现代社会中,随着经济的增长,电力需求也逐步加大,从而需要不断完善销售环节当中的差别电价,实现电力的中长期交易,鼓励电力用户、售电用户和发电企业通过集中竞价来协调市场化运作方式。由于写字楼的用电规模很大,如果按规则参与电力市场交易,需要有效的电量预测来进行用电需求申报。当写字楼申报的用电需求与实际用电偏差在2%范围内,那么不必承担偏差费用,否则,则需要按照规定的补偿单价进行缴纳电费。因此,针对该问题,从数据预处理、特征工程和数据挖掘算法这几个方面对电量预测进行研究,提高电量预测模型的精度。在写字楼的电量预测研究中,采用以月为单位的真实用电量与预测用电量的绝对平均百分比误差进行评价。在预测方式上,预测模型是以小时为单位的用电量来进行预测,再对预测结果以月为单位进行聚合,从而实现预测每月用电量的需求。其次,对建模步骤进行整体设计,从数据预处理到特征工程再到算法的选择,最后进行预测模型效果对比,选择最优的模型实现预测。实现的步骤首先是读取csv文件数据得到预测标签,其次使用网络爬虫技术爬取气象网站上的气象数据,以及从时间数据中提取时间特征,再使用Python以及相关库pandas和sklearn对这些数据进行预处理,对预处理后的数据使用递归特征消除法进行特征选择得到最优特征子集。不再使用传统单种模型建模预测的做法,而是采用了Stacking模型融合方式。同时,在Stacking模型融合的第一层基学习器选择上摒弃以往采用几种相似算法融合的做法。经过实验对比,组合出差异度高且学习能力强的算法进行融合,使得Stacking模型融合的预测达到最优的效果。基于Stacking模型融合的电量预测研究已经在企业开展后进行验证,它对于企业后续进行电量交易中具有一定可靠的参考价值,节约写字楼本身的电力供应运营成本,以及写字楼所处在区域的电力供应稳定具有一定的重要意义。