CN109118121A - 基于改进PageRank的电力市场出清方式评价方法 - Google Patents

Abstract

基于改进PageRank的电力市场出清方式评价方法，首先，构建评价指标体系；其次，对指标体系的指标进行标准化计算；然后采用层次分析法和熵权法进行评价，并将层次分析法和熵权法得到的权重加以综合；最后，基于改进PageRank法，考虑评价指标之间的相互影响关系，得到优化后的权重，进行出清方式的评价；本发明避免了单一采用某种评价方法的片面性，兼顾评价的主观性与客观性，又考虑了指标之间的相互作用，通过计算转移权重，对已有的指标权重加以修正，对边际统一出清和高低匹配出清两种出清方式进行评价，得到两种出清方式更加准确客观的评价结果。通过验证，本发明具备评价的有效性和准确性。

Description

基于改进PageRank的电力市场出清方式评价方法

技术领域

本发明属于电力市场领域，涉及一种基于改进PageRank的电力市场出清方式评价方法。

背景技术

电力市场交易机制直接影响电力市场运营结果，市场的出清方式作为电力市场交易机制的关键问题，亟需深入研究。现行的出清方式主要有边际统一出清和高低匹配出清两种。对这两种出清方式在各方面的优劣性进行评价是十分必要的。

从评价对象上讲，电力市场领域现有的评价问题多以电力市场运行效益、电力市场交易机制和电力市场参与方的市场行为作为评价对象，对交易机制中电价的出清方式不够关注，更不能具体到电价的出清方式在电力市场各方面的优劣性。

从评价方法上讲，电力市场领域已用于评价电力市场运行效益的评价方法主要有层次分析法、熵权法、模糊评价法等，单独采用某一种方法评价得到的结果相对片面。层次分析法主观性过强，在一致性有效范围内构造不同判断矩阵可能得到不同的判断结果，且分层综合后指标值会被弱化。熵权法属于纯客观评价方法，对指标变化的灵敏度不高，容易得到错误的评价结论。模糊评价法只考虑了主要因素的作用，忽视了次要因素，使结果不够全面。

发明内容

本发明的目的在于提供一种基于改进PageRank的电力市场出清方式评价方法。

针对目前电力市场的电价出清方式制定主要依靠已有的市场运营经验，并未全面评价出清方式的优劣性作出合理的出清方式制定的问题。同时针对现有评价方法的不足，对电价出清方式问题提出一种新型的评价方法，其中有两步改进：第一步是综合了各种评价方法的结果，得到一个相对全面的评价结论；在此基础上，第二步是考虑评价指标之间的相互影响关系，得到一个更加准确可靠的评价结果。

为实现上述目的，本发明采用的技术方案是：

基于改进PageRank的电力市场出清方式评价方法，首先，构建评价指标体系；其次，对指标体系的指标进行标准化计算；然后采用层次分析法和熵权法进行计算权重，并基于博弈论将层次分析法和熵权法得到的权重加以综合；最后，基于改进PageRank法，考虑评价指标之间的相互影响关系，得到优化后的权重，进行出清方式的评价；其中，评价指标体系包括市场结构指标、市场安全性指标、市场经济性指标、社会福利指标和环境友好性指标。

本发明进一步的改进在于，市场结构指标包括成交相对集中度、剩余供应率、发电企业中标率和申报电量中标率；

市场安全性指标包括边际统一出清的市场总体违约风险和高低匹配出清的市场总体违约风险；

市场经济性指标包括市场总成交金额和市场平均成交价格；

社会福利指标包括购电企业和发电企业的社会福利；

环境友好性指标包括可再生能源发电企业中标率、可再生能源中标电量占比和可再生能源成交价格。

本发明进一步的改进在于，对指标体系的指标进行标准化计算的具体过程为：

记出清方式i的第j个指标为m_ij，通过归一化使各个指标m_ij∈[0,100]，数值越大，表明该指标越优；

连续交易周期内指标变化趋势通过回归分析刻画，具体采用线性回归、指数回归和对数回归分别计算回归系数，取拟合效果最好的回归系数r_ij映射到r_ij∈[-100,100]，作为表征指标变化趋势的优劣；

标准化的指标为

x_ij＝α_jm_ij+β_jr_ij (13)

式中：α_j和β_j为标准化系数，其中α_j+β_j＝1；x_ij为标准化的指标得分。m_ij为指标的归一化数值，r_ij是指标的回归系数。

本发明进一步的改进在于，采用层次分析法计算权重的具体步骤为：以每个指标为最底层指标，市场结构、市场安全性、市场经济性、社会福利和环境友好性五个方面为中间层指标构建层次关系；对同一层次的每个元素关于上一层次中某一准则的重要性进行两两比较，构造两两比较判断矩阵，并进行一致性检验；由判断矩阵计算被比较指标对于该准则的相对权重，计算各指标的层次分析法权重。

本发明进一步的改进在于，采用熵权法计算权重的具体步骤为：构建熵权判断矩阵，对熵权判断矩阵进行处理，即对列指标除以该列的最大值；计算信息熵：

式中：H_j为评价指标j的信息熵，x_ij是熵权判断的元素，即出清方式i的评价指标j的评价指标数值；计算每个评价指标的权重：

式中w_j是评价指标j由熵权法确定的权重，H_j为评价指标j的信息熵。

本发明进一步的改进在于，基于博弈论将层次分析法和熵权法得到的权重加以综合的具体过程为：

假设评价出清方式有G个方法，根据G个方法得到指标权重向量为w_g＝[w_g1w_g2…w_gn]，g＝1,2,…,G，n＝13，w_gn是第g个方法得到的权重向量的第n个指标的权重值，每个评价方法视为博弈问题的局中人；每个指标视为局中人在各方面的利益；则指标权重向量集合{w₁,w₂,…w_G}看作局中人的集合；问题转化为多个局中人的利益优化问题，在不同局中人之间进行妥协，使结果与各局中人的利益索求偏差最小，由此得博弈模型为：

式中：博弈系数η_j为优化变量；w_i为评价方法i得到的权重向量，通过求解得出G个博弈系数得到相对符合所有局中人利益的结果：

式中：为综合权重向量，即各评价方法作为局中人通过博弈得到的权重，η_g和w_g分别为第g个方法的博弈系数和权重向量。。

本发明进一步的改进在于，基于改进PageRank法，考虑评价指标之间的相互影响关系，得到优化后的权重进行出清方式的评价的具体过程如下：

①对出清方式的评价指标两两做线性回归分析，若回归系数大于某个阈值r^Ref，说明该两个指标之间存在关联性，网络图中该两个指标认为是相连节点；根据指标标准化的数值相对大小确定相连节点的权重转移方向，若指标i和指标j相连，设边边际统一出清的指标标准化数值为和高低匹配出清的指标标准化数值为和则方向确定规则如下：

式中：和分别为指标i和指标j博弈得到的综合权重向量，Δw为转移权重，由此，形成出清方式评价指标的有向拓扑网络；

②转移权重的百分比是根据线性回归系数的大小确定；

然后刻画指标之间的相互影响，修正博弈确定的综合权重向量，得到优化权重向量，最后比较优化权重向量乘以标准化指标得分x_ij的积的大小，从而完成评价。

与现有技术相比，本发明具有的有益效果：由于各个指标的数量级和量纲存在很大差别，直接用于评价模型没有可比性，所以要对指标进行归一化处理，不同出清方式会引导市场不同走向，各个指标在连续交易周期内有不同的变化趋势，所以本发明考虑引导指标良性变化或恶性变化的问题，对指标进行标准化处理；由于单一采用主观的AHP法或客观的熵权法确定权重都具有一定的片面性，本发明从博弈论角度，将单一方法确定的基础权重有效组合在一起，既能体现对客观信息的利用，也能一定程度的遵从专家的判断。本发明构建的出清方式评价指标体系并给出了详细的计算方法，可以全面的刻画电力市场出清方式在各个方面的优劣性，比依靠以往市场运行经验制定出清方式更为科学；提出的改进PageRank法应用于电力市场出清方式的评价，相比既有评价方法，既避免了单一采用某种评价方法的片面性，兼顾评价的主观性与客观性，又考虑了指标之间的相互作用，通过计算转移权重，对已有的指标权重加以修正，对边际统一出清和高低匹配出清两种出清方式进行评价，得到两种出清方式更加准确客观的评价结果。通过验证，本发明具备评价的有效性和准确性。

附图说明

图1为各种评价方法得到的边际统一出清和高低匹配出清各个方面的得分；

图2为博弈论法和改进PageRank法灵敏度曲线。

具体实施方式

下面结合附图和具体算例对本发明作进一步详细说明。

本发明中i和j为计数变量，无物理含义。

首先，构建了一套完整的评价指标体系；其次，对提出的指标进行标准化计算；在此基础上，采用层次分析法和熵权法分别计算权重，并通过博弈论将层次分析法和熵权法得到权重加以综合；最后，基于改进PageRank法，考虑评价指标之间的相互影响关系，得到优化后的权重进行出清方式的评价。通过对“西北-山东”中长期集中电量交易算例的评价，验证提出的改进PageRank方法的有效性和准确性。

具体包括以下步骤：

步骤I：构建出清方式的评价指标体系：

构建评价指标体系要本着客观公平的原则，指标要有必要性和可操作性，本发明构建的评价指标体系包含市场结构、市场安全性、市场经济性、社会福利和环境友好性五个方面，可供对现行的边际统一出清和高低匹配出清两种出清方式进行全面评价；

步骤II：评价指标的标准化处理：

由于各个指标的数量级和量纲存在很大差别，直接用于评价模型没有可比性，所以要对指标进行归一化处理，不同出清方式会引导市场不同走向，各个指标在连续交易周期内有不同的变化趋势，所以应考虑引导指标良性变化或恶性变化的问题，对指标进行标准化处理；

步骤III：确定综合权重：

AHP法和熵权法是评价问题的经典方法，但由于单一采用主观的AHP法或客观的熵权法确定权重都具有一定的片面性，本发明从博弈论角度，将单一方法确定的基础权重有效组合在一起，既能体现对客观信息的利用，也能一定程度的遵从专家的判断。

步骤IV：确定优化权重：

本发明将改进PageRank应用于电力市场出清方式的评价问题，刻画指标之间的相互作用，对确定的综合权重进行优化，得到优化权重；

步骤V：实际电力市场出清方式评价：

采用“西北-山东”中长期集中电量交易的算例作为实际电力市场出清方式的评价对象，通过步骤IV中的评价方法进行评价，验证该方法的有效性和准确性。

本发明的详细步骤如下：

1)构建出清方式的评价指标体系

构建评价指标体系要本着客观公平的原则，指标要有必要性和可操作性，本发明提出的出清方式评价指标体系包括市场结构、市场安全性、市场经济性、社会福利和环境友好性五个方面，具体每个方面由2～4个指标构成。

市场结构指标：

市场结构指标主要表征市场参与主体的构成，用以反映市场的垄断情况，是市场各方面评估问题最常用的指标。

成交相对集中度(Herfindahl-Hirschman index,HHI)主要用于衡量市场的集中程度，其计算式为：

式中：为电力市场成交相对集中度。N^pur和N^gen分别为购电企业总数和发电企业总数；和分别为第i购电企业和发电企业的中标电量，若连续交易周期的电力市场成交相对集中度增大，说明该出清方式会导致少数发电企业市场份额增大，垄断情况恶化，市场力增大。

剩余供应率(residual supply index,RSI)是指将某一个发电企业的供应电量去除后，剩余的其他发电企业供应总电量所占的市场份额，其计算式为：

式中：和分别为购电企业i和发电企业j的申报电量，为发电企业i的剩余供应率，若则表明市场供应不足，发电企业i具有很大的市场力；若则发电企业i不具有市场力。通过发电企业i的剩余供应率的大小可以评估出清方式是否对市场结构利好。

发电企业中标率和申报电量中标率可以表征市场的竞争程度和开放程度，其计算式为：

式中：为中标发电企业的数量；N^gen为发电企业的总数量，别为发电企业j的中标电量，为发电企业j的申报电量，和分别为发电企业和申报电量的中标率。发电企业中标率越小，表明电力市场竞争越激烈；申报电量的中标率表征电力市场的开放程度。

市场经济性指标：

市场经济性指标包括市场总成交金额和市场平均成交价格，市场总成交金额的计算式为：

式中：和分别为边际统一出清和高低匹配出清的市场总成交金额。由于该指标的计算方法和结果在两种出清方式下有显著差异，可充分用于出清方式的评价，为边际统一出清电价，为高低匹配交易中一个交易周期t内的平均交易电价。

市场安全性指标：

由于中长期集中竞价是以电量作为交易商品，所以市场安全性不必考虑实时的电力缺失对电力系统运行安全的影响，主要考虑宏观市场的安全性指标。市场总体违约风险表征因发电企业违约导致供应电量不足和市场缺额，其计算式如下：

式中：是发电企业i的违约风险，由历史信用评估得到；和分别为边际统一出清和高低匹配出清的市场总体违约风险。和为高低匹配交易中第m笔交易的成交电价和成交电量，市场价格波动率通过多个交易周期成交价格的方差表征。

社会福利指标：

社会福利包括发购电企业双方的社会福利，即生产者剩余和消费者剩余，可用于测度竞争电力市场的效率，其计算式为：

式中：为中标购电企业的数量；为中标发电企业的数量，和分别为第i购电企业的中标电量和申报电价；和分别为第i发电企业的中标电量和申报电价；p_t为成交价格；和分别为购电企业和发电企业的社会福利。

环境友好性指标：

本发明采用的环境友好性指标主要是通过集中竞价后可再生能源发电的中标和成交情况来测度，包括可再生能源发电企业中标率、可再生能源中标电量占比和可再生能源成交价格，其计算式为：

式中：为中标可再生能源发电企业数量；λ_t ^Nnew、λ_t ^Qnew和分别为可再生能源发电企业中标率、中标电量占比和企业i的中标电量。

2)评价指标的标准化处理

由于各个指标的数量级和量纲存在很大差别，直接用于评价模型没有可比性，所以要对指标进行归一化处理。出清方式的评价指标一般分为极大型和极小型，记出清方式i的第j个指标为m_ij，通过归一化使各个指标m_ij∈[0,100]，数值越大，表明该指标越优。

不同出清方式会引导市场不同走向，各个指标在连续交易周期内有不同的变化趋势，所以应考虑引导指标良性变化或恶性变化的问题，对指标进行标准化处理。连续交易周期内指标变化趋势通过回归分析刻画，采用线性回归、指数回归和对数回归分别计算回归系数，取拟合效果最好的回归系数r_ij映射到r_ij∈[-100,100]，作为表征指标变化趋势的优劣。

标准化为归一化数值和变化趋势的综合结果：

x_ij＝α_jm_ij+β_jr_ij (13)

式中：α_j和β_j为标准化系数，其中α_j+β_j＝1；x_ij为标准化的指标得分，m_ij为指标的归一化数值，r_ij是指标的回归系数

3)基于博弈论确定综合权重

首先，采用层次分析法计算权重，具体步骤为：分析出清方式评价指标中各基本要素之间的关系，建立系统的递阶层次结构，即以每个指标为最底层指标，市场结构、市场安全性、市场经济性、社会福利和环境友好性五个方面为中间层指标构建层次关系；对同一层次的每个元素关于上一层次中某一准则的重要性进行两两比较，构造两两比较判断矩阵，并进行一致性检验；由判断矩阵计算被比较指标对于该准则的相对权重，计算各指标的层次分析法权重。

其次，采用熵权法计算权重，具体步骤为：构建熵权判断矩阵，由于有2种出清方式和13种指标，所以判断矩阵有2行13列指标数值；对熵权判断矩阵进行处理，即对列指标除以该列的最大值；计算信息熵：

式中：H_j为评价指标j的信息熵，x_ij是熵权判断的元素，即出清方式i的评价指标j的评价指标数值；计算每个评价指标的权重：

式中w_j是评价指标j由熵权法确定的权重，H_j为评价指标j的信息熵。

在此基础上，本发明从博弈论角度，将层次分析法和熵权法确定的基础权重有效组合在一起，既能体现对客观信息的利用，也能一定程度的遵从专家的判断。

假设评价出清方式有G个方法，根据G个方法得到指标权重向量为w_g＝[w_g1w_g2…w_gn]，g＝1,2,…,G，本发明中n＝13，w_gn是第g个方法得到的权重向量的第n个指标的权重值，每个评价方法可以视为博弈问题的局中人；每个指标可以视为局中人在各方面的利益；则指标权重向量集合{w₁,w₂,…w_G}可以看作局中人的集合。问题转化为多个局中人的利益优化问题，在不同局中人之间进行妥协，使结果与各局中人的利益索求偏差最小，由此可得博弈模型为：

式中：博弈系数ηj为优化变量；w_i为评价方法i得到的权重向量，通过求解得出G个博弈系数可得到相对符合所有局中人利益的结果：

式中：为综合权重向量，即各评价方法作为局中人通过博弈得到的权重，η_g和w_g分别为第g个方法的博弈系数和权重向量。

4)基于改进PageRank确定优化权重

PageRank算法是由Google的创始人Sergey Brin和Larry Page提出的，用于根据网页间超链接关系确定网页排序问题，将网页视为节点，超链接视为连支，构成网络图。其核心思想是有向图的重要节点识别，认为节点的重要性取决与其相连节点的数量和质量。网页排序的原始模型为迭代求解：

ξ^k+1＝ξ^kH (18)

式中：ξ^k为第k次计算时各网页的PageRank分值(PR值)构成的列向量，ξ^k+1为第k+1次计算时各网页的PageRank分值(PR值)构成的列向量；H为PR值转移矩阵；n为网页总数；e为n维全1列向量；L为超链接矩阵，若网页i到网页j有链接，则元素l_ij＝1/Δ_i，否则l_ij＝0，其中Δ_i为网页i发出超链接的个数；σ为阻尼系数，0＜σ＜1，用以保证每个网页保留部分PR值；π为孤点向量，若页面i未发出超链接，则π_i＝1，否则π_i＝0；为增广超链接矩阵，假设每个孤立网页与其他所有网页等可能的相连。

该迭代可以通过乘幂法求解，可唯一收敛到H的最大特征值对应的特征向量，即为网页最终的PR值向量，根据PR值大小进行网页排序。

受PageRank算法启发，将出清方式的评价指标视为网页，指标权重视为网页PR值，考虑指标之间的相互作用，形成相应的指标有向拓扑网络，采用PageRank算法得出更加准确可靠的评价结果。

由于评价问题的特点，直接采用PageRank法分析出清方式评价指标将面临以下问题：

①PageRank算法通过超链接关系可以确定网页间的连接和指向，得到有向拓扑网络，然而评价指标之间无法直接形成有向拓扑网络。

②PageRank算法认为上网者会随机浏览网页上的超链接到其他网页，所以每个网页的PR值平均分配到相连网页。但是评价指标之间的相互作用是有差异的，与指标的关联程度有关，权重平均分配不适用。

③PageRank算法最终得到网页PR值是通过迭代收敛得到的，该结果仅与网络拓扑有关，与初始迭代向量无关。但是评价指标的既有权重向量含有一定的评价信息，完全依赖指标之间的关联性形成的网络来确定权重显然是不合理的。

综上所述，本发明对PageRank算法做出改进：

①对出清方式的评价指标两两做线性回归分析，若回归系数大于某个阈值r^Ref，说明该两个指标之间存在关联性，网络图中该两个指标认为是相连节点；此外，根据指标标准化的数值相对大小确定相连节点的权重转移方向，若指标i和指标j相连，设边边际统一出清的指标标准化数值为和高低匹配出清的指标标准化数值为和则方向确定规则如下：

式中：和分别为指标i和指标j博弈得到的综合权重向量，Δw为转移权重，该规则平抑指标差异化，保障评价结果的灵敏度。由此，可以形成出清方式评价指标的有向拓扑网络。

②与网页排序不同的是，评价问题转移的权重不是直接转移PR值，而是以权重百分比的形式确定转移权重的大小。转移权重的百分比是根据线性回归系数的大小确定的，其对应关系如表1所示。

表1转移权重百分比与线性回归系数对应关系

综上可以得到有向拓扑网络以及权重转移大小，即得到改进PageRank算法的权重转移矩阵，Δw％是转移权重百分比。

基于以上改进，可应用改进PageRank算法刻画指标之间的相互影响，修正博弈确定的综合权重向量，得到优化权重向量，使得评价结果更加准确可靠。

优化权重向量乘以标准化指标得分x_ij，然后比较最终得分(即优化权重向量乘以标准化指标得分的积)高低，越大越好，从而完成评价。

③因为博弈得到的综合权重向量未考虑指标之间的相互作用对权重的影响，改进PageRank算法可以弥补这一不足，本发明应用改进PageRank算法对综合权重向量进行修正，若进行多次迭代，则会导致权重向量丢失原有评价信息，收敛于唯一由拓扑网络决定的权重向量，所以只计算一次，得到修正一次的权重向量。

5)实际电力市场出清方式评价

本发明采用西北-山东跨区电量交易全年各月集中竞价的数据作为算例。由于不同出清方式得到的市场成交电价不同，会影响市场参与方下一个交易周期的报价策略，采用的算例包括边际统一出清和高低匹配出清两组集中竞价的数据，详见https://pan.baidu.com/s/1PYspNJ4F6NlLx7xx8NGmoA。

在集中竞价结果的基础上，计算得到各个交易周期内的评价指标，并对计算结果做归一化和回归分析，结果如表2所示。

表2评价指标的标准化

表中，m_ij为各指标归一化数值，和分别为各指标在连续交易周期的线性回归系数、指数回归系数和对数回归系数。

层次分析法计算得到的权重w_AHP和熵权法计算得到的权重w_ENT分别为：

w_AHP＝[0.075 0.025 0.050 0.050 0.107 0.027 0.133 0.067 0.050 0.1500.107 0.107 0.053]

w_ENT＝[0.001 0.002 0.001 0.001 0.070 0.190 0.105 0.036 0.288 0.1740.004 0.002 0.128]

式(16)为一组包含G个目标函数的联合优化模型，由矩阵微分性质可得到式(16)的最优化一阶导数条件为：

其中，η_j是第j个评价方法的博弈系数，w_i是第j个评价方法的权重向量，将w_AHP和w_ENT带入，并写成矩阵形式为：

其中，η_AHP和η_ENT分别是层次分析法和熵权法的博弈系数，w_AHP和w_ENT分别是层次分析法和熵权法的权重向量，求解式(23)得到博弈系数为：η_AHP＝0.2893，η_ENT＝0.8836；通过式(17)得到综合权重向量为：

在此基础上，对归一化指标两两做线性回归，取相关系数的绝对值来表征指标之间的关联程度，指标之间的相关矩阵R为：

R是一个对称矩阵，由指标间相关系数的绝对值构成，根据R对应表1确定指标之间转移权重的百分比，构建转移权重矩阵的各个元素是由各个指标的转移权重百分比与综合权重值的乘积得到的实际转移权重，本算例中评价指标的权重转移矩阵为：

基于改进PageRank，计算得到的优化权重向量为：

w_opt＝[0.024 0.009 0.012 0.018 0.287 0.137 0.086 0.023 0.112 0.1600.007 0.017 0.108]

由图1可知，两种出清方式在不同方面各有优劣。各种评价方法下，边际统一出清在环境友好性和社会福利两个方面优于高低匹配出清。首先，边际统一出清的电价机制更加有利于新能源的消纳，这是由于大部分新能源企业参与竞价的电量较小，且可灵活制定申报电量，在边际统一出清下，更容易通过下调报价中标。但由于本算例是西北-山东采用“风光火打捆”跨区外送的交易数据，所以边际统一出清的新能源消纳情况比高低匹配出清更好也只是在保证新能源与传统火电比例约束下的相对值。其次，边际统一出清引导发电企业降低报价，使之趋于发电成本加一定利润的合理报价，出清电价下降让渡给社会更大的福利，是良性市场的表征。

相反，高低匹配出清在市场安全性方面略优于边际统一出清。由于在边际统一出清下，中标电量构成中新能源占比更高，所以新能源发电的不确定性导致违约风险较大，市场安全性较差。

为进一步说明考虑指标相互影响后，改进PageRank法的优越性，分别计算博弈论法和改进PageRank法对应的两种出清方式得分之差ΔX随评价指标标准化数值变化的灵敏度。如图2所示，相比于博弈论法，改进PageRank法对指标变化的灵敏度较好，在指标变化幅度为5.19％时，即得到在该市场情境下，HLC的整体评价结果优于MUC，可灵敏地得出市场其他市场情景下准确的评价结论。这是改进PageRank法考虑指标之间的相互影响，做出权重转移进而平抑差异性的结果。

综上所述，本发明提出的改进PageRank法经算例验证，具备评价的有效性；通过灵敏度分析验证，具备评价的准确性。

Claims (7)

1.基于改进PageRank的电力市场出清方式评价方法，其特征在于，首先，构建评价指标体系；其次，对指标体系的指标进行标准化计算；然后采用层次分析法和熵权法进行计算权重，并基于博弈论将层次分析法和熵权法得到的权重加以综合；最后，基于改进PageRank法，考虑评价指标之间的相互影响关系，得到优化后的权重，进行出清方式的评价；其中，评价指标体系包括市场结构指标、市场安全性指标、市场经济性指标、社会福利指标和环境友好性指标。

2.根据权利要求1所述的基于改进PageRank的电力市场出清方式评价方法，其特征在于，

市场结构指标包括成交相对集中度、剩余供应率、发电企业中标率和申报电量中标率；

市场安全性指标包括边际统一出清的市场总体违约风险和高低匹配出清的市场总体违约风险；

市场经济性指标包括市场总成交金额和市场平均成交价格；

社会福利指标包括购电企业和发电企业的社会福利；

环境友好性指标包括可再生能源发电企业中标率、可再生能源中标电量占比和可再生能源成交价格。

3.根据权利要求2所述的基于改进PageRank的电力市场出清方式评价方法，其特征在于，对指标体系的指标进行标准化计算的具体过程为：

记出清方式i的第j个指标为m_ij，通过归一化使各个指标m_ij∈[0,100]，数值越大，表明该指标越优；

连续交易周期内指标变化趋势通过回归分析刻画，具体采用线性回归、指数回归和对数回归分别计算回归系数，取拟合效果最好的回归系数r_ij映射到r_ij∈[-100,100]，作为表征指标变化趋势的优劣；

标准化的指标为

x_ij＝α_jm_ij+β_jr_ij (13)

式中：α_j和β_j为标准化系数，其中α_j+β_j＝1；x_ij为标准化的指标得分，m_ij为指标的归一化数值，r_ij是指标的回归系数。

4.根据权利要求3所述的基于改进PageRank的电力市场出清方式评价方法，其特征在于，采用层次分析法计算权重的具体步骤为：以每个指标为最底层指标，市场结构、市场安全性、市场经济性、社会福利和环境友好性五个方面为中间层指标构建层次关系；对同一层次的每个元素关于上一层次中某一准则的重要性进行两两比较，构造两两比较判断矩阵，并进行一致性检验；由判断矩阵计算被比较指标对于该准则的相对权重，计算各指标的层次分析法权重。

5.根据权利要求3所述的基于改进PageRank的电力市场出清方式评价方法，其特征在于，采用熵权法计算权重的具体步骤为：构建熵权判断矩阵，对熵权判断矩阵进行处理，即对列指标除以该列的最大值；计算信息熵：

式中：H_j为评价指标j的信息熵，x_ij是熵权判断的元素，即出清方式i的评价指标j的评价指标数值；计算每个评价指标的权重：

式中w_j是评价指标j由熵权法确定的权重，H_j为评价指标j的信息熵。

6.根据权利要求5所述的基于改进PageRank的电力市场出清方式评价方法，其特征在于，基于博弈论将层次分析法和熵权法得到的权重加以综合的具体过程为：

假设评价出清方式有G个方法，根据G个方法得到指标权重向量为w_g＝[w_g1w_g2…w_gn]，g＝1,2,…,G，n＝13，w_gn是第g个方法得到的权重向量的第n个指标的权重值，每个评价方法视为博弈问题的局中人；每个指标视为局中人在各方面的利益；则指标权重向量集合{w₁,w₂,…w_G}看作局中人的集合；问题转化为多个局中人的利益优化问题，在不同局中人之间进行妥协，使结果与各局中人的利益索求偏差最小，由此得博弈模型为：

式中：博弈系数η_j为优化变量；w_i为评价方法i得到的权重向量，通过求解得出G个博弈系数得到相对符合所有局中人利益的结果：

式中：为综合权重向量，即各评价方法作为局中人通过博弈得到的权重，η_g和w_g分别为第g个方法的博弈系数和权重向量。

7.根据权利要求1所述的基于改进PageRank的电力市场出清方式评价方法，其特征在于，基于改进PageRank法，考虑评价指标之间的相互影响关系，得到优化后的权重进行出清方式的评价的具体过程如下：

①对出清方式的评价指标两两做线性回归分析，若回归系数大于某个阈值r^Ref，说明该两个指标之间存在关联性，网络图中该两个指标认为是相连节点；根据指标标准化的数值相对大小确定相连节点的权重转移方向，若指标i和指标j相连，设边边际统一出清的指标标准化数值为和高低匹配出清的指标标准化数值为和则方向确定规则如下：

式中：和分别为指标i和指标j博弈得到的综合权重向量，Δw为转移权重，由此，形成出清方式评价指标的有向拓扑网络；

②转移权重的百分比是根据线性回归系数的大小确定；

然后刻画指标之间的相互影响，修正博弈确定的综合权重向量，得到优化权重向量，最后比较优化权重向量乘以标准化指标得分x_ij的积的大小，从而完成评价。