随着我国生产力水平的提高,国民经济快速发展,人民生活品质不断提升,全社会用电量需求迅速增加,由此带来了电力供需不平衡、碳排放量增多等问题,以致对产业经济、社会发展和居民生活都造成了很大影响。全面、及时、准确地对我国电力需求进行预测分析,能够为相关问题的解决提供支持,对于保障电力系统的合理运营规划,促进经济的可持续发展以及助力双碳目标的实现都具有重要意义。本文基于集成学习对我国全社会用电量进行预测研究。主要工作从以下三个方面展开:1、构建影响因素体系,并进行特征筛选。首先对全社会用电量进行现状分析、结构分析和影响因素分析,得到用电量的22个影响因素。之后基于Fan等人提出的非参数独立筛选理论,通过自主编程设计,构建非参数独立筛选的变量选择方法,并与方差过滤法、相关系数法和随机森林法结合,确定对用电量最重要的9个影响因素,保证因素选择的合理性。2、针对多变量影响以及用电量数据的时序特征,对全社会用电量构建多个预测模型。通过分析用电量在时序上的总体趋势和变化规律建立ARIMA模型,考虑用电量和影响因素的历史水平对用电量需求的影响建立LSTM模型,以用电量的影响因素作为特征输入建立XGBoost模型。比较以上三种模型在测试集的平均相对误差,发现XGBoost模型的平均相对误差最小,效果最好。3、基于集成学习建立ARIMA-LSTM-XGBoost融合模型。为了既考虑用电量的时序特征,又考虑外部因素对用电量的影响,发挥各模型的优点,规避各模型的缺点,充分挖掘数据信息,提高预测结果的准确度,本文基于Stacking集成学习,建立ARIMA-LSTM-XGBoost融合模型。将融合模型与另外三种模型在测试集的表现进行比较,结果显示,融合模型在每一年的相对误差差距较小,稳定性更好,平均相对误差为1.05%,预测效果更好。因此,本文将该融合模型作为全社会用电量的预测模型,实现对2022年至2023年的全社会用电量预测。预测结果显示,未来两年,我国用电量需求将继续增加,这需要电力生产部门和电力行业等共同努力,加快多种形式的电力供给基础建设,缓解用电紧张的压力。更多地利用清洁能源供电,减少环境污染,助力实现双碳目标。