CN115660724A - 一种耦合碳价的电价预测方法 - Google Patents
一种耦合碳价的电价预测方法 Download PDFInfo
- Publication number
- CN115660724A CN115660724A CN202210572619.4A CN202210572619A CN115660724A CN 115660724 A CN115660724 A CN 115660724A CN 202210572619 A CN202210572619 A CN 202210572619A CN 115660724 A CN115660724 A CN 115660724A
- Authority
- CN
- China
- Prior art keywords
- price
- carbon
- term
- long
- trend
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 136
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 134
- 230000005611 electricity Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000007774 longterm Effects 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 238000006386 neutralization reaction Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012353 t test Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000007792 addition Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000010779 crude oil Substances 0.000 claims description 3
- 230000008278 dynamic mechanism Effects 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000009919 sequestration Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000007775 late Effects 0.000 description 4
- 230000037361 pathway Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明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。
Description
技术领域
本发明涉及电价预测技术领域，更具体地说是一种耦合碳价的电价预测方法。
背景技术
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。
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。
发明内容
为了克服现有技术的上述缺陷，本发明提供一种耦合碳价的电价预测方法。
为实现上述目的，本发明提供如下技术方案：
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长期趋势；
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。
优选的，所述步骤S1和S2中，集成经验模态分解(Ensemble Empirical modedecomposition，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：
(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，εn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。
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。
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，本发明将对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，σi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。
优选的，集成经验模态分解其基础是经验模态分解(Empirical modedecomposition，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Xmax(t)和下包络线Xmin(t)。
(2)根据上下包络线求均值：
m1(t)＝[Xmax(t)+Xmin(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(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：
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(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：
r1(t)＝X(t)-c1(t) (式4)
(6)当最后的IMF被“筛选”出后，残差rn(t)即为趋势项，则原信号序列X(t)被EMD分解为：
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Pet表示时间t长期电价趋势值，Cet表示时间t长期碳价趋势值，建立如下方程：
Pet＝a+bCet+∈ (式8)
通过OLS回归获得，参数a,b的估计。
优选的，所述步骤S4中，采用了基于ORANI-G模型基础理论和MONASH模型动态机制的大型单国递归动态CGE模型，结合碳中和战略来预测碳价的长期趋势，经过对ORANI-G模型做了五项扩展：(1)拆分原油、天然气和电力部门；(2)建立能源和排放账户；(3)增加新的要素-能源嵌套结构，并校准参数，以允许生产因子和不同类型的能源之间的替代；(4)引入碳定价和碳收入回收机制；(5)添加有关于碳捕集与封存机制的假设。
优选的，所述步骤S5具体为：根据步骤S3构建的回归方程，结合步骤S4依据调整后的ORANI-G模型预测的碳中和目标下的长期碳价，预测得到电价的长期趋势。
优选的，所述步骤S6中，每个GRU神经元的详细结构如下：
(2)更新门
zt＝σ(xtWz+ht-1Uz) (9)
其中zt代表更新门，t代表时间步，σ代表激活函数，xt代表当前神经元的输入，ht-1是上一个时间步的隐藏状态，Wz∈Rd×h代表输入层到更新门的权重矩阵，d和h分别代表输入数据的维度和隐藏层的节点数量。Uz∈Rh×h代表从上一时刻隐藏状态到该时刻更新门的权重矩阵。
(2)重置门
rt＝σ(xtWr+ht-1Ur) (10)
其中Wr∈Rd×h代表从输入层到重置门的权重，Ur∈Rh×h代表从隐藏层到重置门的权重，sigmoid函数将元素的值转换为0到1之间。因此，重置门和更新门的值都在[0，1]区间内。
(3)候选隐藏状态
(4)隐藏状态
当前隐藏层状态ht是先前隐藏状态ht-1与当前候选隐藏状态
的线性和。上次信息传递的程度进入当前时间由更新门zt控制。zt越接近1，最后一次需要保留的信息越多。
优选的，耦合碳价的电价预测模型
对于具有复杂特征、非线性和非平稳状态的电力价格时间序列，EEMD可以将其分解为多个IMF分量和一个长期趋势分量，从而在一定程度上消除了原始序列的随机干扰的影响来提高电力价格时间序列预测准确性。对于每个IMF分量建立相应的GRU神经网络进行训练。GRU神经网络由三层组成，包括两个GRU层和一个全连接层。因为需要对下一时刻的价格进行预测，第二个GRU层中仅最后一个单元具有返回值。该值是一个多维向量，其维度等于第二层每个GRU单元里的神经元数，同时该值也是全连接层的输入。全连接层用于收集输入向量中的所有信息，该层的输出是神经网络的最终输出即最终预测值。最后将训练好的神经网络用于每个分量的预测，将每个分量预测值加总并与实际值进行比较。该模型的具体步骤如下，其流程如图3所示。
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。
本发明的技术效果和优点：采用本方法可弥补很多不足，它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。
附图说明
图1为一种耦合碳价的电价预测方法逻辑图；
图2为三种情景下中国2021-2060年碳价格预测值；
图3为耦合碳价的电价预测流程图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示的一种耦合碳价的电价预测方法，具体包括以下步骤：
1.电力市场电力价格的分解
集成经验模态分解(Ensemble Empirical mode decomposition，EEMD)是一种新型自适应信号时频处理方法，其基础是经验模态分解(Empirical mode decomposition，EMD)。EMD方法本质上是对信号序列的“筛选”过程，它可以通过算法将信号序列中不同尺度的波动因素按照频率从高到低逐步提取出来，最终使得原始信号序列被分解成数个波动因素序列和趋势项序列。其中，被提取出来的波动因素序列称为本征模态函数(IMF)。EMD分解后的各序列具有更好的尺度波动规律性，在此基础上对分解得到的这些序列再利用合适的机器学习模型进行预测会使得结果具有更高的精度。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Xmax(t)和下包络线Xmin(t)。
(2)根据上下包络线求均值：
m1(t)＝[Xmax(t)+Xmin(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(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：
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(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：
r1(t)＝X(t)-c1(t) (式4)
(6)当最后的IMF被“筛选”出后，残差rn(t)即为趋势项，则原信号序列X(t)被EMD分解为：
针对EMD方法存在的模态混叠问题，即通过EMD方法分解得到的各IMF中可能含有不同频率的波动因素，EEMD这种噪声辅助数据分析方法被提出，EEMD分解原理为：当附加的白噪声均匀分布在整个时频空间时，该时频空间就由滤波器组分割成的不同尺度成分组成。当信号加上均匀分布的白噪声背景时，不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上。每个独立的测试都可能会产生非常嘈杂的结果，这是因为每个附加噪声的成分都包括了信号和附加的白噪声。既然在每个独立的测试中噪声是不同的，当使用足够测试的全体均值时，噪声将会被消除。全体的均值最后将会被认为是真正的结果，随着越来越多的测试，附加的噪声被消除了，唯一持久稳固的部分是信号本身，通过这种方法，EMD方法存在的模态混叠问题可以被解决。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，εn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。中国双碳目标的提出，给出了长期碳价将走高的基本趋势。
2.电力市场电力价格的重构及影响因素分析
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，本发明将对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，σi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。
我们对欧洲电力市场与美国RGGI电力市场的各IMF进行了高、低频分量的判别，结合计算得到指标的具体数值及各IMF的特征，两个电力市场的高、低频分量分类如表所示。
具体的，以欧洲电力市场为例，为分析电力市场电价变化的情况，本研究将欧洲电力价格时间序列数据首先通过EEMD的方法，预先设定白噪声标准差ε＝0.2，集成次数N＝100，使价格时间序列数据被自适应地分解成8个周期不同的IMF和1个趋势。其中，8个周期不同IMF主要代表不同发生频率的价格形成影响因素，而趋势项则主要体现电力价格的长期内在运行趋势。
在此基础上，根据上述重构方法本研究将分解得到的8个周期不同的IMF进行重构。主要分类原则是利用t检验判断第一个均值显著偏离0的IMF，然后将此IMF作为分界线，包括此IMF在内的之前所有的IMF为低频分量，之后所有的IMF为高频分量。根据以上原则，可得出在欧洲电力价格时间序列分解得到的8个周期不同的IMF中，IMF1、IMF2、IMF3、IMF4、IMF5和IMF6为高频分量，IMF7和IMF8低频分量。
3.碳市场的碳价分解与重构
同理，根据第1部分与第2部分模型的构建，可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。
4.耦合碳价的电价时间序列分析
这一部分，主要建立电价长期趋势与碳价长期趋势的关系，我们采用回归分析的方法，建立二者之间的长期关系。假设Pet表示时间t长期电价趋势值，Cet表示时间t长期碳价趋势值，建立如下方程：
Pet＝a+bCet+∈ (式8)
通过OLS回归获得，参数a,b的估计。
5.碳中和目标下碳价格的长期预测
这里我们采用了基于ORANI-G模型基础理论和MONASH模型动态机制的大型单国递归动态CGE模型，结合碳中和战略来预测碳价的长期趋势，经过对ORANI-G模型做了五项扩展：(1)拆分原油、天然气和电力部门；(2)建立能源和排放账户；(3)增加新的要素-能源嵌套结构，并校准参数，以允许生产因子和不同类型的能源之间的替代；(4)引入碳定价和碳收入回收机制；(5)添加有关于碳捕集与封存机制的假设。
通过使用调整后的ORANI-G模型我们可以模拟不同情景下的均衡碳价格趋势。在碳中和情景中，碳价格为模型内生决定。影响内生碳价水平的重要因素是外生给定的碳排放路径。在碳中和情景下，由于采取了较为严格的碳减排政策措施，不管是在哪种行动方案下，未来二氧化碳排放均将呈现出快速的下降趋势，欧盟与美国都宣布到2050年实现碳中和，欧盟碳市场依据欧盟碳中和路径，到2030年每年碳配额下降2.2％；没够RGGI碳市场，基于去也碳中和路径，每年碳配额下降1.87％，这将极大的影响碳价的长期趋势。同样，对于中国的“2060年”碳中和目标也存在类似的趋势，这一下降趋势在2030年之后表现的尤为突出。由于碳中和路径不同，碳价表现也出现不同，我们比较两种碳中和路径和一种基准情景的中国碳价的长期趋势。两种碳中和路径，一种是早行动方案，即中国2025年达峰，碳排放量随即呈现逐渐下降趋势，且下降的趋势逐渐加快。然而在晚行动方案中，在碳排放峰值年后会经历一段平台期，排放量均维持在100亿吨左右，大约在2030年后碳排放量开始呈现逐年递减趋势，直至2060年实现中国二氧化碳净零排放的目标。此外，在2030年至2055年间，晚行动方案下的碳排放路径均高于早行动方案路径。这也进一步表明了早行动方案的减排力度是要大于晚行动方案，由此也产生了较好的减排效果。随着减排政策的逐步推进，减排效果的逐渐显现，晚行动方案下的减排力度也将逐渐向早行动方案靠近，从而更好的完成2060碳中和目标，因此，预计在2055年之后，两类行动方案下的碳减排路径将趋于一致，并最终实现2060年碳中和的目标。在以上三种情景下，我们进一步根据调整后的ORANI-G模型得到了三种情景下中国2021—2060年的碳价格预测值，如图2所示。
依据该模型，输入欧盟与美国的数据，同样可以得到欧盟与美国碳中和目标下长期趋势的碳价。
6.预测电价长期趋势
根据第4部分构建的回归方程，结合第5部分依据调整后的ORANI-G模型预测的碳中和目标下的长期碳价，预测得到电价的长期趋势。
7.构建GRU神经网络模型
GRU神经网络，他对LSTM神经网络进行了改进。原始LSTM通过门控对信息流通加以控制并更加准确的挖掘较远时刻数据对于此刻的数据影响。但是LSTM神经网络结构较为复杂而且训练时间长。GRU神经网络在此基础上，整合输入门和遗忘门，命名为更新门，并且将LSTM中的隐层和细胞状态进行合并,被广泛应用。GRU神经网络也是由重复神经单元构成的循环神经网络。普通RNN神经网络的处理节点只是由激活函数组成的简单神经元，但是GRU的处理节点是单元，它通过门控来选择和控制信息流。
每个GRU神经元的详细结构如下：
(3)更新门
zt＝σ(xtWz+ht-1Uz) (9)
其中zt代表更新门，t代表时间步，σ代表激活函数，xt代表当前神经元的输入，ht-1是上一个时间步的隐藏状态，Wz∈Rd×h代表输入层到更新门的权重矩阵，d和h分别代表输入数据的维度和隐藏层的节点数量。Uz∈Rh×h代表从上一时刻隐藏状态到该时刻更新门的权重矩阵。
(2)重置门
rt＝σ(xtWr+htt-1Ur) (10)
其中Wr∈Rd×h代表从输入层到重置门的权重，Ur∈Rh×h代表从隐藏层到重置门的权重，sigmoid函数将元素的值转换为0到1之间。因此，重置门和更新门的值都在[0，1]区间内。
(3)候选隐藏状态
(4)隐藏状态
当前隐藏层状态ht是先前隐藏状态ht-1与当前候选隐藏状态
的线性和。上次信息传递的程度进入当前时间由更新门zt控制。zt越接近1，最后一次需要保留的信息越多。
8.耦合碳价的电价预测模型
对于具有复杂特征、非线性和非平稳状态的电力价格时间序列，EEMD可以将其分解为多个IMF分量和一个长期趋势分量，从而在一定程度上消除了原始序列的随机干扰的影响来提高电力价格时间序列预测准确性。对于每个IMF分量建立相应的GRU神经网络进行训练。GRU神经网络由三层组成，包括两个GRU层和一个全连接层。因为需要对下一时刻的价格进行预测，第二个GRU层中仅最后一个单元具有返回值。该值是一个多维向量，其维度等于第二层每个GRU单元里的神经元数，同时该值也是全连接层的输入。全连接层用于收集输入向量中的所有信息，该层的输出是神经网络的最终输出即最终预测值。最后将训练好的神经网络用于每个分量的预测，将每个分量预测值加总并与实际值进行比较。该模型的具体步骤如下，其流程如图3所示。
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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
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，εn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，σi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Xmax(t)和下包络线Xmin(t)；
(2)根据上下包络线求均值：
m1(t)＝[Xmax(t)+Xmin(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rn(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，建立二者之间的长期关系；假设Pet表示时间t长期电价趋势值，Cet表示时间t长期碳价趋势值，建立如下方程：
Pet＝a+bCet+∈ (式8)
通过OLS回归获得，参数a,b的估计。
4.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S4中，采用了基于ORANI-G模型基础理论和MONASH模型动态机制的大型单国递归动态CGE模型，结合碳中和战略来预测碳价的长期趋势，经过对ORANI-G模型做了五项扩展：(1)拆分原油、天然气和电力部门；(2)建立能源和排放账户；(3)增加新的要素-能源嵌套结构，并校准参数，以允许生产因子和不同类型的能源之间的替代；(4)引入碳定价和碳收入回收机制；(5)添加有关于碳捕集与封存机制的假设。
5.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S5具体为：根据步骤S3构建的回归方程，结合步骤S4依据调整后的ORANI-G模型预测的碳中和目标下的长期碳价，预测得到电价的长期趋势。
6.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S6中，每个GRU神经元的详细结构如下：
(1)更新门
zt＝σ(xtWz+ht-1Uz) (9)
其中zt代表更新门，t代表时间步，σ代表激活函数，xt代表当前神经元的输入，ht-1是上一个时间步的隐藏状态，Wz∈Rd×h代表输入层到更新门的权重矩阵，d和h分别代表输入数据的维度和隐藏层的节点数量；Uz∈Rh×h代表从上一时刻隐藏状态到该时刻更新门的权重矩阵；
(2)重置门
rt＝σ(xtWr+ht-1Ur) (10)
其中Wr∈Rd×h代表从输入层到重置门的权重，Ur∈Rh×h代表从隐藏层到重置门的权重，sigmoid函数将元素的值转换为0到1之间；因此，重置门和更新门的值都在[0，1]区间内；
(3)候选隐藏状态
(4)隐藏状态
当前隐藏层状态ht是先前隐藏状态ht-1与当前候选隐藏状态
的线性和；上次信息传递的程度进入当前时间由更新门zt控制；zt越接近1，最后一次需要保留的信息越多。
7.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：对于具有复杂特征、非线性和非平稳状态的电力价格时间序列，EEMD可以将其分解为多个IMF分量和一个长期趋势分量，从而在一定程度上消除了原始序列的随机干扰的影响来提高电力价格时间序列预测准确性；对于每个IMF分量建立相应的GRU神经网络进行训练；GRU神经网络由三层组成，包括两个GRU层和一个全连接层；因为需要对下一时刻的价格进行预测，第二个GRU层中仅最后一个单元具有返回值；该值是一个多维向量，其维度等于第二层每个GRU单元里的神经元数，同时该值也是全连接层的输入；全连接层用于收集输入向量中的所有信息，该层的输出是神经网络的最终输出即最终预测值；最后将训练好的神经网络用于每个分量的预测，将每个分量预测值加总并与实际值进行比较。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210572619.4A CN115660724A (zh) | 2022-05-24 | 2022-05-24 | 一种耦合碳价的电价预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210572619.4A CN115660724A (zh) | 2022-05-24 | 2022-05-24 | 一种耦合碳价的电价预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115660724A true CN115660724A (zh) | 2023-01-31 |
Family
ID=85023413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210572619.4A Pending CN115660724A (zh) | 2022-05-24 | 2022-05-24 | 一种耦合碳价的电价预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115660724A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992265A (zh) * | 2023-09-22 | 2023-11-03 | 卡奥斯工业智能研究院(青岛)有限公司 | 碳排放量估算方法、装置、设备和存储介质 |
| CN117217843A (zh) * | 2023-10-18 | 2023-12-12 | 河北建投电力科技服务有限公司 | 基于云计算的电力销售电价数据处理方法 |
| CN117611261A (zh) * | 2023-12-19 | 2024-02-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于经验模态分解和因果卷积网络的碳价预测方法 |
-
2022
- 2022-05-24 CN CN202210572619.4A patent/CN115660724A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992265A (zh) * | 2023-09-22 | 2023-11-03 | 卡奥斯工业智能研究院(青岛)有限公司 | 碳排放量估算方法、装置、设备和存储介质 |
| CN116992265B (zh) * | 2023-09-22 | 2024-01-09 | 卡奥斯工业智能研究院(青岛)有限公司 | 碳排放量估算方法、装置、设备和存储介质 |
| CN117217843A (zh) * | 2023-10-18 | 2023-12-12 | 河北建投电力科技服务有限公司 | 基于云计算的电力销售电价数据处理方法 |
| CN117217843B (zh) * | 2023-10-18 | 2024-04-19 | 河北建投电力科技服务有限公司 | 基于云计算的电力销售电价数据处理方法 |
| CN117611261A (zh) * | 2023-12-19 | 2024-02-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于经验模态分解和因果卷积网络的碳价预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | An optimized heterogeneous structure LSTM network for electricity price forecasting | |
| Lin et al. | Short-term load forecasting based on LSTM networks considering attention mechanism | |
| CN115660724A (zh) | 一种耦合碳价的电价预测方法 | |
| CN109886498B (zh) | 一种基于特征选择的emd-gru短期电力负荷预测方法 | |
| Yun et al. | Interpretable stock price forecasting model using genetic algorithm-machine learning regressions and best feature subset selection | |
| Hu et al. | Development and application of an evolutionary deep learning framework of LSTM based on improved grasshopper optimization algorithm for short-term load forecasting | |
| Zhang et al. | Comparison of econometric models and artificial neural networks algorithms for the prediction of baltic dry index | |
| CN111680786B (zh) | 一种基于改进权重门控单元的时序预测方法 | |
| Shokrollahpour et al. | An integrated data envelopment analysis–artificial neural network approach for benchmarking of bank branches | |
| CN112581172A (zh) | 一种基于经验模态分解的多模型融合售电量预测方法 | |
| CN108320053A (zh) | 一种区域用电量预测方法、装置及系统 | |
| Lu | Research on GDP forecast analysis combining BP neural network and ARIMA model | |
| Jin et al. | Carbon emission prediction models: A review | |
| CN115034473A (zh) | 一种电价预测方法、系统及装置 | |
| Wang et al. | Carbon market price prediction based on sequence decomposition-reconstruction-dimensionality reduction and improved deep learning model | |
| Borisov et al. | Neuro-fuzzy cognitive temporal models for predicting multidimensional time series with fuzzy trends | |
| Zhang et al. | Interval prediction of crude oil spot price volatility: An improved hybrid model integrating decomposition strategy, IESN and ARIMA | |
| Cárdenas-Cárdenas et al. | Colombian inflation forecast using long short-term memory approach | |
| Ma et al. | Predicting Stock Prices Using Hybrid LSTM and ARIMA Model. | |
| Feng | Garlic price forecast based on the combined model of time-frequency decomposition and neural network | |
| Behrens et al. | A Bayesian analysis of the efficiency of growth and inflation forecasts for Germany | |
| Alamsyah et al. | Comparison of Predictions Foreign Currency Exchange Rates (USD, JPY, EUR, GBP, CHF, CAD) to Rupiah (IDR) using Artificial Neural Network and Long Short-Term Memory | |
| Liu et al. | A Short-Term Load Forecasting Method using Integrated SVR and LSTM Network | |
| CN111353809A (zh) | 社会消费品零售总额季度累计增幅预测方法和系统 | |
| Poernamawatie et al. | Sharia Bank of Indonesia Stock Price Prediction using Long Short-Term Memory |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |