一种耦合碳价的电价预测方法技术

本发明专利技术公开了一种耦合碳价的电价预测方法，包括以下步骤：S1、电价的集成经验模态分解与重构；S2、碳价的集成经验模态分解与重构；S3、电价长期趋势与碳价长期趋势关系构建；S4、碳价长期趋势与碳排放空间的关系构建；S5、根据S3与S4构建耦合碳价的电价预测模型；S6、GRU神经网络模型构建；S7、对电价分解后的高频分量建立GRU神经网络进行训练；S8、使用测试集数据S7作为输入进行高频项预测；S9、预测结果求和S5+S8得到最终输出。本发明专利技术耦合了电价与碳价的长期趋势关系，也体现了碳中和目标与长期碳价的均衡关系，也发挥了EEMD模型与GRU神经网络模型的优势，提高了模型预测的泛化能力，可以应用于现在碳市场与电力市场并存的情景。可以应用于现在碳市场与电力市场并存的情景。可以应用于现在碳市场与电力市场并存的情景。

【技术实现步骤摘要】
一种耦合碳价的电价预测方法


[0001]本专利技术涉及电价预测
，更具体地说是一种耦合碳价的电价预测方法。

技术介绍

[0002]随着电力市场改革的持续推进，电力的一般商品属性将更加凸显。同时随着碳市场覆盖范围的扩大，电力供应侧与电力用户侧都将进入碳交易市场，而碳价的变化将极大地影响电价的变化，通过建立相关模型对历史电价数据进行频率分解，分析电价的短期震动与长期趋势变化，并通过时间序列分析出电价与碳价的长期内在关系，并在此基础上对未来电力市场的边际价格进行预测。从发电侧来看，考虑了碳价的电价预测，可有利于生产决策，从而构建最优的发电安排与报价策略；从用电侧来看，考虑了碳价的电价预测，可依据用电成本，制定合理的用电计划及减排计划。同时考虑了碳价的电价，也可为社会提供一般的成本预期，有利于市场的稳定。
[0003]目前，对于电价预测的文献中，大多集中使用模型对短期电价进行预测，没有考虑碳价这一重要的影响变量，同时也没有考虑电价的交易特点，几乎所有的交易都会在年底完成交易，缺乏对长期电价的预测。所以需要将电价的交易数据进行分解，分解为短期波动与长期趋势，碳价主要通过长期趋势来影响电价。现有预测电价的方法有时间序列模型，人工智能模型和混合模型。

技术实现思路

[0004]为了克服现有技术的上述缺陷，本专利技术提供一种耦合碳价的电价预测方法。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种耦合碳价的电价预测方法，包括以下步骤：
[0007]S1、电价的集成经验模态分解与重构；
[0008]S2、碳价的集成经验模态分解与重构；
[0009]S3、电价长期趋势与碳价长期趋势关系构建；
[0010]S4、碳价长期趋势与碳排放空间的关系构建；
[0011]S5、根据S3与S4构建耦合碳价的电价长期趋势；
[0012]S6、GRU神经网络模型构建；
[0013]S7、对电价分解后的高频分量建立GRU神经网络进行训练；
[0014]S8、使用测试集数据S7作为输入进行高频项预测；
[0015]S9、预测结果求和S5+S8得到最终输出。
[0016]优选的，所述步骤S1和S2中，集成经验模态分解(Ensemble Empirical mode decomposition，EEMD)方法是一种新型自适应信号时频处理方法，EEMD的具体步骤如下：
[0017](1)将白噪声序列加在原始信号序列上。白噪声序列要满足以下条件：
[0018][0019]N为白噪声加入次数，ε
n
和ε分别为白噪声的波幅和标准差。
[0020](2)对加入了白噪声的信号序列进行EMD处理，得到数个IMF及趋势项。
[0021](3)向原始信号序列加入不同的白噪声，重复前两步。
[0022](4)将对应的IMF及趋势项分别求均值，作为EEMD方法分解结果。
[0023]优选的，通过EEMD方法，预先设定白噪声标准差ε＝0.2，集成次数N＝100，电力市场的价格序列被自适应地分解成数个周期不同的IMF和1个趋势项。周期不同的IMF代表不同发生频率的价格形成影响因素，趋势项主要表现了电力价格的长期内在运行趋势。
[0024]优选的，电力市场的原价格经EEMD分解成多个IMF和1个趋势项，每个IMF的周期各不相同。一般而言，短期市场波动应该围绕价格均值上下震荡，而重大事件对碳价格会产生一定程度的或正或负经济影响。根据上述规律，本专利技术将对IMF序列进行分类加成，构成短期市场波动影响序列和重大事件影响序列两类。具体而言，本专利技术将IMF1记为指标1,IMF1+IMF2为指标2，以此类推，前i个IMF的和加成为指标i，计算指标1至指标i的均值，并对该均值是否显著区别于0进行t检验。其中，t检验统计量为：
[0025][0026]其中，为指标i的均值，σ
i
为指标i的标准差，n为指标i的样本容量。
[0027]若IMF均值在指标4处显著不为0，则IMF1、IMF2和IMF3代表高频分量，后续IMF为低频分量。原价格序列的高频分量和低频分量体现了较强的经济学意义：高频分量的特征是振幅小，频率高，围绕零均值随机波动，是短期市场波动序列，体现了买卖交易行为、投机和投资行为、短期供需变动等因素对于电力价格的影响；低频分量包括季度性波动序列、重大冲击波动序列、年度性波动序列等，主要体现了季度性因素、年度性因素、重大事件等因素对电力价格的影响；长期趋势项主要由国家整体减排的力度和未来目标碳排放空间决定，体现了长期范围内的碳价格走势进而影响到电力价格的长期趋势；
[0028]采用同样方法对碳市场的碳价进行分解与重构，同理可分为高频分量，低频分量与一个1趋势项。
[0029]优选的，集成经验模态分解其基础是经验模态分解(Empirical mode decomposition，EMD)，EMD方法的具体步骤和公式如下：
[0030](1)找出原始信号序列X(t)的所有极值，并分别对所有的极大值和极小值用三次样条函数进行插值，拟合构造出X(t)的上包络线X
max
(t)和下包络线X
min
(t)。
[0031](2)根据上下包络线求均值：
[0032]m1(t)＝[X
max
(t)+X
min
(t)]/2
ꢀꢀꢀ
(式1)
[0033](3)将原始信号序列X(t)减去均值m1(t)得出“潜在IMF”:
[0034]h1(t)＝X(t)
‑
m1(t)
ꢀꢀꢀ
(式2)
[0035](4)根据IMF的定义判定“潜在IMF”，若满足定义要求(极值点个数与零点个数的差值为0或1且任意点上的上下包络线均值为0)，则认为h1(t)为IMF：
[0036]c1(t)＝h1(t)
ꢀꢀꢀ
(式3)
[0037](5)对残差r1(t)重复进行前四步，直至残差满足终止条件(一般采用两个连续IMF之间的标准差大小来判断是否终止)。其中，残差r1(t)为：
[0038]r1(t)＝X(t)
‑
c1(t)
ꢀꢀꢀ
(式4)
[0039](6)当最后的IMF被“筛选”出后，残差r
n
(t)即为趋势项，则原信号序列X(t)被EMD分解为：
[0040][0041]优选的，所述步骤S3中,建立电价长期趋势与碳价长期趋势的关系，采用回归分析的方法，建立二者之间的长期关系。假设Pe
t
表示时间t长期电价趋势值，Ce
t
表示时间t长期碳价趋势值，建立如下方程：
[0042]Pe
t
＝a+bCe
t
+∈
ꢀꢀꢀ
(式8)
[0043]通过O本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种耦合碳价的电价预测方法，其特征在于，包括以下步骤：S1、电价的集成经验模态分解与重构；S2、碳价的集成经验模态分解与重构；S3、电价长期趋势与碳价长期趋势关系构建；S4、碳价长期趋势与碳排放空间的关系构建；S5、根据S3与S4构建耦合碳价的电价预测模型；S6、GRU神经网络模型构建；S7、对电价分解后的高频分量建立GRU神经网络进行训练；S8、使用测试集数据S7作为输入进行高频项预测；S9、预测结果求和S5+S8得到最终输出；其中：所述步骤S1和S2中，集成经验模态分解方法是一种新型自适应信号时频处理方法，EEMD的具体步骤如下：(1)将白噪声序列加在原始信号序列上；白噪声序列要满足以下条件：N为白噪声加入次数，ε
n
和ε分别为白噪声的波幅和标准差；(2)对加入了白噪声的信号序列进行EMD处理，得到数个IMF及趋势项；(3)向原始信号序列加入不同的白噪声，重复前两步；(4)将对应的IMF及趋势项分别求均值，作为EEMD方法分解结果；通过EEMD方法，预先设定白噪声标准差ε＝0.2，集成次数N＝100，电力市场的价格序列被自适应地分解成数个周期不同的IMF和1个趋势项；周期不同的IMF代表不同发生频率的价格形成影响因素，趋势项主要表现了电力价格的长期内在运行趋势；电力市场的原价格经EEMD分解成多个IMF和1个趋势项，每个IMF的周期各不相同；将对IMF序列进行分类加成，构成短期市场波动影响序列和重大事件影响序列两类；具体而言，本发明将IMF1记为指标1,IMF1+IMF2为指标2，以此类推，前i个IMF的和加成为指标i，计算指标1至指标i的均值，并对该均值是否显著区别于0进行t检验；其中，t检验统计量为：其中，为指标i的均值，σ
i
为指标i的标准差，n为指标i的样本容量；若IMF均值在指标4处显著不为0，则IMF1、IMF2和IMF3代表高频分量，后续IMF为低频分量；原价格序列的高频分量和低频分量体现了较强的经济学意义：高频分量的特征是振幅小，频率高，围绕零均值随机波动，是短期市场波动序列，体现了买卖交易行为、投机和投资行为、短期供需变动等因素对于电力价格的影响；低频分量包括季度性波动序列、重大冲击波动序列、年度性波动序列等，主要体现了季度性因素、年度性因素、重大事件等因素对电力价格的影响；长期趋势项主要由国家整体减排的力度和未来目标碳排放空间决定，体现了长期范围内的碳价格走势进而影响到电力价格的长期趋势；采用同样方法对碳市场的碳价进行分解与重构，同理可分为高频分量，低频分量与一个1趋势项；
耦合碳价的电价预测模型的具体步骤如下，步骤一：通过EEMD方法将原始时间序列数据x(t)分解为n个IMF分量c_j(t)(j＝1,2,
…
,n)和一个长期序列r(t),然后将这些分量划分为训练集和测试集；步骤二：对训练集中的每个IMF分量建立并训练相应的神经网络；步骤三：依据电价与碳价，碳价与双碳路径建立电价长期趋势序列；步骤四：输入测试集中的每个分量输入到相应的神经网络用来预测，并将每个分量的预测值加总作为最终预测值；是最终预测值，和分别是IMFs和长期趋势分量的预测值。2.根据权利要求1所述的一种耦合碳价的电价预测方法，其特征在于：集成经验模态分解其基础是经验模态分解(Empirical mode decomposition，EMD)，EMD方法的具体步骤和公式如下：(1)找出原始信号序列X(t)的所有极值，并分别对所有的极大值和极小值用三次样条函数进行插值，拟合构造出X(t)的上包络线X
max
(t)和下包络线X
min
(t)；(2)根据上下包络线求均值：m1(t)＝[X
max
(t)+X
min
(t)]/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式1)(3)将原始信号序列X(t)减去均值m1(t)得出“潜在IMF”:h1(t)＝X(t)
‑
m1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式2)(4)根据IMF的定义判定“潜在IMF”，若满足定义要求，则认为h1(t)为IMF：c1(t)＝h1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式3)(5)对残差r1(t)重复进行前四步，直至残差满足终止条件；其中，残差r1(t)为：r1(t)＝X(t)
‑
c1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式4)(6)当最后的IMF被“筛选”出后，残差r
n
(t)即为趋势项，则原信号序列X(t)被EMD分解为：3.根据权利要求1所述的一种耦合碳价的电价预测方法，其特征在于：所述步骤S3中,建立电价长期趋势与碳价长期趋势的关系，采用回归分析的方法，建立二者...

【专利技术属性】
技术研发人员：金美含，张茂林，邢玉辉，王帮灿，陈然，陈玲，陈清贵，刘祥瑞，杨璇，杨喆麟，谢蒙飞，丁文娇，冯莹莹，王熙凯，邹贤，孙永军，陈丹琦，卜祺，陈洋，经文馨，
申请(专利权)人：昆明电力交易中心有限责任公司，
类型：发明
国别省市：