【目的】従来の時系列予測モデルは、同時にマルチスケールの非線形変動および長期依存特性を捕捉することが困難であり、そのため電力現物市場における短期電力価格予測の精度が高くない問題に対し、全局残差Mambaを融合した短期電力価格予測手法を提案する。【方法】本手法はまず移動平均フィルタを用いて電力価格系列をトレンド項と残差項に分解し、高次元特徴空間に埋め込む；続いて変数相関ブランチと特徴相互作用ブランチを含む並列Mambaエンコーダを設計し、変数間の結合と特徴相互作用という2つの次元から電力価格系列の局所-全局的動的特徴を抽出する；局所-全局的動的特徴を連結融合し、連結後の特徴を全局残差学習機構に導入して元の異種情報の加法的融合を実現し、勾配消失を緩和しマルチスケール特徴捕捉能力を強化する；最後にベイズ最適化アルゴリズムを用いてモデルの主要なハイパーパラメータを最適化する。【結果】オーストラリアエネルギーマーケット運営者の実測データに基づく24時間電力価格予測の検証により、提案モデルの二乗平均平方根誤差が基準Mambaモデルおよび長短期記憶ネットワーク（LSTM）モデルと比較してそれぞれ29.22％および35.33％低減し、提案手法の短期電力価格予測精度向上における有効性が確認された。【結論】アブレーション実験により、系列分解モジュールの核心的役割および双枝構造内の変数相関ブランチの重要な地位がさらに検証され、全局残差接続の導入によりモデル学習の安定性と特徴表現力が著しく向上したことが明らかになった。

Mambaモデル;残差学習;電力現物市場;電力価格予測;ベイズ最適化