在转炉（电炉）-精炼-连铸的炼钢流程中，钢包精炼炉作为重要的冶炼装备，具有炼钢节奏调节的功能。钢水温度作为重要参数之一，受限于测量技术和成本因素而无法连续测量。通过预报模型可以解决这一问题，然而目前钢水温度预报的研究缺少对处理不确定性的实质内容的考虑。
　　本文并结合集成学习的思想，建立兼容不确定性数据的钢水温度区间预报模型，取得了较好的预报效果。
　　首先，从LF精炼过程的能量收支情况入手，对影响钢水温度的各部分能量进行分析。结合各部分的能量收支简化模型，建立基于能量收支平衡的钢水温度基本预报模型。然而，整个炼钢流程是一个高度复杂的过程，影响炉况的因素很多且存在很多不确定性，基本预报模型并没有考虑实际数据的不确定性问题。
　　为了增加预报工作对处理不确定性的实质内容的考虑，对不确定度的来源进行了分析，并针对各部分不确定度来源分别确定相应的处理方法。针对采样噪声带来的不确定性，本文建立了基于区间神经网络的LF精炼过程钢水温度区间预报模型。模型建立过程中又遇到半径消失、模型对区间半径过学习等问题。通过选择合适的激活函数、改进损失函数结构及其参数的确定，使以上问题得到解决。区间预报模型可以处理区间数形式的输入，得到携带不确定度信息的区间形式输出结果。
　　最后，为了解决钢水温度预报模型效果受样本分布情况影响较大的问题，结合集成算法建立集成预报模型。通过对集成算法的特点对比分析后，选择AdaBoost算法用于子模型的集成。本文属于区间回归分析问题，所以需要在传统算法基础上做适应性改进，同时又对改进的算法做了收敛性分析。仿真结果也验证了结合集成学习算法的思想建立精炼炉钢水温度区间预报模型，有效减少了数据分布带来的不确定度对预报模型模型的影响，提高了模型的可靠性。