【技術實現步驟摘要】
本專利技術涉及碳價預測，尤其涉及基于經驗模態分解和多時序預測模型集成的碳價預測方法。
技術介紹
1、在碳市場中，企業可以交易碳配額，碳價指的就是在碳交易過程中的碳配額價格。碳價預測有利于碳市場發展，為企業帶來更多的利潤。在碳價預測中，人工智能技術能夠有效地提取數據特征，進行精確的預測。
2、現有的方法中，有利用分位數lasso模型和xgboost進行預測，這些方法將每個時間點的數據當作互相獨立的數據，在視為獨立分布的各個時間點上進行訓練。由于沒有用到碳價序列的時序特征，其預測的效果難以保證。另外一些方法則考慮了時序特征，采用能夠提取時序的模型，如rnn、lstm，這些方法將碳價序列作為一個時序數據，輸入時序模型進行訓練。
3、可知，現有的方法大部分沒有考慮電力市場因素的影響，并且數據預處理和模型訓練也存在提升空間。
技術實現思路
1、本專利技術的目的是提供一種基于經驗模態分解和多時序預測模型集成的碳價預測方法，使用多個模型，集成結果進行預測，可以避免單獨模型可能產生的不確定性；多個模型的組合能夠消除一定的不確定性，解決了碳價預測中碳價序列不穩定、隨機性強的難題；且考慮到電力市場對碳的影響，模型訓練更加充分完善。
2、為實現上述目的，本專利技術提供了一種基于經驗模態分解和多時序預測模型集成的碳價預測方法，包括以下步驟：
3、s1、數據收集：收集目標地區的歷史碳價數據和碳價影響數據組，并分別將碳價數據和碳價影響數據組整理為碳價序列和碳價影
4、s2、數據預處理：使用emd分解法對碳價序列進行分解并進行pca降維，同時對碳價影響數據組進行pca降維，并將pca降維后的碳價序列和碳價影響序列組進行組合；
5、s3、訓練模型：將步驟s2組合數據和碳價序列隨機輸入因果卷積網絡模型、gru模型、lstm模型和transformer模型，分別進行訓練；
6、s4、向步驟s3訓練完畢的因果卷積網絡模型、gru模型、lstm模型和transformer模型中分別輸入經步驟s2預處理完畢的碳價影響數據組，并將因果卷積網絡模型、gru模型、lstm模型和transformer模型的輸出結果進行集合，作為最終預測結果。
7、優選的，在步驟s1中，將碳價序列記為y＝{y1,y2,…yn}，其中，y1,y2,…yn分別表示第1,2,3,…,n個時間節點的碳價；
8、步驟s1所述的碳價影響數據組包括能源數據組和電力數據組，并將由收集的p組碳價影響數據整理得到的碳價影響序列組記為{x1,x2,…,xi,…,xp}，其中表示n行mi列的矩陣，mi表示收集的第i組碳價影響數據共有mi維。
9、優選的，步驟s2具體包括以下步驟：
10、s21、使用emd分解法對碳價序列y＝{y1,y2,…yn}進行分解，并將輸出記為{imf1,imf2,…,imfi,…,imfm}，其中imfi∈rn*1，rn*1表示n行1列的矩陣；
11、s22、使用pca對步驟s21的輸出結果{imf1,imf2,…,imfi,…,imfm}進行降維，并輸出降維后的矩陣[f1,f2,…,fm']，且每個維度的貢獻率記為e1,e2,…,em'；
12、s23、使用pca按照組別分別對s1中收集的碳價影響序列組{x1,x2,…,xi,…,xp}進行降維，輸出p個降維結果{x'1,x'2,…x'p}，其中表示n行mi'列的矩陣，mi'表示降維后第i組碳價影響數據的維度；
13、s24、對步驟s22輸出的[f1,f2,…,fm']與步驟s23輸出的{x'1,x'2,…x'p}進行組合，得到m'個組合數據：
14、[f1,x'1,x'2,…x′p]、[f2,x'1,x'2,…x′p]、…、[fm',x'1,x'2,…x′p]。
15、優選的，步驟s3所述的因果卷積網絡模型包括依次設置的輸入層、時序網絡層、碳價預測用全連接層、碳價預測區間上限預測用全連接層以及碳價預測區間下限預測用全連接層；
16、碳價預測用全連接層的損失函數表達式如下：
17、loss＝(ypre-ytruth)
18、式中，loss表示碳價預測用全連接層的損失；ypre表示預測的碳價；ytruth表示真實標簽，ytruth＝y；
19、碳價預測區間下限預測用全連接層和碳價預測區間上限預測用全連接層的損失函數表達式如下：
20、loss1＝max{-α×(ypre1-ytruth),(1-α)×(ypre1-ytruth)}
21、loss2＝max{(α-1)×(ypre2-ytruth),α×(ypre2-ytruth)}
22、式中，loss1和loss2分別表示碳價預測區間下限預測用全連接層以及碳價預測區間上限預測用全連接層的損失；α表示分位數水平；ypre1和ypre2分別表示碳價預測區間的下限和上限；
23、將步驟s2中得到的m'個組合數據作為輸入向量，并將碳價序列y作為真實標簽，共訓練m'個因果卷積網絡模型、gru模型、lstm模型、transformer模型，記為m1,m2,…,mm'。
24、優選的，在步驟s4中，將m'組k天前的碳價影響數據分別輸入進m1,m2,…,mm'，記預測結果分別為通過pca降維后，得到的貢獻率e1,e2,…,em'，對結果進行加權平均，得到最終的預測結果。
25、因此，本專利技術一種基于經驗模態分解和多時序預測模型集成的碳價預測方法，具有以下有益效果：
26、(1)本專利技術中特別考慮了電碳協同，將電力市場因素引入到碳價預測中，同時采用emd、pca處理數據，并將數據分組訓練多個預測模型，通過集成投票的方式提升預測結果的精確性；
27、(2)在本專利技術的數據處理中使用emd對碳價序列進行分解并pca降維，之后在各個分量上分別訓練模型，集成結果；本專利技術考慮到更多的碳相關因素，并且該方法可以輕松地擴展更多的碳相關數據；
28、(3)本專利技術中使用多個模型，對集成結果進行預測，可以避免單獨模型可能產生的不確定性；多個模型的組合能夠消除一定的不確定性；
29、(4)本專利技術可對碳價區間進行預測，為使用者提供更豐富的信息，幫助使用者進行決策。
30、下面通過附圖和實施例，對本專利技術的技術方案做進一步的詳細描述。
本文檔來自技高網...【技術保護點】
1.一種基于經驗模態分解和多時序預測模型集成的碳價預測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于經驗模態分解和多時序預測模型集成的碳價預測方法，其特征在于：在步驟S1中，將碳價序列記為Y＝{y1,y2,…yn}，其中，y1,y2,…yn分別表示第1,2,3,…,n個時間節點的碳價；
3.根據權利要求2所述的基于經驗模態分解和多時序預測模型集成的碳價預測方法，其特征在于，步驟S2具體包括以下步驟：
4.根據權利要求3所述的基于經驗模態分解和多時序預測模型集成的碳價預測方法，其特征在于：步驟S3所述的因果卷積網絡模型包括依次設置的輸入層、時序網絡層、碳價預測用全連接層、碳價預測區間上限預測用全連接層以及碳價預測區間下限預測用全連接層；
5.根據權利要求4所述的基于經驗模態分解和多時序預測模型集成的碳價預測方法，其特征在于：在步驟S4中，將m'組k天前的碳價影響數據分別輸入進M1,M2,…,Mm'，記預測結果分別為通過PCA降維后，得到的貢獻率e1,e2,…,em'，對結果進行加權平均，得到最終的預測結果。
【技術特征摘要】
1.一種基于經驗模態分解和多時序預測模型集成的碳價預測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于經驗模態分解和多時序預測模型集成的碳價預測方法，其特征在于：在步驟s1中，將碳價序列記為y＝{y1,y2,…yn}，其中，y1,y2,…yn分別表示第1,2,3,…,n個時間節點的碳價；
3.根據權利要求2所述的基于經驗模態分解和多時序預測模型集成的碳價預測方法，其特征在于，步驟s2具體包括以下步驟：
4.根據權利要求3所述的基于經驗模態...
【專利技術屬性】
技術研發人員：楊力塵，黃祁生，吳婷，計軍平，何道敬，
申請(專利權)人：哈爾濱工業大學深圳哈爾濱工業大學深圳科技創新研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。