本课题的提出正是以钢铁企业节能为目的,分析评价钢铁企业能耗,找出节能重点,预测钢铁企业的能耗,挖掘节能潜力,这与国家工业节能优先主题所规定的内容高度吻合。课题研究的内容在流程工业中具有很强的通用性和推广性,经济和社会意义极其重大。针对钢铁企业,主要研究钢铁企业能耗预测,具体工作如下：简要介绍了钢铁企业生产工艺和能耗情况,着重分析了含Fe物质流入、流出生产流程对吨钢综合能耗的影响。分析结果表明,流入含Fe物质有利用减少能耗,而流出含Fe物质则会增加能耗,越是后部的工序越是明显。吨钢综合能耗是钢铁企业非常重要的指标,能够为企业提供生产指导和决策意见,因此如何合理预测吨钢综合能耗是亟待解决的问题。针对上述问题,本文提出利用区间神经网络进行吨钢综合能耗预测。引入利用梯度下降法推导的区间神经网络,并进行了网络测试,实验效果达到预期效果；针对区间神经网络易陷入局部极小等问题,提出自适应量子粒子群(Adaptive Quantum Particle Swarm Optimization),测试了此算法性能；最后将AQPSO与区间神经网络结合,利用AQPSO优化区间神经网络的权值和阈。通过数据实验,此种区间神经网络的性能有了明显提高。在对钢铁企业进行能耗预测时,选取基于AQPSO的区间神经网络作为预测模型,选择影响吨钢综合能耗的含铁物质作为区间神经网络的输入。在预测之前利用PCA对数据进行处理,将影响吨钢综合能耗的11种含铁物质降维到3个新综合变量,将新变量作为预测模型的输入。利用自适应量子粒子群对初始权值和阈值进行处理,将粒子群的输出的最优粒子的维度信息作为区间神经网络的初始权值和阈值,然后利用区间神经网络进行能耗预测,预测达到预期效果。