas fundamentais de conversão de energia e massa na função de perda da rede neural, permitindo que a rede aprenda as características dos dados enquanto satisfaz as leis físicas fundamentais, melhorando a precisão, interpretabilidade e capacidade de generalização do modelo.【Resultados】 Os resultados da simulação mostram que, em cenários com dados suficientes, o coeficiente de determinação (R2) nas previsões de um passo e múltiplos passos do método de rede neural informada pela física é superior a 0,99; em cenários com escassez de dados, mantém alta precisão preditiva, com o erro quadrático médio (RMSE) da pressão do vapor principal na previsão de múltiplos passos tendo erro relativo inferior a 1%, e o RMSE da entalpia do vapor na saída do separador e da potência gerada mantendo erro relativo inferior a 0,75%. Nos dois cenários, o método proposto supera significativamente os métodos tradicionais de redes neurais, comprovando a eficácia e superioridade do método de modelagem proposto.【Conclusão】 Os resultados da pesquisa fornecem uma nova abordagem de modelagem eficiente e confiável para a otimização do controle coordenado de unidades a carvão, tendo importância significativa para a melhoria do desempenho do controle e otimização da operação flexível.

Unidade geradora de carvão ultra-supercrítica; sistema de coordenação caldeira-turbina; modelagem dinâmica; aprendizado profundo; redes informadas pela física