电力工业作为能源领域的重大基础行业,关乎国民经济发展和国家经济命脉,是人民生活中不可或缺的重要组成部分。国网公司对电力负荷变化情况的准确预测可以更好的平衡供需关系,降低运营成本。传统单一负荷预测模型已经难以满足当前负荷多变性的要求,本文利用态势感知技术来解决电力负荷预测问题。首先,将态势感知理念映射到电力负荷技术当中,提出电力负荷态势感知概念;其次,在传统单一负荷预测模型的基础上,融合信号分解技术和人工智能算法,重新搭建电力负荷态势感知组合预测模型;最后,将实际负荷数据作为实验对象,输入到组合预测模型中进行仿真分析。文中主要内容包括:（1）本文阐述了研究电力负荷态势感知技术的必要性和研究现状,详细阐述电力负荷的特点、态势感知模型结构和影响电力负荷预测精度的因素。（2）本文从态势察觉、态势理解和态势预测三个层面介绍电力负荷态势感知模型结构。态势察觉技术主要负责负荷数据预处理、属性约简和特征值提取;态势理解技术主要是依靠集合经验模态分解法EEMD和变分模态分解法VMD对历史负荷序列分解;态势预测技术中分别介绍BP神经网络预测模型和最小二乘支持向量机LSSVM预测模型。（3）本文针对电力负荷数据的非线性平稳问题,引入经验模态分解法EEMD和变分模态分解法VMD与单一负荷预测模型相结合,同时提出用遗传算法GA和蚱蜢算法GOA进行参数优化,搭建EEMD-GA-BP电力负荷组合预测模型和VMD-GOA-LSSVM电力负荷组合预测模型。（4）为验证本文所叙述预测模型的优越性,结合实际数据应用MATLAB软件进行仿真分析。在仿真实验前通过大量的试验分别选取EEMD和VMD的关键参数,确定遗传算法GA和蚱蜢算法GOA的种群数量和迭代次数,最后分别给出各自实验结果,进行误差分析。实验表明,信号分解技术的加入,提高了负荷预测模型的精度;人工智能优化算法的加入,提升了单一预测模型的收敛速度。（5）文中最后搭建电力负荷态势感知系统,实现电力负荷数据综合管理和电力负荷变化趋势有效实时预测,并在实际应用中效果显著。