【목적】 신재생에너지의 대규모 계통 연계는 전력 현물시장의 수량 및 가격 변동 위험을 가중시켜 전력 가격 예측 능력 향상이 시급하다. 본 논문은 산둥 실제 데이터를 기반으로 LSTM-Transformer 혼합 모델을 구축하여 전일가격을 정밀하게 예측하고 시장 운영 및 리스크 관리에 지원을 제공하는 것을 목적으로 한다. 【방법】 첫째, 다차원 특성 융합 과정에서 전력 가격 주요 영향 요인의 작용 메커니즘을 체계적으로 분석하고, 피어슨 상관계수를 통해 선형 상관 강도를 정량화하여 단일 특성 및 경험 의존으로 인해 예측 메커니즘 불명확 및 정확도 부족인 기존 방법을 개선하였다. 둘째, 장단기 기억(Long Short-Term Memory, LSTM) 신경망, 자기 주의 메커니즘 및 다층 주의 메커니즘을 융합하여 Transformer 모델을 최적화하고 시계열 특성 추출과 전체 의존성 모델링 능력을 겸비한 계층적 프레임워크를 구축하여 전력 가격 시퀀스 내 복잡한 장단기 의존성 관계 포착 효과를 효과적으로 강화하였다. 또한, “시계열 특성 심층 탐색+주파수 도메인 손실 제약” 전략을 채택하여 시주파 손실 융합을 통해 전력 가격 변동 및 수치 적합 정확도를 향상시켰다. 동시에, 유사일 모델을 도입해 실제에 부합하는 특성 샘플을 구축하여 예측 정확도를 추가로 향상시켰다. 【결과】 사례 분석을 통해 본 논문의 모델은 영향 요인이 복잡하고 가격 변동이 심한 시장 환경에서도 안정적으로 작동하며 전일가격 예측 정확도를 현저히 향상시킬 수 있음을 입증하였다. 【결론】 구축된 LSTM-Transformer 혼합 모델은 다차원 특성 융합과 시주파 손실 제약 전략을 결합하여 신재생에너지 고비율 접속에 의한 수량 및 가격 변동 도전에 효과적으로 대응하며 전력 현물시장의 전일가격 예측에 고정밀, 고강인성 해결책을 제공한다.

전력 가격 예측; 장단기 기억 신경망; Transformer 모델; 다차원 영향 요인