全社会用电量是衡量地区经济发展一个重要指标,是“克强指数”重要组成部分。能否精准预测全社会用电量,是检验一个电力企业是否进入现代化的标准之一。精准的预测社会用电量模型不但可以为电力供应企业提供决策支持,还能减少由于过量发电带来的电力消耗。在对全社会用电量的影响因素进行分析时,根据选取影响社会用电量的因素,使用随机森林进行变量重要性排序。选取日平均气温、发电量、水泥产量、对外贸易出口额、房地产投资值、原油产量、生铁产量、钢材产量、产成品值、存货值作为社会用电量的主要影响因素。使用经验模态分解（EMD）将月度社会用电量数据分解成高频本征模态IMF1分量、低频本征模态IMF2、IMF3分量,使用AR（p）-M-MIADS（m,k,h）模型对IMF1分量进行预测,选取的滞后阶数p=12,混频抽样模型中的频率差倍数m=30,权重滞后阶数k的选择,通过对比不同权重滞后阶数k的训练集、测试集中的MAPE,结果表明当k=8为最优权重滞后阶数,训练集和测试集的MAPE分别为3.056%和3.015%,训练集和测试集的MAPE都很小,且训练集和测试集相差较小不存在过拟合。根据最优的提前h步有两个要求,选择h=7,IMF1分量的预测模型为AR（12）-M-MIADS（30,8,7）,测试集中的MAPE为7.64%,依次使用三个机器学习模型分别对IMF2、IMF3分量进行预测,对比MAPE选择最优模型,使用支持向量机回归对IMF2、IMF3分量进行训练预测,测试集中的MAPE分别为2.04%、2.52%,使用BP神经网络对月度社会用电量IMF2、IMF3分量预测,测试集中MAPE分别为1.20%、2.55%,使用随机森林模型对月度社会用电量IMF2、IMF3分量预测,测试集中MAPE分别为2.54%、2.43%。所以使用AR（12）-M-MIADS（30,8,7）预测IMF1分量、BP神经网络预测IMF2分量、随机森林模型预测IMF3分量,组合模型在测试集中的RMSE为1372.65,MAPE为3.94%。对比多个模型的预测准确度,社会用电量数据经过EMD分解后,不同模型的预测准确率都有提升,组合模型的模型准确率最高,并且能够准确的预测拐点。通过组合模型预测31个省市地区的社会用电量,分析31个省市地区的社会用电量特征。其中山东、江苏、浙江、广东、内蒙古、新疆、四川、河南、河北都属于社会用电量大省。其主要用电量特征分为三类:发电、经济和人口。内蒙、新疆、四川、湖北、安徽等作为我国主要的电力供应大省,其主要用电量的特征为发电量大,电力消耗大。而沿海地区的山东、江苏、浙江、福建、广东经济发达,工业原料产量多,常住人口数量多,是其省份的主要社会用电量特征,而河南、河北社会用电量特征为为常住人口较多。