CN109948920B - 一种基于证据理论的电力市场结算数据风险处理方法 - Google Patents

Abstract

本发明提出了一种基于证据理论的电力市场结算数据风险处理方法。对电力市场结算数据进行分类得到分类后电力市场结算数据，进行异常数据处理得到训练样本；采用Min‑Max标准化方法分别对训练样本和待检测样本进行数据预处理，得到标准化后的训练样本和待检测样本；利用标准化后的训练样本分别对BP神经网络、RBF神经网络、GRNN神经网络进行训练，将标准化后的待检测样本分别输入到训练后三种神经网络中，分别得到三种神经网络的基本可信度；计算证据对各命题的不可信度，按照D‑S证据理论方法进行多证据融合；利用多证据融合后的基本可信度判断数据是否异常，并对异常数据进行重构。本发明有效的提高数据风险识别的准确性，保障市场化交易的稳定有序进行。

Description

一种基于证据理论的电力市场结算数据风险处理方法

技术领域

本发明属于电网技术领域，特别涉及一种基于证据理论的电力市场结算数据风险处理方法。

背景技术

自2015年电改九号文发布以来，全国各地都在按照文件中明确的思路开始逐步探索电力市场化建设，寻找适合中国电力市场发展的道路，电力市场已成为国内研究的热点。电力市场结算是市场化交易的重要环节，是保障电力市场稳定有序发展的重要基石。结算过程中由于各种原因会出现数据异常甚至是缺失的情况，这种结算数据风险是电力市场结算研究中的重要组成部分，研究对结算数据风险的识别与处理对于提高电力市场结算的准确度具有十分重要的现实意义。

发明内容

为了克服现有电力市场结算数据风险识别应用的局限性，本发明目的在于提出一种基于D-S证据理论的电力市场结算数据风险识别方法，通过D-S证据理论对多个证据进行融合来为异常数据的辨识提供决策。

本发明的电力市场结算数据风险识别与处理可以通过以下技术方案来实现：

一种基于证据理论的电力市场结算数据风险处理方法，其特征在于能够将多个证据进行融合，较为全面的对需要解决的问题进行分析，提高结论的准确度，包括以下步骤：

步骤1：对电力市场结算数据进行分类得到分类后电力市场结算数据，并对分类后电力市场结算数据进行异常数据处理得到训练样本；

步骤2：采用Min-Max标准化方法分别对训练样本和待检测样本进行数据预处理，得到标准化后的训练样本和待检测样本；

步骤3：利用标准化后的训练样本分别对BP神经网络、RBF神经网络、 GRNN神经网络进行训练，将标准化后的待检测样本分别输入到训练后BP神经网络、训练后RBF神经网络、训练后GRNN神经网络中，分别得到BP神经网络基本可信度、RBF神经网络基本可信度、GRNN神经网络基本可信度；

步骤4：计算证据E_α对各命题的不可信度，通过该不可信度计算证据E_α对各命题的权重，并在原有基本可信度分配基础上乘以该权重得到新的基本可信度分配，再按照D-S证据理论方法中的证据融合规则对新的基本可信度分配进行多证据融合；

步骤5：利用多证据融合后的基本可信度分配判断数据是否异常，并对异常数据进行重构；

作为优选，步骤1中所述分类后电力市场结算数据为：

Q_k，i，j表示第k组第i个市场主体在第j结算间隔下结算数据，i表示市场主体编号，不同市场主体的类型、发用电特性和进入市场的时间信息存在差异， i＝1，2，...，I，I为市场主体个数，j表示结算数据所处结算间隔，j＝1，2，...，J， J为结算间隔数，若结算间隔为1个月，则一年的结算间隔数J；

步骤2中所述对分类后电力市场结算数据进行异常数据处理得到训练样本为：

k＝1，2，...，K，其中第1组到第K-1组作为训练样本，第K组为待检测样本，训练样本的得到方法为：取K-1组分类后电力市场结算数据，在每组中选取部分结算数据，用随机设置的异常值替代原有正常值，异常数据的取值范围为 0到三倍的正常值之间，形成K-1组训练样本。得到训练样本为P_k，i，j，其中 i＝1，2，...，I；j＝1，2，...，J；k＝1，2，...，K-1，待检测样本不进行异常数据处理，为 P_K，i，j；

作为优选，步骤2中所述采用Min-Max标准化方法对训练样本和待检测样本进行数据预处理为：

使其落到[0，1]区间内，得到标准化后的每个市场主体结算间隔下结算数据：

得到标准化后的电力市场结算数据P′_k，i，j；

作为优选，步骤3中所述利用标准化后的训练样本对BP神经网络进行训练为：

确定BP神经网络的网络结构，将标准化后的训练样本P′_k，i，j，k＝1，2，...，K-1，输入到BP神经网络中进行训练，输出结果为各数据的基本可信度分配；

将BP神经网络的输出结果作为证据E_BP，将RBF神经网络的输出结果作为证据E_RBF，将GRNN神经网络的输出结果作为证据E_GRNN，定义神经网络的输出结果为E_α，α＝BP，RBF，GRNN。每个数据的正常或以异常作为单个数据的识别框架Θ，且Θ＝{A，B}，其中，命题A为数据正常，命题B为数据异常；

识别框架Θ的幂集

θ表示不确定数据正常与否，通过μ函数对命题的信度进行衡量，

恒为0，μ(A)表示对数据正常的信度，μ(B) 表示对数据异常的信度，μ(θ)表示不确定数据的正常与否的程度，μ(A)和μ(B)可作为神经网络的输出，μ(θ)通过1-μ(A)-μ(B)得到；

BP神经网络选择为单隐层，输入节点数L_BP，输入节点依次为市场主体编号i、结算数据所处结算间隔j以及归一化后的结算数据P′_k，i，j，k＝1，2，...，K-1，输入向量则表示为X_k，i，j＝(i，j，P′_k，i，j)，其中

i＝1，2，...，I；j＝1，2，...，J；k＝1，2，...，K-1；

隐层节点数M_BP，输出节点数N_BP，输出节点依次为数据正常的信度μ_{BP，k，i，j}(A)以及数据异常的信度μ_{BP，k，i，j}(B)，k＝1，2，...，K-1；

隐层与输出层的转移函数均采用单极性Sigmoid函数，隐层输出为

m_BP表示隐层节点编号，m_BP＝1，2，...，M_BP；

隐层到输出层之间的权重为

n_BP表示输出层节点编号， n_BP＝1，...，N_BP；输入层到隐层之间的权重为

l_BP表示输入层节点编号， l_BP＝1，...，L_BP，对于隐层，有：

其中：

为隐层的净输入，对于输出层，有：

其中：

为输出层的净输入，训练样本的期望输出值μ′_{BP，k，i，j}(A)和μ′_{BP，k，i，j}(B)采用人工标定，其中i＝1，2，...，I；j＝1，2，...，J；k＝1，2，...，K-1，当BP 神经网络输出值μ_{BP，k，i，j}(A)和μ_{BP，k，i，j}(B)与期望输出值不等时，存在输出误差G_BP，定义如下：

且输出误差G_BP是各层权重

的函数，因此通过梯度下降法调整权值以最小化输出误差G_BP，即：

其中η_BP表示学习速率，网络训练目标即为输出误差G_BP需要达到的精度要求，当输出误差G_BP小于网络训练目标时则训练结束；

步骤3中所述利用标准化后的训练样本对RBF神经网络进行训练为：

确定RBF神经网络的网络结构，将标准化后的训练样本P′_k，i，j， k＝1，2，...，K-1，输入到RBF神经网络中进行训练，输出结果为各数据的基本可信度分配；

RBF神经网络的输入设置与BP神经网络相同，输出节点依次为数据正常的信度μ_{RBF，k，i，j}(A)以及数据异常的信度μ_{RBF，k，i，j}(B)，隐层节点数M_RBF，隐层输出为

m_RBF表示隐层节点编号，m_RBF＝1，2，...，M_RBF。RBF神经网络的样本数S即为训练样本的总组数，即S＝IJ(K-1)。基函数选用Gauss函数，即隐层的输出

的计算公式为：

为隐层的净输入，

为基函数的扩展常数，

表示输入向量X_k，i，j，k＝1，2，...，K-1，与聚类中心

之间的欧氏距离；

各基函数的聚类中心和扩展常数采用K-means聚类方法确定，中心个数即隐层节点数M_RBF，聚类中心的调整方法为对各聚类域中的样本取均值，令

表示第m_RBF个聚类域，e为迭代次数，

为第m_RBF个聚类域中的样本数，则：

当聚类中心的改变量小于0.01时则聚类中心迭代结束，确定聚类中心为

扩展常数

根据各中心之间的距离

确定：

其中：

表示两聚类中心之间的欧氏距离，λ为重叠系数；

得到各基函数的聚类中心和扩展函数后，采用梯度下降算法求出隐层到输出层的权值

对于输出层：

训练样本的期望输出值μ′_{RBF，k，i，j}(A)和μ′_{RBF，k，i，j}(B)采用人工标定，其中 i＝1，2，...，I；j＝1，2，...，J；k＝1，2，...，K-1，当RBF神经网络输出值μ_{RBF，k，i，j}(A)和μ_{RBF，k，i，j}(B)与期望输出值不等时，存在输出误差G_RBF，计算如下：

通过梯度下降法调整权值以最小化输出误差G_RBF，即：

其中，η_RBF表示学习速率，网络训练目标即为输出误差G_RBF需要达到的精度要求，当输出误差G_RBF小于网络训练目标时则训练结束；

步骤3中所述利用标准化后的训练样本对GRNN神经网络进行训练为：

确定GRNN神经网络的网络结构，将标准化后的训练样本P′_k，i，j， k＝1，2，...，K-1，输入到GRNN神经网络中进行训练，输出结果为各数据的基本可信度分配；

GRNN神经网络的输入与输出设置与BP神经网络相同，输出节点依次为数据正常的信度μ_{GRNN，k，i，j}(A)以及数据异常的信度μ_{GRNN，k，i，j}(B)，隐层节点数 M_GRNN与样本数相同，即M_GRNN＝IJ(K-1)，隐层节点编号为m_GRN， m_GRNN＝1，2，...，M_GRNN，每个隐层节点都对应一个训练样本的输入向量X_k，i，j，其中i＝1，2，...，I；j＝1，2，...，J；k＝1，2，...，K-1。可为输入向量和输出节点重新编号：

隐层输出为

m_GRNN表示隐层节点编号，m_GRNN＝1，2，...，M_GRNN，基函数选用Gauss函数，即隐层的输出

的计算公式为：

为隐层的净输入，

为基函数的扩展常数，

表示输入向量X_k，i，j，k＝1，2，...，K-1，与第m_GRNN个隐层节点对应的学习样本

之间的欧氏距离。基函数的数据中心即为样本本身，只需考虑扩展常数

将所有基函数的扩展常数

设为：

ξ_max为所有训练样本之间的最大距离；

GRNN神经网络隐层之后为加和层，共有1+N_GRNN个节点，N_GRNN为输出层节点数，该层第一个节点的输出r_GRNN，1为每个隐层节点的输出和：

期望输出值采用人工标定，训练样本的输入向量

i＝1，2，...，I； j＝1，2，...，J；k＝1，2，...，K-1，对应的期望输出值为

和

加和层其余节点的输出分别为期望输出值

和

与对应隐层节点输出的加权和：

对于输出层，有：

将步骤2中得到标准化后的待检测样本P′_K，i，j分别输入到训练后的BP、RBF、GRNN神经网络中；

步骤3中所述BP神经网络基本可信度为：

μ_{BP，K，i，j}(A)、μ_{BP，K，i，j}(B)；

μ_{BP，K，i，j}(θ)＝1-μ_{BP，K，i，j}(A)-μ_{BP，K，i，j}(B)；

步骤3中所述RBF神经网络基本可信度为：

μ_{RBF，K，i，j}(A)、μ_{RBF，K，i，j}(B)；

μ_{RBF，K，i，j}(θ)＝1-μ_{RBF，K，i，j}(A)-μ_{RBF，K，i，j}(B)；

步骤3中所述GRNN神经网络基本可信度为：

μ_{GRNN，K，i，j}(A)、μ_{GRNN，K，i，j}(B)；

μ_{GRNN，K，i，j}(θ)＝1-μ_{GRNN，K，i，j}(A)-μ_{GRNN，K，i，j}(B)；

作为优选，步骤4中所述计算证据E_α对各命题的不可信度：

步骤4中所述证据E_α对各命题的不可信度等于证据E_α对于各命题的相互矛盾系数平均值，相互矛盾系数平均值通过冲突系数计算；

计算对于每个命题的三个证据两两之间的冲突系数，每个命题的冲突系数计算方法为：

其中：

α，β＝BP，RBF，GRNN；

表示证据E_α对于命题

的基本可信度分配；

表示对于命题

证据E_α与E_β之间的冲突系数；

而证据E_α对于命题

的相互矛盾系数为：

证据E_α对于命题

的相互矛盾系数平均值

即为步骤4中所述证据E_α对各命题的不可信度。

步骤4中所述通过该不可信度计算证据E_α对各命题的权重，并在原有基本可信度分配基础上乘以该权重得到新的基本可信度分配：

步骤4中所述证据E_α对各命题的权重为

在原有基本可信度分配基础上乘以该权重，得到考虑到冲突因子后证据E_α对于命题

新的基本可信度分配

计算公式为：

步骤4中所述再按照D-S证据理论方法中的证据融合规则对新的基本可信度分配进行融合为：

步骤4中所述D-S证据理论方法中的证据融合规则为：

其中：

得到命题

进行多证据融合后的基本可信度分配

作为优选，步骤5中所述利用多证据融合后的基本可信度分配判断数据是否异常为：

判断对数据正常的信度

是否大于对数据异常的信度

若大于则认为数据正常，若正常信度较小但高于重构阈值T则认为该数据为异常数据但其异常程度在可接受范围内，若信度低于重构阈值T，则认为该数据的异常程度较高，偏离正常水平过多，此时若仍按异常数据进行结算则会产生较大风险，需要对该异常数据进行重构，并将该异常数据记为P″_K，i，j，且P″_K，i，j为未进行标准化的数据；

步骤5中所述对异常数据进行重构为：

考虑多项式拟合以及历史相关性相结合的方法对信度低于重构阈值T的异常数据P″_K，i，j进行重构，首先对需要重构数据P″_K，i，j的处于的第i市场主体的各结算间隔为横坐标，数据初值为纵坐标进行多项式曲线拟合，再计算拟合曲线的曲率，若曲率小于设定的曲率阈值Q，认为结算数据波动较小，使用拟合曲线的结果作为重构数据P″′_K，i，j，若曲率大于曲率阈值Q，认为结算数据波动较大，利用历史同期数据并考虑时间变化特征计算重构数据P″′_K，i，j，计算公式为：

P″′_K，i，j＝P_K，i，j′(1+τ)

其中，P_K，i，j′为历史同期数据，j′表示历史同期结算间隔，τ为用电量增长率，设为5％，体现当前和历史同期水平的差异。

本发明所述的一种电力市场结算数据风险的识别与处理方法，其优点在于采用基于D-S证据理论的识别方法，能够将根据神经网络生成的多个证据进行融合，较为全面的对需要解决的问题进行分析，提高结论的准确度，同时基于多证据融合得到的信度识别异常数据并判断异常数据是否需要进行重构，通过多项式拟合以及历史相关性相结合的方法可以得到更为准确的重构数据，在不影响结算效率的情况下能够有效的降低电力市场结算风险。

本发明识别电力市场结算过程中存在的数据异常甚至是缺失的现象，有效的提高数据风险识别的准确性，保障市场化交易的稳定有序进行。

本发明根据证据理论的识别结果对识别出的数据风险进行处理，在保证结算效率的基础上对偏差程度较大的异常数据进行重构以降低各市场主体面临的风险。

附图说明

图1：是本发明方法流程图；

图2：待检测样本中市场主体在各结算间隔下的电力市场结算数据；

图3：待检测样本中市场主体标准化后的电力市场结算数据；

图4：待检测样本中市场主体的电力市场结算数据的三种基本可信度分配；

图5：多证据融合后待检测样本中市场主体电力市场结算数据的基本可信度分配。

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。

本发明具体实施方式选取国内某省电力市场作为算例，对该电力市场中20 家电力用户在2017年6月至2018年5月的结算数据进行分析。

下面结合图1至图5介绍本发明的具体实施方式，包括以下步骤：

步骤1：对电力市场结算数据进行分类得到分类后电力市场结算数据，并对分类后电力市场结算数据进行异常数据处理得到训练样本；

步骤1中所述分类后电力市场结算数据为：

Q_k，i，j表示第k组第i个市场主体在第j结算间隔下结算数据，i表示市场主体编号，不同市场主体的类型、发用电特性和进入市场的时间信息存在差异， i＝1，2，...，I，I＝20为市场主体个数，j表示结算数据所处结算间隔，j＝1，2，...，J， J为结算间隔数，若结算间隔为1个月，则一年的结算间隔数J＝12；

步骤2中所述对分类后电力市场结算数据进行异常数据处理得到训练样本为：

k＝1，2，...，K，其中第1组到第K-1组作为训练样本，第K组为待检测样本，训练样本的得到方法为：取K-1组分类后电力市场结算数据，在每组中选取部分结算数据，用随机设置的异常值替代原有正常值，异常数据的取值范围为 0到三倍的正常值之间，形成K-1组训练样本。得到训练样本为P_k，i，j，其中 i＝1，2，...，I；j＝1，2，...，J；k＝1，2，...，K-1，待检测样本不进行异常数据处理，为 P_K，i，j；

步骤2：采用Min-Max标准化方法分别对训练样本和待检测样本进行数据预处理，得到标准化后的训练样本和待检测样本；

步骤2中所述采用Min-Max标准化方法对训练样本和待检测样本进行数据预处理为：

使其落到[0，1]区间内，得到标准化后的每个市场主体结算间隔下结算数据：

得到标准化后的电力市场结算数据P′_k，i，j；

电力市场结算数据以及标准化后的样本结算数据如图2和图3所示：

步骤3：利用标准化后的训练样本分别对BP神经网络、RBF神经网络、 GRNN神经网络进行训练，将标准化后的待检测样本分别输入到训练后BP神经网络、训练后RBF神经网络、训练后GRNN神经网络中，分别得到BP神经网络基本可信度、RBF神经网络基本可信度、GRNN神经网络基本可信度；

步骤3中所述利用标准化后的训练样本对BP神经网络进行训练为：

确定BP神经网络的网络结构，将标准化后的训练样本P′_K，i，j，k＝1，2，...，K-1，输入到BP神经网络中进行训练，输出结果为各数据的基本可信度分配；

将BP神经网络的输出结果作为证据E_BP，将RBF神经网络的输出结果作为证据E_RBF，将GRNN神经网络的输出结果作为证据E_GRNN，定义神经网络的输出结果为E_α，α＝BP，RBF，GRNN。每个数据的正常或以异常作为单个数据的识别框架Θ，且Θ＝{A，B}，其中，命题A为数据正常，命题B为数据异常；

识别框架Θ的幂集

θ表示不确定数据正常与否，通过μ函数对命题的信度进行衡量，

恒为0，μ(A)表示对数据正常的信度，μ(B) 表示对数据异常的信度，μ(θ)表示不确定数据的正常与否的程度，μ(A)和μ(B)可作为神经网络的输出，μ(θ)通过1-μ(A)-μ(B)得到；

BP神经网络选择为单隐层，输入节点数L_BP设为3，输入节点依次为市场主体编号i、结算数据所处结算间隔j以及归一化后的结算数据P′_k，i，j， k＝1，2，...，K-1，输入向量则表示为X_k，i，j＝(i，j，P′_k，i，j)，其中

i＝1，2，...，I；j＝1，2，...，J；k＝1，2，...，K-1；

隐层节点数M_BP设为7，输出节点数N_BP设为2，输出节点依次为数据正常的信度μ_{BP，k，i，j}(A)以及数据异常的信度μ_{BP，k，i，j}(B)，k＝1，2，...，K-1；

隐层与输出层的转移函数均采用单极性Sigmoid函数，隐层输出为

m_BP表示隐层节点编号，m_BP＝1，2，...，M_BP；

隐层到输出层之间的权重为

n_BP表示输出层节点编号， n_BP＝1，...，N_BP；输入层到隐层之间的权重为

l_BP表示输入层节点编号， l_BP＝1，...，L_BP，对于隐层，有：

其中：

为隐层的净输入，对于输出层，有：

其中：

为输出层的净输入，训练样本的期望输出值μ′_{BP，k，i，j}(A)和μ′_{BP，k，i，j}(B)采用人工标定，其中i＝1，2，...，I；j＝1，2，...，J；k＝1，2，...，K-1，当BP 神经网络输出值μ_{BP，k，i，j}(A)和μ_{BP，k，i，j}(B)与期望输出值不等时，存在输出误差G_BP，定义如下：

且输出误差G_BP是各层权重

的函数，因此通过梯度下降法调整权值以最小化输出误差G_BP，即：

其中η_BP表示学习速率，设为0.1。网络训练目标即为输出误差G_BP需要达到的精度要求，当输出误差G_BP小于网络训练目标时则训练结束，网络训练目标设为0.01；

步骤3中所述利用标准化后的训练样本对RBF神经网络进行训练为：

确定RBF神经网络的网络结构，将标准化后的训练样本P′_k，i，j， k＝1，2，...，K-1，输入到RBF神经网络中进行训练，输出结果为各数据的基本可信度分配；

RBF神经网络的输入设置与BP神经网络相同，输出节点依次为数据正常的信度μ_{RBF，k，i，j}(A)以及数据异常的信度μ_{RBF，k，i，j}(B)，隐层节点数M_RBF为7个，隐层输出为

m_RBF表示隐层节点编号，m_RBF＝1，2，...，M_RBF。RBF神经网络的样本数S即为训练样本的总组数，即S＝IJ(K-1)。基函数选用Gauss函数，即隐层的输出

的计算公式为：

为隐层的净输入，

为基函数的扩展常数，

表示输入向量X_k，i，j，k＝1，2，...，K-1，与聚类中心

之间的欧氏距离；

各基函数的聚类中心和扩展常数采用K-means聚类方法确定，中心个数即隐层节点数M_RBF为7个，聚类中心的调整方法为对各聚类域中的样本取均值，令

表示第m_RBF个聚类域，e为迭代次数，

为第m_RBF个聚类域中的样本数，则：

当聚类中心的改变量小于0.01时则聚类中心迭代结束，确定聚类中心为

扩展常数

根据各中心之间的距离

确定：

其中：

表示两聚类中心之间的欧氏距离，λ为重叠系数，设为 0.1；

得到各基函数的聚类中心和扩展函数后，采用梯度下降算法求出隐层到输出层的权值

对于输出层：

训练样本的期望输出值μ′_{RBF，k，i，j}(A)和μ′_{RBF，k，i，j}(B)采用人工标定，其中 i＝1，2，...，I；j＝1，2，...，J；k＝1，2，...，K-1，当RBF神经网络输出值μ_{RBF，k，i，j}(A)和μ_{RBF，k，i，j}(B)与期望输出值不等时，存在输出误差G_RBF，计算如下：

通过梯度下降法调整权值以最小化输出误差G_RBF，即：

其中，η_RBF表示学习速率，设为0.1，网络训练目标即为输出误差G_RBF需要达到的精度要求，当输出误差G_RBF小于网络训练目标时则训练结束，网络训练目标设为0.01；

步骤3中所述利用标准化后的训练样本对GRNN神经网络进行训练为：

确定GRNN神经网络的网络结构，将标准化后的训练样本P′_k，i，j，k＝1，2，...，K-1，输入到GRNN神经网络中进行训练，输出结果为各数据的基本可信度分配；

GRNN神经网络的输入与输出设置与BP神经网络相同，输出节点依次为数据正常的信度μ_{GRNN，k，i，j}(A)以及数据异常的信度μ_{GRNN，k，i，j}(B)，隐层节点数 M_GRNN与样本数相同，即M_GRNN＝IJ(K-1)，隐层节点编号为m_GRN， m_GRNN＝1，2，...，M_GRNN，每个隐层节点都对应一个训练样本的输入向量X_k，i，j，其中i＝1，2，...，I；j＝1，2，...，J；k＝1，2，...，K-1。可为输入向量和输出节点重新编号：

隐层输出为

m_GRNN表示隐层节点编号，m_GRNN＝1，2，...，M_GRNN，基函数选用Gauss函数，即隐层的输出

的计算公式为：

为隐层的净输入，

为基函数的扩展常数，

表示输入向量X_k，i，j，k＝1，2，...，K-1，与第m_GRNN个隐层节点对应的学习样本

之间的欧氏距离。基函数的数据中心即为样本本身，只需考虑扩展常数

将所有基函数的扩展常数

设为：

ξ_max为所有训练样本之间的最大距离；

GRNN神经网络隐层之后为加和层，共有1+N_GRNN个节点，N_GRNN为输出层节点数，该层第一个节点的输出r_GRNN，1为每个隐层节点的输出和：

期望输出值采用人工标定，训练样本的输入向量

i＝1，2，...，I；j＝1，2，...，J；k＝1，2，...，K-1，对应的期望输出值为

和

加和层其余节点的输出分别为期望输出值

和

与对应隐层节点输出的加权和：

对于输出层，有：

将步骤2中得到标准化后的待检测样本P′_K，i，j分别输入到训练后的BP、RBF、 GRNN神经网络中；

步骤3中所述BP神经网络基本可信度为：

μ_{BP，K，i，j}(A)、μ_{BP，K，i，j}(B)；

μ_{BP，K，i，j}(θ)＝1-μ_{BP，K，i，j}(A)-μ_{BP，K，i，j}(B)；

步骤3中所述RBF神经网络基本可信度为：

μ_{RBF，K，i，j}(A)、μ_{RBF，K，i，j}(B)；

μ_{RBF，K，i，j}(θ)＝1-μ_{RBF，K，i，j}(A)-μ_{RBF，K，i，j}(B)；

步骤3中所述GRNN神经网络基本可信度为：

μ_{GRNN，K，i，j}(A)、μ_{GRNN，K，i，j}(B)；

μ_{GRNN，K，i，j}(θ)＝1-μ_{GRNN，K，i，j}(A)-μ_{GRNN，K，i，j}(B)；

如图4所示。

步骤4：计算证据E_α对各命题的不可信度，通过该不可信度计算证据E_α对各命题的权重，并在原有基本可信度分配基础上乘以该权重得到新的基本可信度分配，再按照D-S证据理论方法中的证据融合规则对新的基本可信度分配进行多证据融合；

步骤4中所述计算证据E_α对各命题的不可信度：

步骤4中所述证据E_α对各命题的不可信度等于证据E_α对于各命题的相互矛盾系数平均值，相互矛盾系数平均值通过冲突系数计算；

计算对于每个命题的三个证据两两之间的冲突系数，每个命题的冲突系数计算方法为：

其中：

α，β＝BP，RBF，GRNN；

表示证据E_α对于命题

的基本可信度分配；

表示对于命题

证据E_α与E_β之间的冲突系数；

而证据E_α对于命题

的相互矛盾系数为：

证据E_α对于命题

的相互矛盾系数平均值

即为步骤4中所述证据E_α对各命题的不可信度。

步骤4中所述通过该不可信度计算证据E_α对各命题的权重，并在原有基本可信度分配基础上乘以该权重得到新的基本可信度分配：

步骤4中所述证据E_α对各命题的权重为

在原有基本可信度分配基础上乘以该权重，得到考虑到冲突因子后证据E_α对于命题

新的基本可信度分配

计算公式为：

步骤4中所述再按照D-S证据理论方法中的证据融合规则对新的基本可信度分配进行融合为：

步骤4中所述D-S证据理论方法中的证据融合规则为：

其中：

得到命题

进行多证据融合后的基本可信度分配

如图5所示。

步骤5：利用多证据融合后的基本可信度分配判断数据是否异常，并对异常数据进行重构；

步骤5中所述利用多证据融合后的基本可信度分配判断数据是否异常为：

判断对数据正常的信度

是否大于对数据异常的信度

若大于则认为数据正常，若正常信度较小但高于重构阈值T＝0.2则认为该数据为异常数据但其异常程度在可接受范围内，若信度低于重构阈值T＝0.2，则认为该数据的异常程度较高，偏离正常水平过多，此时若仍按异常数据进行结算则会产生较大风险，需要对该异常数据进行重构，并将该异常数据记为P″_K，i，j，且P″_K，i，j为未进行标准化的数据；

步骤5中所述对异常数据进行重构为：

考虑多项式拟合以及历史相关性相结合的方法对信度低于重构阈值T的异常数据P″_K，i，j进行重构，首先对需要重构数据P″_K，i，j的处于的第i市场主体的各结算间隔为横坐标，数据初值为纵坐标进行多项式曲线拟合，再计算拟合曲线的曲率，多项式曲线拟合阶数为6，拟合曲线曲率为0.1607，若曲率小于设定的曲率阈值 Q＝0.2，认为结算数据波动较小，使用拟合曲线的结果作为重构数据P″′_K，i，j，若曲率大于曲率阈值Q＝0.2，认为结算数据波动较大，利用历史同期数据并考虑时间变化特征计算重构数据P″′_K，i，j，计算公式为：

P″′_K，i，j＝P_K，i，j′(1+τ)

其中，P_K，i，j′为历史同期数据，j′表示历史同期结算间隔，τ为用电量增长率，设为5％，体现当前和历史同期水平的差异。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (4)

1.一种基于证据理论的电力市场结算数据风险处理方法，其特征在于，包括：

步骤1：对电力市场结算数据进行分类得到分类后电力市场结算数据，并对分类后电力市场结算数据进行异常数据处理得到训练样本；

步骤2：采用Min-Max标准化方法分别对训练样本和待检测样本进行数据预处理，得到标准化后的训练样本和待检测样本；

步骤3：利用标准化后的训练样本分别对BP神经网络、RBF神经网络、GRNN神经网络进行训练，将标准化后的待检测样本分别输入到训练后BP神经网络、训练后RBF神经网络、训练后GRNN神经网络中，分别得到BP神经网络基本可信度、RBF神经网络基本可信度、GRNN神经网络基本可信度；

步骤4：计算证据E_α对各命题的不可信度，通过该不可信度计算证据E_α对各命题的权重，并在原有基本可信度分配基础上乘以该权重得到新的基本可信度分配，再按照D-S证据理论方法中的证据融合规则对新的基本可信度分配进行多证据融合；

步骤5：利用多证据融合后的基本可信度分配判断数据是否异常，并对异常数据进行重构；

步骤4中所述计算证据E_α对各命题的不可信度：

步骤4中所述证据E_α对各命题的不可信度等于证据E_α对于各命题的相互矛盾系数平均值，相互矛盾系数平均值通过冲突系数计算；

计算对于每个命题的三个证据两两之间的冲突系数，每个命题的冲突系数计算方法为：

其中：

α,β＝BP,RBF,GRNN；

表示证据E_α对于命题

的基本可信度分配；

表示对于命题

证据E_α与E_β之间的冲突系数；

而证据E_α对于命题

的相互矛盾系数为：

证据E_α对于命题

的相互矛盾系数平均值

即为步骤4中所述证据E_α对各命题的不可信度；

步骤4中所述通过该不可信度计算证据E_α对各命题的权重，并在原有基本可信度分配基础上乘以该权重得到新的基本可信度分配：

步骤4中所述证据E_α对各命题的权重为

在原有基本可信度分配基础上乘以该权重，得到考虑到冲突因子后证据E_α对于命题

新的基本可信度分配

计算公式为：

步骤4中所述再按照D-S证据理论方法中的证据融合规则对新的基本可信度分配进行融合为：

步骤4中所述D-S证据理论方法中的证据融合规则为：

其中：

得到命题

进行多证据融合后的基本可信度分配

步骤5中所述利用多证据融合后的基本可信度分配判断数据是否异常为：

判断对数据正常的信度

是否大于对数据异常的信度

若大于则认为数据正常，若正常信度较小但高于重构阈值T则认为该数据为异常数据但其异常程度在可接受范围内,若信度低于重构阈值T，则认为该数据的异常程度较高，偏离正常水平过多，此时若仍按异常数据进行结算则会产生较大风险，需要对该异常数据进行重构，并将该异常数据记为P″_K,i,j，且P″_K,i,j为未进行标准化的数据；

步骤5中所述对异常数据进行重构为：

考虑多项式拟合以及历史相关性相结合的方法对信度低于重构阈值T的异常数据P″_K,i,j进行重构，首先对需要重构数据P″_K,i,j的处于的第i市场主体的各结算间隔为横坐标，数据初值为纵坐标进行多项式曲线拟合，再计算拟合曲线的曲率，若曲率小于设定的曲率阈值Q，认为结算数据波动较小，使用拟合曲线的结果作为重构数据P″′_K,i,j，若曲率大于曲率阈值Q，认为结算数据波动较大，利用历史同期数据并考虑时间变化特征计算重构数据P″′_K,i,j，计算公式为：

P″′_K,i,j＝P_K,i,j′(1+τ)

其中，P_K,i,j′为历史同期数据，j′表示历史同期结算间隔，τ为用电量增长率，设为5％，体现当前和历史同期水平的差异。

2.根据权利要求1所述的基于证据理论的电力市场结算数据风险处理方法，其特征在于：步骤1中所述分类后电力市场结算数据为：

Q_k,i,j表示第k组第i个市场主体在第j结算间隔下结算数据，i表示市场主体编号，不同市场主体的类型、发用电特性和进入市场的时间信息存在差异，i＝1,2,…,I，I为市场主体个数，j表示结算数据所处结算间隔，j＝1,2,…,J，J为结算间隔数；

步骤2中所述对分类后电力市场结算数据进行异常数据处理得到训练样本为：

k＝1,2,…,K，其中第1组到第K-1组作为训练样本，第K组为待检测样本，训练样本的得到方法为：取K-1组分类后电力市场结算数据，在每组中选取部分结算数据，用随机设置的异常值替代原有正常值，异常数据的取值范围为0到三倍的正常值之间，形成K-1组训练样本，得到训练样本为P_k,i,j，其中i＝1,2,…,I；j＝1,2,…,J；k＝1,2,…,K-1，待检测样本不进行异常数据处理，为P_K,i,j。

3.根据权利要求1所述的基于证据理论的电力市场结算数据风险处理方法，其特征在于：步骤2中所述采用Min-Max标准化方法对训练样本和待检测样本进行数据预处理为：

使其落到[0,1]区间内,得到标准化后的每个市场主体结算间隔下结算数据：

i＝1,2,…,I；k＝1,2,…,K

得到标准化后的电力市场结算数据P′_k,i,j。

4.根据权利要求1所述的基于证据理论的电力市场结算数据风险处理方法，其特征在于：步骤3中所述利用标准化后的训练样本对BP神经网络进行训练为：

确定BP神经网络的网络结构，将标准化后的训练样本P′_k,i,j，k＝1,2,…,K-1，输入到BP神经网络中进行训练，输出结果为各数据的基本可信度分配；

将BP神经网络的输出结果作为证据E_BP，将RBF神经网络的输出结果作为证据E_RBF，将GRNN神经网络的输出结果作为证据E_GRNN，定义神经网络的输出结果为E_α，α＝BP,RBF,GRNN，每个数据的正常或以异常作为单个数据的识别框架Θ，且Θ＝{A,B}，其中，命题A为数据正常，命题B为数据异常；

识别框架Θ的幂集

θ表示不确定数据正常与否，通过μ函数对命题的信度进行衡量，

恒为0，μ(A)表示对数据正常的信度，μ(B)表示对数据异常的信度，μ(θ)表示不确定数据的正常与否的程度，μ(A)和μ(B)可作为神经网络的输出，μ(θ)通过1-μ(A)-μ(B)得到；

BP神经网络选择为单隐层，输入节点数L_BP，输入节点依次为市场主体编号i、结算数据所处结算间隔j以及归一化后的结算数据P′_k,i,j，k＝1,2,…,K-1，输入向量则表示为X_k,i,j＝(i,j,P′_k,i,j)，其中

i＝1,2,…,I；j＝1,2,…,J；k＝1,2,…,K-1；

隐层节点数M_BP，输出节点数N_BP，输出节点依次为数据正常的信度μ_BP,k,i,j(A)以及数据异常的信度μ_BP,k,i,j(B)，k＝1,2,…,K-1；

隐层与输出层的转移函数均采用单极性Sigmoid函数，隐层输出为

m_BP表示隐层节点编号，m_BP＝1,2,…,M_BP；

隐层到输出层之间的权重为

n_BP表示输出层节点编号，n_BP＝1,…,N_BP；输入层到隐层之间的权重为

l_BP表示输入层节点编号，l_BP＝1,…,L_BP，对于隐层，有：

m_BP＝1,2,…,M_BP；k＝1,2,…,K-1；i＝1,2,…,I；j＝1,2,…,J

其中：

为隐层的净输入，对于输出层，有：

n_BP＝1,…,N_BP；k＝1,2,…,K-1

其中：

为输出层的净输入，训练样本的期望输出值μ′_BP,k,i,j(A)和μ′_BP,k,i,j(B)采用人工标定，其中i＝1,2,…,I；j＝1,2,…,J；k＝1,2,…,K-1，当BP神经网络输出值μ_BP,k,i,j(A)和μ_BP,k,i,j(B)与期望输出值不等时，存在输出误差G_BP，定义如下：

且输出误差G_BP是各层权重

的函数，因此通过梯度下降法调整权值以最小化输出误差G_BP，即：

m_BP＝1,2,…,M_BP；n_BP＝1,…,N_BP

m_BP＝1,2,…,M_BP；n_BP＝1,…,N_BP

其中η_BP表示学习速率，网络训练目标即为输出误差G_BP需要达到的精度要求，当输出误差G_BP小于网络训练目标时则训练结束；

步骤3中所述利用标准化后的训练样本对RBF神经网络进行训练为：

确定RBF神经网络的网络结构，将标准化后的训练样本P′_k,i,j，k＝1,2,…,K-1，输入到RBF神经网络中进行训练，输出结果为各数据的基本可信度分配；

RBF神经网络的输入设置与BP神经网络相同，输出节点依次为数据正常的信度μ_RBF,k,i,j(A)以及数据异常的信度μ_RBF,k,i,j(B)，隐层节点数M_RBF，隐层输出为

m_RBF表示隐层节点编号，m_RBF＝1,2,…,M_RBF，RBF神经网络的样本数S即为训练样本的总组数，即S＝IJ(K-1)，基函数选用Gauss函数，即隐层的输出

的计算公式为：

为隐层的净输入，

为基函数的扩展常数，

表示输入向量X_k,i,j，k＝1,2,…,K-1，与聚类中心

之间的欧氏距离；

各基函数的聚类中心和扩展常数采用K-means聚类方法确定，中心个数即隐层节点数M_RBF，聚类中心的调整方法为对各聚类域中的样本取均值，令

表示第m_RBF个聚类域，e为迭代次数，

为第m_RBF个聚类域中的样本数，则：

i＝1,2,…,I；j＝1,2,…,J；k＝1,2,…,K-1；m_RBF＝1,2,…,M_RBF

当聚类中心的改变量小于0.01时则聚类中心迭代结束，确定聚类中心为

扩展常数

根据各中心之间的距离

确定：

其中：

表示两聚类中心之间的欧氏距离，λ为重叠系数；

得到各基函数的聚类中心和扩展函数后，采用梯度下降算法求出隐层到输出层的权值

对于输出层：

训练样本的期望输出值μ′_RBF,k,i,j(A)和μ′_RBF,k,i,j(B)采用人工标定，其中i＝1,2,…,I；j＝1,2,…,J；k＝1,2,…,K-1，当RBF神经网络输出值μ_RBF,k,i,j(A)和μ_RBF,k,i,j(B)与期望输出值不等时，存在输出误差G_RBF，计算如下：

通过梯度下降法调整权值以最小化输出误差G_RBF，即：

m_RBF＝1,2,…,M_RBF；n_RBF＝1,…,N_RBF

其中，η_RBF表示学习速率，网络训练目标即为输出误差G_RBF需要达到的精度要求，当输出误差G_RBF小于网络训练目标时则训练结束；

步骤3中所述利用标准化后的训练样本对GRNN神经网络进行训练为：

确定GRNN神经网络的网络结构，将标准化后的训练样本P′_k,i,j，k＝1,2,…,K-1，输入到GRNN神经网络中进行训练，输出结果为各数据的基本可信度分配；

GRNN神经网络的输入与输出设置与BP神经网络相同，输出节点依次为数据正常的信度μ_GRNN,k,i,j(A)以及数据异常的信度μ_GRNN,k,i,j(B)，隐层节点数M_GRNN与样本数相同，即M_GRNN＝IJ(K-1)，隐层节点编号为m_GRNN，m_GRNN＝1,2,…,M_GRNN，每个隐层节点都对应一个训练样本的输入向量X_k,i,j，其中i＝1,2,…,I；j＝1,2,…,J；k＝1,2,…,K-1，可为输入向量和输出节点重新编号：

隐层输出为

m_GRNN表示隐层节点编号，m_GRNN＝1,2,…,M_GRNN，基函数选用Gauss函数，即隐层的输出

的计算公式为：

为隐层的净输入，

为基函数的扩展常数，

表示输入向量X_k,i,j，k＝1,2,…,K-1，与第m_GRNN个隐层节点对应的学习样本

之间的欧氏距离，基函数的数据中心即为样本本身，只需考虑扩展常数

将所有基函数的扩展常数

设为：

ξ_max为所有训练样本之间的最大距离；

GRNN神经网络隐层之后为加和层，共有1+N_GRNN个节点，N_GRNN为输出层节点数，该层第一个节点的输出r_GRNN,1为每个隐层节点的输出和：

期望输出值采用人工标定，训练样本的输入向量

i＝1,2,…,I；j＝1,2,…,J；k＝1,2,…,K-1，对应的期望输出值为

和

加和层其余节点的输出分别为期望输出值

和

与对应隐层节点输出的加权和：

对于输出层，有：

将步骤2中得到标准化后的待检测样本P′_K,i,j分别输入到训练后的BP、RBF、GRNN神经网络中；

步骤3中所述BP神经网络基本可信度为：

μ_BP,K,i,j(A)、μ_BP,K,i,j(B)；

μ_BP,K,i,j(θ)＝1-μ_BP,K,i,j(A)-μ_BP,K,i,j(B)；

步骤3中所述RBF神经网络基本可信度为：

μ_RBF,K,i,j(A)、μ_RBF,K,i,j(B)；

μ_RBF,K,i,j(θ)＝1-μ_RBF,K,i,j(A)-μ_RBF,K,i,j(B)；

步骤3中所述GRNN神经网络基本可信度为：

μ_GRNN,K,i,j(A)、μ_GRNN,K,i,j(B)；

μ_GRNN,K,i,j(θ)＝1-μ_GRNN,K,i,j(A)-μ_GRNN,K,i,j(B)。

Images