正確な翌日電力価格予測（DAEPF）は電力システムの効率的な運用に欠かせませんが、極端な状況や市場の異常は既存の予測手法に大きな課題をもたらします。本論文では、蒸留注意トランスフォーマー（DAT）モデルとオートエンコーダ自己回帰モデル（ASM）を統合した新しいハイブリッド深層学習フレームワークを提案します。DATは自己注意メカニズムを活用して、重要な歴史データセグメントに動的に高い重みを割り当て、長期トレンドと短期変動の両方を効果的に把握します。一方、ASMは自己教師あり学習を用いて、重雨や熱波、祭りなどの極端な状況によって引き起こされる異常パターンを特定・分離します。カリフォルニア州と山東省からのデータセットでの実験結果は、提案手法が予測精度、堅牢性、計算効率において最先端技術を大きく上回ることを示しています。このフレームワークは将来の電力システムにおけるグリッドのレジリエンス向上と市場運営の最適化に寄与する可能性があります。