【Objetivo】 Establecer un modelo dinámico preciso y eficiente es clave para optimizar las estrategias de control y mejorar la flexibilidad operativa de las unidades de generación de energía a carbón.【Método】 Se propone un método de modelado dinámico del sistema de coordinación caldera-turbina para unidades de carbón ultra-súpercríticas basado en una red neuronal informada por la física, para predecir parámetros clave como la presión de vapor principal, la entalpía del vapor a la salida del separador de agua-vapor y la potencia generada. Este método utiliza una red neuronal feed-forward convencional como marco básico, integrando las leyes dinámicas fundamentales de conversión de energía y masa en la función de pérdida de la red, de modo que esta aprende las características de los datos mientras satisface las leyes físicas fundamentales, logrando mejorar la precisión, interpretabilidad y capacidad de generalización del modelo.【Resultados】 Los resultados de simulación muestran que, en escenarios con datos suficientes, el coeficiente de determinación (R2) para predicciones de paso único y multipaso de la red neuronal informada por la física es superior a 0.99; en escenarios con escasez de datos, mantiene alta precisión predictiva, con un error cuadrático medio (RMSE) de la presión de vapor principal en predicciones multipaso inferior al 1%, y errores relativos inferiores al 0.75% para la entalpía del vapor y la potencia generada en el separador de vapor. En ambos escenarios, la metodología propuesta supera significativamente a las redes neuronales tradicionales, demostrando la efectividad y superioridad del método.【Conclusión】 Los resultados del estudio ofrecen una nueva aproximación eficiente y confiable para la modelación de la optimización del control coordinado de unidades a carbón, con gran importancia para la mejora del rendimiento del control y la operación flexible.

Unidad de carbón ultra-súpercrítica; sistema de coordinación caldera-turbina; modelado dinámico; aprendizaje profundo; redes informadas por la física