【Цель】 Массовое присоединение возобновляемых источников энергии усилило риски колебаний объема и цены на спотовом рынке электроэнергии, что требует повышения точности прогнозирования цен. В статье на основе фактических данных провинции Шаньдун построена гибридная модель LSTM-Transformer, направленная на точное прогнозирование дневных цен на электроэнергию с целью поддержки операций рынка и управления рисками. 【Метод】 Во-первых, в процессе многомерного интегрирования признаков систематически проанализирован механизм влияния ключевых факторов цен, с помощью коэффициента корреляции Пирсона количественно оценена линейная связь, что улучшило традиционные методы, страдающие узкой специализацией признаков и зависящие от опыта, что приводило к нечеткому механизму прогнозирования и недостаточной точности. Во-вторых, за счёт объединения сетей с долговременной и кратковременной памятью (LSTM), механизмов самовнимания и многоуровневого внимания для оптимизации модели Transformer построена иерархическая структура, объединяющая извлечение временных признаков и моделирование глобальных зависимостей, что эффективно усилило захват сложных долгосрочных и краткосрочных зависимостей в последовательностях цен. Кроме того, применена стратегия «глубокое извлечение временных признаков + ограничение потерь в частотной области», что улучшает точность подгонки модели к колебаниям и значениям цен. Одновременно введена модель похожих дней для создания практичных выборок признаков, что дополнительно повышает точность прогнозирования. 【Результаты】 Анализ показал, что модель статьи способна стабильно работать даже в сложной и волатильной рыночной среде, существенно повышая точность прогнозирования дневных цен. 【Вывод】 Построенная гибридная модель LSTM-Transformer, сочетающая многомерное объединение признаков и стратегию ограничения потерь во временной и частотной областях, эффективно справляется с вызовами колебаний объема и цены при высоком уровне интеграции возобновляемых источников энергии, предоставляя высокоточнoe и надежное решение для прогнозирования дневных цен на спотовом рынке электроэнергии.

прогнозирование цен на электроэнергию; сети с долговременной и кратковременной памятью; модель Transformer; многомерные влияющие факторы