【目的】 新エネルギーの大規模な系統連系は電力スポット市場の量的・価格変動リスクを悪化させており、電力価格予測能力の向上が急務である。本研究は山東省の実際のデータに基づき、LSTM-Transformer混合モデルを構築し、日次電力価格の精密な予測を実現し、市場運営およびリスク管理を支援することを目的とする。【方法】 第一に、多次元特徴融合過程において、電力価格の主要影響要因の作用メカニズムを体系的に分析し、ピアソン相関係数により線形相関の強度を定量化し、従来の特徴が単一かつ経験に依存することによる予測メカニズムの不明確さと精度不足を改善した。第二に、長短期記憶（LSTM）ニューラルネットワーク、自注意および多層注意機構を融合してTransformerモデルを最適化し、時系列特徴抽出と全体的依存性のモデリング能力を併せ持つ階層的フレームワークを構築し、電力価格系列における複雑な長短期依存関係の捕捉効果を効果的に強化した。さらに、「時域特徴深掘り＋周波数領域損失制約」戦略を採用し、時周波数領域の損失を融合してモデルの電力価格変動および数値の適合精度を向上させた。同時に、類似日モデルを導入し、実際に即した特徴サンプルを構築して予測精度をさらに向上させた。【結果】 事例解析により、本研究のモデルは影響要因が複雑で価格変動が激しい市場環境下においても安定稼働し、日次電力価格の予測精度を大幅に向上させることが示された。【結論】 構築したLSTM-Transformer混合モデルは、多次元特徴融合および時周波数領域損失制約戦略を組み合わせることで、新エネルギーの高比率接続による量的および価格変動の課題に効果的に対応し、電力スポット市場の日次電力価格予測において高精度かつ高ロバスト性のソリューションを提供する。

電力価格予測;長短期記憶ニューラルネットワーク;Transformerモデル;多次元影響因子