冶金产业是国家重要的支柱产业,对国家具有重要战略意义。由于冶金过程中需要消耗大量的能源,其生产过程不合理不仅会造成能源成本的增加而且会严重污染环境。而完整可靠的实时、历史数据是企业优化与调度的基础。由于生产过程复杂、工艺多样、采集异常、存储失误等原因,经常使数据产生不同的程度缺失。现场人员大多采用人工经验或者较简单的估计方法完成对缺失数据的填补。但由于生产过程的复杂性,人工填补精度远不能满足生产数据精度要求,从而导致决策失误,对企业造成不利影响。以某冶金企业生产过程为背景,本文针对其生产过程数据缺失情况进行了研究,提出一种基于分段形态表示的冶金能源数据缺失填补方法。该方法首先用历史生产数据建立数据库并用关键点和滑动窗技术对待填补序列和数据库中序列进行数据分割实现降维,然后用变化趋势、幅值水平及波动程度三个特征量分别对目标序列与比较序列进行形态表示,通过计算目标序列与比较序列形态表示相似度筛选相似样本,最后用高斯过程回声状态网络模型训练缺失数据模型进而实现数据填补。为验证本文方法有效性,本文首先分析所提key-sliding-window数据分割方法参数对分割结果影响,然后针对不同类型用户数据确定分割参数。最后用本文所提基于分段形态表示数据填补方法与位运算法及回归填补法、最大期望填补法对该冶金企业实际数据进行仿真实验比较,结果表明本文方法对不同类型、不同缺失程度数据的填补效果明显优于回归填补法和最大期望填补法。