基于融合全局残差Mamba的短期电价预测方法研究OA

【目的】针对传统时间序列预测模型难以同时捕捉跨尺度非线性波动及其长程依赖特征,导致电力现货市场短期电价预测精度不高的问题,提出一种基于融合全局残差Mamba的短期电价预测方法。【方法】该方法首先通过移动平均滤波器将电价序列解耦为趋势项和残差项,并嵌入高维特征空间;随后设计包含变量相关性支路与特征交互支路的并行Mamba编码器,分别从跨变量耦合和特征交互2个维度提取电价序列的局部-全局动态特征;对局部-全局动态特征进行拼接融合,将拼接后的特征引入全局残差学习机制,实现原始异构信息的加性融合,以缓解梯度退化并增强跨尺度特征捕捉能力;最后采用贝叶斯优化算法对模型关键超参数进行寻优。【结果】基于澳大利亚能源市场运营商的实测数据进行24 h电价预测验证,结果表明,所提模型的均方根误差相较于基准Mamba模型与长短时记忆神经网络LSTM模型分别降低了29.22%和35.33%,验证了所提方法在提升短期电价预测精度方面的有效性。【结论】消融实验进一步验证了序列分解模块的核心作用以及变量相关性支路在双分支架构中的关键地位,同时全局残差连接的引入显著提升了模型训练的稳定性与特征表达能力。