化工行业作为我国国民经济中的重要角色,其技术水平影响着国家的工业实力以及人民的生活质量。化工行业供给了汽油、柴油等我国主要能源,其产物还被作为农业、建筑以及材料工业等行业的原材料。化工行业在生产过程中不仅需要投入大量资源,还会排放大量的大气及水污染物。因此,推动化工行业地可持续发展、推进化工装置精细化和信息化建设对提升我国工业化实力、实现我国工业可持续发展有着重要意义。本文研究分析了以催化裂化装置为例的化工装置生产过程中产生的历史时间序列数据,提出了化工装置能源效率分析以及预测方法。本文提出了一种基于GBDT（Gradient Boosting Decision Tree）的数据包络交叉模型（Data Envelopment Analysis Cross Model,DEACM）（GBDTDEACM）方法实现了对化工装置能源效率的分析,并为化工装置改进投入产出结构、提升能源效率提供了理论指导。然后本文通过分析化工装置时间序列数据特性分别提出了Multi-Scale Temporal Long Short-Term Memory（MST-LSTM）模型和MSPNet（Multi Step Predict Net）模型实现准确的化工装置关键指标的单步与多步预测,为装置能效改进以及平稳运行提供了策略支撑。本文的主要研究内容如下:1、由于化工装置在一段时间内各指标变化浮动不大,传统的数据包络分析（Data Envelopment Analysis,DEA）方法在进行能效分析时不能有效区分出有效决策单元（Decision Making Unit,DMU）以及无效DMU,导致无法提供有效的化工装置优化建议建议。针对以上问题,本文提出了GBDT-DEACM能源效率评价模型。解决了传统DEA模型在计算工业装置能源效率时无法区分有效DMU和无效DMU的问题。本文对催化裂化装置的柴油生产部分进行了能源效率分析,对不良的投入产出结构提供了优化方向。实验结果表明,催化裂化装置柴油生产部分的节能潜力达到了9.32%。2、能效分析方法是通过历史时序数据对化工装置的历史状态进行分析,而无法实现基于能效改进策略对化工装置投入产出未来状态的评估。因此,采用合适建模预测方法对化工装置进行建模预测既可以为化工装置能效分析提供数据支撑,也可以更全面立体的分析化工装置的生产运行状态。由于传统的数据驱动建模不能有效挖掘化工装置真实生产过程中的时序特征,本文提出了一种多时间尺度的神经网络模型MSTLSTM实现准确地化工装置单步预测。MST-LSTM模型通过两个神经网络结构同时捕捉长期时序数据中相关变量与目标变量的关系以及目标变量短期内的自回归趋势,并通过门控机制自适应调整MST-LSTM对两个神经网络提取信息的参考量。最终通过贝叶斯优化方法调整输入时序数据时间窗大小进一步优化MST-LSTM的预测能力。以催化裂化装置投入产出部分以及其他关键指标作为数据集,MST-LSTM实现了对未来状态地有效单步预测,准确率均达到了95%以上。同时对比实验结果表明,与其他单步预测方法如传统长短期记忆网络（Long Short-Term Memory,LSTM）等相比MST-LSTM在回归指标上表现最好,MST-LSTM预测的均方根误差比传统LSTM最多可下降55%,充分说明了MST-LSTM的预测性能。3、在化工装置的能源结构调整方向以及生产运行状态分析中,单步预测提供的信息支持是有限的,无法评估出未来一段时间内指标的变化,因此引入化工装置多步预测是有意义的。针对传统多步预测方法存在预测偏差随预测步数增加而逐渐增大等问题,本文提出了新的多步预测模型MSPNet用于化工装置运行分析。MSPNet通过解码器中多个LSTM单元分别预测结果避免了传统多步预测方法的误差递增问题。以催化裂化装置投入产出数据以及其他催化裂化装置关键指标数据集为例,实验结果表明,本文提出的多步预测方法能精准实现多步预测,RMSE指标最低达到0.006。在与Seq2Seq等多步预测模型的对比中,MSPNet的预测效果提升明显,RMSE最多可下降87%。