【Objetivo】Dadas las características altamente no lineales, grandes retardos y acoplamiento físico significativo del estado operativo de las unidades de generación de carbón, los métodos tradicionales de modelado tienen dificultades para equilibrar precisión dinámica y costo de implementación. Este artículo propone un modelo de predicción colaborativa PID-CTNet (red de transformadores convolucional dual ramal informada por física). 【Método】Primero, basado en el mecanismo de combustión, se reconstruye un espacio de características multifuente, seleccionando 27 cantidades físicas claves de 4 tipos de variables: instrucciones de carga, sistema de combustible y humo, parámetros termodinámicos del fluido de trabajo y retroalimentación histórica de indicadores clave; segundo, se construye un marco de aprendizaje profundo multitarea con una arquitectura híbrida CNN-Transformer, donde la parte frontal utiliza redes neuronales convolucionales temporales (TCN) para capturar cambios transitorios locales y reducir dimensionalidad, y la parte posterior incorpora el mecanismo de atención automática Transformer para manejar dependencias secuenciales largas con gran retardo; finalmente, mediante un mecanismo de compartición de parámetros se logra la predicción simultánea de emisiones de NOx, SO2, CO y temperaturas de vapor principal/recalentado. 【Resultados】Los experimentos muestran que este modelo de extremo a extremo consigue un RMSE de 2.895, un error absoluto medio de 1.654, un error absoluto porcentual medio de 0.565%, un coeficiente de determinación de 0.957, con un error de predicción de parámetros industriales clave inferior al 3%, superando significativamente los modelos secuenciales tradicionales y los métodos de tarea única. Los experimentos de ablación confirman que la información física a priori, la estructura colaborativa TCN-Transformer y el mecanismo multitarea mejoran la precisión, estabilidad y robustez del modelo ante condiciones complejas. 【Conclusión】El modelo PID-CTNet integra mecanismos físicos y ventajas del aprendizaje profundo, equilibrando precisión de predicción y eficiencia computacional, ofreciendo una solución ligera para la operación inteligente de unidades de generación de carbón.

Unidades de generación de carbón;CNN-Transformer;mecanismo físico;aprendizaje multitarea;predicción colaborativa