【Objetivo】Devido à forte não linearidade, grande atraso e acoplamento físico significativo no estado operacional das unidades a carvão, métodos tradicionais de modelagem têm dificuldade para equilibrar precisão dinâmica e custo de implementação. Este artigo propõe um modelo de previsão colaborativa PID-CTNet (rede transformadora convolucional de dupla ramificação informada pela física). 【Método】Primeiramente, baseado no mecanismo de combustão, é reconstruído um espaço de características de múltiplas fontes, selecionando 27 quantidades físicas chave entre 4 tipos de variáveis: comando de carga, sistema de combustível e fumaça, parâmetros termodinâmicos do fluido de trabalho e feedback histórico dos indicadores chave; em seguida, é construído um framework de aprendizado profundo multitarefa com arquitetura híbrida CNN-Transformer, onde a parte frontal utiliza redes neurais convolucionais temporais (TCN) para capturar variações transitórias locais e reduzir dimensionalidade, e a parte traseira introduz o mecanismo de atenção automática do Transformer para lidar com dependências de longo prazo e grandes atrasos; finalmente, através de um mecanismo de compartilhamento de parâmetros, realiza-se previsão simultânea das emissões de NOx, SO2, CO e das temperaturas do vapor principal/reaquecido. 【Resultados】Os experimentos demonstram que o modelo end-to-end alcança erro quadrático médio raiz de 2,895, erro absoluto médio de 1,654, erro percentual absoluto médio de 0,565%, coeficiente de determinação de 0,957, com erro de previsão inferior a 3% para parâmetros industriais chave, superando significativamente modelos tradicionais de séries temporais e métodos de tarefa única. Experimentos de ablação confirmam o papel do conhecimento físico a priori, estrutura colaborativa TCN-Transformer e mecanismo multitarefa na melhoria da precisão, estabilidade e robustez do modelo sob condições complexas. 【Conclusão】O modelo PID-CTNet integra mecanismos físicos e vantagens do aprendizado profundo, conciliando precisão preditiva e eficiência computacional, oferecendo uma solução leve para operação inteligente de unidades a carvão.

Unidades a carvão;CNN-Transformer;mecanismo físico;aprendizado multitarefa;previsão colaborativa