随着大数据技术与电力信息技术的不断发展与融合,越来越多的机器学习算法也被应用到了智能电网领域,而电力需求预测也成为了当前的热点内容。传统的电力系统是以自上而下的运行管理模式为主导,往往会因为用户的用电需求达不到使用量而造成一定的资源浪费。但在如今的拥有集成的、高速双向通信网络的智能电网体系下,完全可以通过先进的设备技术、控制方法、传感和测量技术对硬件及客观条件诸如天气、温度等特征进行收集,并将之转换为连续或者离散的数字化特征。然后再以此数据作为训练集,并使用预测算法调试出适当的模型,预测出用户的电能需求范围边界值,从而加强电力需求侧的用电管理,使得电能资源可以得到更有效率的使用。当前国内主要的用电量预测方向往往是针对某一地区的整体用电需求为预测目标,以满足整体的用电规划,而本文着眼于企业这一特殊的电力用户进行用电量预测,正是希望借助精确的用电需求预测方法,构造有效的异常用电行为分析模型,从而对企业的用电需求进行更深一步的细化预测。这既可以解决企业用电需求的问题,又可以减少电力资源的浪费,从而使电力的配给达到平衡。本文以扬中市20个月1454家企业的日用电量为样本数据集,在前三章中主要分析数据集自身特征,对数据做归一化处理,并通过数据可视化,创新性的提出了根据用电量级别划分企业级别的方法,且着重对数据集内部进行特征挖掘,构建特征工程。在第四章中,基于线性回归算法搭建了电力预测模型,并使用模拟退火算法进行特征筛选。在第五章中,使用XGBoost算法搭建电力预测模型,并使用XGBoost算法中的importance方法进行特征筛选,该模型最终预测效果良好,对于97%以上的大型、大中型以及中型企业都可以做到偏移误差小于10%,74%的中型及中型以上企业偏移量小于5%,对于小型企业的预测也可以做到85%的小型企业偏移量在10%以内,基本满足实际预测需求。