针对大区域进行月度用电量预测对电力市场运行和地区电量平衡等起着重要作用,目的是为了合理地安排电力系统中期运行计划、降低运行成本、提高供电可靠性。同时电网智能化布置了大量智能电表和数据分析技术的进步,为全面反映与用电量强关联的因素以及高维数据变量筛选和高精度预测等突出问题提供了新的研究视角。提出一种基于弹性网络模型的月度用电量预测方法。首先建立用电量、气象、经济、交通4类,共340个变量的数据集,为构建科学合理的模型做好数据准备。其次对输入数据使用混合信息修补算法进行缺失值处理。通过对8年96个点的高维变量数据进行弹性网络因子筛选,并使用Granger因果关系分析找出了用电量数据与其他数据的关联关系,降低了计算复杂度。提出一种基于动态贝叶斯网络(dynamic Bayesian network,DBN)的月度用电量预测方法,进一步提高了预测精度。通过对传统DBN进行改进,使其能够在非稳态条件下对高维变量进行依赖关系筛选,从而找出与用电量具有依赖关系的变量,构建了与月度用电量相关的动态贝叶斯网络图并对其进行了复杂网络分析。利用2011-2017年用电量、气象、经济和交通的月度数据使用改进DBN对2018年12个月的上海市全社会用电量进行预测,对比弹性网络、传统DBN、VAR、BP神经网络,结果表明,5种方法的MAPE(平均绝对百分误差)分别为1.63%,3.07%,7.37%,10.80%,15.10%,验证了改进DBN的可行性和有效性,从而在考虑更为全面的影响因素的前提下实现了高维月度用电量数据的高精度预测。