[发明专利]一种碳排放价格组合预测方法

说明书

技术领域

本发明涉及一种碳排放价格组合预测方法，对CO₂排放价格进行精确预测，属于电力系统技术中信息分析及预测技术领域。

背景技术

化石燃料过度消耗导致的全球气候变暖问题已成为当前社会经济发展面临的重大挑战，实现能源系统的清洁化、高效化、低碳化已成为世界各国的共识和目标。2005年，《京都议定书》协议正式生效，标志着利用市场机制进行温室气体减排的开端，碳交易市场在全球迅速发展起来。作为二氧化碳排放的主要来源之一，电力行业具有巨大的减排潜力和明显的优化空间。目前，很多关于市场环境下的电力研究包括电网规划、电力调度等，己经将碳价交易特别是未来碳价考虑在其中。因此，对碳排放价格提供可靠的预测分析，可以把握能源市场的变化趋势，进而为电力发展相关政策的制定提供有效地参考，具有很高的理论价值与很强的现实意义。

目前，国内外学者针对碳价预测进行了大量的研究，所采用的模型和方法主要可以分为单一模型和组合模型两种。单一模型主要利用自回归移动平均(AutoRegressiveandMovingAverage,ARMA)模型、广义自回归条件异方差模型(GeneralizedAutoRegressiveConditionalHeteroskedasticity,GARCH)和人工神经网络(ArtificialNeuralNetwork,ANN)等模型对碳排放价格组成的时间序列进行深层次的分析和模拟，进而对碳排放价格进行预测。ARMA和GARCH两种模型属于统计模型，不能有效的捕捉到隐藏在碳排放价格序列中的非线性特征，因此预测精度不高。相对于统计模型，ANN具有较强的自学习和自适应能力，可以执行复杂的非线性映射，但是其在处理大量历史数据以及预测精度方面仍面临着巨大的挑战。碳排放价格序列具有很强的非线性和非平稳性特征，任何单一模型都难以对其整体的变化趋势做到准确的预测。因此，组合预测模型将一种自适应信号分解算法—经验模态分解(EmpiricalModeDecomposition,EMD)，结合传统预测方法对碳排放价格进行预测和分析。该类模型利用EMD将碳价序列分解为一系列相对平稳的分量，从而简化了数据中不同尺度的特征信息的的干扰和耦合。然后，预测模型可以更好地理解和把握每个分量的特点，从而提高预测的准确性。但是，EMD属于递归模态分解，主要存在模态混叠、对频率相近的分量无法正确分离等问题，这些问题会影响碳排放价格价预测最终的精度。

发明内容

发明目的：本发明针对现有碳排放价格预测技术中预测结果准确度不高的问题，提供一种基于VMD和SNN(Spiking神经网络，SpikingNeuralNetwork,SNN)的碳排放价格组合预测方法。利用VMD(变分模态分解，VariationalModeDecomposition,VMD)表现出良好的噪声鲁棒性和精确的分离性，结合SNN的非线性函数逼近能力和强大的计算能力，提高了碳排放价格预测模型的准确度。

技术方案：一种碳排放价格组合预测方法，包括以下步骤：

1)获取碳排放价格预测所需的历史价格数据序列，其中历史价格数据为欧洲最大的碳排放期货交易所—洲际交易所(InterContinentalExchange,ICE)2008至2013年12月份到期(DEC12)的欧盟碳排放配额(EuropeanUnionAllowance,EUA)期货合约的日交易结算价格数据。

2)采用变分模态分解算法将原始碳排放价格序列分解为6个IMF(固态函数，IntrinsicModeFunctions,IMF)分量序列；

3)给定输出变量即待预测的下一天的碳排放交易价格，通过计算PACF(偏自相关函数，PartialAutoCorrelationFunction,PACF)以及其得到的相应的偏自相关图，确定每个IMF分量的输入变量；

4)初始化：对每个IMF分量序列的训练和测试样本集数据进行归一化处理，将样本数据尺度变换到区间[0,1]内；

5)针对每个IMF分量序列，分别建立SNN预测模型，并设置网络初始参数；

6)对每个SNN预测模型，利用SpikeProp算法对Spiking神经网络进行训练，直到训练样本集中的输入样本和期望输出样本的网络训练误差E≤预先设定的允许误差e_max；

7)将预测输入向量输入训练后的SNN模型，其输出即为每个IMF分量序列的碳排放价格预测值；

8)将上述每个IMF分量序列的预测结果反归一化并叠加，得到对应原始碳排放价格的预测值。