【Цель】 В связи с трудностями традиционных моделей прогнозирования временных рядов в одновременном захвате многомасштабных нелинейных колебаний и долгосрочных зависимостей, что приводит к низкой точности краткосрочного прогнозирования цен электроэнергии на спотовом рынке, предложен метод краткосрочного прогнозирования цен электроэнергии на основе интеграции глобальных остаточных связей Mamba. 【Метод】 Метод сначала расщепляет временной ряд цен с помощью скользящего среднего фильтра на трендовые и остаточные компоненты и внедряет их в высокоразмерное пространство признаков; затем разработан параллельный кодировщик Mamba, включающий ветви корреляции переменных и взаимодействия признаков, которые извлекают локально-глобальные динамические характеристики временного ряда цен по двум измерениям: межпеременные связи и взаимодействие признаков; локально-глобальные динамические признаки объединяются и вводятся в механизм глобального остаточного обучения, реализуя аддитивное слияние исходной неоднородной информации, что облегчает деградацию градиента и усиливает способность захвата многомасштабных признаков; наконец, ключевые гиперпараметры модели оптимизируются с помощью байесовской оптимизации. 【Результаты】 Проверка прогноза цен за 24 часа на основе реальных данных Австралийского оператора рынка энергии показала, что среднеквадратичная ошибка модели снизилась на 29,22% и 35,33% по сравнению с базовой моделью Mamba и моделью LSTM с длительной и краткосрочной памятью, подтверждая эффективность предложенного метода в повышении точности краткосрочного прогноза цен. 【Вывод】 Абляционные эксперименты дополнительно подтвердили ключевую роль модуля декомпозиции последовательности и значимое положение ветви корреляции переменных в двухветвевой архитектуре, также введение глобальной остаточной связи значительно улучшило стабильность обучения модели и способность выражения признаков.

Модель Mamba;остаточное обучение;спотовый рынок электроэнергии;прогнозирование цен;байесовская оптимизация