文摘碳价是碳市场的核心要素,碳价波动受到众多因素及其时滞效应的影响。为精准预测全国碳市场碳排放配额(Chinese emission allowances,CEA)价格,从关联碳市场、经济发展、国外能源、国内能源和人民币汇率五个维度选取结构化影响因素,从经济政策、环境影响和用户意愿三个维度爬取来自百度搜索引擎的非结构化影响因素,然后引入MIV-BP模型筛选主要的影响因素,并基于最大信息系数(maximum information coefficient,MIC)对碳价以及多源影响因素进行时滞估计。在此基础上,构建融合多源信息的碳价时滞组合预测模型MIC-LSTM-BP,并和基准模型LSTM、BP、LSTM-BP以及时滞基准模型MIC-LSTM、MIC-BP、MIC-LSTM-GBDT进行对比分析,以验证新模型的有效性。结果表明,时滞信息的引入有助于提升模型的预测精度;相较于基准模型和时滞基准模型,MICLSTM-BP模型预测CEA价格精度最高,价格波动追随能力最好。
文摘小时天然气负荷预测受外部特征因素与预测方法的影响,为提高其预测精度并解决其他深度学习类模型或组合模型可解释性差、训练时间过长的问题,在引入“小时影响度”这一新特征因素的同时提出一种基于极端梯度提升树(extreme gradient boosting tress,XGBoost)模型与可解释性神经网络模型NBEATSx组合预测的方法;以XGBoost模型作为特征筛选器对特征集数据进行筛选,再将筛选降维后的数据集输入到NBEATSx中训练,提高NBEATSx的训练速度与预测精度;将负荷数据与特征数据经STL(seasonal and trend decomposition using Loess)算法分解为趋势分量、季节分量与残差分量,再分别输入到XGBoost中进行预测,减弱原始数据中的噪音影响;将优化后的NBEATSx与XGBoost模型通过方差倒数法进行组合,得出STL-XGBoost-NBEATSx组合模型的预测结果。结果表明:“小时影响度”这一新特征是小时负荷预测的重要影响因素,STL-XGBoost-NBEATSx模型训练速度有所提高,具有良好的可解释性与更高的预测准确性,模型预测结果的平均绝对百分比误差、均方误差、平均绝对误差分别比其余单一模型平均降低54.20%、63.97%、49.72%,比其余组合模型平均降低24.85%、34.39%、23.41%,模型的决定系数为0.935,能够很好地拟合观测数据。
