工业生产能耗高、污染严重,有效提高工业能源的利用效率,实现节能减排已经成为国家重大需求。工业生产过程中伴随着大量的能源发生和消耗,对于能源介质的有效预测和优化调度是实现节能减排、保障安全生产的关键。考虑到以数据点为基本单位的建模方法无法有效描述生产语义或设备运行特征,且分析尺度受限,本文研究了多种基于数据粒度的多尺度预测与平衡调度方法,具体内容如下:针对工业能源介质的多时间尺度预测问题,分别提出基于自适应粒度的预测模型和基于特征化粒度的长期预测模型。前者依据工业数据的语义特征自适应划分并描述信息粒,采用协同条件聚类及模糊推理方式实现预测。后者针对长期预测需求,进一步将信息粒特征输入到多变量长短时记忆网络中,以利用特征-时间模式进行预测。为提高长期预测表现,提出一种周期校正方法来减少由多步预测过程带来的迭代误差。针对工业能源介质的时空序列预测问题,提出基于粒度的时空拓扑长短时记忆网络。首先依据生产过程将时空数据划分和表示为特征化的空间粒序列,根据粒序列的时空拓扑顺序构建多层长短时记忆网络。为了降低模型复杂度,在单元结构中进一步引入门控机制,网络模型可通过该机制了解空间粒的时序特征,并据此调整其更新和预测过程。针对工业能源系统的调度问题,提出一种基于自适应动态规划架构的粒度预测和动态调度方法。该方法考虑到系统的缓慢调整过程和事件驱动特性,以信息粒为单位计算评价网络的累积奖赏并建立调度动作网络。为了估计能源存储柜位的未来趋势以实时确定调度时刻,进一步提出基于强化学习的半监督粒度化方法,建立因素预测模型。针对工业能源系统的长期调度问题,提出了一种基于粒度建模和强化学习的方法。首先根据数据粒划分和模糊推理,建立基于人工经验的初始策略。为实现多步动态调度,在评价部分提出两阶段的值函数估计方法,通过粒度建模方式描述系统状态转移过程,以模拟调度动作带来的环境变化。最后在动作部分实现对于初始策略的动态补偿。基于国内某大型钢铁企业能源中心的实际运行数据,对上述提出的预测及调度方法进行运行实验。实验结果表明,本文方法的预测精度能够满足工业现场对于长时段预测的要求,并且在面对一些具有时空关系的关键生产过程数据方面具有优势。通过将粒度化预测过程与调度模型相结合,所提方法可以提供安全、经济的调度策略。考虑到系统运行环境的动态特性和多步事件的影响,本文方法可为长期调度场景提供有效方案。