钢铁工业是高能耗高排放的行业,实现其节能减排是行业发展的重大需求。研究钢铁企业二次能源系统中的相关预测问题,不仅对解决能源系统的优化、调度和管理有重要的指导作用,更对国家实现工业节能减排有重要的意义。针对钢铁企业二次能源系统工艺复杂,难于建立机理预测模型的特点,本文研究了基于数据的钢铁企业二次能源系统预测方法,具体内容如下：针对工业数据含噪声高的特点,将面向点的二次能源介质产消量预测问题归结为含噪声时间序列预测问题,提出一种考虑附加噪声的回声状态网络预测模型。鉴于数据噪声而导致的储备池神经元状态更新和网络输出更新的不确定性,提出一种基于求积卡尔曼滤波/线性卡尔曼滤波的双重估计算法对储备池神经元状态和输出权值进行估计。针对面向点的二次能源介质存储量预测问题,提出一种基于关系型数据的模糊预测模型。考虑能源系统中调节用户的人为干扰特性,采用条件模糊聚类对所建模型的输入/输出空间进行划分,以确定模型的前件参数。鉴于模糊模型后件参数求解时常出现异常解,采用贝叶斯线性回归方法求解模型的后件参数。针对二次能源介质产消量区间预测问题,提出一种Bootstrap回声状态网络集成区间预测模型。为确定网络集成模型的结构参数,采用0.632Bootstrap交叉验证的方法来确定网络集成模型中网络单元的个数和储备池神经元的个数；为求解网络集成模型的参数,提出一种基于贝叶斯线性回归的同步训练方法,该方法可以同时对多个网络进行训练,又能兼顾网络个体在训练过程中的信息交互。针对二次能源介质存储量的区间预测问题,提出一种具有输入不确定性的回声状态网络区间预测模型,并分别基于贝叶斯原理推导了外部输入数据不确定性、反馈输入数据不确定性、以及总体不确定性存在情况下模型输出的分布,最终构造了考虑总体不确定性存在情况下能源介质存储量的预测区间。基于国内某钢铁企业二次能源系统的监测数据对本文所提出的二次能源系统预测方法进行了仿真实验,其结果表明了所提方法对二次能源系统相关预测问题具有良好的预测效果。将取得的成果应用于该企业能源中心,其实际运行情况表明本文工作对钢铁企业二次能源系统的优化调度有直接的指导作用,对企业实现节能减排、降低成本有重要的实际意义。