燃煤电站锅炉在长期正常运行的情况下将不可避免地造成金属受热面灰污累计的情况,由于灰污的热阻较大,所以受热面的传热效率和经济性会大幅降低。此外受热面的灰污结渣问题也容易引发管排爆炸等安全事故。目前大多数燃煤电站均采用每班定时吹灰策略,这样的策略对于工作人员的吹灰经验要求较高,且长期过吹灰与欠吹灰也同样存在着安全隐患。现如今随着人工智能和深度学习技术的蓬勃发展,在对于大数据和大样本处理具有很强的能力,吹灰时刻可以通过智能计算方法来求得最优时间,很大程度上减小了误判断情况。因此,本文针对这一课题,以多种器件的锅炉金属受热面为研究对象对锅炉积灰预测问题进行了一系列分析和实验。主要研究内容如下:（1）本文以清洁因子（Clearness Factor,CF）作为衡量受热面健康状况的健康指标,清洁因子时间序列可以从热平衡公式计算得到,其所需要的变量参数也可以从DCS监测系统获得。此外数据预处理可以减小不必要的预测难度,保留积灰趋势,为下面的积灰预测研究奠定坚实的基础。（2）受热面清洁因子时间序列作为动态时间序列。针对积灰时间序列特性,本文提出了一种燃煤电站锅炉受热面积灰动态预测综合方法。结合自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）和非线性自回归神经网络（Nonlinear Auto Regression Neural Network,NARNN）来预测燃煤锅炉受热面积灰状况。为构建合理的网络模型,采用最小信息准则和试错法确定延迟数和隐藏层层数。实验结果表明相较于常规方法,所提方法可以实现精度较高的多步预测和不同起始点预测。（3）随着深度学习（Deep learning,DL）模型的引爆,深度学习算法在时间序列预测的优越性也逐步凸显。为了解决积灰时间序列的非线性预测问题,本文提出了结合信号分析与深度学习算法的混合模型。集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）算法可以解耦含有多个特征的非线性时间序列,深度学习模型对于解耦后的高频分量具有良好的预测效果。最终多种受热面积灰数据集用来验证该混合模型的有效性,为锅炉的经济性运行提供了一定的参考价值。（4）信号分析方法虽然对于非线性时间序列的预测具有重要的价值,但其存在分解后的分量数量多,再加上深度学习模型的训练时间长,其可能会产生一系列的潜在问题,例如:分解分量的数量过度可能会造成特征冗余以及时间消耗过大的问题,深度学习模型训练时间过长可能会变向地缩减吹灰操作准备时间等等。本文提出了深度特征提取模型,其完成了输入重构的作用,间接地减少了深度学习的冗长训练时间。此外自适应滑动窗口可以监测时间序列的波动与趋势。所提方法在多种受热面预测和受热面维护性实验验证了可行性与优越性。