La predicción del consumo de electricidad juega un papel crítico en la economía. La previsión precisa del consumo de electricidad es esencial para que los responsables de políticas formulen políticas de suministro eléctrico. Sin embargo, los datos y variables limitados generalmente no pueden proporcionar suficiente información para obtener una precisión de predicción satisfactoria. Para abordar este problema, proponemos un nuevo modelo de predicción gris mejorado, que combina la transformación de datos para la secuencia de datos original y la optimización de la interpolación de combinación del valor de fondo del modelo GM(1,1), y por lo tanto se denomina DCOGM(1,1). Para evaluar el rendimiento de simulación y predicción de DCOGM(1,1), se llevan a cabo dos estudios de caso. Además, los resultados muestran que DCOGM(1,1) supera a la mayoría de los modelos grises mejorados existentes en términos de precisión de predicción. Finalmente, DCOGM(1,1) se emplea para predecir el consumo total de electricidad de la ciudad de Shanghái en China desde 2017 hasta 2021. Además, los resultados sugieren que DCOGM(1,1) tiene un buen rendimiento en comparación con el modelo GM(1,1) tradicional y otros modelos de modificación gris en este contexto, y que el consumo de electricidad de Shanghái aumentará de manera estable en los próximos cinco años. En resumen, DCOGM(1,1) propuesto en nuestro estudio tiene una capacidad competente de exploración y explotación, y podría ser utilizado como una herramienta efectiva y prometedora para la planificación a corto plazo de otros problemas de predicción con datos de origen limitados también.