【技术实现步骤摘要】
本专利技术涉及电力测算，尤其涉及一种碳排放交易成本数据预测方法及系统。
技术介绍
1、碳排放权交易市场在实现碳达峰与碳中和目标中发挥了重要政策作用。随着全国碳排放交易市场的不断发展，碳价格作为交易核心指标，对于引导碳减排资源优化配置、促进绿色低碳发展有着十分重要的意义。碳交易价格受到诸多复杂因素的影响，这些因素具有不确定性、非线性、非平稳性、不规则性等特点，这使得碳价格的测算面临巨大的挑战。
2、当前的碳排放交易价格测算技术主要分为两类：一类是依赖于传统统计学的方法，另一类则采用机器学习技术。传统统计学方法包括技术分析、多元回归分析、自回归移动平均模型和灰色理论等，常因碳价受多因素影响且作用机制复杂，导致预测结果不尽如人意。而机器学习方法，如支持向量机(svm)和人工神经网络(ann)以及它们的组合模型，尽管在处理复杂数据时表现出色，但也面临着模型训练难度大、泛化能力不足等问题，导致碳交易价格测算的准确度不高，在实际应用中指导意义不大，不易推广。
技术实现思路
1、本专利技术提供了一种碳排放交易成本数据预测方法及系统，能够解决现有技术中难以精确测算碳排放交易价格的技术问题，通过对特征值进行分析降低了数据处理的复杂度，并进一步提升了测算的精度。
2、为解决以上技术问题，本专利技术实施例提供一种碳排放交易成本数据预测方法，包括：
3、采集历史数据，采用lof算法对所述历史数据进行预处理，得到预处理数据；所述历史数据包括碳排放交易价格数据和历史化石燃料
4、计算所述预处理数据的特征值，通过随机森林算法得到所述预处理数据的各所述特征值的重要度，根据所述特征值的重要度筛选所述预处理数据，得到第一碳排放交易价格序列；
5、对所述第一碳排放交易价格序列进行经验模态分解，得到第二碳排放交易价格序列；
6、通过长短期记忆网络提取所述第二碳排放交易价格序列的长期依赖关系；
7、根据所述长期依赖关系和所述历史碳排放交易价格数据，测算得到预设时间后的碳排放交易价格。
8、作为上述方案的改进，所述采集历史数据，采用lof算法对所述历史数据进行预处理，得到预处理数据，包括：
9、采集历史碳排放交易价格数据和历史化石燃料价格数据，按照预设的时间步，得到若干历史数据点；
10、计算所述历史数据点间的欧氏距离，为所述历史数据点分配lof局部离群因子；
11、根据所述lof局部离群因子，从所述历史数据点中剔除异常点，得到预处理数据。
12、作为上述方案的改进，所述计算所述历史数据点间的欧氏距离，为所述历史数据点分配lof局部离群因子，包括：
13、从所述历史数据点中选取第一历史数据点和第二历史数据点；
14、将所述第一历史数据点和所述第二历史数据点间的数据点所形成的集合作为所述第一历史数据点的邻域；
15、计算所述第一历史数据点的邻域中所有点到所述第一历史数据点的欧氏距离，得到所述第一历史数据点的局部可达密度；
16、根据所述局部可达密度，计算所述第一历史数据点的局部相对密度，作为lof局部离群因子分配至所述第一历史数据点，直至为所有历史数据点都分配有lof局部离群因子。
17、作为上述方案的改进，所述计算所述预处理数据的特征值，通过随机森林算法得到所述预处理数据的各所述特征值的重要度，根据所述特征值的重要度筛选所述预处理数据，得到第一碳排放交易价格序列，包括：
18、采用bootstrap算法对所述预处理数据进行样本抽取，得到预处理样本和袋外数据；
19、计算所述预处理样本和所述袋外数据的特征值；
20、通过随机森林算法创建初始决策树，采用所述预处理样本的特征值训练所述初始决策树，采用训练后的所述初始决策树计算所述袋外数据的第一分类准确率；
21、随机对所述袋外数据的特征值施加扰动，计算施加扰动后的所述袋外数据的第二分类准确率；
22、根据所述第一分类准确率和所述第二分类准确率，计算所述特征值的重要度；
23、根据所述特征值的重要度筛选所述预处理数据，得到第一碳排放交易价格序列。
24、作为上述方案的改进，所述对所述第一碳排放交易价格序列进行经验模态分解，得到第二碳排放交易价格序列，包括：
25、根据所述第一碳排放交易价格序列，得到初始信号；
26、使用经验模态分解对所述初始信号进行初始化，得到迭代信号；
27、根据所述迭代信号的上包络和下包络，计算所述迭代信号的均值包络；
28、根据所述均值包络，对所述迭代信号进行更新，直至更新后的所述迭代信号满足预设的迭代停止条件，得到分量信号和残差信号；所述迭代停止条件包括阈值条件和零极点条件；
29、将所述第一碳排放交易价格序列表示为所述分量信号和所述残差信号的和，得到第二碳排放交易价格序列。
30、作为上述方案的改进，所述根据所述均值包络，对所述迭代信号进行更新，直至更新后的所述迭代信号满足预设的迭代停止条件，得到分量信号和残差信号；所述迭代停止条件包括阈值条件和零极点条件，包括：
31、通过hk+1[n]＝hk[n]-mk[n]对所述迭代信号进行更新；其中，k为迭代次数，k＝0,1,2……；hk[n]为第k次迭代的迭代信号；mk[n]为第k次迭代时的均值包络；
32、根据更新后的所述迭代信号进行信号分解提取，得到中间分量信号；
33、当所述中间分量信号不满足预设的迭代停止条件时，根据所述中间分量信号，对所述初始信号进行更新；
34、当所述中间分量信号满足预设的迭代停止条件时，停止所述迭代信号的更新，根据所述中间分量信号的极值点数量，得到分量信号的残差信号。
35、作为上述方案的改进，所述预设的迭代停止条件包括第一迭代停止条件、第二迭代停止条件和第三迭代停止条件；其中：
36、所述第一迭代停止条件为信号的零点与极值点的数量相同；
37、所述第一迭代停止条件为信号的零点与极值点的差值小于预设的差值阈值；
38、所述第三迭代停止条件为f(k-2)<f(k-1)、f(k-1)<f(k)；其中，f(k)为第k次迭代时信号的均方根。
39、作为上述方案的改进，所述通过长短期记忆网络提取所述第二碳排放交易价格序列的长期依赖关系，包括：
40、构建长短期记忆网络；所述长短期记忆网络包括用于处理长短期记忆网络中细胞状态的遗忘门单元、输入门单元、细胞状态更新单元和输出门单元；
41、将所述第二碳排放交易价格序列输入至所述长短期记忆网络中，基于sigmoid函数计算所述遗忘门单元的第一参数、所述输入门单元的第二参数和所述输出门单元的第三参数；
42、基于tanh函数从所述长短期记忆网络的细胞中选取候选细胞；
本文档来自技高网...【技术保护点】
1.一种碳排放交易成本数据预测方法，其特征在于，包括：
2.如权利要求1所述的一种碳排放交易成本数据预测方法，其特征在于，所述采集历史数据，采用LOF算法对所述历史数据进行预处理，得到预处理数据，包括：
3.如权利要求2所述的一种碳排放交易成本数据预测方法，其特征在于，所述计算所述历史数据点间的欧氏距离，为所述历史数据点分配LOF局部离群因子，包括：
4.如权利要求1所述的一种碳排放交易成本数据预测方法，其特征在于，所述计算所述预处理数据的特征值，通过随机森林算法得到所述预处理数据的各所述特征值的重要度，根据所述特征值的重要度筛选所述预处理数据，得到第一碳排放交易价格序列，包括：
5.如权利要求1所述的一种碳排放交易成本数据预测方法，其特征在于，所述对所述第一碳排放交易价格序列进行经验模态分解，得到第二碳排放交易价格序列，包括：
6.如权利要求5所述的一种碳排放交易成本数据预测方法，其特征在于，所述根据所述均值包络，对所述迭代信号进行更新，直至更新后的所述迭代信号满足预设的迭代停止条件，得到分量信号和残差信号；所述迭代停
7.如权利要求5或6所述的一种碳排放交易成本数据预测方法，其特征在于，所述预设的迭代停止条件包括第一迭代停止条件、第二迭代停止条件和第三迭代停止条件；其中：
8.如权利要求1所述的一种碳排放交易成本数据预测方法，其特征在于，所述通过长短期记忆网络提取所述第二碳排放交易价格序列的长期依赖关系，包括：
9.如权利要求1所述的一种碳排放交易成本数据预测方法，其特征在于，所述根据所述长期依赖关系和所述历史碳排放交易价格数据，测算得到预设时间后的碳排放交易价格，包括：
10.一种碳排放交易成本数据预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种碳排放交易成本数据预测方法，其特征在于，包括：
2.如权利要求1所述的一种碳排放交易成本数据预测方法，其特征在于，所述采集历史数据，采用lof算法对所述历史数据进行预处理，得到预处理数据，包括：
3.如权利要求2所述的一种碳排放交易成本数据预测方法，其特征在于，所述计算所述历史数据点间的欧氏距离，为所述历史数据点分配lof局部离群因子，包括：
4.如权利要求1所述的一种碳排放交易成本数据预测方法，其特征在于，所述计算所述预处理数据的特征值，通过随机森林算法得到所述预处理数据的各所述特征值的重要度，根据所述特征值的重要度筛选所述预处理数据，得到第一碳排放交易价格序列，包括：
5.如权利要求1所述的一种碳排放交易成本数据预测方法，其特征在于，所述对所述第一碳排放交易价格序列进行经验模态分解，得到第二碳排放交易价格序列，包括：
6...
【专利技术属性】
技术研发人员：孙瑜，方建亮，胡海，阮婷婷，
申请(专利权)人：浙江电力交易中心有限公司，
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。