【Ziel】 Aufgrund der Schwierigkeit traditioneller Zeitreihenprognosemodelle, gleichzeitig mehrskalige nichtlineare Schwankungen und Langzeitabhängigkeitsmerkmale zu erfassen, was zu einer niedrigen Genauigkeit bei der Kurzfristprognose der Strompreise auf dem Spotmarkt führt, wird eine Methode zur Kurzfristprognose der Strompreise auf Basis der Integration globaler Residuen von Mamba vorgeschlagen. 【Methode】 Die Methode zerlegt zunächst die Strompreisreihe mittels gleitendem Durchschnittsfilter in Trend- und Residualkomponenten und bettet diese in einen hochdimensionalen Merkmalsraum ein; anschließend wird ein paralleler Mamba-Encoder mit Zweigen für Variablenkorrelation und Merkmalsinteraktion entworfen, der die lokal-globalen dynamischen Merkmale der Strompreisreihe aus den Dimensionen der Variablenkopplung und Merkmalsinteraktion extrahiert; die lokal-globalen dynamischen Merkmale werden concateniert und in einen globalen Residuallernmechanismus eingeführt, um eine additive Fusion der ursprünglichen heterogenen Informationen zu erreichen, die Gradientenzerfall lindert und die Fähigkeit zur Erfassung mehrskaliger Merkmale verbessert; schließlich werden die wichtigsten Hyperparameter des Modells mit Hilfe bayesscher Optimierung abgestimmt. 【Ergebnisse】 Die 24-Stunden-Preisprognose basierend auf den gemessenen Daten des australischen Energy Market Operators zeigte, dass der Root-Mean-Square-Fehler des vorgeschlagenen Modells im Vergleich zum Basis-Mamba-Modell und zum LSTM-Modell um 29,22 % bzw. 35,33 % reduziert wurde, was die Wirksamkeit der Methode zur Verbesserung der Kurzfristprognosegenauigkeit bestätigt. 【Schlussfolgerung】 Abalationsstudien bestätigten weiter die zentrale Rolle des Sequenzzerlegungsmoduls sowie die Schlüsselposition des Variablenkorrelationszweigs in der dualen Architektur, während die Einführung globaler Residualverbindungen die Stabilität des Modelltrainings und die Fähigkeit der Merkmalsdarstellung signifikant verbesserte.

Mamba-Modell;Residuallernen;Stromspotmarkt;Preisprognose;Bayessche Optimierung