自1982年邓聚龙教授建立灰色系统理论至今,灰色预测理论经四十年的发展已成为包含GM（1,1）模型、灰色Verhulst与GM（r,h）模型及相关衍生模型的预测方法体系,并被成功应用于众多科学领域。然而,随着灰色预测模型应用场景的进一步拓展,所面对的时序数据也因受多种因素共同影响而呈现更为复杂的数据形式。如何根据数据特征构建相应的灰色预测模型已成为亟待解决的关键问题。本文通过对国内外灰色预测相关研究成果进行总结提炼,找到已有研究面临的问题和新研究切入点。一是已有模型的固定结构限制了模型对复杂数据特征的适应性;二是现有模型未能充分挖掘数据序列的非线性发展趋势和季节波动特征。针对以上问题,基于“数据特征驱动”建模思想,本文构建了两类模型,以实现对数据序列非线性和季节性波动特征的充分挖掘。本文的主要研究成果如下:（1）针对具有显著非线性,长期发展速率变化不规律的数据序列,构建了幂指数驱动的灰色预测模型,解决了已有模型较难精准刻画可再生能源需求长期发展趋势呈现的显著非线性问题。本文基于直接建模思想及动态灰色作用量构建了幂指数驱动的灰色预测模型,最终实现了对数据序列非线性长期发展趋势的有效捕捉,预测结果满足一级预测精度要求。相比于已有模型,新模型不仅通过动态时变参数体现了外部扰动的时变特征,同时所用的直接建模法还可避免累加累减生成所带来的潜在信息损失,更贴合实际情况的同时具有更高精度。最后,将新模型应用于三大经济体的可再生能源年度需求量的预测中,根据预测结果给出分析。（2）针对具有显著非线性且受季节波动影响的数据序列,构建了基于STL-HP二次分解的灰色混合模型,解决了已有模型的固定结构无法处理可再生能源系统因多种因素相互作用所呈现的具有季节波动和长期发展趋势的问题。本文结合“分解集成”思想,将STL分解方法与HP滤波有机结合,提出了基于STL-HP的二次分解方法,之后根据各分量的特征,以更合适的长期趋势预测模型DPDGM（2,1）和季节预测模型Holt-Winters对分量分别进行预测并集成,共同构建了基于STL-HP二次分解的灰色混合模型。相比于已有模型,基于二次分解的数据预处理方法可实现对数据序列趋势分量和季节分量的有效分离,从而降低建模难度。而根据数据特征分别对分量进行更为精准的预测,也再次提升了模型的精度。本文将新模型应用于可再生能源需求量月度数据的预测,并与其他模型进行了对比分析,结果表明新模型能够满足对既有长期趋势又有显著季节波动数据序列预测的一级精度要求。最后,将新模型应用于2020-2022年可再生能源月度需求量的预测分析中,并提出相应的政策建议,以期为其持续发展提供参考。