CN107679753A - 一种基于加权马氏距离的电力市场主体市场力评价方法 - Google Patents

Abstract

本发明涉及一种基于加权马氏距离的电力市场主体市场力评价方法，包括以下步骤：根据市场主体所在的区域电力市场的交易规则和市场特征，以及市场主体的交易行为，确定电力市场主体市场力评价指标；根据确定的市场力评价指标类型对评价数据进行规范化处理；根据熵理论计算加权矩阵；根据获取的规范化后的评价数据计算到样本库中各市场力等级均值的加权马氏距离；由得到的马氏距离，采用基于最大坍塌度量学习的方法计算该市场主体属于某市场力等级的概率，并计算该市场主体市场力评价得分和市场力等级。本发明可以有效利用市场主体的市场交易信息，对电力市场主体市场力状况做相对客观的评价，提高电力交易中心的管理和服务水平。

Description

一种基于加权马氏距离的电力市场主体市场力评价方法

技术领域

本发明涉及电力市场主体市场力评价，特别涉及基于数据驱动的电力市场主体市场力评估方法。

背景技术

新电改9号文即《关于进一步深化电力体制改革的若干意见》(中发〔2015〕9号)发布以来，涌现出越来越多市场主体，且市场主体背景趋于复杂化和市场主体交易趋于多样化。为实现电力交易中心对电力用户、发电企业、配售电公司三大电力市场主体的科学化、规范化管理，提升电力交易中心的管理和服务水平，保证电力市场的有效竞争，亟需对电力市场主体的市场力进行科学评价，从而健全完善市场机制、构建真正健康有序的电力市场。

发明内容

为了克服现有电力市场的市场主体市场力评价不足，本发明目的在于提供一种基于数字驱动的市场主体市场力评价方法，从而为电力交易中心科学规范地管理市场主体、提高服务和管理水平提供技术支持。

本发明的市场主体市场力评价目的可以通过以下技术方案来实现，一种基于加权马氏距离的电力市场主体市场力评价方法，包括以下步骤：

一种基于加权马氏距离的电力市场主体市场力评价方法，其特征在于，包括以下步骤：

步骤1，根据市场主体所在的区域电力市场的交易规则和市场特征，以及市场主体的交易行为，确定电力市场主体市场力评价指标，所述市场力评价指标体现市场主体的市场地位和行使市场力意愿的指标，包括市场主体地位类指标和竞标策略类指标等；市场主体地位类指标用于研究各市场主体市场中的地位、竞标实力和左右市场价格的能力，包括供应/需求者市场份额指标I_SI、剩余供应/需求率指标I_RSI、最小/最大市场份额比指标I_MMI和供应者/发电厂商必运行率I_MRR；竞标策略指标用于反映市场主体的策略，体现了市场主体行使市场力的主观意愿，包括申报容量持留度指标I_BWR、高报价率指标I_BH和零报价率指标I_B0

步骤2，根据确定的市场力评价指标类型对评价数据进行规范化处理，市场力评价指标类型包含成本型指标、效益型指标和区间型指标；市场力评价要求将不同类型的指标均折算为同一类指标，即效益类型的指标，通过对指标设置变换公式将成本型指标和区间型指标折算为效益型指标计算，并将所有指标值转化为0～1之间的标准值，具体方法是：

效益型指标标准化处理变换公式如式一所示：

式中，x为该指标的实际值，[x_min,x_max]为该指标最低要求的下限和最佳运行的下限构成的范围；

成本型指标标准化处理变换公式如式二所示：

式中，x为该指标的实际值，[x_min,x_max]为该指标最佳运行的上限和最低要求的上限构成的范围；

区间型指标标准化处理变换公式如式三所示：

式中，x为该指标的实际值，[x_m,x_n]为该指标的最优运行区间，[x_min,x_max]为该指标运行要求的区间；

步骤3，根据熵理论计算加权矩阵，具体根据熵理论的思想，若某一参量的信息熵越小，就表明该参量量的变异程度越大，在市场力评价中的作用越大，权值也越大，反之，信息熵越大，该参量的权值越小；计算马氏距离中的加权矩阵，方法是：

定义X为标准化、归一化处理后的n个样本数据，每个样本都有p个状态参量，即X＝(x_ij)_n×p；计算第i个样本中第j个状态参量的比重：

参量j的熵值为

参量j的权值为

马氏距离中的加权矩阵为

步骤4，根据获取的规范化后的评价数据计算到样本库中各市场力等级均值的加权马氏距离；

步骤5，由得到的加权马氏距离，采用基于最大坍塌度量学习的方法计算该市场主体属于某市场力等级的概率；

步骤6，计算该市场主体市场力评价得分和市场力等级。

在上述的一种基于加权马氏距离的电力市场主体市场力评价方法，所述步骤4中，首先计算样本库中各市场力等级参量均值，然后计算规范化后的评价数据到样本库中各市场力等级均值的加权马氏距离，具体是：

将x_i,x_j映射到一个新的域A^Tx_i,A^Tx_j，那么x_i和x_j间的距离为

其中M＝AA^T为马氏矩阵(Mahalanobis matrix)，对应的距离也称为马氏距离；马氏距离是一种超椭球体度量；也常常用d(x_i,x_j)来表示平方马氏距离，即

d²(x_i,x_j)＝(x_i-x_j)^TM(x_i-x_j) 式九

传统的基于协方差矩阵求逆得到的马氏矩阵一般是用来反应数据内部聚合的关系，用来表示数据的协方差距离，即马氏矩阵M＝Σ^-1，其中Σ是数据集X的协方差矩阵；

定义样本为(x_i,y_i)∈Rⁿ×R^l,i＝1,2,…,n，共有n个样本，x_i是p维特征矢量，y_i表示x_i的类标号；令X代表n×p的输入矩阵，每行为一个样本；设属于j类的样本均值为μ_j，则待判别样本z_i到j类样本总体的马氏距离为：

d²(z_i,μ_j)＝(z_i-μ_j)^TΣ^-1(z_i-μ_j) 式十

待判别样本z_i到j类样本总体的加权马氏距离为：

d²(z_i,μ_j)＝(z_i-μ_j)^TWΣ^-1W^T(z_i-μ_j) 式十一

式十一中W为权矩阵。

在上述的一种基于加权马氏距离的电力市场主体市场力评价方法，所述步骤5中，由得到的加权马氏距离，采用基于最大坍塌度量学习的方法计算该市场主体属于某市场力等级的概率，具体是：

最大坍塌的度量学习(Maximally Collapsing Metric Learning，MCML)是一种的监督的马氏度量学习算法；其基本思想为待判别样本z_i到类j均值μ_j距离越远，则待判别样本z_i属于类j的概率越小；距离越近，则待判别样本z_i属于类j的概率越大；给定一组n个样本数据x₁,x₂,…,x_n以及它们对应的标签y₁,y₂,…,y_n，构造了一个高斯分布，用这个高斯分布来衡量待判别样本z_i属于类j的概率定义条件概率为：

式十二中m为样本类别数。

在上述的一种基于加权马氏距离的电力市场主体市场力评价方法，所述步骤6中，根据市场主体属于某市场力等级的概率，计算该市场主体市场力评价得分和市场力等级，根据市场主体属于某市场力等级的概率计算该市场主体市场力评价得分和市场力等级；市场力评价得分为

式十三中ISE_j为等级j的标准分值，根据市场力评价得分划定市场力等级。市场力等级的划分标准如表1所示；

表1市场力等级划分标准

市场力等级	Ⅰ级	Ⅱ级	Ⅲ级	Ⅳ级	Ⅴ级
						市场力强弱描述	弱	较弱	一般	较强	强
市场力评价分值	ISE＜60	60≤ISE<70	70≤ISE<80	80≤ISE<90	ISE≥90

本发明的优点：本发明的目的在于提供一种电力市场市场主体的市场力评估方法，采用加权马氏距离的评价方法，一方面考虑了指标变异程度的影响，另一方面利用马氏距离的度量学习算法，减少了主观因素在市场力评价中的干扰，评价结果准确性和实时性明显提高。对电力交易中心而言，利用市场力评价结果对市场主体进行科学规范管理具有重要的作用。

附图说明

图1为基于加权马氏距离的电力市场主体市场力评价流程图。

具体实施方式

下面结合附图和实施案例对本发明作进一步具体说明。应理解，这些实施案例仅用于说明本发明而不限于本发明的范围。此外应理解，在阅读了本发明所述的内容之后，本领域技术人员可以对本发明做各种改动或修改，这些等价形式同样落于本申请所付权利要求书所限定的范围。

1、本发明的市场主体市场力评价目的可以通过以下技术方案来实现，一种基于加权马氏距离的电力市场主体市场力评价方法，包括以下步骤：

(1)根据市场主体所在的区域电力市场的交易规则和市场特征，以及市场主体的交易行为，确定电力市场主体市场力评价指标；

(2)根据确定的市场力评价指标类型对评价数据进行规范化处理；一般指标类型有效益型、成本型和区间型，数字驱动评价前需将指标处理为同一种类型，且数值介于0和1之间。本发明将指标统一处理为效益型。

(3)根据熵理论计算加权矩阵；

(4)根据获取的规范化后的评价数据计算到样本库中各市场力等级均值的加权马氏距离；

(5)由得到的加权马氏距离，采用基于最大坍塌度量学习的方法计算该市场主体属于某市场力等级的概率；

(6)计算该市场主体市场力评价得分和市场力等级。

步骤(1)中，市场力评价指标主要体现市场主体的市场地位和行使市场力意愿的指标，包括市场主体地位类指标和竞标策略类指标等。市场主体地位类指标用于研究各市场主体市场中的地位、竞标实力和左右市场价格的能力，包括供应(需求)者市场份额指标I_SI、剩余供应(需求)率指标I_RSI、最小/最大市场份额比指标I_MMI和供应者(发电厂商)必运行率I_MRR；竞标策略指标用于反映市场主体的策略，体现了市场主体行使市场力的主观意愿，包括申报容量持留度指标I_BWR、高报价率指标I_BH和零报价率指标I_B0。

步骤(2)中，市场力评价指标类型包含成本型指标、效益型指标和区间型指标；市场力评价要求将不同类型的指标均折算为同一类指标，即效益类型的指标，通过对指标设置变换公式将成本型指标和区间型指标折算为效益型指标计算。

步骤(3)中，根据熵理论的思想，若某一参量的信息熵越小，就表明该参量量的变异程度越大，在市场力评价中的作用越大，权值也越大，反之，信息熵越大，该参量的权值越小。计算马氏距离中的加权矩阵。

步骤(4)中，首先计算样本库中各市场力等级参量均值，然后计算规范化后的评价数据到样本库中各市场力等级均值的加权马氏距离；

步骤(5)中，由得到的加权马氏距离，采用基于最大坍塌度量学习的方法计算该市场主体属于某市场力等级的概率。

步骤(6)中，根据市场主体属于某市场力等级的概率，计算该市场主体市场力评价得分和市场力等级。

下面对上述各步骤做详细说明：

(1)本发明将市场主体的市场力评价指标划分为市场地位指标和行使市场力意愿类指标。

(2)对成本型指标和区间型指标进行标准化处理，转化为效益型指标；并将所有指标值转化为0～1之间的标准值。

1)效益型指标标准化处理变换公式如式(1)所示。

式中，x为该指标的实际值，[x_min,x_max]为该指标最低要求的下限和最佳运行的下限构成的范围。

2)成本型指标标准化处理变换公式如式(2)所示。

式中，x为该指标的实际值，[x_min,x_max]为该指标最佳运行的上限和最低要求的上限构成的范围。

3)区间型指标标准化处理变换公式如式(3)所示。

式中，x为该指标的实际值，[x_m,x_n]为该指标的最优运行区间，[x_min,x_max]为该指标运行要求的区间。

(3)根据熵理论的思想，若某一参量的信息熵越小，就表明该参量量的变异程度越大，在市场力评价中的作用越大，权值也越大，反之，信息熵越大，该参量的权值越小。计算马氏距离中的加权矩阵。

X为标准化、归一化处理后的n个样本数据，每个样本都有p个状态参量，即X＝(x_ij)_n×p。计算第i个样本中第j个状态参量的比重：

参量j的熵值为

参量j的权值为

马氏距离中的加权矩阵为

(4)首先计算样本库中各市场力等级参量均值，然后计算规范化后的评价数据到样本库中各市场力等级均值的加权马氏距离。将市场主体的市场力划分为5个等级：强、较强、一般、较弱、弱。利用样本数据计算其协方差矩阵的逆，并计算样本库中各市场力等级参量均值；然后利用公式(11)计算规范化后的待评价评价数据到样本库中各市场力等级均值的加权马氏距离；

将x_i,x_j映射到一个新的域A^Tx_i,A^Tx_j，那么x_i和x_j间的距离为

其中M＝AA^T为马氏矩阵(Mahalanobis matrix)，对应的距离也称为马氏距离。马氏距离是一种超椭球体度量。也常常用d(x_i,x_j)来表示平方马氏距离，即

d²(x_i,x_j)＝(x_i-x_j)^TM(x_i-x_j) (9)

传统的基于协方差矩阵求逆得到的马氏矩阵一般是用来反应数据内部聚合的关系，用来表示数据的协方差距离，即马氏矩阵M＝Σ^-1，其中Σ是数据集X的协方差矩阵。

设样本为(x_i,y_i)∈Rⁿ×R^l,i＝1,2,…,n，共有n个样本，x_i是p维特征矢量，y_i表示x_i的类标号。令X代表n×p的输入矩阵，每行为一个样本。设属于j类的样本均值为μ_j，则待判别样本z_i到j类样本总体的马氏距离为：

d²(z_i,μ_j)＝(z_i-μ_j)^TΣ^-1(z_i-μ_j) (10)

待判别样本z_i到j类样本总体的加权马氏距离为：

d²(z_i,μ_j)＝(z_i-μ_j)^TWΣ^-1W^T(z_i-μ_j) (11)

式(11)中W为权矩阵。

(5)采用基于最大坍塌度量学习的方法计算该市场主体属于某市场力等级的概率。

最大坍塌的度量学习(Maximally Collapsing Metric Learning，MCML)是一种的监督的马氏度量学习算法。其基本思想为待判别样本z_i到类j均值μ_j距离越远，则待判别样本z_i属于类j的概率越小；距离越近，则待判别样本z_i属于类j的概率越大。给定一组n个样本数据x₁,x₂,…,x_n以及它们对应的标签y₁,y₂,…,y_n，构造了一个高斯分布，用这个高斯分布来衡量待判别样本z_i属于类j的概率定义条件概率为：

式(12)中m为样本类别数。

(6)根据市场主体属于某市场力等级的概率计算该市场主体市场力评价得分和市场力等级。市场力评价得分为

式(13)中ISE_j为等级j的标准分值。根据市场力评价得分划定市场力等级，市场力等级的划分标准如表2所示。

表2市场力等级划分标准

市场力等级	Ⅰ级	Ⅱ级	Ⅲ级	Ⅳ级	Ⅴ级
						市场力强弱描述	弱	较弱	一般	较强	强
市场力评价分值	ISE＜60	60≤ISE<70	70≤ISE<80	80≤ISE<90	ISE≥90

2、实施案例

一种区域电力市场市场主体的市场力评价方法，实施案例如下：

(1)本实施案例对区域电力市场的发电厂商进行市场力评估，假定该区域电力市场共有10家发电厂商，各评价指标的数据已获得，如表3所示。且评价样本数据已经构建，并计算得到协方差矩阵的逆以及由公式(7)计算得到基于熵理论的权矩阵。

表3低谷负荷时市场主体(发电商)的市场力评价指标

(2)将数据规范化处理，由公式(11)计算各发电厂商到5类市场力等级均值的加权马氏距离；根据加权马氏距离，由公式(12)计算各发电厂商属于不同市场力等级的概率；由公式(13)计算各发电厂商的市场力评价分值，确定市场力评价等级，具体评价数据见表4所示。

表4低谷负荷时各市场主体市场力评价等级

(3)发电厂商的市场力和电力市场的负荷水平有很大的关系，表5给出了高峰负荷时发电商的市场力指标。高峰负荷时发电商的市场力的评价结果如表6所示。

表5高峰负荷时发电商的市场力指标

表6高峰负荷时各市场主体市场力评价等级

以上对本发明进行了详细的介绍，本文对本发明的具体操作方法和操作流程进行了详细的介绍，对实施案例用于帮助理解本发明的方法和核心思想，同时对本领域的一般技术人员，依据本发明的思想，再具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种基于加权马氏距离的电力市场主体市场力评价方法，其特征在于，包括以下步骤：

步骤1，根据市场主体所在的区域电力市场的交易规则和市场特征，以及市场主体的交易行为，确定电力市场主体市场力评价指标，所述市场力评价指标体现市场主体的市场地位和行使市场力意愿的指标，包括市场主体地位类指标和竞标策略类指标等；市场主体地位类指标用于研究各市场主体市场中的地位、竞标实力和左右市场价格的能力，包括供应/需求者市场份额指标I_SI、剩余供应/需求率指标I_RSI、最小/最大市场份额比指标I_MMI和供应者/发电厂商必运行率I_MRR；竞标策略指标用于反映市场主体的策略，体现了市场主体行使市场力的主观意愿，包括申报容量持留度指标I_BWR、高报价率指标I_BH和零报价率指标I_B0；

步骤2，根据确定的市场力评价指标类型对评价数据进行规范化处理，市场力评价指标类型包含成本型指标、效益型指标和区间型指标；市场力评价要求将不同类型的指标均折算为同一类指标，即效益类型的指标，通过对指标设置变换公式将成本型指标和区间型指标折算为效益型指标计算，并将所有指标值转化为0～1之间的标准值，具体方法是：

效益型指标标准化处理变换公式如式一所示：

式中，x为该指标的实际值，[x_min,x_max]为该指标最低要求的下限和最佳运行的下限构成的范围；

成本型指标标准化处理变换公式如式二所示：

式中，x为该指标的实际值，[x_min,x_max]为该指标最佳运行的上限和最低要求的上限构成的范围；

区间型指标标准化处理变换公式如式三所示：

式中，x为该指标的实际值，[x_m,x_n]为该指标的最优运行区间，[x_min,x_max]为该指标运行要求的区间；

步骤3，根据熵理论计算加权矩阵，具体根据熵理论的思想，若某一参量的信息熵越小，就表明该参量量的变异程度越大，在市场力评价中的作用越大，权值也越大，反之，信息熵越大，该参量的权值越小；计算马氏距离中的加权矩阵，方法是：

定义X为标准化、归一化处理后的n个样本数据，每个样本都有p个状态参量，即X＝(x_ij)_n×p；计算第i个样本中第j个状态参量的比重：

参量j的熵值为

参量j的权值为

马氏距离中的加权矩阵为

步骤4，根据获取的规范化后的评价数据计算到样本库中各市场力等级均值的加权马氏距离；

步骤5，由得到的加权马氏距离，采用基于最大坍塌度量学习的方法计算该市场主体属于某市场力等级的概率；

步骤6，计算该市场主体市场力评价得分和市场力等级。

2.根据权利要求1所述的一种基于加权马氏距离的电力市场主体市场力评价方法，其特征在于，所述步骤4中，首先计算样本库中各市场力等级参量均值，然后计算规范化后的评价数据到样本库中各市场力等级均值的加权马氏距离，具体是：

将x_i,x_j映射到一个新的域A^Tx_i,A^Tx_j，那么x_i和x_j间的距离为

其中M＝AA^T为马氏矩阵(Mahalanobis matrix)，对应的距离也称为马氏距离；马氏距离是一种超椭球体度量；也常常用d(x_i,x_j)来表示平方马氏距离，即

d²(x_i,x_j)＝(x_i-x_j)^TM(x_i-x_j) 式九

传统的基于协方差矩阵求逆得到的马氏矩阵一般是用来反应数据内部聚合的关系，用来表示数据的协方差距离，即马氏矩阵M＝Σ^-1，其中Σ是数据集X的协方差矩阵；

定义样本为(x_i,y_i)∈Rⁿ×R^l,i＝1,2,…,n，共有n个样本，x_i是p维特征矢量，y_i表示x_i的类标号；令X代表n×p的输入矩阵，每行为一个样本；设属于j类的样本均值为μ_j，则待判别样本z_i到j类样本总体的马氏距离为：

d²(z_i,μ_j)＝(z_i-μ_j)^TΣ^-1(z_i-μ_j) 式十

待判别样本z_i到j类样本总体的加权马氏距离为：

d²(z_i,μ_j)＝(z_i-μ_j)^TWΣ^-1W^T(z_i-μ_j) 式十一

式十一中W为权矩阵。

3.根据权利要求1所述的一种基于加权马氏距离的电力市场主体市场力评价方法，其特征在于，所述步骤5中，由得到的加权马氏距离，采用基于最大坍塌度量学习的方法计算该市场主体属于某市场力等级的概率，具体是：

最大坍塌的度量学习(Maximally Collapsing Metric Learning，MCML)是一种的监督的马氏度量学习算法；其基本思想为待判别样本z_i到类j均值μ_j距离越远，则待判别样本z_i属于类j的概率越小；距离越近，则待判别样本z_i属于类j的概率越大；给定一组n个样本数据x₁,x₂,…,x_n以及它们对应的标签y₁,y₂,…,y_n，构造了一个高斯分布，用这个高斯分布来衡量待判别样本z_i属于类j的概率定义条件概率为：

式十二中m为样本类别数。

4.根据权利要求1所述的一种基于加权马氏距离的电力市场主体市场力评价方法，其特征在于，所述步骤6中，根据市场主体属于某市场力等级的概率，计算该市场主体市场力评价得分和市场力等级，根据市场主体属于某市场力等级的概率计算该市场主体市场力评价得分和市场力等级；市场力评价得分为

式十三中ISE_j为等级j的标准分值，根据市场力评价得分划定市场力等级。