【Objetivo】 Debido a la dificultad de los modelos tradicionales de series temporales para capturar simultáneamente las fluctuaciones no lineales a diferentes escalas y las características de dependencia a largo plazo, lo que conduce a una baja precisión en la predicción del precio de la electricidad a corto plazo en el mercado spot, se propone un método de predicción del precio de la electricidad a corto plazo basado en la integración del residuo global Mamba. 【Método】 Primero, este método desacopla la serie de precios de electricidad en componentes de tendencia y residuo mediante un filtro de media móvil, insertándolos en un espacio de características de alta dimensión; luego, se diseña un codificador Mamba paralelo que contiene una rama de correlación de variables y una rama de interacción de características para extraer características dinámicas locales-globales de la serie de precios en dos dimensiones: acoplamiento entre variables e interacción de características; las características dinámicas locales-globales se concatenan e introducen en un mecanismo de aprendizaje de residuo global para lograr una fusión aditiva de la información heterogénea original, aliviar la degradación del gradiente y mejorar la capacidad de captura de características multiescala; finalmente, los hiperparámetros clave del modelo se optimizan mediante un algoritmo de optimización bayesiana. 【Resultados】 La validación de la predicción del precio eléctrico de 24 h basada en datos reales del Operador del Mercado Energético de Australia muestra que el error cuadrático medio de la raíz del modelo propuesto se reduce en un 29.22% y un 35.33% en comparación con el modelo Mamba de referencia y el modelo de red neuronal LSTM respectivamente, lo que valida la eficacia del método para mejorar la precisión de la predicción del precio eléctrico a corto plazo. 【Conclusión】 Los experimentos de ablación confirman aún más el papel central del módulo de descomposición de la serie y la posición clave de la rama de correlación de variables en la arquitectura de doble rama, mientras que la introducción de la conexión residual global mejora significativamente la estabilidad del entrenamiento del modelo y la capacidad de expresión de características.

Modelo Mamba;aprendizaje residual;mercado spot eléctrico;predicción de precios;optimización bayesiana