基于阿尔法凸包的电力交易价格异常的识别方法及系统

摘要

本发明公开了基于阿尔法凸包的电力交易价格异常的识别方法及系统，包括以下步骤：将申报交易指令输入交易系统中；交易系统提取出申报交易指令中的价格/电量信息；通过规则计算引擎中的阿尔法凸包算法行为模型库，评定交易价格的风险等级；风险等级提示信息通过web端发送到监控系统的数据库与交易系统用户端；将价格/电量数据经过预处理，转存到日志系统和Hadoop数据仓库中；通过特定命令将数据库中的数据定时或者定量的提取出，更新为行为模型；工作结束。本发明解决了现有电力零售电商化平台交易过程中信用风险高、信息真实度风险高和交易违约风险的控制力低的技术问题。

说明书

技术领域

本发明具体涉及电力零售风险防控技术领域，具体的说，是基于阿尔法凸包的电力交易价格异常的识别方法及系统。

背景技术

在我国电力市场深化改革，市场化电量比例不断提高的背景下，电力零售市场正处在由特定电力大用户参与向全体用户参与的转变过程中，呈现出规模扩大化，业务复杂化的趋势。各省电力市场交易平台建设中，在完善批发侧现货交易功能同时，另一方面也正尝试电力零售交易业务线上迁移融合。在国外成熟电力市场中，已有以线上电商化平台组织零售业务的运行实例。这对交易过程中信用风险、信息真实度风险、交易违约风险的控制提出了更高的要求。

发明内容

本发明的目的在于针对现有技术的不足之处，提供基于阿尔法凸包的电力交易价格异常的识别方法及系统，以解决现有电力零售电商化平台交易过程中信用风险高、信息真实度风险高和交易违约风险的控制力低的技术问题。

本发明通过下述技术方案解决上述问题：

基于阿尔法凸包的电力交易价格异常的识别方法，包括以下步骤：

步骤A1)将申报交易指令输入交易系统中；

步骤A2)交易系统提取出申报交易指令中的价格/电量信息；

步骤A3)通过规则计算引擎中的阿尔法凸包算法行为模型库，评定交易价格的风险等级；

步骤A4)风险等级提示信息通过web端发送到监控系统的数据库与交易系统用户端，并进入步骤A7)；

步骤A5)将步骤A2)中的价格/电量数据经过预处理，转存到日志系统和Hadoop数据仓库中；

步骤A6)通过特定命令将步骤A5)数据库中的数据定时或者定量的提取出，更新为行为模型，进入步骤A7)；

步骤A7)工作结束。

优选地，所述步骤A6)中的特定命令包括Elasticsearch或Hadoop命令。

本发明还提供基于阿尔法凸包的电力交易价格异常的识别系统，采用基于阿尔法凸包评定的电力交易异常价格识别方法，包括交易系统、风险管理系统和数据支撑平台，所述交易系统与风险管理系统信号连接，所述风险管理系统与数据支撑平台信号连接，所述风险管理系统包括规则计算引擎，对异常申报数据的风险防控效果展开验证。

优选地，本系统嵌入了风险防控系统的架构设计，本架构采用了Apache Flink工作流。

本发明与现有技术相比，具有以下优点及有益效果：

本发明在将其它电商平台经验与电力市场的实际情况结合进行深化加强，对电力市场报价中出现的异常交易，能够予以快速有效识别，系统整体响应时间短、识别快速和可承受并发用户数量高，实现了对动态市场行为的模型跟踪与更新，从而建设起海量用户的电力市场零售平台。

附图说明

图1为本发明的工作流程图。

图2为本发明方法的架构图。

图3为本发明阿尔法-凸包方法中alpha取值与异常点检测。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例1：

结合图1所示，基于阿尔法凸包的电力交易价格异常的识别方法，包括以下步骤：

步骤A1)将申报交易指令输入交易系统中。

步骤A2)交易系统提取出申报交易指令中的价格/电量信息。

步骤A3)通过规则计算引擎中的阿尔法凸包算法行为模型库，评定交易价格的风险等级。所述阿尔法-凸包方法常用于图形学判定中,以二维图形为例，在给定平面空间R中，A集合是R空间的阿尔法-凸包，当α＞0，有凸包边界集合A＝C

步骤A4)风险等级提示信息通过web端发送到监控系统的数据库与交易系统用户端。

步骤A5)将步骤A2)中的价格/电量数据经过预处理，转存到日志系统和Hadoop数据仓库中。

步骤A6)通过特定命令将步骤A5)数据库中的数据定时或者定量的提取出，更新为行为模型。所述特定命令包括Elasticsearch或Hadoop命令。

结合图2所示，基于阿尔法凸包的电力交易价格异常的识别系统，采用基于阿尔法凸包评定的电力交易异常价格识别方法，包括交易系统、风险管理系统和数据支撑平台，所述交易系统与风险管理系统信号连接，所述风险管理系统与数据支撑平台信号连接，所述风险管理系统包括规则计算引擎，规则计算引擎中的模型更新，在结合阿尔法凸包判定与传统固定概率统计累积模型情况下实施，对异常申报数据的风险防控效果展开验证。本系统嵌入了风险防控系统的架构设计，本架构采用了Apache Flink工作流。

将上述的基于阿尔法凸包的电力交易价格异常的识别系统应用于实际场景中，本架构在实际采集数据后，现行某连续场次集中交易中的申报报价数据为基础，在以特定规则脱敏后，扩大数据样本量，以反映市场总体趋势变化。同时以给定比例插入离群报价数据，形成脏点。基于以上模拟数据，对验证本文提出的模块建设思路在高业务量下对异常申报数据的风险防控效果展开验证。模拟的零售合同数据记录于非结构化数据库(NoSQL)中，实现了数据表的稀疏化以及动态属性增减，在高并发流量下实现更为有效的数据记录管理。风险规则库建立与更新中，使用了概率模型固定规则与动态更新两种方法进行互相比较。在概率模型固定规则中利用既有申报价格标化后的概率分布结果，以置信区间外作为异常判定依据。在动态分析法中，使用阿尔法-凸包判定(alpha-hull)方法寻找各成分的密度核心并判断离群点。以上的实验结果说明，传统的关系型数据库在应对大数据吞吐量的情况下，检测延迟率对本发明涉及的框架和检测效果对比明显偏高，且准确率越高的检测算法，在数据量增大情况下，延迟率会明显上升，将显著影响Web风控系统表现层中，消息中心对外分发异常交易判定结果，从而影响用户体验。实际系统应用中若出现表中关系性数据库的检测延迟，将显著地影响系统响应速度与用户交互体验，其直接原因是关系性数据库统计运算时的同步锁策略，以保证数据的唯一性影响了运算速度。在检测方法的对比中PCA+alpha-hull动态模型方法较传统固定概率模型方法有着明显的准确率提升，尤其是在连续申报数据的后段，由于市场总体报价行为逐渐压低趋势，部分低报价在固定概率模型中被误判为风险申报。而采用动态更新模型的检测准确率明显提高，本发明提出的底层的Apache Flink工作流架构在不影响原数据库的正常写入操作的情况下，满足数据模型动态更新的需要，提供了一种低延时、高并发的风险识别检测框架与方法，能够体现了本发明在其在检测电力市场异常数据中更佳的可靠性与更广泛的应用潜力。

尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。