Pour résoudre le problème de l'augmentation de l'effet de fond et de la réponse spectrale non linéaire aggravée due à la difficulté de broyage des échantillons de charbon à grosse granulométrie sur site industriel, un modèle prédictif hybride PLS-AE-RR basé sur la fusion de la spectroscopie dans le proche infrarouge (NIRS) et la spectroscopie de fluorescence X (XRF) est proposé, visant à améliorer la précision de l’analyse en ligne de la valeur calorifique du charbon. La méthode construit une architecture hybride en trois niveaux « ligne de base linéaire + extraction de caractéristiques non linéaires + correction des résidus » : d’abord, la régression par moindres carrés partiels (PLS) établit une relation linéaire globale entre le spectre et la valeur calorifique, ensuite un autoencodeur (AE) extrait des représentations non linéaires de faible dimension que PLS peine à capturer à partir des spectres fusionnés, enfin la régression de crête (RR) corrige les écarts non linéaires des résidus. Les résultats expérimentaux montrent que cette méthode réalise des progrès majeurs dans la prédiction de la valeur calorifique des échantillons de charbon à grosse granulométrie, avec des coefficients de détermination R² sur le jeu de test de 0,974 et 0,938 pour le lignite et le charbon bitumineux respectivement, des erreurs absolues moyennes de 0,233 MJ/kg et 0,216 MJ/kg, des performances largement supérieures au PLS seul et à d’autres modèles de correction non linéaire, validant l’avantage de généralisation de la régression de crête dans l’ajustement des résidus. Cet article fournit aux centrales électriques au charbon un moyen d’analyse en ligne haute précision de la valeur calorifique du charbon brut sans broyage, apportant un support technique clé pour la gestion fine du combustible et l’optimisation du fonctionnement.

analyse spectrale; spectroscopie dans le proche infrarouge; fluorescence X; prédiction de la valeur calorifique; échantillons de charbon à grosse granulométrie; correction non linéaire; autoencodeur