石油工业对于我国的经济发展和军事战略十分重要。我国虽然领域广阔,但石油资源十分匮乏,人均占有量很低,所以能源效率的提高对于我国十分紧要,而其中能源数据建模和效率评价则是必不可少的环节。乙烯生产在石化行业占有十分重要的地位,本文以乙烯生产为例进行研究。传统的能效评价方法如数据包络分析(DEA)无法对有效决策单元进行区分,并且没有考虑到在乙烯生产过程中诸多外在环境因素对效率的影响。因此,本文提出了一种三阶段VSG-DEA的方法。其中虚拟样本生成(VSG)方法采用本文提出的利用极限学习机(ELM)的隐含层的特征变换来生虚拟样本的方法,并利用One-class SVM对虚拟样本进行筛选。VSG-DEA通过对具有虚拟样本的混合样本进行评价,构造出虚拟前沿面,将原来的有效决策单元转换为无效决策单元,因此可以对原所有的决策单元的效率进行区分,并得到节能潜力。由于乙烯组份结构的差异会对DEA方法的评价值产生干扰,本文将三阶段DEA和VSG-DEA结合来解决这个问题。通过对乙烯生产能力的预测可以对能效进行预评价,因此本文采用人工蜂群算法来优化极端梯度提升方法(XGBoost)对乙烯生产中能源数据进行建模。这不仅可以预测乙烯生产能力以达到预评价的目的,还可以得到投入变量的重要性程度。