一种甄别发电商串谋行为的方法、装置及介质与流程

本发明涉及大数据挖掘技术领域，尤其涉及一种甄别发电商串谋行为的方法、装置及介质。

背景技术：

随着电力市场化改革的推进，电力现货市场建设逐渐提上日程。当前，已有南方(以广东起步)等8个地区作为第一批电力试点开启了电力现货市场的建设探索。

现货市场环境下，在日前电力市场最有可能出现发电商串谋，市场成员通过串谋行为提高市场影响力从而更加有效的谋取暴利以及避免单个主体报高价的暴露风险。所以，各国电力市场监管的中心任务是防止市场成员滥用市场力，操纵市场，损害其他市场成员的利益，维持市场竞争的有效性。当前，国外电力现货市场运行稳定，离不开从多角度进行市场力检测的功劳，但由于我国即将开展的现货市场并不完全相同于国外的电力市场。所以，市场力检测在借鉴国外成功经验的基础之上，还要根据我国实际现货市场运营规则制定有效市场力监控措施。我国处于现货市场运营初期，在交易品种不多、交易规则并不复杂的情况下，串谋行为会对电力市场的正常运营带来很大的影响，所以需要适当的监控确保市场成员相互之间的有效竞争。

然而，在对现有技术的研究和实践中，本发明的发明人发现，现有技术中并未能提供对电力现货市场交易中发电商串谋行为进行准确地甄别的技术手段。

技术实现要素：

本发明所要解决的技术问题在于，提供一种甄别发电商串谋行为的方法、装置及介质，能够准确甄别电力现货市场交易中发电商串谋行为。

为了解决上述技术问题，本发明提出了一种甄别发电商串谋行为的方法，包括：

获取各发电商的报价曲线；所述报价曲线反映机组的报价容量与电价的关系；

对所述报价曲线进行分段量化和标幺化；其中，所述机组的报价容量以机组可用容量为基准，所述电价以电力市场价格上限为基准；

根据设定的差值积分公式，计算分段量化和标幺化后的报价曲线的表征向量，即各发电商的报价序列；

计算各发电商的报价序列两两之间的关联度，并根据所述关联度构建关联度矩阵；

对所述关联度矩阵进行聚类分析，筛选出关联度大于或等于关联度阈值的发电商组；

搜集与该发电商组相关因素，并根据所述相关因素对该发电商组进行串谋分析，输出分析结果。

进一步地，对所述报价曲线进行分段量化和标幺化，具体的：

把所述报价曲线的容量均匀分成n段，用qa表示，

其中，ac为机组可用容量，n为报价容量的分段数；

各段电价的标幺值用pa表示，系统年平均上网电价的标幺值用pas表示，

其中，ps为电网年平均上网电价，单位为元/mwh；p为机组报价的各段电价，单位为元/mwh；pul为电力市场的价格上限，单位为元/mwh。

进一步地，根据所述设定的差值积分公式，计算分段量化和标幺化后的报价曲线的表征向量，即各发电商的报价序列，具体包括计算某一时段的机组报价曲线的表征向量和一天所有时段的机组报价曲线的表征向量；其中，

所述差值积分公式为：

其中，k代表第k时段，i代表报价曲线分段量化后的第i段；

计算某一时段的机组报价曲线的表征向量：

将分段量化和标幺化后的报价曲线转化为离散的1×n维数组，用px,k表示原报价曲线与平均上网电价之间的关系，x为第x个发电商，

px,k＝[px,k,1,px,k,2,...,px,k,n-1,px,k,n]；

用向量pk表征第k时段的某机组的报价曲线；

计算一天所有时段的机组报价曲线的表征向量：

以每半个小时为一个时段，全天分为48个时段，对某天48个时段均进行差值积分处理，则将上述48个时段的p值转化为数组1×48n，并用px表示一天中报价曲线偏离平均电价的变化，

px＝[p1,p2,...,pn,...,p2n,...,p48n]，x＝1,2，…,48n。

进一步地，所述关联度计算公式为：

其中，sab为第a个发电商的报价序列px,a和第b个发电商的报价序列px,b的协方差；

其中，x为一天报价曲线表征向量的元素总数，x＝48n，n为报价曲线容量的分段数。

进一步地，所述相关因素包括电力市场运作机制、市场集中度、需求弹性、输电阻塞、供需关系和进退壁垒。

进一步地，所述关联度为0.95。

本发明还提出了一种甄别发电商串谋行为的装置，包括：

基础数据获取模块，用于获取各发电商的报价曲线；所述报价曲线反映机组的报价容量与电价的关系；

分段量化和标幺化模块，用于对所述报价曲线进行分段量化和标幺化；其中，所述机组的报价容量以机组可用容量为基准，所述电价以电力市场价格上限为基准；

表征向量计算模块，用于根据设定的差值积分公式，计算分段量化和标幺化后的报价曲线的表征向量，即各发电商的报价序列；

关联度矩阵构建模块，用于计算各发电商的报价序列两两之间的关联度，并根据所述关联度构建关联度矩阵；

聚类分析模块，用于对所述关联度矩阵进行聚类分析，筛选出关联度大于或等于关联度阈值的发电商组；

输出模块，用于搜集与该发电商组相关因素，并根据所述相关因素对该发电商组进行串谋分析，输出分析结果。

进一步地，所述分段量化和标幺化模块对所述报价曲线进行分段量化和标幺化，具体的：

把所述报价曲线的容量均匀分成n段，用qa表示，

其中，ac为机组可用容量，n为报价容量的分段数；

各段电价的标幺值用pa表示，系统年平均上网电价的标幺值用pas表示，

其中，ps为电网年平均上网电价，单位为元/mwh；p为机组报价的各段电价，单位为元/mwh；pul为电力市场的价格上限，单位为元/mwh。

进一步地，所述表征向量计算模块根据设定的差值积分公式，计算分段量化和标幺化后的报价曲线的表征向量，即各发电商的报价序列，具体包括计算某一时段的机组报价曲线的表征向量和一天所有时段的机组报价曲线的表征向量；其中，

所述差值积分公式为：

其中，k代表第k时段，i代表报价曲线分段量化后的第i段；

计算某一时段的机组报价曲线的表征向量：

将分段量化和标幺化后的报价曲线转化为离散的1×n维数组，用px,k表示原报价曲线与平均上网电价之间的关系，x为第x个发电商，

px,k＝[px,k,1,px,k,2,...,px,k,n-1,px,k,n]；

用向量pk表征第k时段的某机组的报价曲线；

计算一天所有时段的机组报价曲线的表征向量：

以每半个小时为一个时段，全天分为48个时段，对某天48个时段均进行差值积分处理，则将上述48个时段的p值转化为数组1×48n，并用px表示一天中报价曲线偏离平均电价的变化，

px＝[p1,p2,...,pn,...,p2n,...,p48n]，x＝1,2，…,48n。

本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的甄别发电商串谋行为的方法。

本发明能够准确甄别电力现货市场交易中发电商串谋行为。

附图说明

图1是本发明提供的一种甄别发电商串谋行为的方法的流程示意图；

图2是本发明提供的一种甄别发电商串谋行为的方法中的报价曲线分段量化示意图；

图3是本发明提供的一种甄别发电商串谋行为的装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

第一方面。

请参阅图1-2。本实施例提供的一种甄别发电商串谋行为的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。

所述甄别发电商串谋行为的方法，至少包括以下步骤s1～s6。

s1、获取各发电商的报价曲线。所述报价曲线反映机组的报价容量与电价的关系。

在具体的实施例当中，需要获取作为甄别发电商串谋行为的基础数据，具体包括发电商的报价曲线(机组的报价容量、电价)、机组可用容量、电力市场的价格上限、电网年(或上一年)平均上网电价、机组报价的各段电价。

s2、对所述报价曲线进行分段量化和标幺化。其中，所述机组的报价容量以机组可用容量为基准，所述电价以电力市场价格上限为基准。

具体的，把所述报价曲线的容量均匀分成n段，用qa表示：

其中，ac为机组可用容量，n为报价容量的分段数。

各段电价的标幺值用pa表示，系统年平均上网电价的标幺值用pas表示：

其中，ps为电网年平均上网电价，单位为元/mwh；p为机组报价的各段电价，单位为元/mwh；pul为电力市场的价格上限，单位为元/mwh。

需要说明的是，将各发电商的报价曲线进行标幺化，机组的报价容量以机组可用容量为基准，电价以电力市场价格上限为基准。通过建立标幺化，不同容量机组的报价间才有可对比性。

其中，报价曲线分段量化的示意图如图2所示。

在具体的实施例当中，

s3、根据设定的差值积分公式，计算分段量化和标幺化后的报价曲线的表征向量，即各发电商的报价序列。

报价曲线的表征向量包括计算某一时段的机组报价曲线的表征向量和一天所有时段的机组报价曲线的表征向量。

所述差值积分公式为：

其中，k代表第k时段，i代表报价曲线分段量化后的第i段。

计算某一时段的机组报价曲线的表征向量：

将分段量化和标幺化后的报价曲线转化为离散的1×n维数组，用px,k表示原报价曲线与平均上网电价之间的关系，x为第x个发电商：

px,k＝[px,k,1,px,k,2,...,px,k,n-1,px,k,n]；

用向量pk表征第k时段的某机组的报价曲线。

需要说明的是，如图2所示，阶梯状报价曲线可用转化为离散的1×n维数组，这显然增大了该数组的维数n(分段数)，从而更加有效地反映原报价曲线与平均上网电价之间的关系。

计算一天所有时段的机组报价曲线的表征向量：

以每半个小时为一个时段，全天分为48个时段，对某天48个时段均进行差值积分处理，则将上述48个时段的p值转化为数组1×48n，并用px表示一天中报价曲线偏离平均电价的变化：

px＝[p1,p2,...,pn,...,p2n,...,p48n]，x＝1,2，…,48n。

需要说明的是，实际应用中，px可以很好的反映一天中报价曲线偏离平均电价的变化，也可以用来表示一天中上网电价报价曲线的变化。

s4、计算各发电商的报价序列两两之间的关联度，并根据所述关联度构建关联度矩阵。

其中，所述关联度计算公式为：

其中，sab为第a个发电商的报价序列px,a和第b个发电商的报价序列px,b的协方差。

其中，x为一天报价曲线表征向量的元素总数，x＝48n，n为报价曲线容量的分段数。

s5、对所述关联度矩阵进行聚类分析，筛选出关联度大于或等于关联度阈值的发电商组。

可以理解的是，报价序列相关度高的各发电商之间联盟行使市场力的可能性较大。因此，可以把所述关联度设定为0.95，但不限于0.95。

s6、搜集与该发电商组相关因素，并根据所述相关因素对该发电商组进行串谋分析，输出分析结果。

其中，相关因素至少包括电力市场运作机制、市场集中度、需求弹性、输电阻塞、供需关系和进退壁垒。

在具体的实施例当中，根据发电商之间的关联度矩阵进行聚类分析，一般认为关联度在0.95以上的发电商之间相关性高，聚类分析找出这些发电商组，可以认为这些发电商组存在联盟的可能。

在进行定量分析之后，还需要对发电商进行串谋的相关因素和动机进行分析，包括对市场集中度、需求弹性、输电阻塞、供需关系、电力市场运作机制、进退壁垒等影响因素的分析，以及分析发电商之间是否存在共同投资某个或某几个电厂的情况，是否存在利益往来和合作协议，如果存在，这类发电商就有更大的串谋操纵市场的基础，最后判定是否存在共谋行为。

其中，输出的分析结果应当包含是否出现发电厂在现货市场中的串谋行为，哪些电厂有串谋行为。

本实施例通过获取大量的基础数据，包括发电商的样本数量、所需的相关数据和相关因素，从整体及多方面对电力现货市场中大量发电商进行串谋行为的甄别，在一定程度上也能避免遗漏甄别部分发电商。并且通过聚类分析发电商的关联度矩阵可准确甄别电力现货市场交易中发电商串谋行为，确保大范围甄别发电商串谋行为与提高分析结果的准确性。

第二方面。

请参阅图3。本实施例还提出了一种甄别发电商串谋行为的装置，包括：

基础数据获取模块21，用于获取各发电商的报价曲线。所述报价曲线反映机组的报价容量与电价的关系。

在具体的实施例当中，需要获取作为甄别发电商串谋行为的基础数据，具体包括发电商的报价曲线(机组的报价容量、电价)、机组可用容量、电力市场的价格上限、电网年(或上一年)平均上网电价、机组报价的各段电价。

分段量化和标幺化模块22，用于对所述报价曲线进行分段量化和标幺化。其中，所述机组的报价容量以机组可用容量为基准，所述电价以电力市场价格上限为基准。

具体的，把所述报价曲线的容量均匀分成n段，用qa表示：

其中，ac为机组可用容量，n为报价容量的分段数。

各段电价的标幺值用pa表示，系统年平均上网电价的标幺值用pas表示：

其中，ps为电网年平均上网电价，单位为元/mwh；p为机组报价的各段电价，单位为元/mwh；pul为电力市场的价格上限，单位为元/mwh。

需要说明的是，将各发电商的报价曲线进行标幺化，机组的报价容量以机组可用容量为基准，电价以电力市场价格上限为基准。通过建立标幺化，不同容量机组的报价间才有可对比性。

其中，报价曲线分段量化的示意图如图2所示。

在具体的实施例当中，

表征向量计算模块23，用于根据设定的差值积分公式，计算分段量化和标幺化后的报价曲线的表征向量，即各发电商的报价序列。

报价曲线的表征向量包括计算某一时段的机组报价曲线的表征向量和一天所有时段的机组报价曲线的表征向量。

所述差值积分公式为：

其中，k代表第k时段，i代表报价曲线分段量化后的第i段。

计算某一时段的机组报价曲线的表征向量：

将分段量化和标幺化后的报价曲线转化为离散的1×n维数组，用px,k表示原报价曲线与平均上网电价之间的关系，x为第x个发电商：

px,k＝[px,k,1,px,k,2,...,px,k,n-1,px,k,n]；

用向量pk表征第k时段的某机组的报价曲线。

需要说明的是，如图2所示，阶梯状报价曲线可用转化为离散的1×n维数组，这显然增大了该数组的维数n(分段数)，从而更加有效地反映原报价曲线与平均上网电价之间的关系。

计算一天所有时段的机组报价曲线的表征向量：

以每半个小时为一个时段，全天分为48个时段，对某天48个时段均进行差值积分处理，则将上述48个时段的p值转化为数组1×48n，并用px表示一天中报价曲线偏离平均电价的变化：

px＝[p1,p2,...,pn,...,p2n,...,p48n]，x＝1,2，…,48n。

需要说明的是，实际应用中，px可以很好的反映一天中报价曲线偏离平均电价的变化，也可以用来表示一天中上网电价报价曲线的变化。

关联度矩阵构建模块24，用于计算各发电商的报价序列两两之间的关联度，并根据所述关联度构建关联度矩阵。

其中，所述关联度计算公式为：

其中，sab为第a个发电商的报价序列px,a和第b个发电商的报价序列px,b的协方差。

其中，x为一天报价曲线表征向量的元素总数，x＝48n，n为报价曲线容量的分段数。

聚类分析模块25，用于对所述关联度矩阵进行聚类分析，筛选出关联度大于或等于关联度阈值的发电商组。

可以理解的是，报价序列相关度高的各发电商之间联盟行使市场力的可能性较大。因此，可以把所述关联度设定为0.95，但不限于0.95。

输出模块26，用于搜集与该发电商组相关因素，并根据所述相关因素对该发电商组进行串谋分析，输出分析结果。

其中，相关因素至少包括电力市场运作机制、市场集中度、需求弹性、输电阻塞、供需关系和进退壁垒。

在具体的实施例当中，根据发电商之间的关联度矩阵进行聚类分析，一般认为关联度在0.95以上的发电商之间相关性高，聚类分析找出这些发电商组，可以认为这些发电商组存在联盟的可能。

在进行定量分析之后，还需要对发电商进行串谋的相关因素和动机进行分析，包括对市场集中度、需求弹性、输电阻塞、供需关系、电力市场运作机制、进退壁垒等影响因素的分析，以及分析发电商之间是否存在共同投资某个或某几个电厂的情况，是否存在利益往来和合作协议，如果存在，这类发电商就有更大的串谋操纵市场的基础，最后判定是否存在共谋行为。

其中，输出的分析结果应当包含是否出现发电厂在现货市场中的串谋行为，哪些电厂有串谋行为。

本实施例通过获取大量的基础数据，包括发电商的样本数量、所需的相关数据和相关因素，从整体及多方面对电力现货市场中大量发电商进行串谋行为的甄别，在一定程度上也能避免遗漏甄别部分发电商。并且通过聚类分析发电商的关联度矩阵可准确甄别电力现货市场交易中发电商串谋行为，确保大范围甄别发电商串谋行为与提高分析结果的准确性。

本实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的甄别发电商串谋行为的方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。