积灰对于电厂的安全运行以及经济效益有着重要的影响,煤灰的熔融特性对受热面沾污起决定性作用。因此从煤灰熔融特性以及低温受热面积灰监测两个方面进行研究。采用支持向量机(SVM)和灰狼算法(GWO)预测煤灰变形温度及低温受热面清洁吸热量准确度较高。和传统的神经网络相比,支持向量机适合训练小样本数据来实现智能预测。和遗传算法(GA)相比,灰狼算法对支持向量机参数寻优具有速度更快,结果更准确的优点。探究硫酸盐对煤灰熔融特性的影响,往灰中加入不同含量硫酸盐,再进行灰熔点测定和XRD谱图分析。结果表明,CaSO4具有降低实验煤灰的灰熔点作用,但加入含量超过15%时,随着CaSO4含量增多,煤灰灰熔点升高。而随着Na2SO4含量增多,实验煤灰灰熔点总体呈下降趋势。根据煤灰成分的含量和组合参数来预测真实煤灰的变形温度。采用GWO优化SVM的模型对不同煤灰的变形温度预测,获得较为精准的预测精度。该模型还单独将SO3是否作为自变量进行训练预测。结果表明,该模型对煤灰变形温度预测的相对误差较小,输入量含SO3的预测结果更加准确。电站锅炉省煤器和低温过热器受热面的污染在线监测,采用SVM对受热面的清洁吸热量进行预测,GWO和遗传算法对SVM进行参数寻优。根据预测的清洁吸热量计算清洁因子,通过清洁因子的变化判断受热面的积灰状态。以某660MW机组为例,对采集到的清洁数据样本训练和验证。结果表明,相比于比GA,GWO算法预测精度更高,所需训练时间更短。最后利用训练好的模型分别来预测长吹前省煤器以及短吹前低温过热器的清洁吸热量,并绘制出清洁曲线图。该模型能较好表现省煤器和低温过热器的积灰情况,为受热面积灰在线监测提供有效依据。