Con el aumento de la demanda de flexibilidad operativa de las calderas de las centrales eléctricas, una operación de carga variable frecuente conduce a fuertes fluctuaciones en el contenido de contaminantes y parámetros de gases de combustión, la modelización de parámetros clave para un contaminante único o un parámetro de gases de combustión ya no puede satisfacer las necesidades reales de la central eléctrica, por lo que es necesario considerar el acoplamiento de múltiples parámetros clave para modelar una previsión colaborativa. Sobre la base de datos históricos de operación de centrales eléctricas de carbón, se realiza una extracción de características mediante la aplicación de una función núcleo y se construye una estructura compartida de parámetros duros a partir de una red neuronal de memoria a corto y largo plazo para la modelización colaborativa de predicciones multi-tarea, optimizando el modelo de predicción mediante el uso de la pérdida de incertidumbre. Los resultados experimentales muestran que el modelo de predicción propuesto presenta una alta precisión de predicción en condiciones de carga variable, reduciendo el error cuadrático medio para parámetros clave como el porcentaje de oxígeno en los gases de combustión en la salida del intercambiador de calor de aire, la temperatura de los gases de combustión, la concentración masiva del óxido de nitrógeno NO_x a la salida de la cámara de combustión respectivamente en un 25,5%, 41,8% y 4,7%. El método propuesto puede predecir varios parámetros clave de las calderas en condiciones de carga variable, ayudar en el control de la contaminación y optimizar la eficiencia de la combustión de las centrales eléctricas, proporcionar soporte técnico para una operación inteligente de la central eléctrica.

coal-fired boiler;prediction model;LSTM neural network;multi-task learning;uncertainty loss