1.一种高炉热风炉燃烧蓄热控制方法，其特征在于，包括：
监控热风炉各阀门动作，当检测到燃烧开始信号后，开始燃烧控制；
获取热风炉的历史燃烧数据，根据热风炉的历史燃烧数据设定初始煤气流量，按照初始煤气流量向热风炉输送煤气；
利用回调函数和时控函数采集热风炉的实时燃烧数据，根据实时燃烧数据计算得到周期燃烧数据；
根据周期燃烧数据拟合废气温度升温曲线，通过权重计算模型调整拟合计算废气温度升温曲线时各计算因子的权重，直到废气温度升温曲线满足预设命中率，根据废气温度升温曲线计算废气温度升温趋势，所述权重计算模型由历史燃烧数据对机器学习模型训练而成，用于调整拟合计算废气温度升温曲线时各计算因子的权重；
根据废气温度升温趋势，得到预测燃烧时长，将预测燃烧时长和预设的燃烧时长进行对比，根据对比结果调整当前时刻的煤气流量，将废气温度维持在预设的废气温度范围内。
2.如权利要求1所述的方法，其特征在于，热风炉的各阀门包括：煤气切断阀、空气切断阀、废气切断阀、氮气吹扫阀和充压阀。
3.如权利要求1所述的方法，其特征在于，根据热风炉的历史燃烧数据设定初始煤气流量，包括：
根据历史燃烧数据，计算烧炉过程中热效率最高的前半程平均煤气流量；
将热效率最高的前半程平均煤气流量设定为初始煤气流量。
4.如权利要求3所述的方法，其特征在于，包括：
热风炉上一轮燃烧中的送风时长或冷风流量超过预设标准时，计算本轮燃烧的初始煤气流量时补正一个送风系数；
热风炉上一轮燃烧中的送风时长或冷风流量低于预设标准时，减少本轮燃烧的初始煤气流量。
5.如权利要求1所述的方法，其特征在于，燃烧数据包括废气温度、煤气流量和空气流量。
6.如权利要求1所述的方法，其特征在于，根据周期燃烧数据拟合废气温度升温曲线，包括：
根据周期燃烧数据拟合第一预测周期、第二预测周期、第三预测周期的废气温度升温曲线，其中，第一预测周期比第二预测周期短，第二预测周期比第三预测周期短；
调整第一预测周期、第二预测周期、第三预测周期的废气温度升温曲线的权重，得到预测升温斜率；
根据预测升温斜率，得到废气温度升温曲线。
7.如权利要求1所述的方法，其特征在于，还包括按照如下步骤训练权重计算模型：
将热风炉的历史燃烧数据作为机器学习数据集；
将机器学习数据集拆分为训练集和测试集；
导入机器学习模型，为机器学习模型配置参数，根据训练集训练机器学习模型；
根据测试集评估训练的机器学习模型性能，将命中率达到预设标准的机器学习模型作为训练好的权重计算模型。
8.一种高炉热风炉燃烧蓄热控制装置，其特征在于，包括：
监控模块，用于监控热风炉各阀门动作，当检测到燃烧开始信号后，开始燃烧控制；
流量确定模块，用于获取热风炉的历史燃烧数据，根据热风炉的历史燃烧数据设定初始煤气流量，按照初始煤气流量向热风炉输送煤气；
计算模块，用于利用回调函数和时控函数采集热风炉的实时燃烧数据，根据实时燃烧数据计算得到周期燃烧数据；
权重调整模块，用于根据周期燃烧数据拟合废气温度升温曲线，通过权重计算模型调整拟合计算废气温度升温曲线时各计算因子的权重，直到废气温度升温曲线满足预设命中率，根据废气温度升温曲线计算废气温度升温趋势，所述权重计算模型由历史燃烧数据对机器学习模型训练而成，用于调整拟合计算废气温度升温曲线时各计算因子的权重；
流量调整模块，用于根据废气温度升温趋势，得到预测燃烧时长，将预测燃烧时长和预设的燃烧时长进行对比，根据对比结果调整当前时刻的煤气流量，将废气温度维持在预设的废气温度范围内。
9.如权利要求8所述的装置，其特征在于，热风炉的各阀门包括：煤气切断阀、空气切断阀、废气切断阀、氮气吹扫阀和充压阀。
10.如权利要求8所述的装置，其特征在于，流量确定模块具体用于：
根据历史燃烧数据，计算烧炉过程中热效率最高的前半程平均煤气流量；
将热效率最高的前半程平均煤气流量设定为初始煤气流量。
11.如权利要求10所述的装置，其特征在于，流量确定模块还用于：
热风炉上一轮燃烧中的送风时长或冷风流量超过预设标准时，计算本轮燃烧的初始煤气流量时补正一个送风系数；
热风炉上一轮燃烧中的送风时长或冷风流量低于预设标准时，减少本轮燃烧的初始煤气流量。
12.如权利要求8所述的装置，其特征在于，燃烧数据包括废气温度、煤气流量和空气流量。
13.如权利要求8所述的装置，其特征在于，权重调整模块具体用于：
根据周期燃烧数据拟合第一预测周期、第二预测周期、第三预测周期的废气温度升温曲线，其中，第一预测周期比第二预测周期短，第二预测周期比第三预测周期短；
调整第一预测周期、第二预测周期、第三预测周期的废气温度升温曲线的权重，得到预测升温斜率；
根据预测升温斜率，得到废气温度升温曲线。
14.如权利要求8所述的装置，其特征在于，还包括模型构建模块，具体用于：
将热风炉的历史燃烧数据作为机器学习数据集；
将机器学习数据集拆分为训练集和测试集；
导入机器学习模型，为机器学习模型配置参数，根据训练集训练机器学习模型；
根据测试集评估训练的机器学习模型性能，将命中率达到预设标准的机器学习模型作为参数调整模型。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
17.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。