电熔镁砂作为耐火材料,广泛应用于冶金、建材、航天、军工等领域。然而,电熔镁耗电巨大且负荷波动剧烈,准确预测负荷变化,可以实施削峰填谷,不仅能够降低企业用电成本,提高经济效益,还能节约供电容量,实现节能降耗,具有重要的研究意义与应用价值。电熔镁冶炼过程中工况动态变化,用电负荷受到间歇性、周期性、随机性因素共同影响,其波动具有强非线性、非平稳、时间粒度小等特点,为负荷预测增加了难度。针对这一问题,本文研究了基于分解重构的电熔镁负荷混合预测方法,通过序列分解与异质重构提升预测的稳健性与精度。并且,设计了误差校正策略以拓展该方法,将其应用于电熔镁负荷多步预测。具体研究工作包括:第一,对电熔镁负荷波动特性进行了研究,设计了电熔镁负荷单一模型预测方法。结合机理分析,对电熔镁负荷数据进行预处理,消除了强制分闸异常点与冗余信息。提取了影响负荷的57个属性的3阶滞后特征,利用皮尔逊相关系数构建特征工程。分别选择有代表性的随机森林（简称RF）、支持向量回归（简称SVR）、极端梯度提升机（简称XGBoost）、轻量级梯度提升机（简称Light GBM）、长短期记忆网络（简称LSTM）共5种模型,设计出5种电熔镁负荷预测方法。采用工业数据进行了比较实验,发现SVR在所有模型中预测效果最差,XGBoost、Light GBM模型在特征简单、样本量较小的情况下优势发挥受限、性能一般,与之相比RF模型表现最好。第二,针对电熔镁负荷波动受间歇性、周期性、随机性因素共同影响的特点,设计了基于分解重构的电熔镁负荷混合预测方法。采用基于能量熵优化的离散小波变化（简称DWT）将原始序列分解为高频与低频分量。采用同质模型分别对高频与低频分量进行建模并进行重构预测。通过实验对比,发现分解重构大大提升了预测精度,以DWT-RF-3、DWT-XGBoost-3为例,在RMSE、MAE、MSE指标上相较于RF、XGBoost降低了三分之一左右,MAPE也从4.41%、4.55%降低到了1.432%、1.501%,"、EVS、PCCs也都大幅增加到0.93以上。进一步,设计了基于异质重构的混合预测方法。针对低频分量设计了基于RF的序列近似特性挖掘模型,针对高频分量设计了基于LSTM的序列细节特性挖掘模型,并重构成异质混合模型DWT-RFLSTM以预测负荷变化。通过实验对比发现,与DWT-RF-3、DWTXGBoost-3、DWT-Light GBM-3相比,异质混合模型DWT-RF-LSTM具有更稳健、更准确的预测效果。第三,设计了基于自适应噪声完备集合经验模态分解（简称CEEMDAN）和变分模态分解（简称VMD）的电熔镁负荷混合预测方法。针对CEEMDAN对电熔镁负荷分解得到的低频模态函数复杂度较低,存在过度分解的问题,通过样本熵分析子序列复杂度,对熵值接近的序列进行重组。实验结果表明,基于样本熵重组的CEEMDAN分解不仅降低了计算成本而且误差也显著减少。为提升VMD分解效果,设计了基于相似度的自适应惩罚因子优化算法以设置VMD参数,并引入麻雀搜索算法（简称SSA）对模型参数寻优以降低计算复杂度。通过实验对比,在电熔镁负荷预测中,设计的VMDRF-SSA-LSTM模型预测精度优于其它混合模型,效果最好。第四,结合分解预测与误差校正策略,设计了电熔镁负荷多步预测方法。该方法首先从预测的负荷子序列中挖掘负荷特征,再采用主成分分析（简称PCA）提取主要成分,将去除干扰的主成分和预测误差作为训练数据集,用于构建RF模型校正误差。以电熔镁负荷向后5步预测为例,误差校正策略改进后,基于三种分解策略的12种混合模型的多步预测精度得到了显著提升,其中误差校正后的VMDRF-SSA-LSTM-PCA-E表现最好,其预测5步的MAPE分别为1.4%、1.67%、1.98%、2.24%、2.26%,验证了电熔镁负荷多步预测方法的效果。