本发明公开了一种基于机器学习的电网设备运行状态预测方法，包括通过采集工业园区的垃圾排放量数据、生产车间和办公区的相关指标，利用皮尔逊相关系数分析方法建立关联模型，评估关键电网设备对生产活动强度变化的敏感度，并采用季节性自回归移动平均模型和非线性关联模型预测关键电网设备参数的变化，此外，通过多模态评估和运行风险预警等级确定，为电网设备的优化运行提供决策依据，该方法的特点包括提高预测精度、准确反映生产行为、减少预测误差和优化电网设备运行，通过深入分析工业园区的生产活动细节，考虑季节性因素和节假日效应的量化指标，动态调整垃圾排放量与用电需求之间的关联性，建立更加精准和稳健的电力需求预测模型。