【技术实现步骤摘要】
本专利技术属于电力市场，具体涉及一种竞价出清数据特征提取分析方法、系统、芯片及设备。
技术介绍
1、k-medoids算法又叫k-中心点聚类算法与k-means有所不同的是：k-medoids算法不采用簇中对象的平均值作为参照点，而是选用簇中位置最中心的对象，即中心点作为参照点。具体来说：
2、首先为每个簇随意选择一个代表对象；剩余的对象根据其与代表对象的距离分配给最近的一个簇；然后反复地用非代表对象来替代代表对象，以改进聚类的质量；聚类结果的质量用一个代价函数来估算，该函数评估了对象与其参照对象之间的平均相异度。
3、k-medoids算法的步骤如下：
4、1)任意选取k个点作为代表对象；
5、2)按照与代表对象最近的原则，将剩余点分配到当前最佳的代表对象的簇中；
6、3)在每一类中，计算每个成员点对应的准则函数，选取准则函数最小时对应的点作为新的代表对象；其中准则函数为，一类中，某个成员点和其他成员点的距离之和；
7、4)重复2)-3)的过程，直到所有的代表对象不再发生变化，或已达到设定的最大迭代次数。
8、机组报价曲线作为竞价出清的依据，其准确性对于电力市场竞价出清领域的研究来说至关重要。现有的聚类方法的精度有限，无法适应研究的精度要求。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种竞价出清数据特征提取分析方法、系统、芯片及设备，用于解决现有强化学习竞价
2、本专利技术采用以下技术方案：
3、一种竞价出清数据特征提取分析方法，包括以下步骤：
4、将电力市场历史交易数据转为n维的向量形式；
5、采用k-medoids聚类算法提取n维向量形式电力市场历史交易数据的特征，计算各个k值对应的db指数得到最终聚类的k值，将得到的k值的中心点作为典型报价曲线生成机组的报价曲线用于竞价出清模拟。
6、具体的，电力市场历史交易数据预处理，具体为：
7、当报价曲线的容量低于机组所有数据最大容量的一半时，删除对应的数据，再统一申报容量，将报价曲线延长至最大容量处，并设置新增的价格为申报最大价格的k倍，k＞1；
8、对所有机组的报价曲线进行采样，每一个向量为一个样本，得到n维向量。
9、进一步的，聚类分析的样本数量是簇数的两倍。
10、进一步的，将报价曲线转换成n维向量具体为：
11、将出力区间等分成n段，每段的长度取每段对应的价格组成一个n维向量。
12、具体的，采用k-medoids聚类算法提取n维向量形式电力市场历史交易数据的特征中，对k在1至15范围内各进行一次聚类。
13、进一步的于，选取db指数最小的k值作为最终聚类的k值。
14、进一步的，典型报价曲线被选择的概率为其所在簇中样本点数量与所有样本点数量之比，采用轮盘赌选择法生成机组的报价曲线。
15、第二方面，本专利技术实施例提供了一种竞价出清数据特征提取分析系统，包括：
16、预处理模块，对电力市场历史交易数据进行预处理，将历史交易数据转为n维的向量形式；
17、提取分析模块，采用k-medoids聚类算法提取n维向量形式电力市场历史交易数据的特征，计算各个k值对应的db指数得到最终聚类的k值，将得到的k值的中心点作为典型报价曲线生成机组的报价曲线用于竞价出清模拟。
18、具体的，预处理模块中，电力市场历史交易数据预处理具体为：
19、当报价曲线的容量低于机组所有数据最大容量qimax的一半时，删除对应的数据，再统一申报容量，将报价曲线延长至最大容量处，并设置新增的价格为申报最大价格的k倍，k＞1；
20、对所有机组的报价曲线进行采样，每一个向量为一个样本，得到n维向量。
21、进一步的，聚类分析的样本数量是簇数的两倍。
22、进一步的，将报价曲线转换成n维向量具体为：
23、将出力区间等分成n段，每段的长度取每段对应的价格组成一个n维向量。
24、具体的，提取分析模块具体用于：
25、采用k-medoids聚类算法提取n维向量形式电力市场历史交易数据的特征中，对k在1至15范围内各进行一次聚类。
26、进一步的，选取db指数最小的k值作为最终聚类的k值。
27、进一步的，典型报价曲线被选择的概率为其所在簇中样本点数量与所有样本点数量之比，采用轮盘赌选择法生成机组的报价曲线。
28、第三方面，一种芯片，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述竞价出清数据特征提取分析方法的步骤。
29、第四方面，本专利技术实施例提供了一种电子设备，包括计算机程序，所述计算机程序被电子设备执行时实现上述竞价出清数据特征提取分析方法的步骤。
30、与现有技术相比，本专利技术至少具有以下有益效果：
31、一种竞价出清数据特征提取分析方法，首先对于历史交易数据进行预处理，将其转为向量形式；接着采用k-medoids聚类算法分析与提取电力市场历史交易数据特征，进而可配合现有的报价模拟方法，解决了现有竞价出清模拟方法中研究未能充分考虑历史交易数据中的有效信息的问题。
32、进一步的，k中心点算法(k-medoids)解决了传统k-means算法中的“噪声”敏感这个问题，因而提高了计算结果的可靠性。
33、可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
34、综上所述，本专利技术首先采用聚类的方法来提取机组竞价出清数据特征，解决了现有竞价出清模拟方法中研究未能充分考虑历史交易数据中的有效信息的问题。其次，通过改进传统k-means聚类方法，提升了结果的精度。
35、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种竞价出清数据特征提取分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的竞价出清数据特征提取分析方法，其特征在于，电力市场历史交易数据预处理，具体为：
3.根据权利要求2所述的竞价出清数据特征提取分析方法，其特征在于，聚类分析的样本数量是簇数的两倍。
4.根据权利要求2所述的竞价出清数据特征提取分析方法，其特征在于，将报价曲线转换成n维向量具体为：
5.根据权利要求1所述的竞价出清数据特征提取分析方法，其特征在于，采用K-Medoids聚类算法提取n维向量形式电力市场历史交易数据的特征中，对K在1至15范围内各进行一次聚类。
6.根据权利要求5所述的竞价出清数据特征提取分析方法，其特征在于，选取DB指数最小的K值作为最终聚类的K值。
7.根据权利要求5所述的竞价出清数据特征提取分析方法，其特征在于，典型报价曲线被选择的概率为其所在簇中样本点数量与所有样本点数量之比，采用轮盘赌选择法生成机组的报价曲线。
8.一种竞价出清数据特征提取分析系统，其特征在于，包括：
9.根据
10.根据权利要求9所述的竞价出清数据特征提取分析系统，其特征在于，聚类分析的样本数量是簇数的两倍。
11.根据权利要求9所述的竞价出清数据特征提取分析系统，其特征在于，将报价曲线转换成n维向量具体为：
12.根据权利要求8所述的竞价出清数据特征提取分析系统，其特征在于，提取分析模块具体用于：
13.根据权利要求12所述的竞价出清数据特征提取分析系统，其特征在于，选取DB指数最小的K值作为最终聚类的K值。
14.根据权利要求12所述的竞价出清数据特征提取分析系统，其特征在于，典型报价曲线被选择的概率为其所在簇中样本点数量与所有样本点数量之比，采用轮盘赌选择法生成机组的报价曲线。
15.一种芯片，其特征在于，
16.一种电子设备，其特征在于，
...【技术特征摘要】
1.一种竞价出清数据特征提取分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的竞价出清数据特征提取分析方法，其特征在于，电力市场历史交易数据预处理，具体为：
3.根据权利要求2所述的竞价出清数据特征提取分析方法，其特征在于，聚类分析的样本数量是簇数的两倍。
4.根据权利要求2所述的竞价出清数据特征提取分析方法，其特征在于，将报价曲线转换成n维向量具体为：
5.根据权利要求1所述的竞价出清数据特征提取分析方法，其特征在于，采用k-medoids聚类算法提取n维向量形式电力市场历史交易数据的特征中，对k在1至15范围内各进行一次聚类。
6.根据权利要求5所述的竞价出清数据特征提取分析方法，其特征在于，选取db指数最小的k值作为最终聚类的k值。
7.根据权利要求5所述的竞价出清数据特征提取分析方法，其特征在于，典型报价曲线被选择的概率为其所在簇中样本点数量与所有样本点数量之比，采用轮盘赌选择法生成机组的报价曲线。
8...
【专利技术属性】
技术研发人员：袁沐琛，丁强，蔡帜，程雪婷，邹鹏，薄利明，陈丹阳，崔校瑞，刘新元，张超，郑惠萍，
申请(专利权)人：中国电力科学研究院有限公司，
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。