一種碳排放價(jià)格組合預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種碳排放價(jià)格組合預(yù)測(cè)方法，對(duì)〇)2排放價(jià)格進(jìn)行精確預(yù)測(cè)，屬于電 力系統(tǒng)技術(shù)中信息分析及預(yù)測(cè)技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 化石燃料過(guò)度消耗導(dǎo)致的全球氣候變暖問(wèn)題已成為當(dāng)前社會(huì)經(jīng)濟(jì)發(fā)展面臨的重 大挑戰(zhàn)，實(shí)現(xiàn)能源系統(tǒng)的清潔化、高效化、低碳化已成為世界各國(guó)的共識(shí)和目標(biāo)。2005年， 《京都議定書(shū)》協(xié)議正式生效，標(biāo)志著利用市場(chǎng)機(jī)制進(jìn)行溫室氣體減排的開(kāi)端，碳交易市場(chǎng) 在全球迅速發(fā)展起來(lái)。作為二氧化碳排放的主要來(lái)源之一，電力行業(yè)具有巨大的減排潛力 和明顯的優(yōu)化空間。目前，很多關(guān)于市場(chǎng)環(huán)境下的電力研究包括電網(wǎng)規(guī)劃、電力調(diào)度等，己 經(jīng)將碳價(jià)交易特別是未來(lái)碳價(jià)考慮在其中。因此，對(duì)碳排放價(jià)格提供可靠的預(yù)測(cè)分析，可以 把握能源市場(chǎng)的變化趨勢(shì)，進(jìn)而為電力發(fā)展相關(guān)政策的制定提供有效地參考，具有很高的 理論價(jià)值與很強(qiáng)的現(xiàn)實(shí)意義。
[0003] 目前，國(guó)內(nèi)外學(xué)者針對(duì)碳價(jià)預(yù)測(cè)進(jìn)行了大量的研究，所采用的模型和方法主要可 以分為單一模型和組合模型兩種。單一模型主要利用自回歸移動(dòng)平均 （AutoRegressive and Moving Average, ARMA)模型、廣義自回歸條件異方差模型（Generalized AutoRegressive Conditional Heteroskedasticity, GARCH)和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN)等模型對(duì)碳排放價(jià)格組成的時(shí)間序列進(jìn)行深層次的分析和模擬，進(jìn) 而對(duì)碳排放價(jià)格進(jìn)行預(yù)測(cè)。ARMA和GARCH兩種模型屬于統(tǒng)計(jì)模型，不能有效的捕捉到隱藏 在碳排放價(jià)格序列中的非線性特征，因此預(yù)測(cè)精度不高。相對(duì)于統(tǒng)計(jì)模型，ANN具有較強(qiáng)的 自學(xué)習(xí)和自適應(yīng)能力，可以執(zhí)行復(fù)雜的非線性映射，但是其在處理大量歷史數(shù)據(jù)以及預(yù)測(cè) 精度方面仍面臨著巨大的挑戰(zhàn)。碳排放價(jià)格序列具有很強(qiáng)的非線性和非平穩(wěn)性特征，任何 單一模型都難以對(duì)其整體的變化趨勢(shì)做到準(zhǔn)確的預(yù)測(cè)。因此，組合預(yù)測(cè)模型將一種自適應(yīng) 信號(hào)分解算法一經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition, EMD)，結(jié)合傳統(tǒng)預(yù)測(cè)方法 對(duì)碳排放價(jià)格進(jìn)行預(yù)測(cè)和分析。該類模型利用EMD將碳價(jià)序列分解為一系列相對(duì)平穩(wěn)的分 量，從而簡(jiǎn)化了數(shù)據(jù)中不同尺度的特征信息的的干擾和耦合。然后，預(yù)測(cè)模型可以更好地理 解和把握每個(gè)分量的特點(diǎn)，從而提高預(yù)測(cè)的準(zhǔn)確性。但是，EMD屬于遞歸模態(tài)分解，主要存 在模態(tài)混疊、對(duì)頻率相近的分量無(wú)法正確分離等問(wèn)題，這些問(wèn)題會(huì)影響碳排放價(jià)格價(jià)預(yù)測(cè) 最終的精度。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：本發(fā)明針對(duì)現(xiàn)有碳排放價(jià)格預(yù)測(cè)技術(shù)中預(yù)測(cè)結(jié)果準(zhǔn)確度不高的問(wèn)題， 提供一種基于VMD和SNN(Spiking神經(jīng)網(wǎng)絡(luò)，Spiking Neural Network, SNN)的碳排放價(jià)格 組合預(yù)測(cè)方法。利用VMD (變分模態(tài)分解，Variational Mode Decomposition, VMD)表現(xiàn)出 良好的噪聲魯棒性和精確的分離性，結(jié)合SNN的非線性函數(shù)逼近能力和強(qiáng)大的計(jì)算能力， 提高了碳排放價(jià)格預(yù)測(cè)模型的準(zhǔn)確度。
[0005] 技術(shù)方案：一種碳排放價(jià)格組合預(yù)測(cè)方法，包括以下步驟：
[0006] 1)獲取碳排放價(jià)格預(yù)測(cè)所需的歷史價(jià)格數(shù)據(jù)序列，其中歷史價(jià)格數(shù)據(jù)為歐洲最大 的碳排放期貨交易所一洲際交易所（InterContinental Exchange, ICE) 2008至2013年12 月份到期（DEC 12)的歐盟碳排放配額（European Union Allowance, EUA)期貨合約的日交 易結(jié)算價(jià)格數(shù)據(jù)。
[0007] 2)采用變分模態(tài)分解算法將原始碳排放價(jià)格序列分解為6個(gè)頂F(固態(tài)函數(shù)， Intrinsic Mode Functions, IMF)分量序列；
[0008] 3)給定輸出變量即待預(yù)測(cè)的下一天的碳排放交易價(jià)格，通過(guò)計(jì)算PACF(偏自相關(guān) 函數(shù)，Partial Autocorrelation Function, PACF)以及其得到的相應(yīng)的偏自相關(guān)圖，確定 每個(gè)IMF分量的輸入變量；
[0009] 4)初始化：對(duì)每個(gè)頂F分量序列的訓(xùn)練和測(cè)試樣本集數(shù)據(jù)進(jìn)行歸一化處理，將樣 本數(shù)據(jù)尺度變換到區(qū)間[0, 1]內(nèi)；
[0010] 5)針對(duì)每個(gè)頂F分量序列，分別建立SNN預(yù)測(cè)模型，并設(shè)置網(wǎng)絡(luò)初始參數(shù)；
[0011] 6)對(duì)每個(gè)SNN預(yù)測(cè)模型，利用SpikeProp算法對(duì)Spiking神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到 訓(xùn)練樣本集中的輸入樣本和期望輸出樣本的網(wǎng)絡(luò)訓(xùn)練誤差E <預(yù)先設(shè)定的允許誤差
[0012] 7)將預(yù)測(cè)輸入向量輸入訓(xùn)練后的SNN模型，其輸出即為每個(gè)頂F分量序列的碳排 放價(jià)格預(yù)測(cè)值；
[0013] 8)將上述每個(gè)頂F分量序列的預(yù)測(cè)結(jié)果反歸一化并疊加，得到對(duì)應(yīng)原始碳排放價(jià) 格的預(yù)測(cè)值。
[0014] 采用VMD算法將原始碳排放價(jià)格序列進(jìn)行分解時(shí)，如何確定分解模態(tài)數(shù)K :
[0015] 當(dāng)運(yùn)用VMD算法對(duì)原始碳價(jià)序列進(jìn)行分解時(shí)，應(yīng)該首先確定模態(tài)數(shù)K。每個(gè)模態(tài)的 區(qū)分主要是中心頻率的不同，因此，本發(fā)明采用觀察中心頻率的方法確定K。對(duì)于本發(fā)明的 算例數(shù)據(jù)DEC12,從K為6開(kāi)始，出現(xiàn)了中心頻率相近的模態(tài)，認(rèn)為出現(xiàn)了過(guò)分解，因此，模態(tài) 數(shù)選為6。
[0016] 有益效果：本發(fā)明的碳排放價(jià)格預(yù)測(cè)方法將VMD和SNN進(jìn)行組合建模預(yù)測(cè)，利用 VMD表現(xiàn)出良好的噪聲魯棒性和精確的分離性，結(jié)合SNN的非線性函數(shù)逼近能力和強(qiáng)大的 計(jì)算能力，提高了碳排放價(jià)格預(yù)測(cè)模型的準(zhǔn)確度。
【附圖說(shuō)明】
[0017] 圖1為本發(fā)明實(shí)施例的基于VMD-SNN的碳排放價(jià)格組合預(yù)測(cè)方法的流程圖；
[0018] 圖2為本發(fā)明實(shí)施例的變分模態(tài)分解算法的流程圖；
[0019] 圖3為本發(fā)明實(shí)施例的Spiking神經(jīng)網(wǎng)絡(luò)采用的SRM神經(jīng)元模型結(jié)構(gòu)示意圖；
[0020] 圖4為本發(fā)明實(shí)施例的三層前向Spiking神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)示意圖；
[0021] 圖5為本發(fā)明實(shí)施例的Spiking神經(jīng)網(wǎng)絡(luò)內(nèi)部神經(jīng)元間有延遲突觸終端連接的結(jié) 構(gòu)示意圖；
[0022] 圖6為本發(fā)明實(shí)施例的DEC 12碳排放價(jià)格原始序列和VMD分解序列圖；
[0023] 圖7為本發(fā)明實(shí)施例的DEC 12碳排放價(jià)格原始序列和分解序列的偏自相關(guān)示意 圖；
[0024] 圖8為本發(fā)明實(shí)施例測(cè)試的DEC12碳排放價(jià)格序列預(yù)測(cè)曲線與實(shí)際曲線圖。
【具體實(shí)施方式】
[0025] 下面結(jié)合具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說(shuō)明本發(fā)明 而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的各種等價(jià) 形式的修改均落于本申請(qǐng)所附權(quán)利要求所限定的范圍。
[0026] 本發(fā)明的思路如下：首先采用VMD算法對(duì)原始碳排放價(jià)格序列進(jìn)行分解，得到一 系列IMF分量，可以精確的捕捉碳價(jià)內(nèi)在的復(fù)雜特征。其次，將SNN引入到各分量的預(yù)測(cè)中， 利用其良好的非線性函數(shù)逼近能力和強(qiáng)大的計(jì)算能力來(lái)提高各個(gè)分量碳價(jià)序列預(yù)測(cè)精度。 其中，為了更好的反映出每個(gè)分量的SNN模型輸入輸出之間的關(guān)系。對(duì)于給定的輸出變量， 本發(fā)明采用統(tǒng)計(jì)工具PACF及得到的偏自相關(guān)圖確定SNN的輸入變量。最后，將各分量的預(yù) 測(cè)結(jié)果疊加得到原始碳價(jià)序列最終的預(yù)測(cè)結(jié)果。
[0027] 變分模態(tài)分解（Variational mode decomposition, VMD)是 Dragomiretskiy 等人 2014年提出一種自適應(yīng)信號(hào)分解估計(jì)方法。VMD算法在獲取子信號(hào)（模態(tài)）時(shí)擺脫了 EMD 算法所使用的循環(huán)篩分剝離的信號(hào)處理方式，而是將信號(hào)分解過(guò)程轉(zhuǎn)移為變分模型的求解 過(guò)程。假設(shè)每個(gè)'模態(tài)'是具有不同中心頻率的有限帶寬，通過(guò)搜尋約束變分模型最優(yōu)解來(lái) 實(shí)現(xiàn)信號(hào)自適應(yīng)分解。各模態(tài)的中心頻率及帶寬在求解變分模型的過(guò)程中不斷更新。各模 態(tài)被逐步解調(diào)到相應(yīng)的基頻帶，最終各個(gè)模態(tài)及相應(yīng)的中心頻率被一同提取出來(lái)。
[0028] 假定將原始信號(hào)f分解為K個(gè)模態(tài)，變分問(wèn)題描述為尋求K個(gè)模態(tài)函數(shù)Uk (t)，使 得每個(gè)模態(tài)的估計(jì)帶寬之和最小，約束條件為各模態(tài)之和等于f。對(duì)應(yīng)的約束變分表達(dá)式如 下：
[0029]