La previsión de carga a corto plazo es importante para la compra de electricidad por proxy en el mercado de comercio de electricidad spot. En este documento, se propone un modelo SFPFMformer para la previsión de carga de potencia a corto plazo para abordar el problema de equilibrar la precisión y la puntualidad. En SFPFMformer, se aplica el algoritmo de bosque aleatorio para seleccionar los atributos más importantes, lo que reduce los atributos redundantes y mejora el rendimiento y la eficiencia; luego, se utiliza la segmentación de múltiples escalas temporales para extraer características de datos de carga de múltiples dimensiones temporales para aprender representaciones de características en diferentes niveles. Además, se adopta la codificación de ubicación de tiempo de fusión en Transformer para garantizar que el modelo pueda capturar con precisión la información de la posición en el tiempo. Finalmente, utilizamos un bloque de convolución separable en profundidad para extraer características de los datos de carga de potencia, que captura eficientemente el patrón de cambio en la carga. Realizamos experimentos extensos en conjuntos de datos reales, y los resultados experimentales muestran que en la predicción de 4 h, el RMSE, MAE y MAPE de nuestro modelo son 1128.69, 803.91 y 2.63%, respectivamente. Para la previsión de 24 h, el RMSE, MAE y MAPE de nuestro modelo son 1190.51, 897.26 y 2.97%, respectivamente. En comparación con los métodos existentes, como Informer, Autoformer, ETSformer, LSTM y Seq2seq, nuestro modelo tiene una mejor precisión y rendimiento temporal para la previsión de carga de potencia a corto plazo para el comercio de electricidad por proxy.