一种碳排放价格组合预测方法技术

本发明专利技术公开一种碳排放价格组合预测方法。方法包括以下步骤：1)采用变分模态分解算法将原始的碳排放价格序列分解为一系列固态函数分量；2)给定输出变量，通过统计工具偏自相关函数以及其相应的偏自相关图，确定每个IMF分量的输入变量；3)针对每个IMF分量，利用Spiking神经网络对其预测；4)将上述每个IMF分量的预测结果叠加，得到对应原始碳排放价格的预测值。本发明专利技术提供的方法有效地提高了预测精度，能够较好地解决碳排放价格预测问题。

【技术实现步骤摘要】

本专利技术涉及，对〇)2排放价格进行精确预测，属于电 力系统技术中信息分析及预测

技术介绍
化石燃料过度消耗导致的全球气候变暖问题已成为当前社会经济发展面临的重 大挑战，实现能源系统的清洁化、高效化、低碳化已成为世界各国的共识和目标。2005年， 《京都议定书》协议正式生效，标志着利用市场机制进行温室气体减排的开端，碳交易市场 在全球迅速发展起来。作为二氧化碳排放的主要来源之一，电力行业具有巨大的减排潜力 和明显的优化空间。目前，很多关于市场环境下的电力研究包括电网规划、电力调度等，己 经将碳价交易特别是未来碳价考虑在其中。因此，对碳排放价格提供可靠的预测分析，可以 把握能源市场的变化趋势，进而为电力发展相关政策的制定提供有效地参考，具有很高的 理论价值与很强的现实意义。 目前，国内外学者针对碳价预测进行了大量的研究，所采用的模型和方法主要可 以分为单一模型和组合模型两种。单一模型主要利用自回归移动平均 （AutoRegressive and Moving Average, ARMA)模型、广义自回归条件异方差模型（Generalized AutoRegressive Conditional Heteroskedasticity, GARCH)和人工神经网络（Artificial Neural Network, ANN)等模型对碳排放价格组成的时间序列进行深层次的分析和模拟，进 而对碳排放价格进行预测。ARMA和GARCH两种模型属于统计模型，不能有效的捕捉到隐藏 在碳排放价格序列中的非线性特征，因此预测精度不高。相对于统计模型，ANN具有较强的 自学习和自适应能力，可以执行复杂的非线性映射，但是其在处理大量历史数据以及预测 精度方面仍面临着巨大的挑战。碳排放价格序列具有很强的非线性和非平稳性特征，任何 单一模型都难以对其整体的变化趋势做到准确的预测。因此，组合预测模型将一种自适应 信号分解算法一经验模态分解（Empirical Mode Decomposition, EMD)，结合传统预测方法 对碳排放价格进行预测和分析。该类模型利用EMD将碳价序列分解为一系列相对平稳的分 量，从而简化了数据中不同尺度的特征信息的的干扰和耦合。然后，预测模型可以更好地理 解和把握每个分量的特点，从而提高预测的准确性。但是，EMD属于递归模态分解，主要存 在模态混叠、对频率相近的分量无法正确分离等问题，这些问题会影响碳排放价格价预测 最终的精度。
技术实现思路
专利技术目的：本专利技术针对现有碳排放价格预测技术中预测结果准确度不高的问题， 提供一种基于VMD和SNN(Spiking神经网络，Spiking Neural Network, SNN)的碳排放价格 组合预测方法。利用VMD (变分模态分解，Variational Mode Decomposition, VMD)表现出 良好的噪声鲁棒性和精确的分离性，结合SNN的非线性函数逼近能力和强大的计算能力， 提高了碳排放价格预测模型的准确度。 技术方案：，包括以下步骤： 1)获取碳排放价格预测所需的历史价格数据序列，其中历史价格数据为欧洲最大 的碳排放期货交易所一洲际交易所（InterContinental Exchange, ICE) 2008至2013年12 月份到期（DEC 12)的欧盟碳排放配额（European Union Allowance, EUA)期货合约的日交 易结算价格数据。 2)采用变分模态分解算法将原始碳排放价格序列分解为6个頂F(固态函数， Intrinsic Mode Functions, IMF)分量序列； 3)给定输出变量即待预测的下一天的碳排放交易价格，通过计算PACF(偏自相关 函数，Partial Autocorrelation Function, PACF)以及其得到的相应的偏自相关图，确定 每个IMF分量的输入变量； 4)初始化：对每个頂F分量序列的训练和测试样本集数据进行归一化处理，将样 本数据尺度变换到区间内； 5)针对每个頂F分量序列，分别建立SNN预测模型，并设置网络初始参数； 6)对每个SNN预测模型，利用SpikeProp算法对Spiking神经网络进行训练，直到 训练样本集中的输入样本和期望输出样本的网络训练误差E <预先设定的允许误差 7)将预测输入向量输入训练后的SNN模型，其输出即为每个頂F分量序列的碳排 放价格预测值； 8)将上述每个頂F分量序列的预测结果反归一化并叠加，得到对应原始碳排放价 格的预测值。 采用VMD算法将原始碳排放价格序列进行分解时，如何确定分解模态数K : 当运用VMD算法对原始碳价序列进行分解时，应该首先确定模态数K。每个模态的 区分主要是中心频率的不同，因此，本专利技术采用观察中心频率的方法确定K。对于本专利技术的 算例数据DEC12,从K为6开始，出现了中心频率相近的模态，认为出现了过分解，因此，模态 数选为6。 有益效果：本专利技术的碳排放价格预测方法将VMD和SNN进行组合建模预测，利用 VMD表现出良好的噪声鲁棒性和精确的分离性，结合SNN的非线性函数逼近能力和强大的 计算能力，提高了碳排放价格预测模型的准确度。【附图说明】 图1为本专利技术实施例的基于VMD-SNN的碳排放价格组合预测方法的流程图； 图2为本专利技术实施例的变分模态分解算法的流程图； 图3为本专利技术实施例的Spiking神经网络采用的SRM神经元模型结构示意图； 图4为本专利技术实施例的三层前向Spiking神经网络预测模型结构示意图； 图5为本专利技术实施例的Spiking神经网络内部神经元间有延迟突触终端连接的结 构示意图； 图6为本专利技术实施例的DEC 12碳排放价格原始序列和VMD分解序列图； 图7为本专利技术实施例的DEC 12碳排放价格原始序列和分解序列的偏自相关示意 图； 图8为本专利技术实施例测试的DEC12碳排放价格序列预测曲线与实际曲线图。【具体实施方式】 下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术 而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价 形式的修改均落于本申请所附权利要求所限定的范围。 本专利技术的思路如下：首先采用VMD算法对原始碳排放价格序列进行分解，得到一 系列IMF分量，可以精确的捕捉碳价内在的复杂特征。其次，将SNN引入到各分量的预测中， 利用其良好的非线性函数逼近能力和强大的计算能力来提高各个分量碳价序列预测精度。 其中，为了更好的反映出每个分量的SNN模型输入输出之间的关系。对于给定的输出变量， 本专利技术采用统计工具PACF及得到的偏自相关图确定SNN的输入变量。最后，将各分量的预 测结果叠加得到原始碳价序列最终的预测结果。 变分模态分解（Variational mode decomposition, VMD)是 Dragomiretskiy 等人 2014年提出一种自适应信号分解估计方法。VMD算法在获取子信号（模态）时摆脱了 EMD 算法所使用的循环筛分剥离的信号处理方式，而是将信号分解过程转移为变分模型的求解 过程。假设每个'模态'是具有不同中心频率的有限带宽，通过搜寻约束变分模型最优解来 实现信号自适应本文档来自技高网...

【技术保护点】
一种碳排放价格组合预测方法，其特征在于：包括以下步骤：(1)获取碳排放价格预测所需的历史价格数据序列；(2)采用变分模态分解算法将原始碳排放价格序列分解为6个IMF分量序列；(3)给定输出变量即待预测的下一天的碳排放交易价格，通过计算PACF以及其得到的相应的偏自相关图，确定每个IMF分量的输入变量；(4)初始化：对每个IMF分量序列的训练和测试样本集数据进行归一化处理，将样本数据尺度变换到区间[0,1]内；(5)针对每个IMF分量序列，分别建立SNN预测模型，并设置网络初始参数；(6)对每个SNN预测模型，利用SpikeProp算法对Spiking神经网络进行训练，直到训练样本集中的输入样本和期望输出样本的网络训练误差E≤emax(预先设定的允许误差)；(7)将预测输入向量输入训练后的SNN模型，其输出即为每个IMF分量序列的碳排放价格预测值；(8)将上述每个IMF分量序列的预测结果反归一化并叠加，得到对应原始碳排放价格的预测值。

【技术特征摘要】

【专利技术属性】
技术研发人员：孙国强，陈通，卫志农，孙永辉，臧海祥，朱瑛，黄蔓云，陈霜，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32