【Objetivo】 A integração em larga escala de novas energias renováveis tem agravado os riscos de flutuações de volume e preço no mercado spot de energia elétrica, tornando urgente a melhoria da capacidade de previsão dos preços. Com base em dados reais de Shandong, este artigo construiu um modelo híbrido LSTM-Transformer, visando alcançar uma previsão precisa do preço diário da eletricidade, oferecendo suporte à operação do mercado e ao controle de riscos. 【Método】 Primeiramente, no processo de fusão de características multidimensionais, foi realizada uma análise sistemática do mecanismo de influência dos principais fatores do preço da eletricidade, quantificando a intensidade da correlação linear pelo coeficiente de correlação de Pearson, aprimorando os métodos tradicionais que sofriam de previsão pouco clara e precisão insuficiente devido a características únicas e dependência de experiência. Em segundo lugar, por meio da fusão das redes neurais de memória de curto e longo prazo (LSTM), mecanismos de autoatenção e mecanismos de atenção em múltiplas camadas para otimizar o modelo Transformer, foi construído um quadro hierárquico que combina extração de características temporais e modelagem de dependências globais, fortalecendo eficazmente a captura das complexas relações de dependência de curto e longo prazo na sequência de preços da eletricidade. Além disso, foi adotada a estratégia de “extração profunda de características no domínio temporal + restrição de perda no domínio de frequência” para melhorar a precisão do modelo na adaptação às flutuações e valores dos preços. Simultaneamente, foi introduzido um modelo de dias similares para construir amostras de características adequadas à realidade, aumentando ainda mais a precisão da previsão. 【Resultado】 A análise dos casos mostrou que o modelo proposto pode operar de forma estável mesmo em ambientes de mercado complexos e voláteis, e pode melhorar significativamente a precisão na previsão do preço da eletricidade no dia anterior. 【Conclusão】 O modelo híbrido LSTM-Transformer construído, que combina a fusão de características multidimensionais e a estratégia de restrição de perda nos domínios temporal e de frequência, pode lidar efetivamente com os desafios de flutuações de volume e preço causados pela alta integração de novas energias renováveis, fornecendo uma solução de alta precisão e alta robustez para a previsão do preço diário da eletricidade no mercado spot.

previsão de preços da eletricidade; redes neurais de memória de curto e longo prazo; modelo Transformer; fatores multivariados