【技术实现步骤摘要】
本申请涉及电力行业碳市场交易，具体而言，涉及一种碳交易价格预测方法、装置及存储介质。
技术介绍
1、碳资产交易是指把市场机制作为解决二氧化碳为代表的温室气体减排问题的新途径，即把二氧化碳排放权作为一种商品，从而形成了二氧化碳排放权的交易。不同的企业，由于所处国家、区域、行业不同，或者技术、管理方式上的差异，使得每个企业的减排成本是不同的。而碳资产交易的目的是鼓励减排低成本的企业超额减排，将其获得的剩余配额(即碳排放权，也称碳资产)通过交易的方式出售给减排成本高的企业，以帮助减排成本高的企业完成履约，并降低完成履约的成本。因而，碳资产交易作为一种市场机制的减排方式，能够低成本高效率地实现碳排放权的有效配置，以达成总量控制和公共资源合理化利用的履约目标，碳交易市场的发展，可以减少能源消耗，促进光伏产业的发展。
2、在电力系统碳交易机制实施的背景下，电力系统调度问题中构建排放主体的碳交易模型对实施减排具有重要的实际工程意义，如何根据碳交易信息精确预测碳交易价格并提前确定碳排放额度，从而合理地安排机组发电计划是目前亟需解决的问题。合理公平的碳交易市场能够更好地促进资源的优化配置，而碳交易价格是影响碳交易市场活力的主要因素之一，也是考虑碳交易的电力系统调度问题中的重要组成部分，因此提高碳交易价格的预测精度，可以为决策者提供有效的数据支撑，同时也是考虑碳排放交易的电力系统调度问题中的重要研究内容。
技术实现思路
1、本申请提供一种碳交易价格预测方法、装置及存储介质，能够提高碳交易价
2、具体的技术方案如下：
3、第一方面，本申请实施例提供了一种碳交易价格预测方法，所述方法应用于碳交易价格预测模型，所述碳交易价格预测模型包括情绪识别模型、价格梯度特征预测时序模型、特征空间关系模型、全连接神经网络，所述方法包括：
4、获取碳交易价格n个时刻的一阶价格梯度，并利用爬虫技术爬取实时的网络碳交易数据，根据所述网络碳交易数据获取当日碳交易文本，基于所述情绪识别模型获取所述当日碳交易文本对应的第n时刻的情绪特征，将所述一阶价格梯度和所述情绪特征进行时序融合，得到时序融合特征，其中，所述情绪识别模型为离散情感模型，所述情绪识别模型识别的情绪包括难过、害怕、高兴、厌恶、惊讶、愤怒；
5、基于所述价格梯度特征预测时序模型和所述价格梯度特征预测时序模型的输入特征，获得第n时刻的第一预测输出特征，并基于所述特征空间关系模型和所述特征空间关系模型的输入特征，获得第n时刻的第二预测输出特征，将所述第一预测输出特征和所述第二预测输出特征进行预测特征融合，得到第n时刻的碳交易价格融合特征，其中，所述价格梯度特征预测时序模型的输入特征和所述特征空间关系模型的输入特征均为所述时序融合特征；
6、针对融合后的所述碳交易价格融合特征，将所述碳交易价格融合特征输入所述全连接神经网络进行运算，获得第n+1时刻的一阶价格梯度预测值，并根据第n+1时刻的所述一阶价格梯度预测值和第n时刻的碳交易实际价格，计算获得第n+1时刻的碳交易预测价格，其中，所述全连接神经网络为预先经过训练得到的神经网络模型。
7、在一种实施方式中，设第n时刻所述难过、害怕、高兴、厌恶、惊讶、愤怒六种情绪识别后得到的次数分别为m1(n)-m6(n)，每种情绪对应的统计概率xmj(n)为：
8、
9、则情绪统计直方图特征xm(n)＝[xm1(n)，xm2(n)，…，xm6(n)]，第n时刻的所述情绪特征xm(n)＝[xm(1)，xm(2)，…，xm(n)]t；
10、设所述一阶价格梯度x(n)＝[x(1)，x(2)，…，x(n)]t，其中，x(n)＝d(n)-d(n-1)，d(n)为第n时刻的碳交易实际价格，d(n-1)为第n-1时刻的碳交易实际价格；
11、所述将所述一阶价格梯度和所述情绪特征进行时序融合，得到时序融合特征，具体包括：将所述一阶价格梯度x(n)和所述情绪特征xm(n)进行时序维度对齐，在另一个维度上进行特征拼接，得到所述时序融合特征
12、在一种实施方式中，所述全连接神经网络的训练过程包括：重复执行迭代训练步骤，直至更新后的所述全连接神经网络满足收敛条件；
13、其中，所述迭代训练步骤包括：
14、获取n个时刻样本，并基于初始全连接神经网络，计算得到所述n个时刻样本分别对应的损失函数值，对n个所述损失函数值进行降序排序，并根据排序后的n个所述损失函数值生成长尾分布图，所述长尾分布图的纵坐标为损失函数值，横坐标为样本索引；
15、将所述长尾分布图按照从左至右的顺序等分为bn份子样本集，若不能等分为bn份子样本集，复制所述长尾分布图的末尾数据，并在所述长尾分布图的末尾增加一个所述末尾数据，若增加数据后的所述长尾分布图仍不能等分为bn份子样本集，则再增加一个所述末尾数据，直至所述长尾分布图等分为bn份子样本集，其中，所述bn为每次训练所选取的训练样本数量；
16、循环训练n/bn次，每次训练时分别顺序从所述bn份子样本集中取出一个样本，存入一个batch中进行训练。
17、在一种实施方式中，在所述价格梯度特征预测时序模型的训练阶段，所述价格梯度特征预测时序模型采用均方误差损失函数，所述价格梯度特征预测时序模型的输入数据包括第n时刻的所述碳交易价格融合特征、第n+1时刻的所述一阶价格梯度预测值以及第n+1时刻的一阶价格梯度真实值；和/或，
18、在所述特征空间关系模型的训练阶段，所述特征空间关系模型采用均方误差损失函数，所述特征空间关系模型的输入数据包括第n时刻的所述碳交易价格融合特征、第n+1时刻的所述一阶价格梯度预测值以及第n+1时刻的所述一阶价格梯度真实值；和/或，
19、在所述全连接神经网络的训练阶段，所述全连接神经网络采用均方误差损失函数，所述全连接神经网络的输入数据包括第n时刻的所述碳交易价格融合特征、第n+1时刻的所述一阶价格梯度预测值以及第n+1时刻的所述一阶价格梯度真实值。
20、在一种实施方式中，所述价格梯度特征预测时序模型为长短期记忆人工神经网络lstm模型；和/或，
21、所述特征空间关系模型为transformer模型，其中，所述第二预测输出特征为transformer模型的encoder输出特征。
22、第二方面，本申请实施例提供了一种碳交易价格预测装置，所述装置应用于碳交易价格预测模型，所述碳交易价格预测模型包括情绪识别模型、价格梯度特征预测时序模型、特征空间关系模型、全连接神经网络，所述装置包括：
23、时序融合处理单元，用于获取碳交易价格n个时刻的一阶价格梯度，并利用爬虫技术爬取实时的网络碳交易数据，根据所述网络碳交易数据获取当日碳交易文本，基于所述情绪识别模型获取所述当日碳交易文本对应的第n时刻的情绪特征，将所述一阶价格梯度和所述情绪特征进行时序融合，得到时序融合特征本文档来自技高网...
【技术保护点】
1.一种碳交易价格预测方法，其特征在于，所述方法应用于碳交易价格预测模型，所述碳交易价格预测模型包括情绪识别模型、价格梯度特征预测时序模型、特征空间关系模型、全连接神经网络，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，设第n时刻所述难过、害怕、高兴、厌恶、惊讶、愤怒六种情绪识别后得到的次数分别为m1(n)–m6(n)，每种情绪对应的统计概率xmj(n)为：
3.根据权利要求1所述的方法，其特征在于，所述全连接神经网络的训练过程包括：重复执行迭代训练步骤，直至更新后的所述全连接神经网络满足收敛条件；
4.根据权利要求1所述的方法，其特征在于，在所述价格梯度特征预测时序模型的训练阶段，所述价格梯度特征预测时序模型采用均方误差损失函数，所述价格梯度特征预测时序模型的输入数据包括第n时刻的所述碳交易价格融合特征、第n+1时刻的所述一阶价格梯度预测值以及第n+1时刻的一阶价格梯度真实值；和/或，
5.根据权利要求1–4之一所述的方法，其特征在于，所述价格梯度特征预测时序模型为长短期记忆人工神经网络LSTM模型；和/或，
<...【技术特征摘要】
1.一种碳交易价格预测方法，其特征在于，所述方法应用于碳交易价格预测模型，所述碳交易价格预测模型包括情绪识别模型、价格梯度特征预测时序模型、特征空间关系模型、全连接神经网络，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，设第n时刻所述难过、害怕、高兴、厌恶、惊讶、愤怒六种情绪识别后得到的次数分别为m1(n)–m6(n)，每种情绪对应的统计概率xmj(n)为：
3.根据权利要求1所述的方法，其特征在于，所述全连接神经网络的训练过程包括：重复执行迭代训练步骤，直至更新后的所述全连接神经网络满足收敛条件；
4.根据权利要求1所述的方法，其特征在于，在所述价格梯度特征预测时序模型的训练阶段，所述价格梯度特征预测时序模型采用均方误差损失函数，所述价格梯度特征预测时序模型的输入数据包括第n时刻的所述碳交易价格融合特征、第n+1时刻的所述一阶价格梯度预测值以及第n+1时刻的一阶价格梯度真实值；和/或，
5.根据权利要求1–4之一所述的方法，其特征在于，所述价格梯度特征预测时序模型为长短期记忆人工神经网络lstm模型；和/或，
<...【专利技术属性】
技术研发人员：刘志，齐欣，
申请(专利权)人：北京壹清能环科技有限公司，
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。