在钢铁企业冶炼过程中,高炉煤气是重要副产品之一,其回收利用水平与供需平衡程度将会对企业的能耗水平和环境污染程度造成直接影响,合理利用高炉煤气不仅可以减少冶金能源的外购量,还能降低放散,减少环境污染,对企业节能降耗有重要意义。因此,提前预测高炉煤气发生量,建立准确的预测模型,可以为煤气调度提供依据,提高能源利用率。本文主要围绕高炉煤气系统进行研究。在分析了国内外高炉煤气预测成果基础上,针对高炉煤气的发生量的预测问题,开展以下研究:（1）从高炉炼铁工艺入手,深入探讨高炉煤气的产生过程,并且结合机理、原料条件、操作制度找到高炉煤气发生量的影响因素,从原理上为预测模型建立奠定基础。（2）针对影响高炉煤气产生过程的复杂性,采用灰色关联度分析来判定影响因素的重要性,合理选择模型的输入,提高预测精度。本文根据灰色关联度分析法计算关联度,并对其进行排序,得到热风压力、冷风流量、雷达料线、炉顶压力以及富氧量这五个主要影响因素。同时由于现场设备以及工作环境的影响,采集到的数据往往含有噪声,因此为了降低噪音对最后预测结果的影响,本文采用奇异谱分析法对原始信号进行降噪处理。（3）针对高炉煤气非线性以及时序性的特性,建立基于LSTM神经网络的高炉煤气发生量预测模型,由于LSTM有一个“记忆单元”,因此可以学习长期依赖,在时序数据分析中有更强的适应性。然后经过多次实验结果确定网络关键参数,如隐含层单元数、迭代次数以及批处理数量等,设置Dropout大小来防止网络过拟合,最后和以往的BP神经网络高炉煤气预测模型进行对比,并且验证该模型在预测时间序列的合理性。（4）为了进一步提高预测精度,本文提出了一种新的基于粒子群优化的高炉煤气发生量组合预测模型。将深度神经网络模型LSTM与传统的ARIMA模型进行组合,采用粒子群算法来对LSTM的关键参数以及单个模型的权值系数进行寻优,该模型克服了单个预测模型的缺点,极大的提高了预测精度和稳定性。最后通过对比实验验证了该模型的有效性。（5）根据前文所提出的高炉煤气发生量预测模型,结合现场实际数据,设计并开发了一套高炉煤气预测系统,该系统从系统架构、数据库设计以及软件功能等方面出发,采用C#语言进行编程。