钢铁行业是我国最重要的基础产业部门之一,是工业的支柱产业。钢铁企业是能源消耗的大户,高产量的钢铁产品必然消耗大量的能源物质。但由于各种原因,我国钢铁企业的吨钢能耗远高于世界先进水平,重点钢铁企业的吨钢能耗比国外先进水平高出10%。钢铁企业节能降耗成为急需解决的事情,关系到国家、社会的发展。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。本文以钢铁企业节能降耗为目的,研究钢铁企业能耗,为此做了大量工作,具体工作如下：在钢铁企业的物质流模型的基础上,从“基准物质流”的概念入手,分析了钢铁企业生产流程中含Fe物质流在实际生产中可能发生的流动情况,并且分析了各种偏离“基准物质流”的含Fe物质对钢铁企业吨钢综合能耗的影响。分析结果表明,在钢铁企业生产流程中,凡是由外界向某中间工序输入含Fe物料,必有利于节能,且越是后部工序,节能越显著；凡是由某工序向外界输出或返回上游工序重新处理的含Fe物料,必增大该工序能耗及上游工序的实物产量,从而增大吨钢能耗,且越是后部工序,耗能越多；凡在工序内部循环使用含Fe物料,必使本工序能耗增大。为了对钢铁企业能耗进行科学、全面的评价,选取吨钢综合能耗作为评价指标,建立了吨钢能耗的灰色群体层次分析法的层次结构,从系统的角度,应用灰色群体层次分析法评价了钢铁生产流程中的11种物质流因素对吨钢综合能耗影响程度,并按照影响程度的大小进行了排序,为指导企业制定科学的节能降耗措施提供了理论依据。在对钢铁企业进行能耗预测时,选取GA-BP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神经网络的输入。基于主成分分析法的降维原理,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,降维、除冗佘处理后的数据作为神经网络预测模型的输入,减少了预测模型的复杂性。采用GA优化BP神经网络的初始权值和阈值,克服了BP神经网络本身的一些缺陷,使得预测精度得以提高。