[发明专利]一种耦合碳价的电价预测方法

权利要求书

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，ε_n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，σ_i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。