【Objetivo】 Diante da dificuldade dos modelos tradicionais de previsão de séries temporais em capturar simultaneamente flutuações não lineares em múltiplas escalas e características de dependência de longo prazo, o que resulta em baixa precisão na previsão de preços elétricos de curto prazo no mercado spot, propõe-se um método de previsão de preços elétricos de curto prazo baseado na integração do resíduo global Mamba. 【Método】 O método inicialmente desacopla a série de preços elétricos em termos de tendência e resíduo através de um filtro de média móvel, incorporando-os em um espaço de características de alta dimensão; em seguida, projeta-se um codificador Mamba paralelo contendo um ramo de correlação de variáveis e um ramo de interação de características, extraindo características dinâmicas locais-globais da série de preços em duas dimensões: acoplamento entre variáveis e interação de características; essas características dinâmicas locais-globais são concatenadas e introduzidas em um mecanismo de aprendizado de resíduo global para realizar a fusão aditiva das informações heterogêneas originais, aliviando a degradação do gradiente e fortalecendo a capacidade de captura das características em múltiplas escalas; por fim, os hiperparâmetros principais do modelo são otimizados por algoritmo de otimização Bayesiano. 【Resultados】 A validação da previsão dos preços de eletricidade para 24 h, baseada em dados reais do Operador do Mercado de Energia da Austrália, mostrou que o erro quadrático médio da raiz do modelo proposto foi reduzido em 29,22% e 35,33% em comparação com o modelo base Mamba e o modelo de rede neural LSTM, respectivamente, validando a eficácia do método em melhorar a precisão da previsão de preços elétricos de curto prazo. 【Conclusão】 Experimentos de ablação confirmaram ainda mais o papel central do módulo de decomposição da série e a posição chave do ramo de correlação de variáveis na arquitetura de dois ramos, enquanto a introdução da conexão residual global melhorou significativamente a estabilidade do treinamento do modelo e a capacidade de expressão das características.

Modelo Mamba;aprendizado residual;mercado spot de energia elétrica;previsão de preços;otimização bayesiana