一种基于RLMD-KMEANS的发电企业串谋行为智能识别方法技术

本发明专利技术属于行为识别技术领域，提出了一种基于RLMD

【技术实现步骤摘要】
一种基于RLMD
‑
KMEANS的发电企业串谋行为智能识别方法


[0001]本专利技术属于行为识别
，涉及一种基于RLMD
‑
KMEANS的发电企业串谋行为智能识别方法。

技术介绍

[0002]随着对国内电力市场改革的探索不断深入，电力市场一体化监管新体系框架的建设问题已再次引起社会以及各界的密切关注探讨。在电力市场活动中，市场里还存在于发电企业之间和售电企业之间，市场力对于市场能否公平竞争有着决定性作用。其中，串谋是市场参与者为提高市场竞争力的重要表现形式之一。随着数字化技术和人工智能的发展，将数字化技术引入电力市场，为企业串谋行为分析提供数据基础，有助于准确识别认定企业串谋行为，是保证市场交易公平性、提高市场监管水平的一个关键问题。

技术实现思路

[0003]本专利技术提出一种基于RLMD
‑
KMEANS的发电企业串谋行为智能识别方法，解决了现有技术中企业串谋行为分析缺乏数据基础、无法进行准确识别的问题。
[0004]本专利技术的技术方案是这样实现的，包括
[0005]获得发电企业的申报电量和申报电价数据；
[0006]根据所述申报电量和申报电价数据，计算串谋数据集；
[0007]将所述串谋数据集的数据输入RLMD
‑
KMEANS算法模型，设置阈值，分离出异常样本，得到预测结果；如果预测结果低于第一等阈值，则识别为无串谋行为；如果预测结果高于第一等阈值、低于第二等阈值，则识别为低串谋行为；如果预测结果超过第二等阈值、小于第三等阈值，则预测结果为中等串谋行为；如果预测结果超过第三等阈值，则识别为高串谋行为；
[0008]所述RLMD
‑
KMEANS算法模型的构建方法具体包括：
[0009]预先确定适当的边界条件参数、包络估计和筛选停止标准，将所述串谋数据集的数据作为原始信号，对所述原始信号进行局部均值分解，将所述原始信号自适应地分解成一组乘积函数，每一个乘积函数都是瞬时包络信号和纯调频信号的乘积；
[0010]所述边界条件具体为：采用图像扩展算法确定原始信号左右两端的对称点；
[0011]所述包络估计具体包括：
[0012]根据统计理论得到一个最优子集大小λ*，即
[0013]λ
*
＝odd(μ
s
+3
×
δ
s
)
[0014]其中，odd(
·
)为一种返回大于或等于输入的最近奇数整数的函数；μ
s
和δ
s
分别为光滑局部均值m
k
和光滑局部幅值a
k
之间的步长s(k)对应的平均值和标准差，s(k)、μ
s
和δ
s
可以分别表示为
[0015][0016]其中，f(k)表示利用直方图箱数对步长集进行计数时得到每个箱的概率；edge(k)表示箱子的边缘；Nb表示箱子的个数。
[0017]所述筛选停止标准具体包括：
[0018]最小化以下函数f(x)
[0019]f(x)＝RMS[z(t)]+EK[z(t)][0020]式中，RMS[z(t)]和EK[z(t)]可以表示为
[0021][0022]式中，z(t)为零基线包络信号；z
ˉ
为零基线包络信号的平均值，z
ˉ
的表达式为
[0023][0024]通过线性判别分析，将局部均值分解得到的高维数据进行投影使数据之间的距离各不相同，由此对不同类别数据进行分离；用D表示一个M
×
n的包含所有发电企业串谋特征数据的矩阵，线性判别分析的具体过程如下：
[0025](1)计算类间散度矩阵S
b
和类内散度矩阵S
w
。
[0026](2)计算矩阵S
w
‑1S
b
的前p个最大特征值对应的特征向量w1、w2、
…
、w
p
，得到投影矩阵W。
[0027](3)对样本集中的每一个样本特征x
i
，转化为新的样本z
i
＝W
T
x
i
。
[0028](4)得到一个m
×
p的输出样本集D'；
[0029]采用Kmeans聚类算法，将线性判别分析得到的不同类别的数据进行聚类。
[0030]进一步，所述根据所述申报电量和申报电价数据，计算串谋数据集，具体包括：
[0031]根据所述申报电量和申报电价数据计算多个串谋识别指标；
[0032]对所述多个串谋识别指标进行优化处理，得到串谋数据集，将所述串谋数据集输入RLMD
‑
KMEANS算法模型；所述优化处理的步骤具体包括：
[0033]设某地同一时期的电力市场共有l场集中竞价，参与某一场竞价的发电企业有m家，则：某一场竞价中，两两发电企业之间第k个指标的数据矩阵为：
[0034][0035]数据集的一列特征为列向量x
(k)
，其计算方法为：
[0036][0037]某一场集中竞价的指标集Xi由之前得到的6个指标特征通过按列组合得到：
[0038]X
i
＝(x
(1)
,x
(2)
,...,x
(7)
)
[0039]最后网络训练的串谋数据集X通过将l场的指标集Xi按行组合并对最后一列特征进行独热编码得到：
[0040][0041]进一步，所述多个串谋识别指标包括申报电量市场份额均值，计算公式为：
[0042][0043]其中，C
i
、C
j
分别代表市场上第i家和第j家市场主体参加市场交易的申报电量；N表示本次市场交易中的市场主体总数。
[0044]进一步，所述多个串谋识别指标包括报价一致性，计算公式为：
[0045][0046]其中，Q
ia
和Q
ja
表示的是第i个和第j个市场主体在本次现货交易中的第a段申报价格。
[0047]进一步，所述多个串谋识别指标包括报价安全均值，计算公式为：
[0048][0049]式中，和分别为第i个和第j个市场主体在本次现货交易中申报价格的加权平均值，S表示正常现货市场的期望边际价格。
[0050]进一步，所述多个串谋识别指标包括申报电量一致性，计算公式为：
[0051][0052]式中，C
i
和C
j
表示的是第i个和第j个市场主体在本次市场交易中第a段申报电量。
[0053]进一步，所述多个串谋识别指标包括报价相对比均值，计算公式为：
[0054][0055]进一步，所述多个串谋识别指标包括报价变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RLMD
‑
KMEANS的发电企业串谋行为智能识别方法，其特征在于，包括：获得发电企业的申报电量和申报电价数据；根据所述申报电量和申报电价数据，计算串谋数据集；将所述串谋数据集的数据输入RLMD
‑
KMEANS算法模型，设置阈值，分离出异常样本，得到预测结果；如果预测结果低于第一等阈值，则识别为无串谋行为；如果预测结果高于第一等阈值、低于第二等阈值，则识别为低串谋行为；如果预测结果超过第二等阈值、小于第三等阈值，则预测结果为中等串谋行为；如果预测结果超过第三等阈值，则识别为高串谋行为；所述RLMD
‑
KMEANS算法模型的构建方法具体包括：预先确定适当的边界条件参数、包络估计和筛选停止标准，将所述串谋数据集的数据作为原始信号，对所述原始信号进行局部均值分解，将所述原始信号自适应地分解成一组乘积函数，每一个乘积函数都是瞬时包络信号和纯调频信号的乘积；所述边界条件具体为：采用图像扩展算法确定原始信号左右两端的对称点；所述包络估计具体包括：根据统计理论得到一个最优子集大小λ*，即λ
*
＝odd(μ
s
+3
×
δ
s
)其中，odd(
·
)为一种返回大于或等于输入的最近奇数整数的函数；μ
s
和δ
s
分别为光滑局部均值m
k
和光滑局部幅值a
k
之间的步长s(k)对应的平均值和标准差，s(k)、μ
s
和δ
s
可以分别表示为其中，f(k)表示利用直方图箱数对步长集进行计数时得到每个箱的概率；edge(k)表示箱子的边缘；Nb表示箱子的个数。所述筛选停止标准具体包括：最小化以下函数f(x)f(x)＝RMS[z(t)]+EK[z(t)]式中，RMS[z(t)]和EK[z(t)]可以表示为式中，z(t)为零基线包络信号；z
ˉ
为零基线包络信号的平均值，z
ˉ
的表达式为
通过线性判别分析，将局部均值分解得到的高维数据进行投影使数据之间的距离各不相同，由此对不同类别数据进行分离；用D表示一个M
×
n的包含所有发电企业串谋特征数据的矩阵，线性判别分析的具体过程如下：(1)计算类间散度矩阵S
b
和类内散度矩阵S
w
。(2)计算矩阵S
w
‑1S
b
的前p个最大特征值对应的特征向量w1、w2、
…
、w
p
，得到投影矩阵W。(3)对样本集中的每一个样本特征x
i
，转化为新的样本z
i
＝W
T
x
i
。(4)得到一个m
×
p的输出样本集D'；采用Kmeans聚类算法，将线性判别分析得到的不同类别的数据进行聚类。2.根据权利要求1所述的一种...

【专利技术属性】
技术研发人员：张志翔，梁涛，杜龙，胡文进，罗文海，姜鹏，王师霜，常涛，董军，吕诗瑶，
申请(专利权)人：广州电力交易中心有限责任公司，
类型：发明
国别省市：