【Objetivo】 La integración masiva de energías nuevas ha aumentado los riesgos de fluctuaciones en volumen y precio en el mercado spot eléctrico, lo que requiere mejorar la capacidad de predicción de precios. Basado en datos reales de Shandong, este artículo construye un modelo híbrido LSTM-Transformer, cuyo objetivo es lograr una predicción precisa del precio eléctrico del día anterior, brindando apoyo a la operación del mercado y la gestión de riesgos. 【Método】 Primero, en el proceso de fusión de características multidimensionales, se analiza sistemáticamente el mecanismo de influencia de los factores clave en el precio eléctrico, cuantificando la fuerza de la correlación lineal mediante el coeficiente de correlación de Pearson, lo que mejora los métodos tradicionales que sufren de características simples y dependencia en la experiencia, causando mecanización poco clara y precisión insuficiente. En segundo lugar, a través de la fusión de redes neuronales de memoria a corto y largo plazo (LSTM), mecanismos de autoatención y mecanismos de atención multicapa para optimizar el modelo Transformer, se construye un marco jerárquico que combina la extracción de características temporales y la modelación de dependencias globales, fortaleciendo eficazmente la captura de relaciones complejas de dependencia a corto y largo plazo en la serie de precios eléctricos. Además, se utiliza la estrategia “extracción profunda de características en dominio temporal + restricción de pérdida en dominio de frecuencia” para mejorar la precisión de ajuste del modelo a las fluctuaciones y valores del precio. Al mismo tiempo, se introduce un modelo de días similares para construir muestras de características ajustadas a la realidad, mejorando aún más la precisión de la predicción. 【Resultados】 El análisis de casos muestra que el modelo puede operar de forma estable incluso en un entorno de mercado complejo y con fuertes fluctuaciones, y puede mejorar significativamente la precisión de la predicción de precios del día anterior. 【Conclusión】 El modelo híbrido LSTM-Transformer construido, que combina la fusión de características multidimensionales y la estrategia de restricción de pérdida en dominios temporal y de frecuencia, puede hacer frente eficazmente a los desafíos de fluctuaciones de volumen y precio derivados de la alta integración de energías nuevas, proporcionando una solución de alta precisión y alta robustez para la predicción del precio eléctrico del mercado spot.

predicción de precios eléctricos; red neuronal de memoria a largo plazo y corto plazo; modelo Transformer; factores multidimensionales