【Objectif】 Face à la difficulté des modèles traditionnels de prévision des séries temporelles à capturer simultanément les fluctuations non linéaires multi-échelles et les dépendances à long terme, entraînant une faible précision des prévisions des prix courts termes sur le marché spot de l'électricité, une méthode de prévision des prix courts termes basée sur l'intégration de résidus globaux Mamba est proposée. 【Méthode】 La méthode décompose d'abord la série de prix de l'électricité en composantes tendance et résidus via un filtre de moyenne mobile, intégrées dans un espace de caractéristiques de haute dimension ; un encodeur parallèle Mamba avec branches de corrélation des variables et d'interaction des caractéristiques est conçu pour extraire les caractéristiques dynamiques locales-globales des séries de prix à travers les dimensions de couplage inter-variable et d'interaction des caractéristiques ; les caractéristiques locales-globales concaténées sont introduites dans un mécanisme d'apprentissage par résidus globaux pour réaliser une fusion additive des informations hétérogènes originales, atténuer la dégradation du gradient et renforcer la capacité de capture des caractéristiques multi-échelles ; enfin, les hyperparamètres clés du modèle sont optimisés par optimisation bayésienne. 【Résultats】 La validation des prévisions de prix sur 24 h basée sur les données réelles de l'opérateur du marché de l'énergie australien montre que l'erreur quadratique moyenne de la méthode proposée est réduite de 29,22% et 35,33% par rapport au modèle Mamba de référence et au modèle de réseau de mémoire à long court terme (LSTM) respectivement, validant l'efficacité de la méthode pour améliorer la précision des prévisions de prix court terme. 【Conclusion】 Les expériences d'ablation confirment le rôle central du module de décomposition de la série et la position clé de la branche de corrélation variable dans l'architecture à double branche, tandis que l'introduction de la connexion résiduelle globale améliore significativement la stabilité de l'entraînement du modèle et la capacité d'expression des caractéristiques.

Modèle Mamba;apprentissage par résidus;marché spot de l'électricité;prévision des prix;optimisation bayésienne