近年来,我国经济高速发展与环境污染之间的矛盾愈发突出,钢铁企业作为中国的能耗大户,如何提高能源利用率就显得至关重要。高炉煤气(Blast Furnace Gas,BFG)是冶金生产过程中极为重要的二次能源,其受入量往往会出现较大的波动,这种突然的波动若无有效防范,将带来安全隐患,因此,对高炉煤气受入量的准确预测可以降低有害风险,提高设备利用率。本文以钢铁行业炼钢过程为背景,针对高炉煤气受入量难以有效预测的问题,提出了一种数据滤波与二重神经网络相结合的建模预测新方法。首先,分析了国内外钢铁企业能源管理系统发展状况,并介绍了国内外研究学者在煤气预测方面的研究现状;其次,介绍了能量去噪法与带有自适应噪声的经验模态分解(EEMDAN)相结合的滤波算法,该算法一方面弥补了传统EMD算法的缺点,采用EEMDAN进行模态分解,使得分解信号更加平稳化;另一方面引入了能量去噪算法,实现了对工业信号的有效去噪,减少了工业扰动对预测建模的影响。最后,建立了 EEMDAN-DRBF的预测模型,该模型主要思想是将原始信号去噪并分解为不同时间尺度下的固有模态(IMF)分量,根据各模态自相关函数的特点,分别对每个模态建立径向基神经网络(RBF)预测模型;再次,为了提升单网络模型精度,根据各模态与原始数据相关性建立二重径向基神经网络(RBF)预测模型,并通过此模型对各模态预测结果进行融合和修正。针对复杂工业过程中高炉煤气受入量的数据的无规律性,使用本文提出的方法建立宝钢的高炉煤气受入量预测建模,并与其它建模方法相比较,实验表明该方法去噪效果良好,预测精度高,可以为钢铁企业煤气的管理调度提供可靠的数据支持。