优化工业能源配置、提升能源使用效率是节能降碳减排的主要途径之一,对生产过程中关键变量的预测有助于制定合理的能源使用计划。工业过程产生的大量数据为建立数据模型提供了有力支持。然而,一方面,由于工业现场情况复杂,需要根据实际需求对预测模型不断进行快速更新,另一方面,采集数据常带有随机缺失点,为预测工作带来极大挑战。作为一种具有宽度结构的神经网络,宽度学习系统能够快速有效的对模型进行更新,因此适用于工业过程变量预测,但其计算输出权重的岭回归参数难以确定,具有一定的局限性。为此,本文提出增量式贝叶斯宽度学习算法以解决上述问题。针对工业过程变量预测和模型更新问题,提出一种基于概率推理的增量式贝叶斯宽度学习方法。该方法引入噪声和权重的先验分布,使用贝叶斯推理估计出输出权重的后验概率分布。当需要扩展网络宽度或增加输入数据时,权重的均值和方差能以增量的形式被更新而不需要重新计算后验分布,模型参数也能通过最大化证据函数被同步更新,从而使矩阵运算量大幅减少。为验证提出方法的有效性,使用7种对比方法在6种标准数据集上进行实验,结果表明提出方法能够快速、准确地对目标变量进行预测,且应对含噪声数据时的鲁棒性较好。此外,还选用某钢厂高炉煤气柜位数据进行增量实验,结果表明提出方法能够快速、高效地完成模型更新。针对不完整时间序列的预测问题,基于期望最大化算法提出一种处理含缺失点数据集的贝叶斯宽度学习方法。将输出权重和目标缺失点视为未知变量,第一步通过未知变量的后验概率分布计算完整数据的对数似然函数的期望,第二步通过最大化该对数似然函数来更新未知变量值。不断循环以上两步骤直至模型收敛,在对缺失点进行填补的同时迭代估计出输出权重的分布。为验证提出方法的有效性,使用5种对比方法分别在人工合成数据集、标准数据集、工业数据集上进行实验,实验结果表明提出方法无论在低缺失比例还是高缺失比例时相比而言都能有较好表现,而与其它基于期望最大化的算法相比在训练时间上更具优势。