现代社会的发展离不开电力,电力资源除了对工业和商业的发展起到支撑作用外,更是与人们的日常生活息息相关。近年来,随着我国工业化和城市化水平的不断提高,电力需求也与日俱增,一些人口密集、经济发达的城市,电力需求波动逐渐剧烈。对电力需求的内在周期性波动进行研究,分析相关影响因素的作用,并对未来的电力需求做出预测,有助于把握电力需求的变化规律,科学规划电力资源配置,保证经济稳定增长。本文运用完全自适应集合经验模态分解方法(CEEMDAN),研究北京市电力需求的内在周期性。研究表明分解后的北京市电力需求序列除一个长期趋势项以外,还包含四个内在周期,约为一个季度、半年、一年和两年。非线性格兰杰检验结果表明一个季度的内在周期与日照和降水等气象因素有关;半年的内在周期则与平均气温和气压密切相关,且与夏季和冬季用电高峰期相对应;一年的内在周期则反映了平均气温的变化。将内在周期为两年的子序列和趋势项进行重构,代表电力需求长期趋势,发现其与经济增长之间存在着长期协整关系,格兰杰检验表明经济增长引起电力需求增加,电力需求增加也会拉动经济增长。构建OLS回归模型,DWH检验显示电力需求和经济增长之间存在着内生性问题。放宽线性假定,建立非参数广义可加模型(GAM),结果表明平均气温对于电力需求的非线性作用十分显著。平均气温下降引起的电力需求降低相对平缓,平均气温上升时电力需求则会迅速上升,但在14到22摄氏度之间时,平均气温的变动对电力需求的作用不明显。经济增长对于电力需求的影响呈现出一定的非线性特征,但是相关统计量并不显著。基于两阶段广义可加模型(2SGAM)控制模型的内生性问题之后,发现气象因素等外生变量对电力需求的影响与GAM模型结论一致,而经济增长对电力需求的非线性作用变为显著,表现出一定的平滑转换特征,转换阶段与北京市深入推动节能减排的时期较为吻合。基于“分解-重构-预测-集成”的框架构建了一个多尺度预测模型。首先运用比EMD和EEMD更为有效的CEEMDAN方法分解电力需求序列;然后基于最大信息系数(MIC)和经济理论对分解得到的子序列进行重构;最后利用Elman神经网络对重构序列进行预测,使用支持向量回归机(SVR)进行集成,同时利用遗传算法优化相关参数。实证表明本文模型预测效果要优于ARIMA、SVM等单模型,同时优于基于EMD、EEMD和CEEMDAN分解的其他一些多尺度预测模型。