随着科技的不断迭代发展,经济不断增长,智能设备的不断推陈出新,在我们的生活中也越来越离不开电力。电力负荷的长期预测有助于电力系统运行与规划,从而促进电网高效稳定的发展。目前对于长期电力负荷预测大多数的文献是利用深度学习算法或机器学习算法来挖掘电力负荷中的历史数据间的规律,而忽视外界因素对电力负荷的影响,电力负荷预测往往和经济因素方面的某些数据有着密切的关系。为了完善云南省经济增长对电力消费的影响,开展了云南省电力消费与经济因素之间因果关系的研究,并运用高效的深度学习算法建立融合经济因素的云南省长期电力负荷预测模型研究,以提高对长期负荷预测准确性和可靠性。具体内容如下:首先,本论文分别从云南省生产总值、年末总人口数和年末就业人员数这三个具有代表性的维度来探究与电力消费之间的因果关系。考虑到云南省经济因素之间关联关系的复杂性,本论文通过计量经济学中的Person相关关系（Pearson Correlation Coefficient）、自回归分布滞后模型（ARDL）、格兰杰因果关系检验等方法动态分析了与云南省电力消费存在格兰杰因果关系的经济因素,并使用灰色GM（1,1）模型对云南省GDP的增长预测。实验结果表明,云南省生产总值和年末总人口数与电力消费之间有格兰杰因果关系,因此这两类数据将融入到第四章中所提出的长期电力负荷预测模型中。其次,为了提高融合了多种维度的长期电力负荷预测精度,提出了基于叠加门控循环单元（Stacked-Gate Recurrent Unit,Stacked-GRU）的长期电力负荷预测模型。该预测模型将提取到的特征在模型中进行逐层传递,以便能提取到长距离依赖关系中的特征。此外,随着预测模型的深度不断增加,会降低训练模型的收敛速度,神经网络出现退化导致预测模型的性能减退,为了解决这个问题在模型加入了残差网络。最后,为了验证本文中所提出的预测方法的有效性,采用从云南电网获取的数据进行实验。结果表明,本论文采用的预测模型在融合了经济数据之后的表现均优于其它四个模型,具有预测范围质量高、预测精度高等优点。