如何合理节约和利用能源已成为社会关注的热点问题,科学有效的用电量预测为解决这一问题提供了支撑,所以准确预测工业用电已成为电力市场实现科学用能和有效节能的重要方式,对于工业企业的能源管理也具有重要意义。传统用电数据分析和预测过程大多局限于离线本地计算,数据导入和导出等步骤仍需要人工操作,存在效率低和实时性差等问题。针对上述问题,本文基于物联网技术在福建省某工业企业建立了用电预测系统,该系统分为用电数据采集系统和用电数据分析平台。采集系统获取工业用电数据,分析平台为阿里云平台,在阿里云Dataworks平台上实现了实时数据导入。然后对影响工业用电的主要因素进行了分析,进而在机器学习PAI平台上对数据进行预处理和特征分析,整理好数据对其进行相关性分析,从而确定主要特征量,整理出有效数据。对整理出的有效数据在机器学习PAI平台上采用梯度提升决策树回归算法构建了该工业企业的用电预测模型,并与支持向量回归机和线性回归算法进行对比,证明了梯度提升决策树回归算法具有更好的预测效果。同时本文还对云平台的数据同步时间进行了统计分析,证明了基于云平台的工业用电分析与预测具有更好的效率和实时性。对于梯度提升决策树和支持向量回归机算法,本文考虑使用粒子群优化算法对这两种算法进行参数寻优,不仅节省大量人工调参时间,还使预测精度得到改善。另外,本文研究对象为工业企业,针对其用电负荷曲线有着较为明显的周期性,将采用小波分解将原始负荷序列分解为高频分量和低频分量,然后通过粒子群优化后的梯度提升决策树和支持向量回归机算法对这两个分量分别进行分析和预测,最终将这两部分的输出相叠加得到最优预测结果。与未经过小波分解的梯度提升决策树预测算法进行对比,其预测性能得到较大提升。最后本文通过对该企业用电特性规律和负荷类别结构的分析,借助BK-033电力监测仪功率计量插座和每类设备的数量及其相关信息,从总用电量中识别并分解为三大类负荷,然后对每类负荷分别进行分析预测,最终对每类的预测值求和与传统预测方法作比较,从而使预测精度得到了提升。