针对深度调峰工况下，锅炉瞬态超温风险难以提前感知的行业难题，提出一种基于多物理场耦合模拟与 LSTM-Transformer 时序预测的锅炉超温智能感知模型。首先，通过锅炉耦合数值，模拟揭示温度动态响应机理，采用主成分分析方法降维提取关键特征；然后，用LSTM 捕捉时序数据中的长期依赖关系，利用Transformer 自注意力机制，捕捉多维物理变量间的复杂耦合关系，最终实现壁温预测以及超温风险分级。在江西某700 MW 超临界机组的应用表明，模型能提前2 min 预警到超温事件，预测平均绝对误差值低于0.8 ℃，决定系数超过0.92，将锅炉壁温
管控从“事后波动修正”转为“事前预测调控”。该研究成果为火电机组深度调峰安全运行提供了新的技术路径。
[1] 严新荣，高翔，于鹏峰，等 . 燃煤发电机组灵活运行安全性挑战 与对策研究[J]. 中国电机工程学报，2025，45（11）∶4318-4336.
[2] 李德波 . 燃煤电厂深度调峰技术与应用[M]. 北京∶中国电 力出版社，2024.
[3] 方顺利，梅晟东，刘凯，等 . 面向深度调峰和智能发电的炉膛温 度场在线监测及预测综述[J]. 热力发电，2025，54（04）∶13-23.
[4] Gupta T，Rahman M，Jiao X，et al. Four-stage multi-physics simulations to assist temperature sensor design for industrial- scale coal-fired boiler[J].Sensors，2023，24（01）∶154.
[5] 郑扬 . 基于数值模拟的辐射-对流受热面超温实时诊断[D]. 广州:华南理工大学，2022.
[6] 宁新宇，黄鉴，王静远，等 . 超临界燃煤机组锅炉水冷壁安全运 行监测技术应用[J]. 洁净煤技术，2025，31（增刊2）∶644-650.
[7] 周钱，钱进，邓传记，等 . 超临界锅炉水冷壁结垢模拟及寿命预 测[J]. 贵州大学学报（ 自然科学版），2025，42（04）∶34-41.
[8] 梁超，张钦 . 基于神经网络模型的锅炉受热面超温预测研 究[J]. 自动化应用，2025，66（11）∶283-286.
[9] Cheng Y，Liu X，Wang Z，et al. Dense residual LSTM-attention network for boiler steam temperature prediction with uncer‐ tainty Analysis[J]. ACS Omega，2022，7（13）∶11422-11429.
[10] Li Q，Zhang H，Sun L，et al. Enhancing efficiency in coal- fired boilers using a new predictive control method for key parameters[J].Sensors，2026，26（01）∶330.
[11 Sheng，Wanxing，Yang，et al.Enhanced transformer for multi‐ variate load forecasting∶timestamp embedding and convolu ‐ tion-augmented attention[J]. Energies，2026，19（03）∶596.
[12] 熊敏，吴文宝 . 光伏超短期发电量预测算法研究及应用[J]. 江西电力，2024，48（06）∶52-57.
[13] 樊昱晨，周永清，韦昌，等 .燃煤锅炉屏式过热器超温预测的数 据驱动建模[J]. 中国电机工程学报，2025，45（19）∶7634-7644.
[14] 林枫，丁红蕾，魏超杰，等 . 基于主成分分析-神经网络的燃 煤电厂二氧化碳排放预测[J]. 中国电机工程学报，2026， 46（01）∶305-314.
