CN109695892A - 一种锅炉受热面壁温保护方法及装置 - Google Patents

Abstract

本发明涉及一种锅炉受热面壁温保护方法及装置，所述方法包括：对历史燃烧调整工况进行聚类，将燃烧调整工况划分成多组不同的燃烧工况；对每个燃烧工况，建立受热面危险系数的机器学习模型，形成受热面危险系数模型库；基于燃烧工况和受热面危险系数模型库，对当前实时工况的受热面的最优能流分布进行寻优，获得受热面最优能流分布；根据受热面最优能流分布对不同区域的吹灰器进行调节，调整不同区域吹灰力度，以优化受热面能流分布，获得锅炉汽水管道壁温的保护策略。本发明基于能流聚类和分布吹灰，从现场历史运行数据出发，在固定燃烧系统边界条件的基础上，调整不同区域吹灰力度，以优化受热面能流分布，获得锅炉汽水管道壁温的保护策略。

Description

一种锅炉受热面壁温保护方法及装置

技术领域

本发明属于锅炉受热面壁温保护领域，具体是涉及一种锅炉受热面壁温保护方法及装置。

背景技术

随着电力工业的高速发展和节能环保要求的日益提高，我国发电机组进入大容量、高参数发展阶段。锅炉作为火力发电厂的三大辅机之一，为适应容量的变化，受热面沿炉膛宽度的管屏数增加，同屏间的管圈数亦增多，加剧了锅炉燃烧引起的沿烟道宽度的烟气速度和温度分布不均匀状况，导致管屏之间、管圈之间的热偏差更加突出。锅炉受热面并列管组间热偏差的原因可归结为三类，即受热面结构不均、水力不均和热力不均。然而，一旦机组投入运行，其受热面大小、水力不均匀均难以进行调整，锅炉受热面热负荷分布虽能通过运行调整得以改变，但受锅炉结构与积灰结渣等的影响，热力不均现象也难以消除。热偏差现象普遍存在于电站锅炉燃烧过程中，会产生过热器、再热器管壁超温甚至爆管问题，大容量锅炉蒸汽参数高，一旦发生超温爆管，不仅造成大量的工质和燃料损失，影响机组的经济性，还容易引起群体效应，成片受热面受到刷伤，严重威胁机组的安全运行，并冲击电网的稳定性。

锅炉受热面壁温的研究也一直受到国内外学者的重视，目前壁温监测主要存在以下三个方向的研究：直接测量、基于热偏差的壁温计算、基于CFD的三维仿真模拟。近年来，随着互联网+、工业4.0、工业化信息化融合等国内外重大战略的提出，基于工业大数据的智能算法建模技术已成为目前最热门的研究领域之一。目前我国燃煤锅炉燃烧系统均实现了DCS集中控制，对锅炉本体内烟气侧和汽水侧参数均有在线监测手段，这些实时数据以及历史数据中隐藏着表征锅炉调整方式优劣的信息，从而为数据驱动建模提供了大量的数据样本，也为通过智能算法获得锅炉受热面安全运行策略提供了基础条件。然而，电厂运行工况波动频繁，数据不稳定性及混杂性较高，难以直接提取优化运行工况信息。电厂燃煤锅炉在燃烧过程中不可避免的会产生灰渣，附着在受热面表面形成积灰，降低传热效率，大块的灰渣掉落甚至会造成安全事故。为保证机组安全经济运行，目前，普遍采用吹灰装置以减轻受热面积灰结渣过程。吹灰动作影响传热特性，进而也会改变锅炉各级受热面热流分布，而受热面壁温与热流分布关系密切，故合理的吹灰器动作将有助于改善受热面壁温超温情况。

综上所述，随着机组容量增加，锅炉受热面管壁安全尤其重要，目前的研究着重于监测受热面壁温，缺乏切合实际的有效保护受热面壁温安全的策略，而且现场运行工况复杂。因此，亟需提出一种方法实现锅炉受热面壁温保护。

发明内容

为了克服现有技术中存在的不足，本发明提供一种锅炉受热面壁温保护方法及装置。

作为本发明的第一方面，提供一种锅炉受热面壁温保护方法，所述方法包括以下步骤：

步骤1，对历史燃烧调整工况进行聚类，将燃烧调整工况划分成多组不同的燃烧工况；

步骤2，对步骤1所确定的每个燃烧工况，建立受热面危险系数的机器学习模型，形成受热面危险系数模型库；

步骤3，基于步骤1中的燃烧工况和步骤2中的受热面危险系数模型库，对当前实时工况的受热面的最优能流分布进行寻优，获得受热面最优能流分布；

步骤4，根据步骤3中的得到的受热面最优能流分布对不同区域的吹灰器进行调节，调整不同区域吹灰力度，以优化受热面能流分布，获得锅炉汽水管道壁温的保护策略。

进一步地，所述步骤1具体包括：

步骤1.1，选取历史煤质参数、各层磨煤机的给煤量、风门参数及炉总风量作为决定燃烧调整工况的燃烧参数；

步骤1.2，对步骤1.1选取的燃烧参数进行数据去噪和粗大误差剔除处理；

步骤1.3，以去噪及粗大误差剔除处理后的燃烧参数为输入变量，以锅炉效率和燃烧生成NOx浓度为输出变量，表征炉内燃烧情况，采用约简算法获得与输出变量相关性最高的参数，以此作为燃烧关键参数；

步骤1.4，对步骤1.3中的燃烧关键参数通过聚类算法进行聚类，将燃烧调整工况划分成多组不同的燃烧工况。

进一步地，所述步骤2具体包括：

步骤2.1，计算各级受热面的换热量，各级受热面的换热量由受热面出、入口的工质流量、压力和温度计算，根据各级受热面的换热量确定各级受热面的吸热份额，将各级受热面吸热份额的数值按受热面编号顺序首尾相连，组成能流分布字符串；

步骤2.2，计算各级受热面的最高壁温与该级受热面材料许用温度的差值，将其定义为单级受热面危险系数，将单级受热面危险系数中的最大值定义为受热面危险系数，所述受热面危险系数的数值越大，锅炉受热面的超温可能性越大；

步骤2.3，对步骤1所确定的每个燃烧工况，通过机器学习算法建立如步骤2.2所述受热面危险系数的机器学习模型，形成受热面危险系数模型库，模型库的输入为步骤2.1所述能流分布字符串。

进一步地，所述步骤3具体包括：

步骤3.1，计算当前实时燃烧工况中燃烧关键参数到所有聚类中心的距离，确定与当前燃烧工况距离最小的类；

步骤3.2，在步骤3.1所确定的类中，随机生成能流分布字符串的初始化父代种群；

步骤3.3，基于步骤3.2的初始化父代种群及步骤2.3所述的机器学习模型，以受热面危险系数最小为目标函数，对能流分布字符串通过寻优算法进行寻优，获得受热面最优能流分布。

进一步地，所述步骤4具体为：根据步骤3所述受热面最优能流分布，采用PID诊定或机器学习算法对不同区域的吹灰器进行调节。

作为本发明的另一方，提供一种锅炉受热面壁温保护装置，所述装置包括燃烧系统工况聚类模块、受热面危险系数建模模块、受热面最优能流寻优模块和受热面区域性吹灰指导模块；

所述燃烧系统工况聚类模块，用于对历史燃烧调整工况进行聚类，将燃烧调整工况划分成多组不同的燃烧工况；

所述受热面危险系数建模模块，用于对燃烧系统工况聚类模块所确定的每个燃烧工况，建立受热面危险系数的机器学习模型，形成受热面危险系数模型库；

所述受热面最优能流寻优模块：基于燃烧工况和受热面危险系数模型库，对当前实时工况受热面的最优能流分布进行寻优，获得受热面最优能流分布；

受热面区域性吹灰指导模块：根据受热面最优能流寻优模块得到的受热面最优能流分布对不同区域的吹灰器进行调节，调整不同区域吹灰力度，以优化受热面能流分布，获得锅炉汽水管道壁温的保护策略。

进一步地，所述燃烧系统工况聚类模块包括历史参数选取单元、数据去噪单元、参数约简单元和燃烧工况聚类单元；

所述历史参数选取单元，用于选取历史煤质参数、各层磨煤机的给煤量、风门参数及炉总风量作为决定燃烧调整工况的燃烧参数；

所述数据去噪单元，用于对历史参数选取单元选取的燃烧参数进行数据去噪和粗大误差剔除处理；

所述参数约简单元，用于以去噪及粗大误差剔除处理后的燃烧参数为输入变量，以锅炉效率和燃烧生成NOx浓度为输出变量，表征炉内燃烧情况，采用约简算法获得与输出变量相关性最高的参数，以此作为燃烧关键参数；

所述燃烧工况聚类，用于对燃烧关键参数通过聚类算法进行聚类，将燃烧调整工况划分成多组不同的燃烧工况。

进一步地，所述受热面危险系数建模模块包括受热面能流计算单元、受热面危险系数计算单元和机器学习建模单元；

所述受热面能流计算单元，用于计算各级受热面的换热量，各级受热面的换热量由受热面出、入口的工质流量、压力和温度计算，根据各级受热面的换热量确定各级受热面的吸热份额，将各级受热面吸热份额的数值按受热面编号顺序首尾相连，组成能流分布字符串；

所述受热面危险系数计算单元，用于计算各级受热面的最高壁温与该级受热面材料许用温度的差值，将其定义为单级受热面危险系数，将单级受热面危险系数中的最大值定义为受热面危险系数，所述受热面危险系数的数值越大，锅炉受热面的超温可能性越大；

所述机器学习建模单元，用于对每个燃烧工况，通过机器学习算法建立所述受热面危险系数的机器学习模型，形成受热面危险系数模型库，模型库的输入为能流分布字符串。

进一步地，所述受热面最优能流寻优模块包括燃烧工况判定单元、初始化父代单元和智能寻优单元；

燃烧工况判定单元，用于计算当前实时燃烧工况中燃烧关键参数到所有聚类中心的距离，确定与当前燃烧工况距离最小的类；

初始化父代单元，用于在燃烧工况判定单元所确定的类中，随机生成能流分布字符串的初始化父代种群；

智能寻优模块，用于基于所述初始化父代种群及所述的机器学习模型，以受热面危险系数最小为目标函数，对能流分布字符串通过寻优算法进行寻优，获得受热面最优能流分布。

进一步地，所述受热面区域性吹灰指导模块包括执行单元；

所述执行单元，用于根据所述受热面最优能流分布，采用PID诊定或机器学习算法对不同区域的吹灰器进行调节。

本发明的有益效果：

本发明提出的基于能流聚类和分布吹灰的锅炉受热面壁温保护方法及装置，从现场历史运行数据出发，在固定燃烧系统边界条件的基础上，调整不同区域吹灰力度，以优化受热面能流分布，获得锅炉汽水管道壁温的保护策略。

附图说明

图1为本发明实施例提供的一种锅炉受热面壁温保护方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

现以某660MW超临界机组为例来介绍一种基于能流聚类和分布吹灰的锅炉受热面壁温保护方法的具体实施步骤，对象机组的锅炉为超临界直流Π型炉，锅炉采用低NOx同轴燃烧系统，风门系统包括6层一次风、6层辅助二次风、6层CFS风、2层CCOFA风和5层SOFA风，制粉系统由6台磨煤机组成，分别为6层煤粉燃烧器供给燃料，锅炉受热面包括水冷壁、低温再热器、高温再热器、省煤器、分隔屏过热器、后屏过热器和末级过热器。

如图1所示，作为本发明的第一方面，提供一种锅炉受热面壁温保护方法，所述方法包括以下步骤：

步骤1，对历史燃烧调整工况进行聚类，将燃烧调整工况划分成多组不同的燃烧工况；

步骤2，对步骤1所确定的每个燃烧工况，建立受热面危险系数的机器学习模型，形成受热面危险系数模型库；

步骤3，基于步骤1中的燃烧工况和步骤2中的受热面危险系数模型库，对当前实时工况的受热面的最优能流分布进行寻优，获得受热面最优能流分布；

步骤4，根据步骤3中的得到的受热面最优能流分布对不同区域的吹灰器进行调节，调整不同区域吹灰力度，以优化受热面能流分布，获得锅炉汽水管道壁温的保护策略。

本发明的锅炉受热面壁温保护方法，基于能流聚类和分布吹灰，首先通过聚类算法对历史燃烧调整工况进行聚类，将燃烧调整工况划分成多组不同的燃烧工况，然后对每个燃烧工况，建立受热面危险系数的机器学习模型，形成受热面危险系数模型库，通过受热面危险系数模型库，对当前实时工况的受热面的最优能流分布进行寻优，获得受热面最优能流分布，最后根据受热面最优能流分布对不同区域的吹灰器进行调节，调整不同区域吹灰力度，以优化受热面能流分布，从而获得锅炉汽水管道壁温的保护策略。

优选地，所述步骤1具体包括：

步骤1.1，选取历史煤质参数、各层磨煤机的给煤量、风门参数及炉总风量作为决定燃烧调整工况的燃烧参数；

步骤1.2，对步骤1.1选取的燃烧参数进行数据去噪和粗大误差剔除处理；

步骤1.3，以去噪及粗大误差剔除处理后的燃烧参数为输入变量，以锅炉效率和燃烧生成NOx浓度为输出变量，表征炉内燃烧情况，采用约简算法获得与输出变量相关性最高的参数，以此作为燃烧关键参数；

步骤1.4，对步骤1.3中的燃烧关键参数通过聚类算法进行聚类，将燃烧调整工况划分成多组不同的燃烧工况。

其中，所述所述煤质参数包括元素分析和工业分析数据，风门参数包括各级燃烧器开度和摆角数据，数据去噪方法不限于滑动时间窗、小波分析等相关手段；粗大误差剔除方法不限于卡尔曼滤波、基于正态分布的错点剔除等相关手段，约简算法不限于PCA、PLS及神经网络等相关数据挖掘方法，聚类方法不限于FCM、kNN及支持向量分类机等相关数据挖掘方法。

优选地，所述步骤2具体包括：

步骤2.1，计算各级受热面的换热量，各级受热面的换热量由受热面出、入口的工质流量、压力和温度计算，根据各级受热面的换热量确定各级受热面的吸热份额，将各级受热面吸热份额的数值按受热面编号顺序首尾相连，组成能流分布字符串；

步骤2.2，计算各级受热面的最高壁温与该级受热面材料许用温度的差值，将其定义为单级受热面危险系数，将单级受热面危险系数中的最大值定义为受热面危险系数，所述受热面危险系数的数值越大，锅炉受热面的超温可能性越大；

步骤2.3，对步骤1所确定的每个燃烧工况，通过机器学习算法建立如步骤2.2所述受热面危险系数的机器学习模型，形成受热面危险系数模型库，模型库的输入为步骤2.1所述能流分布字符串。

其中，机器学习算法不限于关联规则算法、神经网络算法、聚类算法等手段。

优选地，所述步骤3具体包括：

步骤3.1，计算当前实时燃烧工况中燃烧关键参数到所有聚类中心的距离，确定与当前燃烧工况距离最小的类；

步骤3.2，在步骤3.1所确定的类中，随机生成能流分布字符串的初始化父代种群；

步骤3.3，基于步骤3.2的初始化父代种群及步骤2.3所述的机器学习模型，以受热面危险系数最小为目标函数，对能流分布字符串通过寻优算法进行寻优，获得受热面最优能流分布。

其中，所述寻优算法不限于遗传算法、粒子群算法及蚁群算法等手段。

优选地，根据步骤3所述受热面最优能流分布，采用PID诊定或机器学习算法对不同区域的吹灰器进行调节。

作为本发明的另一方面，提供一种锅炉受热面壁温保护装置，所述装置包括燃烧系统工况聚类模块、受热面危险系数建模模块、受热面最优能流寻优模块和受热面区域性吹灰指导模块；

所述燃烧系统工况聚类模块，用于对历史燃烧调整工况进行聚类，将燃烧调整工况划分成多组不同的燃烧工况；

所述受热面危险系数建模模块，用于对燃烧系统工况聚类模块所确定的每个燃烧工况，建立受热面危险系数的机器学习模型，形成受热面危险系数模型库；

所述受热面最优能流寻优模块：基于燃烧工况和受热面危险系数模型库，对当前实时工况受热面的最优能流分布进行寻优，获得受热面最优能流分布；

受热面区域性吹灰指导模块：根据受热面最优能流寻优模块得到的受热面最优能流分布对不同区域的吹灰器进行调节，调整不同区域吹灰力度，以优化受热面能流分布，获得锅炉汽水管道壁温的保护策略。

优选地，所述燃烧系统工况聚类模块包括历史参数选取单元、数据去噪单元、参数约简单元和燃烧工况聚类单元；

所述历史参数选取单元，用于选取历史煤质参数、各层磨煤机的给煤量、风门参数及炉总风量作为决定燃烧调整工况的燃烧参数；

所述数据去噪单元，用于对历史参数选取单元选取的燃烧参数进行数据去噪和粗大误差剔除处理；

所述参数约简单元，用于以去噪及粗大误差剔除处理后的燃烧参数为输入变量，以锅炉效率和燃烧生成NOx浓度为输出变量，表征炉内燃烧情况，采用约简算法获得与输出变量相关性最高的参数，以此作为燃烧关键参数；

所述燃烧工况聚类，用于对燃烧关键参数通过聚类算法进行聚类，将燃烧调整工况划分成多组不同的燃烧工况。

优选地，所述受热面危险系数建模模块包括受热面能流计算单元、受热面危险系数计算单元和机器学习建模单元；

所述受热面能流计算单元，用于计算各级受热面的换热量，各级受热面的换热量由受热面出、入口的工质流量、压力和温度计算，根据各级受热面的换热量确定各级受热面的吸热份额，将各级受热面吸热份额的数值按受热面编号顺序首尾相连，组成能流分布字符串；

所述受热面危险系数计算单元，用于计算各级受热面的最高壁温与该级受热面材料许用温度的差值，将其定义为单级受热面危险系数，将单级受热面危险系数中的最大值定义为受热面危险系数，所述受热面危险系数的数值越大，锅炉受热面的超温可能性越大；

所述机器学习建模单元，用于对每个燃烧工况，通过机器学习算法建立所述受热面危险系数的机器学习模型，形成受热面危险系数模型库，模型库的输入为能流分布字符串。

优选地，所述受热面最优能流寻优模块包括燃烧工况判定单元、初始化父代单元和智能寻优单元；

燃烧工况判定单元，用于计算当前实时燃烧工况中燃烧关键参数到所有聚类中心的距离，确定与当前燃烧工况距离最小的类；

初始化父代单元，用于在燃烧工况判定单元所确定的类中，随机生成能流分布字符串的初始化父代种群；

智能寻优模块，用于基于所述初始化父代种群及所述的机器学习模型，以受热面危险系数最小为目标函数，对能流分布字符串通过寻优算法进行寻优，获得受热面最优能流分布。

优选地，所述受热面区域性吹灰指导模块包括执行单元；

所述执行单元，用于根据所述受热面最优能流分布，采用PID诊定或机器学习算法对不同区域的吹灰器进行调节。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种锅炉受热面壁温保护方法，其特征在于，所述方法包括以下步骤：

步骤1，对历史燃烧调整工况进行聚类，将燃烧调整工况划分成多组不同的燃烧工况；

步骤2，对步骤1所确定的每个燃烧工况，建立受热面危险系数的机器学习模型，形成受热面危险系数模型库；

步骤3，基于步骤1中的燃烧工况和步骤2中的受热面危险系数模型库，对当前实时工况的受热面的最优能流分布进行寻优，获得受热面最优能流分布；

步骤4，根据步骤3中的得到的受热面最优能流分布对不同区域的吹灰器进行调节，调整不同区域吹灰力度，以优化受热面能流分布，获得锅炉汽水管道壁温的保护策略。

2.根据权利要求1所述的锅炉受热面壁温保护方法，其特征在于，所述步骤1具体包括：

步骤1.1，选取历史煤质参数、各层磨煤机的给煤量、风门参数及炉总风量作为决定燃烧调整工况的燃烧参数；

步骤1.2，对步骤1.1选取的燃烧参数进行数据去噪和粗大误差剔除处理；

步骤1.3，以去噪及粗大误差剔除处理后的燃烧参数为输入变量，以锅炉效率和燃烧生成NOx浓度为输出变量，表征炉内燃烧情况，采用约简算法获得与输出变量相关性最高的参数，以此作为燃烧关键参数；

步骤1.4，对步骤1.3中的燃烧关键参数通过聚类算法进行聚类，将燃烧调整工况划分成多组不同的燃烧工况。

3.根据权利2所述的锅炉受热面壁温保护方法，其特征在于，所述步骤2具体包括：

步骤2.1，计算各级受热面的换热量，各级受热面的换热量由受热面出、入口的工质流量、压力和温度计算，根据各级受热面的换热量确定各级受热面的吸热份额，将各级受热面吸热份额的数值按受热面编号顺序首尾相连，组成能流分布字符串；

步骤2.2，计算各级受热面的最高壁温与该级受热面材料许用温度的差值，将其定义为单级受热面危险系数，将单级受热面危险系数中的最大值定义为受热面危险系数，所述受热面危险系数的数值越大，锅炉受热面的超温可能性越大；

步骤2.3，对步骤1所确定的每个燃烧工况，通过机器学习算法建立如步骤2.2所述受热面危险系数的机器学习模型，形成受热面危险系数模型库，模型库的输入为步骤2.1所述能流分布字符串。

4.根据权利要求3所述的锅炉受热面壁温保护方法，其特征在于，所述步骤3具体包括：

步骤3.1，计算当前实时燃烧工况中燃烧关键参数到所有聚类中心的距离，确定与当前燃烧工况距离最小的类；

步骤3.2，在步骤3.1所确定的类中，随机生成能流分布字符串的初始化父代种群；

步骤3.3，基于步骤3.2的初始化父代种群及步骤2.3所述的机器学习模型，以受热面危险系数最小为目标函数，对能流分布字符串通过寻优算法进行寻优，获得受热面最优能流分布。

5.根据权利要求4所述的锅炉受热面壁温保护方法，其特征在于，所述步骤4具体为：根据步骤3所述受热面最优能流分布，采用PID诊定或机器学习算法对不同区域的吹灰器进行调节。

6.一种锅炉受热面壁温保护装置，其特征在于，所述装置包括燃烧系统工况聚类模块、受热面危险系数建模模块、受热面最优能流寻优模块和受热面区域性吹灰指导模块；

所述燃烧系统工况聚类模块，用于对历史燃烧调整工况进行聚类，将燃烧调整工况划分成多组不同的燃烧工况；

所述受热面危险系数建模模块，用于对燃烧系统工况聚类模块所确定的每个燃烧工况，建立受热面危险系数的机器学习模型，形成受热面危险系数模型库；

所述受热面最优能流寻优模块：基于燃烧工况和受热面危险系数模型库，对当前实时工况受热面的最优能流分布进行寻优，获得受热面最优能流分布；

受热面区域性吹灰指导模块：根据受热面最优能流寻优模块得到的受热面最优能流分布对不同区域的吹灰器进行调节，调整不同区域吹灰力度，以优化受热面能流分布，获得锅炉汽水管道壁温的保护策略。

7.根据权利要求6所述的锅炉受热面壁温保护装置，其特征在于，所述燃烧系统工况聚类模块包括历史参数选取单元、数据去噪单元、参数约简单元和燃烧工况聚类单元；

所述历史参数选取单元，用于选取历史煤质参数、各层磨煤机的给煤量、风门参数及炉总风量作为决定燃烧调整工况的燃烧参数；

所述数据去噪单元，用于对历史参数选取单元选取的燃烧参数进行数据去噪和粗大误差剔除处理；

所述参数约简单元，用于以去噪及粗大误差剔除处理后的燃烧参数为输入变量，以锅炉效率和燃烧生成NOx浓度为输出变量，表征炉内燃烧情况，采用约简算法获得与输出变量相关性最高的参数，以此作为燃烧关键参数；

所述燃烧工况聚类，用于对燃烧关键参数通过聚类算法进行聚类，将燃烧调整工况划分成多组不同的燃烧工况。

8.根据权利要求7所述的锅炉受热面壁温保护装置，其特征在于，所述受热面危险系数建模模块包括受热面能流计算单元、受热面危险系数计算单元和机器学习建模单元；

所述受热面能流计算单元，用于计算各级受热面的换热量，各级受热面的换热量由受热面出、入口的工质流量、压力和温度计算，根据各级受热面的换热量确定各级受热面的吸热份额，将各级受热面吸热份额的数值按受热面编号顺序首尾相连，组成能流分布字符串；

所述受热面危险系数计算单元，用于计算各级受热面的最高壁温与该级受热面材料许用温度的差值，将其定义为单级受热面危险系数，将单级受热面危险系数中的最大值定义为受热面危险系数，所述受热面危险系数的数值越大，锅炉受热面的超温可能性越大；

所述机器学习建模单元，用于对每个燃烧工况，通过机器学习算法建立所述受热面危险系数的机器学习模型，形成受热面危险系数模型库，模型库的输入为能流分布字符串。

9.根据权利要求8所述的锅炉受热面壁温保护装置，其特征在于，所述受热面最优能流寻优模块包括燃烧工况判定单元、初始化父代单元和智能寻优单元；

燃烧工况判定单元，用于计算当前实时燃烧工况中燃烧关键参数到所有聚类中心的距离，确定与当前燃烧工况距离最小的类；

初始化父代单元，用于在燃烧工况判定单元所确定的类中，随机生成能流分布字符串的初始化父代种群；

智能寻优模块，用于基于所述初始化父代种群及所述的机器学习模型，以受热面危险系数最小为目标函数，对能流分布字符串通过寻优算法进行寻优，获得受热面最优能流分布。

10.根据权利要求9所述的锅炉受热面壁温保护装置，其特征在于，所述受热面区域性吹灰指导模块包括执行单元；

所述执行单元，用于根据所述受热面最优能流分布，采用PID诊定或机器学习算法对不同区域的吹灰器进行调节。