准确的电力负荷预测是保障电网安全稳定运行和优化能源调度的关键技术。针对电力负荷序列的非线性、非平稳性和复杂时序变化特性，提出了融合经验小波变换(Empirical Wavelet Transform，EWT)、逼近理想解排序技术(Technique for Order Preference by Similarity to Ideal Solution，TOPSIS)决策和波动性感知注意力的预测模型。该模型首先采用经验小波变换动态分解负荷序列，生成5个本征模态分量；其次设计多尺度波动性分析器，提取时域统计特征；然后构建波动性感知注意力机制，动态调制序列权重；最后引入两阶段TOPSIS特征融合层实现多源异构信息的优化整合。实验结果表明：在巴拿马数据集上，该模型实现了平均绝对误差(Mean Absolute Error，MAE)为39.87MW、均方根误差(Root Mean Squared Error，RMSE)为57.25MW、平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)为3.21%的预测精度，相较于Crossformer、PatchTST等基准模型，MAE降低10.73%～67.09%、RMSE降低5.81%～61.25%；在澳大利亚数据集上获得MAE为191.11MW、RMSE为244.96MW、MAPE为2.06%的性能，MAE降低2.31%～54.57%。消融实验验证了频域-时域-统计特征协同建模和波动性感知自适应机制的有效性。