【Ziel】 Die großflächige Netzanbindung erneuerbarer Energien hat das Risiko von Mengen- und Preisschwankungen auf dem Strom-Spotmarkt erhöht, was die Verbesserung der Preisvorhersagefähigkeiten notwendig macht. Basierend auf tatsächlichen Daten aus Shandong wurde ein hybrides LSTM-Transformer-Modell entwickelt, das eine präzise Vorhersage des Tagesspotpreises ermöglichen soll und den Marktbetrieb sowie das Risikomanagement unterstützt. 【Methode】 Zunächst wurde im Prozess der multidimensionalen Merkmalsfusion der Wirkmechanismus der Schlüsselfaktoren für den Strompreis systematisch analysiert, wobei mit dem Pearson-Korrelationskoeffizienten die lineare Zusammenhänge quantifiziert wurden, um die traditionellen Methoden zu verbessern, die aufgrund einseitiger Merkmale und Erfahrungsabhängigkeit unklare Prognosemechanismen und unzureichende Genauigkeit aufwiesen. Zweitens wurde durch die Fusion von Long Short-Term Memory (LSTM)-Netzwerken, Selbstaufmerksamkeits- und mehrschichtigen Aufmerksamkeitsmechanismen zur Optimierung des Transformer-Modells ein hierarchischer Rahmen geschaffen, der zeitliche Merkmalsextraktion und globale Abhängigkeitsmodellierung kombiniert und so die Erfassung komplexer kurz- und langfristiger Abhängigkeiten in der Strompreisreihe effektiv verstärkt. Darüber hinaus wurde die Strategie „Tiefenextraktion zeitbezogener Merkmale + Verlustbeschränkung im Frequenzbereich“ angewendet, um die Anpassungsgenauigkeit des Modells an Preisschwankungen und -werte zu verbessern. Gleichzeitig wurde ein Ähnlichkeitstag-Modell eingeführt, um realitätsnahe Merkmalsbeispiele zu erstellen und die Prognosegenauigkeit weiter zu erhöhen. 【Ergebnisse】 Die Fallanalyse zeigt, dass das Modell auch in einem komplexen, stark schwankenden Marktumfeld stabil funktioniert und die Vorhersagegenauigkeit des Tagesspotpreises signifikant verbessert. 【Schlussfolgerung】 Das entwickelte hybride LSTM-Transformer-Modell, das multidimensionale Merkmalsfusion und Verlustbeschränkungsstrategien im Zeit- und Frequenzbereich kombiniert, kann die Herausforderungen der Mengen- und Preisschwankungen durch hohen Anteil erneuerbarer Energien effektiv bewältigen und stellt eine hochpräzise und robuste Lösung für die Vorhersage der Tagesspotpreise im Strommarkt dar.

Strompreisvorhersage; Long Short-Term Memory-Netzwerke; Transformer-Modell; multidimensionale Einflussfaktoren