钢铁企业是中国能源消耗大户,随着国内能源形势的不断紧迫和自然环境的逐步恶化,政府对钢铁企业能源消耗问题越来越重视,在这样一个特殊背景下,钢铁企业提高自身能源利用率,开发节能减排技术,不仅仅节约能源成本,而且提高企业综合竞争力。本文以典型钢铁企业能源介质的消耗预测为背景,设计Q学习与最小二乘支持向量机混合方法来对大规模能源预测问题进行求解,以达到节省能源,提高效率的目的。主要内容如下：(1)钢铁企业对其能源介质消耗进行预测时,大规模的历史数据作为训练数据可以有效提高预测结果精度,但大规模的预测问题,会存在预测时间长、预测精度差、预测模型不稳定等问题。本文以天为时间单位,利用钢铁企业一年的历史训练数据进行分析测试,对未来一天或者多天的能耗情况进行预测。(2)本文提出了基于最小二乘支持向量机的Q学习方法来解决钢铁企业大规模能源预测时存在的预测时间长、预测精度差等问题。大规模历史数据进行训练时,最小二乘支持向量机可以避免Q学习系统遍历所有状态,加快系统学习速度,使其在有限的学习经验和有限的记忆中实现对一个更大范围空间知识的有效学习和表达。混合算法与基于PSO的神经网络预测算法作比较实验显示,在误差相差不大情况下,本文混合算法的预测值可以更好的跟随实绩值,为此证明了本文算法的有效性。(3)为了进一步提高混合算法的性能,将最小时间窗的在线学习技术引入训练学习集中增加系统的训练规模,将Doolittle分解法代替普通高斯分解法求解最小二乘支持向量机的线性方程加快算法的预测速度；将模拟退火算法引入Q学习算法中提高算法精度。数值试验显示,改进后的算法相对与原算法速度和精度显著提高。(4)根据算法预测性能以及用户需求,本文开发了钢铁企业工序能源预测系统。系统主要设计了对不同工序中所含介质的预测功能,提供了工序管理、能源介质管理、历史实绩数据管理等基础性管理,并且提供了丰富的图表功能,方便决策者管理。