Cette recherche se concentre sur le développement d'un modèle prédictif pour les prix de l'électricité en Californie, en utilisant des réseaux LSTM. Le modèle prend en compte diverses caractéristiques telles que les données historiques de prix, les conditions météorologiques et le mix de production d'énergie. Une fonction de perte personnalisée, combinant l'erreur absolue moyenne, la divergence de Jensen-Shannon et une pénalité de lissage, est introduite pour améliorer la précision et l'interprétabilité des prédictions. De plus, une approche d'apprentissage en ligne est mise en œuvre pour permettre au modèle de s'adapter progressivement aux nouvelles données, assurant ainsi une pertinence et une précision continues. Les résultats montrent que la fonction de perte personnalisée améliore les performances du modèle, alignant les prix prédits plus étroitement avec les valeurs réelles, en particulier pendant les périodes de pointe. Le modèle d'apprentissage en ligne surpasse les autres modèles en incorporant efficacement les données en temps réel, ce qui réduit l'erreur de prédiction et la variabilité. L'inclusion du mix de production d'énergie améliore encore les capacités prédictives du modèle, soulignant l'importance d'une intégration complète des caractéristiques. Cette recherche offre un cadre robuste pour la prévision des prix de l'électricité, fournissant des informations précieuses et des outils pour une meilleure prise de décision dans les marchés dynamiques de l'électricité.