(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211010411.X (22)申请日 2022.08.23 (71)申请人 兰州理工大 学 地址 730050 甘肃省兰州市七里河区兰工 坪路287号 (72)发明人 王文婷　安爱民　张展鹏　巩彬　 俞桃花　李海峰　张子斌　薛哲亭　 苏昕　 (74)专利代理 机构 青岛智地领创专利代理有限 公司 37252 专利代理师 韩孟霞 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 7/00(2006.01) (54)发明名称 一种基于Info-DAGMM模型的发电企业串谋 行为的智能识别方法 (57)摘要 本发明公开了一种基于Info ‑DAGMM模型的 发电企业串谋行为的智能识别方法， 首先获取发 电企业的原始申报电量和原始申报电价； 构建发 电企业的串谋识别指标体系， 指标包括申报电量 市场份额均值、 报价一致性、 申报电量一致性、 报 价曲线差异面积比率、 报价安全度均值以及报价 相对比均值； 测算得到串谋指标集； 使用处理后 的串谋指标集对Info ‑DAGMM模型进行训练， 得到 每个样本在低维空间中的密度估计值， 即为串谋 嫌疑度； 将串谋嫌疑度逆映射回测算矩阵中， 通 过样本的横纵坐标判断出市场中发生串谋的发 电企业。 该方法能够为实际的电力市场风险实时 监测提供准确高效的智能预警方法， 对保障市场 公平竞争， 维持市场安全 稳定运行， 建设良好、 有 序的电力市场具有十分积极的意 义。 权利要求书4页 说明书10页 附图2页 CN 115409548 A 2022.11.29 CN 115409548 A 1.一种基于Info ‑DAGMM模型的发电企业串谋行为的智能识别方法， 其特征在于， 包括 如下步骤： S1、 获取发电企业的原 始申报电量和原 始申报电价； 所述原始申报电量和原始申报电价为某一时期中第m个发电企业第h段的申报电量和 申报电价； S2、 构建发电企业的串谋识别指标体系， 指标包括： 申报电量市场份额均值、 报价一致 性、 申报电量 一致性、 报价曲线差异面积比率、 报价 安全度均值以及报价相对比均值； S3、 测算得到串谋指标集， 并进行归一 化处理； S4、 使用处理后的串谋指标集对Info ‑DAGMM模型进行训练， 得到每个样本在低维空间 中的密度估计值， 即为串谋嫌疑度； S5、 将串谋嫌疑度逆映射回步骤S3的测算矩阵中， 通过样本的横纵坐标， 即可判断出市 场中发生串谋的发电企业。 2.根据权利 要求1所述的一种基于Info ‑DAGMM模型的发电企业串谋行为的智能识别方 法， 其特征在于， 所述 步骤S2中， 所述申报电量市场份额均值为指标1， 表示两两发电企业的申报电量在市场份额的占 比， 计算公式为： 式中， Sm和Sn分别为市场中第m家和第n家发电企业本次竞价的申报电量； k为本次竞价 中参与的发电企业个数； 所述报价 一致性为指标2， 表示两个发电企业的申报价格差异， 计算公式为： 式中， pmh和pnh分别为第m家和第n家发电企业在 本次竞价中的第h段报 价； ph是本次竞价 中所有发电企业第h段报价的均值； 所述申报电量 一致性为指标3， 表示两个发电企业的申报电量差异， 计算公式为： 式中， Smh和Snh分别为第m家和第n家发电企业在本次竞价中的第h段申报电量； 是本次 竞价中所有发电企业第h段申报电量的均值； 所述报价曲线差异面积比率为指标4， 反映两个发电企业的平行竞价程度， 计算公式 为： 权　利　要　求　书 1/4 页 2 CN 115409548 A 2式中， fm和fn分别为第m家和n家发电企业在本次竞 价中的报价曲线函数； 所述报价安全度均值为指标5， 衡量发电企业之间报价与历史平均报价的偏离程度， 计 算公式为： 式中， 和 分别为第m家和第n家发电企业在本次竞价中的加权平均申报价格； E为 市场边际价格的期望值， 用历史 交易的边际价格 计算得到； 所述报价相对比均值为指标6， 表示两个发电企业的报价与本次集中竞价的平均价格 的区别偏差， 计算公式为： 3.根据权利 要求1所述的一种基于Info ‑DAGMM模型的发电企业串谋行为的智能识别方 法， 其特征在于， 步骤S3中， 假设集中竞价中有m家发电企业进行共h段报价， 串谋指标数据 集X的计算过程 为： 按照步骤S2中串谋指标体系的计算公式计算得出两两发电企业之间的第q个指标， 构 成数据矩阵： 依次平铺上三角形 元素得到列向量， 即得到串谋指标集的一个指标 特征： 计算出所有6个指标特征， 按列组合进行归一化处理， 得到用于深度 联合网络训练的串 谋指标集X： X＝(x(1),x(2),...,x(6))                        (9)。 4.根据权利 要求1所述的一种基于Info ‑DAGMM模型的发电企业串谋行为的智能识别方 法， 其特征在于， 步骤S4中， 所述 Info‑DAGMM模型的构建过程如下： 所述Info ‑DAGMM模型的网络框架主要由两个模块组成： 表达网络模块和密度估计模 块； 首先， 使用自动编码器DA中的Encoder训练串谋指标集X， 在表达网络的损失函数中引入 互信息， 最大化原始变量和低维空间下潜变量Zl的信息特征， 再用DA中 的Decoder将其解码 获得重构指标集X ′； 然后， 利用欧式距离和余弦相 似度衡量串谋指标集X与重构X ′， 得到重 构误差Zr； 最后， 将潜变量Zl和重构误差Zr传递给高斯混合模型GMM， 计算其样本能量， 进而 分离出串谋样本； 训练时， 同时优化自动 编码器和高斯混合模型的参数； 表达网络中， 自动编码器DA将学习串谋指标集X的潜变量Zl， 优化目标是使得X的信息最 大化地保留在Zl中， 即样本 重构误差最小化：权　利　要　求　书 2/4 页 3 CN 115409548 A 3