复杂化学过程的分析和预测在可持续发展过程中起着非常重要的作用。为了分析管理水平、生产结构以及生产工质的投入构成等对能效的影响,本文提出了指标分解分析(Index Decomposition Analysis,IDA)+节能潜力混合框架来对能效进行分析。同时,本文将能源分析与能效预测相结合,由于乙烯生产过程中的数据存在数据维度高的特点,且它的测量过程中通常存在一定的误差噪声和外部干扰,所以利用极限学习机(Extreme learning machine,ELM)的并行分布处理和且其不易陷入局部极小值的特性,提出一种基于此的能效建模方式。IDA方法可以有效地获取能源活动水平,能源等级和能源强度,以反应能源使用的影响。节能潜力法可以验证IDA方法提出的改进方向的正确性。IDA+节能潜力框架能够非常直观地发现提高能效,降低能耗的具体措施,以及预期效果。由于ELM神经网络很容易收到噪声数据的干扰,所以采用亲和传播(Affinity Propagation,AP)聚类方法对此进行改进,使其更加适用于化工过程。同时,IDA+节能潜力混合框架可以有效的提取特征数据,去除噪声、干扰和误差,所以使用IDA+节能潜力混合框架的指标分析结果作为AP--ELM神经网络的输入,进行建模,对化工装置的产出进行预测。本文所做的研究内容如下:1、若采用IDA指标分析方法进行化工数据分析,IDA方法没有区分复杂化学过程的技术节能空间和结构节能空间,所以有必要进一步区分复杂化学过程的技术节能潜力和结构节能潜力,并分析影响其影响的主要因素。所以我们采用IDA指标分析算法与节能潜力分析算法相结合的混合框架进行能效分析。2、工业生产的数据存在冗余信息多、维度高、耦合性强等问题,所以文中通过剖析、对照不同的神经网络模型,选取了以训练速度快,全局逼近性能好的ELM神经网络为基础,结合一种新型聚类方法——AP聚类来设计了一个新的模型,提高了 ELM神经网络预测的精度。3、将IDA+节能潜力分析混合框架能效分析方法以及AP-ELM神经网络模型应用于乙烯生产过程中的能源效率分析及预测过程中,验证两种所提方法的有效性和实用性。4.、计基于B/S体系的Web原型系统-乙烯能效分析与预测原型系统,以某乙烯装置的实际生产数据作为研究应用对象,详述系统整体架构,详细设计等,验证本文所提出的方法的有效性与可行性。