电量预测基于统计学、机器学习和大数据对海量内部历史电量数据和各类外部影响数据进行建模分析,既能为电力系统建设规划和电网稳定运行提供决策依据,又能保障电力生产与消费的供需平衡。由于影响电量需求的因素众多且缺乏真实有效的数据源,电量预测一直是电力系统发展中致力于解决的难题,发展至今大多聚焦在短期电量预测。由于业界对高精度中长期预测需求日益迫切,本文针对多尺度的社会电量预测需求,重点研究面向行业分类的中长期预测以及面向工业用户的短期预测,旨在为电力供给侧和需求侧提供各自所需的高精度电量预测结果,具体研究内容如下:（1）结合电力供给侧和需求侧对电量预测的整体需求,提出一种基于大数据和行业用电数据特征分类的多尺度电量预测解决方案,包括中长期社会电量预测和短期工业用户电量预测,进一步将中长期社会电量预测划分为社会总电量、行业电量、区域电量和大用户电量。（2）在中长期电量预测方面,基于行业用电行为特征的差异化,设计一种针对社会电量预测的行业分类方案;建立适用于周期性增长序列的GM（1,1）-SI可变季节指数模型和基于果蝇优化算法（fruit fly optimization algorithm,FOA）的Holt-Winters（FOA-HW）预测模型。针对不同预测周期的行业特点,长期预测选择5种序列分析预测模型,中期预测选择包括GM（1,1）-SI和FOA-HW在内的5种序列分析预测模型,提出一种以平均绝对百分误差（mean absolute percentile error,MAPE）为导向的预测模型选择方法。通过实例数据测试和分析,验证本文选择和设计的预测模型及其选择方法的可行性和有效性。（3）在短期电量预测方面,根据电力需求侧的工业用户在电力交易中的电量预测需求,设计一种针对有限历史数据的短期电量预测方法。基于短期电量预测的需求分析和目的,选择两家企业作为应用对象,采集其日度历史电量数据和相关生产影响因素,建立基于支持向量机（support vector machine,SVM）和随机森林（random forest,RF）的短期电量预测模型,通过实例验证这两种机器学习预测模型的可行性和有效性。