【Цель】Из-за сильной нелинейности, больших задержек и значительной физической связи в работе угольных энергетических установок традиционные методы моделирования испытывают трудности с балансировкой динамической точности и затрат на развертывание. В данной статье предлагается совместная модель прогнозирования PID-CTNet (физически информированная двухветвистая сверточная трансформерная сеть). 【Методы】Во-первых, на основе механизма сгорания воссоздается многомерное пространство признаков, отбирается 27 ключевых физических величин из четырёх типов переменных: команд нагрузки, системы топлива и дымовых газов, термодинамических параметров рабочего тела и исторических данных ключевых показателей; во-вторых, строится многофункциональная глубокая нейросеть с гибридной архитектурой CNN-Transformer, где передняя часть использует временные сверточные сети (TCN) для захвата локальных мгновенных изменений и снижения размерности, а задняя часть внедряет механизм самовнимания трансформера для обработки больших задержек и долгосрочной зависимости; наконец, через механизм совместного использования параметров реализуется синхронное прогнозирование выбросов NOx, SO2, CO и температуры основного/перегретого пара. 【Результаты】Эксперименты показали, что данная энд-ту-энд модель достигает среднеквадратичной ошибки 2.895, средней абсолютной ошибки 1.654, средней абсолютной процентной ошибки 0.565%, коэффициента детерминации 0.957, а ошибка прогноза ключевых промышленных параметров менее 3%, значительно превосходя традиционные временные модели и однофункциональные методы. Абляционные эксперименты дополнительно подтвердили влияние физического приоритета, кооперативной структуры TCN-Transformer и многофункционального механизма на точность, стабильность модели и её устойчивость к сложным рабочим условиям. 【Вывод】Модель PID-CTNet объединяет достоинства физического механизма и глубинного обучения, сочетая точность прогнозирования и вычислительную эффективность, предоставляя лёгкое решение для интеллектуальной работы угольных энергетических установок.

Угольные энергетические установки;CNN-Transformer;Физические механизмы;Многофункциональное обучение;Совместное прогнозирование