【목적】 전통적인 시계열 예측 모델이 다중 규모의 비선형 변동 및 장기 의존 특성을 동시에 포착하기 어려워 전력 현물 시장의 단기 전력 가격 예측 정확도가 낮은 문제를 해결하기 위해, 전역 잔차 Mamba 융합 기반의 단기 전력 가격 예측 방법을 제안한다. 【방법】 본 방법은 먼저 이동 평균 필터를 통해 전력 가격 시계를 추세 항과 잔차 항으로 분해하고 고차원 특징 공간에 임베딩한다; 이후 변수 상관 분기와 특징 상호작용 분기를 포함하는 병렬 Mamba 인코더를 설계하여 변수 간 결합과 특징 상호작용 두 차원에서 전력 가격 시계의 국부-전역 동적 특징을 추출한다; 국부-전역 동적 특징을 연결하여 전역 잔차 학습 메커니즘에 투입하여 원본 이기종 정보의 가법적 융합을 실현하며, 그래디언트 소실을 완화하고 다중 규모 특징 포착 능력을 강화한다; 마지막으로 베이지안 최적화 알고리즘으로 모델 주요 하이퍼파라미터를 최적화한다. 【결과】 호주 에너지 시장 운영자의 실측 데이터를 기반으로 24시간 전력 가격 예측을 검증한 결과, 제안 모델의 평균 제곱근 오차가 기준 Mamba 모델 및 장단기 기억 신경망 LSTM 모델 대비 각각 29.22% 및 35.33% 감소하여 단기 전력 가격 예측 정확도 향상에 대한 유효성을 입증하였다. 【결론】 소거 실험을 통해 시퀀스 분해 모듈의 핵심 역할과 이중 분기 구조 내 변수 상관 분기의 중요한 위치를 추가 검증하였으며, 전역 잔차 연결 도입이 모델 학습 안정성과 특징 표현 능력을 크게 향상시켰음을 확인하였다.

Mamba모델;잔차 학습;전력 현물 시장;전력 가격 예측;베이지안 최적화