能源效率一直是高耗能制造业关注的重点问题。随着我国石油化工行业的发展,提高能效对于进一步落实节能减排国策、保障国家能源安全、实现经济效益和环境效益双提升具有重要的意义。能源效率评价是提高能效的重要环节,通过对生产要素进行数据驱动建模和指标分析,揭示固有生产条件下的节能潜力并指出能效提升方向,从而达到指导实际生产的目的。由能效模型构建不合理、评价方法不完善、结果不全面导致的能效评价失准问题不容忽视,否则将严重降低能效评价方法的实际使用价值。复杂石油化工过程数据是包含不确定性和噪声的高度非线性数据,传统的能效评价方法既难以克服实际生产数据的不确定性,又无法对计划生产数据(有投入无产出)做出预评价,受到诸多条件的制约而无法广泛应用。另外,以往的能效评价方法仅考虑投入产出变量,忽略了外生环境变量对能效计算的影响。针对这些问题,本文提出了基于极限学习模糊逻辑网络(Extreme Learning Fuzzy Logic Network,ELFLN)和多阶段数据包络分析(Multi-stage Data Envelopment Analysis,Multi-stage DEA)的乙烯能效评价模型。将模糊逻辑和神经网络算法结合,构建一个由模糊推理系统替代原有隐含层的网络,以解决复杂石油化工过程数据不确定性和预评价的问题;将数据包络分析法和随机前沿分析法(Stochastic Frontier Analysis,SFA)结合,从投入松弛中分离出外生环境变量和随机因素的影响并加以剔除。案例分析表明,基于ELFLN和多阶段DEA的乙烯能效评价模型在效率辨识度方面要优于传统方法,神经网络建模精度和能效分类准确度也因为模糊逻辑和极限学习算法的引入而得到了增强。