受热面积灰的预测作为燃煤电站实现智能化的重要基石,可以为燃煤电站的吹灰优化系统提供未来的准确积灰数据,对于能源工业、燃煤系统的经济性、安全性以及智能化自动控制的研究有着重大的意义。然而,在火电厂燃煤锅炉运行过程中,由于受热面的积灰是降低锅炉运行效率和安全性的一个重要原因,因此,国内外的许多研究者们是根据建立固定的预测模型而制定吹灰策略,但是在制定吹灰策略的整个过程中不仅认为灰污沉积过程是固定不变的,而且认为是吹灰是一个及时吹灰操作的工作,而忽略了吹灰需要一定的准备时间。针对上述问题,本文的主要研究工作包括以下几个内容:（1）由于影响受热面积灰的因素有很多,所以对受热面积灰的研究要求较高。本文以某燃煤电站的燃煤锅炉作为研究对象,通过分析受热面积灰原理,选择清洁因子用来表征受热面的健康状态。同时针对采集到的原始数据所存在的各种问题进行相关处理,为后续的积灰预测模型的建立了坚实的基础。（2）通过分析DCS系统采集数据的时间序列特性,选择具有时间序列特征的神经网络进行相应的预测研究,并将建立的预测模型应用于受热面积灰预测的实例仿真。本文分别利用了神经元反馈的ELMAN神经网络和NAR非线性自回归神经网络建立预测模型。在建立模型之前,为了构造合理的网络模型,采用了具有自回归模型（AR）算法原理,并且利用最小信息准则（AIC）和试凑法确定输入个数和隐含层节点,从而实现完整的网络结构。（3）为了更加有效的对比网络预测模型,本文对所选的ELMAN神经网络的结构进行了相应改进,使其具有输出反馈的特点。通过建立上述三种基于清洁因子的神经网络预测模型,并且在建模之后,为了证明预测起始点对预测结果的影响,分别采用了₁T=250,₂T=300,₃T=350三个数据点进行预测结果的仿真与比较。最终,选择₃T数据点所对应时刻作为合适的预测起始点。（4）网络的权重和阈值是在网络运行中随机产生,所以预测结果也会具有一定的差异性。针对该问题,本文分别通过正态概率密度曲线（PDF）验证了预测模型在₃T数据点开始预测的精准性,并通过各种误差指标对预测结果进行评价。结果显示NAR网络模型的预测结果与实际监测数据的吻合度较高,说明了该网络模型对受热面积灰预测的有效性。