准确的短期负荷预测对于电力系统的稳定运行和有效调度至关重要。电力负荷数据因存在非线性、非平稳性而导致预测精度低。分解可以降低序列非平稳性的影响从而有效地提高预测精度，但现有分解预测方法缺乏对分解分量间关系的捕获且显著增加了预测时间。为此，提出分量感知动态图Transformer（componentaware dynamic graph Transformer，CDGT）模型。首先，引入联合对立选择（joint opposite selection，JOS）算子和随机扰动改进雪消融优化算法（snow ablation optimizer，SAO），使用联合搜索和随机扰动的SAO（jointly searched and stochastic perturbed SAO，JSSAO）对变分模态分解（variational mode decomposition，VMD）进行参数寻优。VMD对原始的负荷数据进行分解得到不同频率的分量序列，然后使用图神经网络（graph neural network，GNN）来识别和建模分量之间的复杂关系。同时，使用引入频域指数滑动平均（exponential moving average，EMA）注意力的Transformer来学习分量内部的依赖关系。一次输出所有分量结果，线性相加后得到负荷预测值。通过两个公开负荷数据集的实验表明，CDGT优于一系列先进的基线以及分解预测方法，在澳大利亚数据集和摩洛哥数据集上，MAE分别降低了5.51%~31.08%和15.02%~75.49%。