熊 伟，张建喜，张守印，张宏健*

（1.华北理工大学电气工程学院，唐山 063210；2.华北理工大学矿业工程学院，唐山 063210）

0 引言

钢铁生产过程中，煤气过剩会造成能源浪费、增加排放、污染环境，煤气短缺会使生产效率低下。当前，钢铁企业普遍存在冷轧煤气消耗预测精度偏低的问题，影响煤气调度，建立精准的冷轧煤气消耗预测模型，对煤气的合理调度具有重要的现实意义。

互联网时代，人工智能迅速崛起，各类方法被广泛用于钢铁企业煤气预测。包向军等［1］结合长短记忆模型和季节性差分自回归模型两者优势，建立梯度驱动时序预测复合模型，预测了高炉正常工况和变工况条件下的煤气发生量。江德文等［2］建立了基于支持向量回归的高炉煤气利用率预测模型，结合实际数据，将向量回归模型与多层感知器模型进行对比，实现了对高炉煤气利用率的准确预测。刘书含等［3］提出了基于BP 神经网络的热风炉群煤气消耗量预测模型，提高了预测精度。目前对冷轧煤气消耗预测研究较少，预测精度不理想。

小波阈值作为常见的数据预处理方法，BPNN作为常用的人工神经网络，在各领域的预测模型研究中被广泛应用。马莹莹等［4］提出了一种基于集合经验模态分解和小波分析的短时交通流预测方法，利用小波分析对含噪信号进行去噪处理，构建模型，克服了现有短时交通流随机性、非线性特征。Zhang 等［5］提出利用经验模态分解和小波阈值降噪去除混凝土坝变形监测信息中的高频成分，结合长短期记忆网络建立模型，提高了大坝变形预测的精度。……