随着我国经济的快速发展和人民生活水平的日益提高,居民用电量呈现出不断增长的态势。为了实现制定最佳发电计划以及优化规划的目标,决策者需要对用电量进行精确地预测。更加精确的用电量预测对发电厂的计划生产与供电公司的调度安排都有着十分重要的意义。目前,大多数用电量预测都使用单一分辨率的历史数据,并且多为月度数据。并且由于数据样本较少,导致模型在训练过程中过拟合较为明显,对模型的泛化能力造成严重影响。为了解决上述问题,本文在现有研究的基础上展开了以下工作和研究:首先,分析了国内外用电量预测方法以及用电量预测的研究现状,针对当前用电量预测难以考虑不同分辨率历史数据的问题提出了一种两阶段月度用电量预测方法。一阶段分别使用日用电量数据进行预测（日预测）、月用电量数据进行预测（月预测）。针对日预测,通过皮尔逊相关性分析选择与日用电量相关性最高的前八个时刻最大负荷时间序列作为一阶段日预测的输入,将得到的日用电量预测结果进行累加得到月度用电量伪预测结果;针对月预测,直接使用月度用电量以及月度最大负荷进行预测,得到另一个月度用电量伪预测结果;在第二阶段,通过两个伪预测结果对真实的用电量进行预测。其次,针对当前深度学习结构复杂、超参数较多的问题,采用了一种基于改进宽度学习的月度用电量预测模型。宽度学习模型的增强节点以及特征节点一般由使用者根据经验决定,这就可能对模型的预测精度造成负面影响。针对这个问题,本文使用改进粒子群算法对宽度学习的两个参数进行优化,使用优化后的模型进行两阶段月度用电量预测。最后,考虑到原始数据的季节特性以及存在的不规律性,本文采用X-12-ARIMA对一阶段的伪预测结果以及真实用电量进行季节分解,在此基础上进行第二阶段的预测。分别使用伪预测结果分解得到的趋势及循环分量、周期分量以及不规则分量对真实用电量的对应分量进行预测。最后通过算例仿真证明了本方法的优越性。