近年来,在国家经济社会发展的“十二五”和“十三五”规划下,各地的工业经济得到快速发展。在工业经济的快速发展的同时,也极大地增加了工业用电量的趋势,用于工业发电的煤炭等不可再生能源也在不断的衰竭。如果不能妥善解决工业用电消耗与工业经济发展之间的矛盾,会导致社会一系列问题。研究工业经济与工业用电量之间的关系有利于促进社会的进步和发展。若能够通过工业经济的相关指标科学合理的预测工业用电量,不仅可以有助于推动当地的工业经济的发展,而且能合理的利用电能源和节约能源。本文首先介绍了BP神经网络、遗传算法(GA)和模拟退火算法(SA)的原理,并依次介绍了BP神经网络预测模型、GA-BP神经网络预测模型,并提出了GASA-BP神经网络预测模型。且利用2012年6月到2017年4月的安徽省工业经济的相关数据指标和工业用电量的月度数据样本,分别对基于BP神经网络、GA-BP神经网络和GASA-BP神经网络的预测模型进行了实验研究。另外,分别针对三种预测模型的相关参数的选取,设计了相关的实验,并对三种预测模型在安徽省的工业用电量数据样本上的预测效果进行对比和分析。在BP神经网络预测模型中,针对参数隐含层神经元数目的确定,设计四组实验,通过对比分析确定了较好的隐含层神经元的数目;在GA-BP神经网络预测模型中,经过实验预测误差的对比分析,确定了遗传算法中的种群规模数;在GASA-BP神经网络预测模型中,针对两个重要参数初始温度和退温速率,设计了两组实验且通过预测误差对比分析,最终确定了较优的初始温度和退温速率。将BP、GA-BP和GASA-BP三种神经网络预测模型的预测效果对比分析,实验验证了GASA-BP神经网络继承了GA-BP神经网络的特点,并在陷入局部最优时,能够通过模拟退火算法跳出局部区域,在全局进行最优解的搜索。通过对GA-BP神经网络的改进,使得GASA-BP神经网络在预测安徽省工业用电量时的准确性有所提高,达到了更好优化BP神经网络的权值和阈值与提高预测精确度的目的。