一种基于云模型与模糊Petri网的电力市场潜在危害行为识别方法

摘要

本发明涉及一种基于云模型与模糊Petri网的电力市场潜在危害行为识别方法，其技术特点在于：包括以下步骤：步骤1、建立潜在危害行为库；步骤2、结合专家分析，对特征进行筛选、优化、描述、总结，建立特征库；步骤3、基于逆向云发生器计算生成或通过专家描述生成特征云；步骤4、根据所建立的潜在危害行为库与其相应的特征，确定网络结构、设计相应的推理算法，构建模糊Petri网；步骤5、利用已建立的特征云、模糊Petri网进行潜在危害行为识别，即通过特征相似测度与模糊推理结果结合具体情况确定识别对象是否存在潜在危害行为。本发明有效解决了潜在危害行为难以量化识别的问题，同时克服了一般识别方法不易理解的缺陷，可以维护市场的公平与效率，减少市场的损失。

说明书

技术领域

本发明涉及电力管理领域，具体来说，是一种基于云模型与模糊Petri网的电力市场潜在危害行为识别方法。

背景技术

目前，中国电力市场交易规则与市场制度不够完善，市场主体的诚信交易与合规意识尚未形成，因此电力交易过程中发生的违规行为与潜在危害行为较多。其中，潜在危害行为难以被有效监管。目前针对电力市场监管的研究主要集中于指标监管法，但这种方法依赖于人工对综合评价结果的分析，由于市场主体数量庞大，其可操作性较低。而模式识别方法能够对表征事物各种形式的信息进行处理和分析，进而对事物进行系统化的描述、辨认、分类和解释，在复杂环境中有较好的可操作性。因此，本发明在前人研究的基础上，将云模型与模糊Petri网(fuzzy Petrinet，FPN)应用于模式识别的特征表达与推理过程中，将云模型所反映的不确定性、模糊性以及模糊Petri网所反映的推理逻辑特性相结合，提出一种电力市场潜在危害行为识别方法。

发明内容

针对中国电力交易过程难以有效监管的潜在危害行为，本发明提出了一种基于云模型与模糊Petri网(fuzzy Petrinet，FPN)的电力市场潜在危害行为识别方法，有效解决了潜在危害行为难以量化识别的问题，同时克服了一般识别方法不易理解的缺陷，可以维护市场的公平与效率，减少市场的损失。

为实现上述目的，本发明实施例提供了如下技术方案：

步骤S1，建立潜在危害行为库。一般来说，普遍存在的危害行为包括“搭便车”、“钓鱼行为”、串谋、暴力定价等。

1)“搭便车”。在电力市场中，有“搭便车”行为的售电公司通过高比例电量报高价，在几乎不付出成本、不承担风险的情况下，以和积极参与市场的、行为合理的售电公司相同的价格出清。“搭便车”行为的存在会对其他售电公司和整个交易市场造成非市场化的影响，弱化了市场的竞争属性，损害了市场效率与效益。

2)“钓鱼”行为。采用“钓鱼”行为为报价策略的公司为确保自身的高成交率和低市场出清价格，高比例电量报高价，小部分电量报低价，阻碍了市场竞争。步骤3、对步骤2中收集的数据进行处理，得到步骤1中相应的指标值，进而对电网消纳可再生能源能力进行评估，得出评估结果；

3)串谋。发电商之间暗中通谋、协调一致，为提高自身利益，联合操控市场，避免竞争。串谋的表现形式较为复杂，对串谋行为的识别也较为困难，一般来说，串谋企业最明显的表现就是各段申报价格相似，各段申报电量占比相似。

4)暴力定价。市场主体为了获得超额利润，利用市场力压低出清价格，违背了市场化的初衷。

针对具体的市场进行分析时，没有通用的潜在危害行为库，而要综合考虑市场主体、市场类型、市场规则监管需求等多方面因素，具体问题具体分析，识别不同电力市场的不同潜在危害行为。

步骤S2，建立特征库(特征集)。结合专家分析，在初始特征库中对宏观信息、申报信息等数据进行特征筛选与优化，总结提取不同潜在危害行为的特征，对特征进行描述。主要使用的特征参数有如下几种：

1)供需比。供需比是市场参与者总供给量与总需求量的比值，计算公式为：

式中：B

2)平均报价价格。

式中：

3)申报信息相似度。不论市场主体采取何种策略来应对市场监管，只要两家企业实施串谋，他们的申报信息相似度就会高，能够体现在二者申报曲线高度重合上。因此，用两家售电公司报价曲线间的面积衡量申报信息相似度，面积越小，申报曲线重合度越高，串谋的可能性越大，具体公式如下：

式中：V(λ)和V′(λ)分别为两家售电公司的申报价、申报量占比曲线的函数表达式；λ为申报量占比；ρ为申报信息相似度。

4)市场份额

式中：q

分析所有主体申报信息，利用以上公式计算其特征值，总结筛选会发现某些特征值异常的组合，对应了不同潜在危害行为，因此可以建立特征库，对潜在危害行为进行描述。

步骤S3，建立特征云。构建方法主要有两种，第一种是基于逆向云发生器计算生成，这种方法由历史数据支持，需要较大的样本数量和较高的样本质量，虽然较为客观，但不能适应环境突变的情况，有丧失有效性的可能。另一种方法是通过专家描述生成，这种方法虽然具有较强的主观性，但是需求的数据较少，并且可以根据市场变动进行适应性更新。

其中，方法一，通过逆向云发生器生成特征云算法如下：

设Ex是云模型的期望，是隶属度为1的点；En是云模型的熵；He是云模型的超熵，将正态云模型表示为这3个数字特征构成的元组(Ex，En，He)。

假设有n个样本已确定为属于某一潜在危害行为，用x

可依此计算元组数据：

方法二，专家描述生成特征云方法如下：

多位专家针对某一种潜在危害行为的某一种特征分别给出特征云，其中第i位专家所描述的特征云为(Exi，Eni，Hei)，结合如下公式综合各位专家的描述：

得出最终的特征云(Ex，En，He)。公式中ε表示不确定性，根据实际情况设置，不确定性越大，ε越小，始终为正整数。

步骤S4，构建模糊Petri网。这是一种人工智能技术，根据所建立的潜在危害行为库与其相应的特征，确定网络结构、设计相应的推理算法，将复杂的逻辑图形化，并运用解析式表达逻辑推理过程。

模糊Petri网可以定义为一个九元组，用公式表示为：

SFPN＝{P，T，I，O，α，T

P＝{p

T＝{t1，t2，…，tm}

I＝(δ

O＝(γ

α＝[α

T

W＝[w

θ

U＝diag(u

其中，P，T分别表示库所节点和变迁节点的有限集合；I，O分别为输入和输出矩阵，其元素δ

本发明构建模糊Petri网采用的是多库所单输入的网络结构，每个变迁存在多个输入库所和一个输出库所。根据这种网络结构，以最小错分率为准则，设计以矩阵运算为基础的模糊推理算法。推理过程中需要用到的几个算子如下：

算子⊕：A⊕B＝C，A，B，C为m×n矩阵，c

算子

neg：

运用以上运算，进行模糊推理：

步骤S401，输入输入矩阵、初始状态，初始推理次数k＝0。

步骤S402，根据公式计算输入可信度、中间变量、输出可信度。第k+1次推理过程中库所新状态为θ

转换库所状态表达为：

变迁合成输入可信度为：

合成输入可信度与变迁阈值比较为：

输出可信度为：H

步骤S403，计算库所新状态为：

步骤S404，比较新状态θ

步骤S5，利用已建立的特征云、模糊Petri网进行潜在危害行为识别。在特征云和模糊Petri网已构建的基础上，首先将待识别对象的特征值代入特征云即可计算待识别对象对该特征的隶属度即相似测度；然后将特征相似测度带入模糊Petri网，利用如步骤S4中推理算法进行模糊推理、迭代计算，得到库所的最终状态，即所分析企业存在某种潜在危害行为的置信度，通过置信度与识别对象实际表现的分析，确定其是否存在某种潜在危害行为。

需要补充的是，虽然将特征值代入特征云即可计算相似测度。但正态云模型的隶属度计算公式在一些情况下并不合理，因此可以进行一些改进以适应具体情况，使相似测度的结果更为准确。

由于云模型存在随机性，每一次计算结果均有差异，称一次计算结果为一个云滴，主要云模型有如下几种：

1)上限云模型

式中：u

2)正态云模型

3)下限云模型

4)适度型云模型

式中：c

所有计算结果构成一个云团，综合分析云团，计算相似测度的期望值为：

式中：

本发明的优点和有益效果：

本发明将云模型与模糊Petri网应用于模式识别的特征表达与推理过程中，将云模型所反映的不确定性、模糊性以及模糊Petri网所反映的推理逻辑特性相结合，提出一种电力市场潜在危害行为识别方法，识别交易过程中可能存在的潜在危害行为，有利于市场监管，可以维护市场的公平与效率，减少市场的损失，具有积极的研究和实际意义。

附图说明

图1是本发明的基于云模型与模糊Petri网的电力市场潜在危害行为识别方法的流程图；

图2是本发明的潜在危害行为识别模糊Petri网模型图；

图3是本发明的具体实施例中潜在危害行为特征库图；

图4是本发明的具体实施例中江西省售电公司2017年某次月度集中竞价交易数据图；

图5是本发明的具体实施例中前六个特征的相似测度数据图；

图6是本发明的具体实施例中申报信息相似度(高)的相似测度数据图；

图7是本发明的具体实施例中串谋行为识别结果数据图。

图8是本发明的具体实施例中疑似串谋的售电公司申报曲线对比图

具体实施方式

下面结合附图和附表，以江西省月度竞价交易市场为背景，采用真实交易数据进行算例分析，验证本方法的有效性。

附图1是本发明对潜在危害行为的识别框架，其中步骤一、二，潜在危害行为库的建立与特征库的建立都需要对具体对象进行具体分析，因此下文重点阐述特征云与模糊Petri网的构建方法。

根据识别步骤，首先基于江西省月度集中竞价交易规则与实际情况，建立潜在危害行为库，可以梳理出售电企业存在的潜在危害行为主要有四种：“搭便车”、“钓鱼”、“串谋”和“暴力定价”。

步骤二，结合专家意见对潜在危害行为进行分析，初步提取相应特征，并进行筛选和优化，形成特征库，如图3所示。

步骤三，构建特征云并进行相似测度计算。特征云构建方法主要有两种，一种是通过逆向云发生器生成特征云，此方法需先验样本的支持；另一种是通过专家描述生成特征云。由于缺乏先验样本，本实例采用多专家综合考虑江西省月度集中竞价交易市场的供需形式、火电上网电价、火电度电成本以及历史交易价格水平等信息的方法，确定特征云，方法如下：

对某一潜在危害行为的某一特征由多位专家分别给出一个对应的特征云，第i位专家给出的特征云为(E

综合h位专家得出的特征云(E

式中：ε为正整数，根据指标的实际情况与不确定性进行设置，不确定性越小，ε越大。

将待识别对象的特征值代入特征云即可计算待识别对象对该特征的隶属度即相似测度。采用江西省售电公司2017年的某次月度集中竞价交易数据，如附图4。

根据交易数据，计算得出25家售电公司的特征值，并抽取前十家售电公司进行串谋识别，计算结果如附图5、附图6。

步骤四，构建模糊Petri网。潜在危害行为的识别过程正是一个动态逻辑推理过程，模糊Petri网可以运用图形化的方式将复杂的逻辑形象化，并运用解析式表达逻辑推理过程。根据所建立的潜在危害行为库与其相应的特征，确定网络结构、设计相应的推理算法，建立潜在危害行为识别模糊Petri网如附图2。

附图2的左半部分代表特征云，字母H和L是模糊语言，分别表示“高”和“低”，将步骤三得出的特征相似测度作为模糊Petri网的输入。

附图2右半部分是根据特征相似测度建立的潜在危害行为识别模糊Petri网。用p

步骤五，将特征相似测度作为模糊Petri网输入库所的初始状态后，根据推理算法进行推理，计算库所的最终状态，得出待识别对象的分类与置信度后再结合对象的具体行为进行分析，判断对象是否存在潜在危害行为。

首先设置参数，有向弧权值全设为1表示各输入库所对变迁合成输入可信度的影响相同；变迁阈值设为0.6；规则置信度的设置与潜在危害行为的特征提取的有效性有关，当所提取的特征是判定潜在危害行为的充要条件时，规则置信度为1，否则应当小于1。在此设为

根据推理算法，进行迭代计算，得到库所的最终状态如附图7。

从附图7中可以看出，1号和10号售电公司串谋的可能性高达0.95，这是系统能给出的最大值，2、3、5号这3家售电公司串谋的可能性超过0.8。分析1、10号售电公司，2、3、5号售电公司的申报信息相似度。

从附图8可以看出，1、10号售电公司的申报曲线几乎完全重合。从申报价格上看，两家售电公司三段报价完全一致；从各段申报占比上看，尽管两家售电公司申报量占比有细微差别，但并不能否定他们的串谋行为，因为这些差别是江西省月度交易规则即售电公司每段申报量不得少于5000M W·h，以及两家售电公司的申报总量有所差异造成的。实际上，两家售电公司的容量策略完全一致：第一、三段申报最低申报量；第二段申报剩余的需求量。综上，1号和10号售电公司串谋的可能性极大，与推理得出的串谋置信度0.95一致，验证了本方法的可靠性。

此外，从附图8还可以看出，2、3、5号售电公司的申报曲线尤其是第二段曲线一致度较高。从申报价格上看，3家公司报价接近，尤其是二、三段报价几乎一致，而第一段报价属于高报价，其差异不会影响串谋的售电公司之间的利益分配，因此三个公司第一段申报价格差异不能否定他们的串谋行为。从申报量上看，3家公司采取的电量申报策略一致：第一、三段申报规则规定的最低量；第二段申报剩余的需求量。综上，2、3、5号售电公司存在较高的串谋可能性，这与本方法推理得到的串谋置信度约0.85一致。

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。