【Objectif】 L’intégration à grande échelle des énergies nouvelles a accru les risques de fluctuations en volume et en prix sur le marché spot de l’électricité, nécessitant une amélioration des capacités de prévision des prix. Cet article basée sur les données réelles du Shandong construit un modèle hybride LSTM-Transformer visant à réaliser une prévision précise du prix journalier de l’électricité, fournissant un soutien à l’exploitation du marché et à la gestion des risques. 【Méthode】 Tout d’abord, lors de la fusion des caractéristiques multidimensionnelles, le mécanisme d’influence des facteurs clés du prix de l’électricité est analysé systématiquement, quantifiant la force de la corrélation linéaire par le coefficient de corrélation de Pearson, améliorant ainsi les méthodes traditionnelles dont les caractéristiques uniques et la dépendance à l’expérience entraînaient une mauvaise compréhension du mécanisme de prévision et une précision insuffisante. Ensuite, en fusionnant les réseaux de mémoire à court et long terme (LSTM), les mécanismes d’attention automatique et d’attention multi-couches pour optimiser le modèle Transformer, un cadre hiérarchique combinant extraction des caractéristiques temporelles et modélisation des dépendances globales est construit, renforçant efficacement la capture des relations complexes de dépendance à court et long terme dans la série des prix. De plus, la stratégie « extraction profonde des caractéristiques temporelles + contrainte de perte en domaine fréquentiel » est adoptée, améliorant ainsi la précision de l’adaptation du modèle aux fluctuations et aux valeurs du prix. Par ailleurs, l’introduction du modèle des jours similaires permet de construire des échantillons de caractéristiques adaptés à la réalité, augmentant davantage la précision des prévisions. 【Résultats】 L’analyse des cas montre que le modèle présenté peut fonctionner de manière stable même dans un environnement de marché complexe et volatil, et améliorer significativement la précision de la prévision du prix journalier. 【Conclusion】 Le modèle hybride LSTM-Transformer combinant la fusion des caractéristiques multidimensionnelles et la stratégie de contrainte de perte en domaine temporel et fréquentiel peut efficacement relever les défis des fluctuations de volume et de prix dues à l’intégration élevée des nouvelles énergies, fournissant une solution de prévision du prix journalier de l’électricité sur le marché spot à haute précision et haute robustesse.

prévision des prix de l’électricité; réseaux de mémoire à court et long terme; modèle Transformer; facteurs d’influence multidimensionnels