基于BP神经网络和ARIMA模型的碳市场价格预测方法

摘要

本发明公开了一种基于BP神经网络和ARIMA模型的碳市场价格预测方法，通过获取设定时间范围内的碳市场价格影响因素数据序列，基于随机森林模型筛选碳市场价格主要影响因素，得到后续模型的输入数据序列，将输入数据序列分别输入BP神经网络和ARIMA两个模型中，分别用这两种方法得到碳价中间预测结果，利用微分进化算法优化权重系数，利用最优权值系数进行线性加权组合得到BP‑ARIMA模型较为准确的碳价预测结果和较高的精度。本发明不仅可以为丰富碳市场价格研究提供新的方法，还可以为政策制定者探索碳市场稳定机制和投资者积极参与碳金融市场交易及规避碳市场风险提供有益的参考。

说明书

技术领域

本发明属于电力技术领域，具体涉及一种基于BP神经网络和ARIMA模型的碳市场价格预测方法。

背景技术

近年来，随着经济的不断发展，二氧化碳排放等环境问题日益严重，使全球各地逐渐重视碳排放问题。我国正在成立全国性的碳交易平台，增强碳交易的活跃度，而建立碳交易平台的关键是解决对碳排放权如何定价的问题，碳市场价格直接影响着碳交易市场的规模。研究碳市场价格预测不仅可以为丰富碳市场价格提供新的方法，还可以为政策制定者探索碳市场稳定机制和投资者积极参与碳金融市场交易及规避碳市场风险提供有益的参考。然而，考虑到碳市场价格固有的高度复杂性，利用单一预测模型进行碳市场价格预测，不可避免地会产生预测误差，导致预测结果的不准确。针对上述问题，目前尚未提出有效的解决方法。

发明内容

发明目的：为了解决上述问题，提供一种基于BP神经网络和ARIMA模型的碳市场价格预测方法，为政策制定者探索碳市场稳定机制和投资者积极参与碳金融市场交易及规避碳市场风险提供有益的参考。

技术方案：本发明所述的一种基于BP神经网络和ARIMA模型的碳市场价格预测方法，具体包括以下步骤：

(1)获取设定时间范围内的碳市场价格影响因素数据序列；

(2)基于随机森林模型筛选碳市场价格主要影响因素，得到后续模型的输入数据序列；

(3)将输入数据序列分别输入BP神经网络和ARIMA两个模型中，分别用这两种方法得到碳价中间预测结果；

(4)利用微分进化算法优化权重系数，利用最优的权值系数进行线性加权组合得到BP-ARIMA模型高精度的碳价预测结果。

进一步地，碳市场价格影响因素包括：燃油价格、煤炭价格、石油价格和天然气价格。

进一步地，所述步骤(2)的实现过程如下：

通过增加高斯白噪声的方式改变其中碳价影响因素序列中的变量取值，进行模型训练集上的袋外误差计算；所述袋外误差是预测误差的无偏估计，袋外误差越大则证明该碳价影响因素越重要，从而得到碳价影响因素序列的重要度分布，进而对碳价影响因素序列进行筛选，剔除掉模型中对碳价影响较小的因素；

模型训练集上的变量t的重要度F

进一步地，所述步骤(4)包括以下步骤：

(41)种群初始化：设λ是ARIMA模型的碳价预测结果的权重系数，l-λ是BP神经网络碳价预测结果的权重系数，则组合预测模型中只有一个参数λ；根据λ的范围，随机产生L个长度为1的数值，其中每一个数值就是种群中的一个个体；

(42)计算适应度值：选择组合碳价预测结果和碳价实际值进行均方误差计算，所得误差值即为适应度值，依次计算当前种群中所有个体的适应度值；

(43)线性加权组合具体方式为：Y＝λY

进一步地，步骤(42)所述的适应度值的计算过程如下：

(421)判断是否达到最小误差标准，若达到了标准，则保存当前的个体为最优权重系数，若还未达到标准，则需要进行进化操作；

(422)个体进行交叉变异等进化操作，在进化过程中选择适应度值比较小的个体，将较大的淘汰；

(423)判断是否达到最小误差标准，若没有达到标准，则返回步骤(422)，若达到标准，则停止进化，得到组合预测模型的最优权重系数λ。

有益效果：与现有技术相比，本发明的有益效果：1、本发明能够解决将众多碳价影响因素直接作为输入变量而使得模型运行过程过于复杂的问题，同时充分考虑碳价固有的高度复杂性，采用线性和非线性的组合模型进行预测，提高了碳价预测模型的预测精度；2、本发明不仅可以为丰富碳市场价格研究提供新的方法，还可以为政策制定者探索碳市场稳定机制和投资者积极参与碳金融市场交易及规避碳市场风险提供有益的参考。

附图说明

图1为本发明的流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本发明提出一种基于BP神经网络和ARIMA模型的碳市场价格预测方法，通过获取设定时间范围内的碳市场价格影响因素数据序列，基于随机森林模型筛选碳市场价格主要影响因素，得到后续模型的输入数据序列，将输入数据序列分别输入BP神经网络和ARIMA两个模型中，分别用这两种方法得到中间预测结果，利用微分进化算法优化权重系数，利用最优权值系数进行线性加权组合得到BP-ARIMA模型较为准确的预测结果和较高的预测精度。如图1所示，具体包括如下步骤：

步骤1：获取设定时间范围内的碳市场价格影响因素数据序列。

碳市场价格影响因素包括：燃油价格、煤炭价格、石油价格和天然气价格。

步骤2：基于随机森林模型筛选碳市场价格主要影响因素，得到后续模型的输入数据序列。

通过增加高斯白噪声的方式改变其中碳价影响因素序列中的变量取值，进行模型训练集上的袋外误差计算，所述袋外误差是预测误差的无偏估计，袋外误差越大则证明该碳价影响因素越重要，从而得到碳价影响因素序列的重要度分布，进而对碳价影响因素序列进行筛选，剔除掉模型中对碳价影响较小的因素。

模型训练集上的变量t的重要度F

其中，T为模型获取的碳市场价格影响因素数据序列，E

为了降低模型复杂度，运用随机森林模型筛选出碳价主要影响因素。如果将众多碳价影响因素直接作为输入变量，没有对碳价影响因素进行降维，会使得模型运行过程过于复杂。

步骤3：将输入数据序列分别输入BP神经网络和ARIMA两个模型中，分别用这两种方法得到中间预测结果。

由于碳市场价格固有的高度复杂性，即呈现线性和非线性的特点，使用单一模型进行碳市场价格预测，不可避免地会产生预测误差。因此运用对非线性具有较强捕捉能力的BP神经网络和线性模型ARIMA分别对碳价进行预测，得到基于BP神经网络的碳价预测结果和基于ARIMA模型的碳价预测结果。

步骤4：利用微分进化算法优化权重系数，利用最优权值系数进行线性加权组合得到BP-ARIMA模型高精度的碳价预测结果。

(1)种群初始化：

设λ是ARIMA模型的预测结果的权重系数，l-λ是BP神经网络预测结果的权重系数，则组合预测模型中只有一个参数λ。根据λ的范围，随机产生L个长度为1的数值(实数编码)，其中每一个数值就是种群中的一个个体。

(2)计算适应度值：

选择组合碳价预测结果和碳价实际值进行均方误差计算，所得误差值即为适应度值，依次计算当前种群中所有个体的适应度值。

具体地，所述依次计算当前种群中所有个体的适应度值，具体包括：

1)判断是否达到最小误差标准，若达到了停止条件，则保存当前的个体为最优权重系数，若还未达到停止条件，则需要进行进化操作；

2)个体进行交叉变异等进化操作，在进化过程中选择适应度值比较小的个体，将较大的淘汰；

3)判断是否达到最小误差标准，若没有达到停止条件，则返回步骤S522，若达到停止条件，则停止进化，得到组合预测模型的最优权重系数λ。

(3)线性加权组合具体方式为：Y＝λY

需要说明的是，利用BP-ARIMA模型进行碳价预测并得到高精度的预测结果，确定BP-ARIMA模型中各个方法的权重系数是非常关键的。现阶段权重分配方法多采用人工分配法或线性回归法，但由于预测模型的性能不易测量和量化，可能导致这些方法没有很好的适应性，计算过程复杂，造成权重分配不合理，组合模型预测结果可能比单一预测模型结果误差更高，微分进化算法是一种智能计算方法，具有结构简单、收敛快捷、使用方便、速度快和鲁棒性好等优点。利用微分进化算法优化BP-ARIMA模型的权重系数，可以得到最优的权重系数。

本发明能够解决将众多碳价影响因素直接作为输入变量而使得模型运行过程过于复杂的问题，同时充分考虑碳价固有的高度复杂性，采用线性和非线性的组合模型进行预测，提高了电价预测模型的预测精度。本发明通过建立碳价预测模型精确预测电力市场的出清电价，有利于为政策制定者探索碳市场稳定机制和投资者积极参与碳金融市场交易及规避碳市场风险提供有意的参考。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。