为了提高电力服务的质量和保障水平,近年来,电力负荷预测受到工业界和学术界的广泛关注。而随着科技的发展,机器学习已应用到各种领域。如何利用机器学习相关技术,结合历史用电数据和当前电力消费影响因素对电力负荷进行高精度的预测已成为一个研究热点。电力负荷预测的基础数据目前主要来源于数据采集与监视控制系统(Supervisory Control And Data Acquisition,简称SCADA),但存在异常数据等问题,而数据预处理是提高基础数据质量、改善预测准确度的必要前提。本文针对企业用电预测缺乏异常检测模块、数据量大,无样本标签等特点,结合机器学习技术,在数据预处理阶段加入一种基于无监督学习的企业用电异常检测模块。使用孤立森林算法(Isolation Forest,简称iForest)与拉依达法则(3?法则)相结合对企业用电进行异常检测,并与K-means算法检测结果进行比较。仿真测试结果显示,当数据规模较小时,两种异常检测模型的检测率差别不大,但当数据规模变大时,该模块的异常检测率明显高于基于K-means算法的异常检测率,当数据量达到6174维时,其检测精度比基于K-means的异常检测模型高30.5%,达到93.5%。针对目前大多数企业用电预测采用单一模型存在局限性的问题,本文结合气温、节假日等因素对企业用电数据的影响,提出一种基于自回归滑动平均算法(Autoregressive Moving Average Model,ARMA)与极限梯度提升(Extreme Gradient Boosting,Xgboost)的机器学习组合方法的企业用电预测模型,并分别与目前流行的基于ARMA的企业用电预测模型、基于Xgboost的企业用电预测模型和基于反馈神经网络的企业用电预测模型的预测结果进行对比。仿真测试结果表明:该模型预测精度达到97.02%,相比于三种分离模型的预测精度平均提高了2.76%。总之,结合数据预处理,本文提出的组合预测模型具有预测时间短、针对性强、预测精度高等特点,能基于预测结果有效揭示企业用电变化规律,适用于电力系统领域。