高炉煤气系统作为典型的二次能源系统是钢铁生产中的重要环节,其平稳运行是企业高效生产,节能减排的重要保证。因此,对高炉煤气系统进行建模与调度对企业生产意义重大。本文基于深度学习方法对高炉煤气系统中的运行调度及其相关问题开展研究,为基于工业数据的预测与调度方法奠定基础。针对能源数据管理系统中的数据缺失问题,提出一种基于深度生成模型的生成式填补算法。通过融合变分自编码器与生成对抗网络为生成模型提供可解释的输入空间,并通过向目标函数中加入重构损失函数的方式实现生成序列与目标序列间的匹配。同时利用多时间尺度序列分解分别对多个时间尺度下的子序列实现填补,降低数据生成难度,提高填补精度。针对高炉煤气系统平衡调度问题,在深度强化学习框架下将调度问题转化为特定工况下的最优生产参数搜索,通过策略网络输出当前生产状态下合理的调度方向。同时将约束条件加入奖励函数以规避复杂的约束求解。此外,为了加快网络收敛速度,提高算法稳定性,添加了基于历史调度经验的预训练环节。为了实现调度评价,提出一种基于门控循环神经网络的多因素输入短期柜位趋势预测模型对调度模型中策略网络输出的调度动作进行评估和反馈。为验证本文算法在现有能源管理系统上的运行效果,采用现有数据进行了仿真实验,在此基础上开发的工业应用软件将本文所提出的方法以网络服务进程的形式在现有能源管理系统上进行验证,并借助GUI画面展示算法实际运行情况。实际系统验证运行结果表明,本文方法能够有效处理高炉煤气系统中存在的不完整数据问题,为高炉煤气的调度与优化提供决策支持。