本申请涉及一种碳排放权代价值预测方法、装置、设备、介质和产品。所述方法包括：获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。该方法可以处理长期数据，精度高，速度快，计算难度低。计算难度低。计算难度低。
【技术实现步骤摘要】
碳排放权代价值预测方法、装置、设备、介质和产品
[0001]本申请涉及电碳市场交易信息分析与预测
，特别是涉及一种碳排放权代价值预测方法、装置、设备、介质和产品。
技术介绍
[0002]碳市场的参与者可以根据自身的减排需求和经济利益，买入或卖出碳排放权，从而使得二氧化碳排放量达到减排目标。由于碳市场的特殊性，碳排放权代价值的波动十分频繁且受多种因素影响，如气候变化，因此，对于碳排放权代价值的预测具有重要意义，可以帮助市场参与者做好买卖策略，更好地实现减排目标和经济效益的平衡。
[0003]目前对于碳排放权代价值预测方法，是通过自回归预测模型或者递归神经网络预测模型实现预测。然而，由于碳市场不确定性大，使用自回归预测模型在碳排放权代价值预测方面适应性不高，并且对于长时间序列预测，使用递归神经网络预测模型存在模型优化与运行的计算难度大、消耗时间长，预测准确度不高，预测效果不好的问题。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够预测碳排放权代价值的碳排放权代价值预测方法、装置、设备、介质和产品。
[0005]第一方面，本申请提供了一种碳排放权代价值预测方法。所述方法包括：
[0006]获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；
[0007]基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；
[0008]根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。
[0009]在其中一个实施例中，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，包括：
[0010]对样本代价模态分量进行归一化处理，得到归一化代价模态分量；
[0011]获取时间预设范围，根据时间预设范围在归一化代价模态分量中获取第一训练样本，并获取与第一训练样本时序相邻的第二训练样本；
[0012]根据第一训练样本和第二训练样本得到初始代价模态分量预测模型的误差方程，基于误差方程对初始代价模态分量预测模型进行训练。
[0013]在其中一个实施例中，根据时间预设范围在归一化代价模态分量中获取第一训练样本，并获取与第一训练样本时序相邻的第二训练样本之后，包括：
[0014]将第二训练样本加入至第一训练样本，并根据时间预设范围重新确定，得到更新
后的第一训练样本；
[0015]根据更新后的第一训练样本确定更新后的第二训练样本，更新后的第二训练样本与更新后的第一训练样本时序相邻；
[0016]根据更新后的第一训练样本和更新后的第二训练样本进行迭代训练，得到目标代价模态分量预测模型。
[0017]在其中一个实施例中，根据第一训练样本和第二训练样本得到初始代价模态分量预测模型的误差方程，基于误差方程对初始代价模态分量预测模型进行训练，包括：
[0018]获取初始代价模态分量预测模型的模型参数和状态转移函数；
[0019]基于状态转移函数对第一训练样本进行计算，得到初始代价模态分量预测模型的预测分量；
[0020]根据第二训练样本获取第二训练样本对应的归一化代价模态分量，得到实际分量；
[0021]对实际分量和预测分量进行比较，得到初始代价模态分量预测模型的误差方程；
[0022]通过更新模型参数和误差方程对初始代价模态分量预测模型进行训练。
[0023]在其中一个实施例中，通过更新模型参数和误差方程对初始代价模态分量预测模型进行训练，包括：
[0024]基于智能优化算法对模型参数进行更新，得到更新后的模型参数；
[0025]通过更新后的模型参数更新初始代价模态分量预测模型，得到更新后的预测模型，并基于随机优化算法和误差方程对更新后的预测模型进行训练。
[0026]在其中一个实施例中，该方法还包括：
[0027]对代价模态分量按照时间序列划分得到训练数据集和验证数据集，其中，训练数据集用于表征训练初始代价模态分量预测模型对应的样本代价模态分量的集合；
[0028]获取目标代价模态分量预测模型，将验证数据集中第一时刻对应的代价模态分量加入训练数据集，得到更新后的训练数据集和验证数据集，其中，第一时刻对应的代价模态分量与训练数据集时序相邻；
[0029]根据更新后的训练数据集得到验证样本代价模态分量，输入验证样本代价模态分量到目标代价模态分量预测模型，得到验证代价模态分量；
[0030]获取更新后的验证数据集中第二时刻对应的代价模态分量，其中，第二时刻与第一时刻时序相邻；
[0031]对第二时刻对应的代价模态分量和验证代价模态分量进行比较，得到验证结果。
[0032]第二方面，本申请还提供了一种碳排放权代价值预测装置。所述装置包括：
[0033]数据处理模块，用于获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组样本代价模态分量；
[0034]模型训练模块，用于基于长短期记忆神经网络获取多个初始代价模态分量预测模型，针对每组样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；
[0035]模型预测模块，用于将当前代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量是指当前代价模态分量下一时刻的预测值。
[0036]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0037]获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；
[0038]基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组代价模态分量对应的样本代价模态分量，通过样本代价模态分量训练对应的初始代价模态分量预测模型，得到目标代价模态分量预测模型；
[0039]根据代价模态分量得到输入代价模态分量，将输入代价模态分量输入目标代价模态分量预测模型，得到预测代价模态分量，根据预测代价模态分量确定预测碳排放权代价值，其中，预测代价模态分量与输入代价模态分量时序相邻。
[0040]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0041]获取历史碳排放权代价序列，对历史碳排放权代价序列进行分解得到若干组代价模态分量；
[0042]基于长短期记忆神经网络获取多个初本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种碳排放权代价值预测方法，其特征在于，所述方法包括：获取历史碳排放权代价序列，对所述历史碳排放权代价序列进行分解得到若干组代价模态分量；基于长短期记忆神经网络获取多个初始代价模态分量预测模型，获取每组所述代价模态分量对应的样本代价模态分量，通过所述样本代价模态分量训练对应的所述初始代价模态分量预测模型，得到目标代价模态分量预测模型；根据所述代价模态分量得到输入代价模态分量，将所述输入代价模态分量输入所述目标代价模态分量预测模型，得到预测代价模态分量，根据所述预测代价模态分量确定预测碳排放权代价值，其中，所述预测代价模态分量与所述输入代价模态分量时序相邻。2.根据权利要求1所述的方法，其特征在于，所述获取每组所述代价模态分量对应样本代价模态分量，通过所述样本代价模态分量训练对应的所述初始代价模态分量预测模型，包括：对所述样本代价模态分量进行归一化处理，得到归一化代价模态分量；获取时间预设范围，根据所述时间预设范围在所述归一化代价模态分量中获取第一训练样本，并获取与所述第一训练样本时序相邻的第二训练样本；根据所述第一训练样本和第二训练样本得到所述初始代价模态分量预测模型的误差方程，基于所述误差方程对所述初始代价模态分量预测模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述根据所述时间预设范围在所述归一化代价模态分量中获取第一训练样本，并获取与所述第一训练样本时序相邻的第二训练样本之后，包括：将所述第二训练样本加入至所述第一训练样本，并根据所述时间预设范围重新确定，得到更新后的第一训练样本；根据所述更新后的第一训练样本确定更新后的第二训练样本，所述更新后的第二训练样本与所述更新后的第一训练样本时序相邻；根据所述更新后的第一训练样本和所述更新后的第二训练样本进行迭代训练，得到目标代价模态分量预测模型。4.根据权利要求2所述的方法，其特征在于，所述根据所述第一训练样本和第二训练样本得到所述初始代价模态分量预测模型的误差方程，基于所述误差方程对所述初始代价模态分量预测模型进行训练，包括：获取所述初始代价模态分量预测模型的模型参数和状态转移函数；基于所述状态转移函数对所述第一训练样本进行计算，得到所述初始代价模态分量预测模型的预测分量；根据所述第二训练样本获取所述第二训练样本对应的归一化代价模态分量，得到实际分量；对所述实际分量和所述预测分量进行比较，得到所述初始代价模态分量预测模型的误差方程；通过更新所述模型参数和所述误差方程对所述初始代价模...
【专利技术属性】
技术研发人员：杨鑫和，梁梓杨，卢治霖，张妍，尚楠，黄国日，冷媛，
申请(专利权)人：南方电网能源发展研究院有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。