基于電力數(shù)據(jù)的重點(diǎn)人群在室用電行為分析方法研究及應(yīng)用

任禹同，曹曉冬，李世潔，黃藝璇，吳恒

（1.江蘇智臻能源科技有限公司，南京 211100；2.國(guó)網(wǎng)江蘇省電力有限公司 電力科學(xué)研究院，南京 210008；3.國(guó)網(wǎng)江蘇省電力有限公司，南京 210024）

0 引言

隨著全球進(jìn)入信息化、數(shù)字化時(shí)代，中國(guó)的城鎮(zhèn)化和城市化發(fā)展日趨成熟，大數(shù)據(jù)挖掘、云計(jì)算、人工智能、高級(jí)量測(cè)等技術(shù)應(yīng)用日趨廣泛，對(duì)我國(guó)社會(huì)治理的思想觀念、體制建設(shè)、技術(shù)手段等方面提出了新的要求。市域社會(huì)治理是國(guó)家治理的基石，也是實(shí)現(xiàn)國(guó)家治理體系現(xiàn)代化和治理能力全面化的基礎(chǔ)工程［1］?，F(xiàn)階段，推進(jìn)數(shù)字化等創(chuàng)新技術(shù)與多維數(shù)據(jù)驅(qū)動(dòng)的市域社會(huì)治理深度融合，充分發(fā)揮多維數(shù)據(jù)、科技創(chuàng)新的支撐作用，提升市域社會(huì)治理的智慧能力水平，是當(dāng)下研究的熱點(diǎn)。

電力數(shù)據(jù)具有巨大的潛在價(jià)值，具有典型大數(shù)據(jù)特征［2］。文獻(xiàn)［3］歸納了智慧城市對(duì)電力數(shù)據(jù)挖掘的整體需求，從服務(wù)政府角度出發(fā)，可在區(qū)域經(jīng)濟(jì)發(fā)展趨勢(shì)、城市人口精細(xì)化管理以及電價(jià)等相關(guān)扶貧政策制定等多個(gè)領(lǐng)域提供決策依據(jù)。針對(duì)數(shù)據(jù)融合方面，文獻(xiàn)［4］應(yīng)用Logistic回歸建立了氣象因素條件與電力事故的影響模型，探究了電力數(shù)據(jù)與如氣象數(shù)據(jù)、地理信息數(shù)據(jù)等非電數(shù)據(jù)深度融合分析，在決策中發(fā)揮日益重要的作用；文獻(xiàn)［5］中，美國(guó)學(xué)者基于電力數(shù)據(jù)、土地使用數(shù)據(jù)以及人口統(tǒng)計(jì)數(shù)據(jù)等，利用電力數(shù)據(jù)與多源數(shù)據(jù)融合技術(shù)以及數(shù)據(jù)可視化技術(shù)直觀顯示出不同建筑在各個(gè)季節(jié)的能耗，支撐能源投資與能源使用效率以及公共服務(wù)決策。在非電力工業(yè)方面，文獻(xiàn)［6—8］研究了挖掘電力數(shù)據(jù)與企業(yè)排污的潛在關(guān)系，構(gòu)建分析模型對(duì)治排污設(shè)備啟停狀態(tài)進(jìn)行智能監(jiān)控與識(shí)別，幫助監(jiān)管部門準(zhǔn)確掌握污染企業(yè)生產(chǎn)規(guī)律及治排污狀態(tài)提供技術(shù)手段，為其精準(zhǔn)執(zhí)法和科學(xué)制定管控措施提供技術(shù)支撐。在電網(wǎng)方面，文獻(xiàn)［9—14］闡述了基于電力數(shù)據(jù)的挖掘，支撐了電網(wǎng)公司內(nèi)部的營(yíng)、配、用的精益化和數(shù)字化管理水平，分析了在電網(wǎng)的安全運(yùn)行保護(hù)能力、供需服務(wù)水平以及公司降本增效等方面的作用。雖然國(guó)內(nèi)外對(duì)電力大數(shù)據(jù)融合分析在智能配用電、智慧城市、公共服務(wù)決策、環(huán)境污染治理以及經(jīng)濟(jì)發(fā)展等宏觀政策方面具有一定的研究，但電力公司利用電力數(shù)據(jù)多源數(shù)據(jù)融合輔助服務(wù)市域治理發(fā)展，支撐公安、應(yīng)急、民政等領(lǐng)域數(shù)字化轉(zhuǎn)型上尚缺少深入的研究成果以及清晰的應(yīng)用框架。

本文聚焦公安部門重點(diǎn)人群監(jiān)管業(yè)務(wù)需求，通過(guò)挖掘電力數(shù)據(jù)價(jià)值，融合多源數(shù)據(jù)分析，以非介入式負(fù)荷辨識(shí)技術(shù)為依托，首先總結(jié)了市域社會(huì)治理與電力大數(shù)據(jù)的研究現(xiàn)狀，然后分析面向公安的市域治理應(yīng)用需求，構(gòu)建了用電大數(shù)據(jù)與多維數(shù)據(jù)融合支撐公安市域治理的典型應(yīng)用架構(gòu)，并對(duì)重點(diǎn)人群異常行為研判進(jìn)行分析，設(shè)計(jì)重點(diǎn)人群用電異常管理機(jī)制，探索和推動(dòng)電力大數(shù)據(jù)挖掘分析在市域治理中的應(yīng)用。

1 重點(diǎn)人群在室用電行為異常分析模型

1.1 市域治理需求分析

公安部門面對(duì)市域社會(huì)治理現(xiàn)代化的要求，應(yīng)堅(jiān)持以需求為導(dǎo)向，以應(yīng)用為核心，結(jié)合市域?qū)嶋H情況，融合數(shù)據(jù)資源，不斷提升公安部門市域社會(huì)治理的系統(tǒng)化、精細(xì)化、安全化、智能化水平。通過(guò)用電大數(shù)據(jù)與外部數(shù)據(jù)融合分析在智慧安防小區(qū)建設(shè)、重點(diǎn)人群管控、社會(huì)治安狀況等方面豐富管理手段，完善風(fēng)險(xiǎn)防范、預(yù)測(cè)預(yù)警、閉環(huán)管理、綜合處置的公安市域社會(huì)治理防控體系建設(shè)［15］。對(duì)分散、孤立的信息進(jìn)行歸納、總結(jié)及深度分析，利用數(shù)據(jù)冗余性和互補(bǔ)性，發(fā)現(xiàn)其內(nèi)在隱藏的潛在關(guān)系，對(duì)公安市域社會(huì)治理多個(gè)領(lǐng)域提出有分析、有建議的輔助決策信息，支撐公安市域社會(huì)治理精細(xì)化、智能化、安全化建設(shè)。公安市域社會(huì)治理的數(shù)據(jù)挖掘應(yīng)用需求如表1所示。

表1 面向公安市域社會(huì)治理的數(shù)據(jù)挖掘應(yīng)用需求Table 1 Data mining application requirements for social governance in public security cities

1.2 重點(diǎn)人群行為特性

重點(diǎn)人群是指危害國(guó)家安全和社會(huì)治安嫌疑或疫情居家隔離人員等，由公安機(jī)關(guān)重點(diǎn)管理的人員，重點(diǎn)管理是公安機(jī)關(guān)依照相關(guān)規(guī)定對(duì)嫌疑人員實(shí)施重點(diǎn)管理的一項(xiàng)基礎(chǔ)工作［16］。隨著經(jīng)濟(jì)社會(huì)的不斷發(fā)展，重點(diǎn)人群漏管、脫管、失控等現(xiàn)象頻發(fā)，公安機(jī)關(guān)管控難度增大?；诩?xì)粒度用電數(shù)據(jù)與多維標(biāo)簽數(shù)據(jù)融合分析可以輔助公安部門對(duì)重點(diǎn)人群在室異常用電行為進(jìn)行及時(shí)預(yù)警［17］，支撐市域治理重點(diǎn)人群管控。

1.3 在室用電行為異常分析建模

應(yīng)用基于經(jīng)典電氣特征提取的非介入式負(fù)荷辨識(shí)技術(shù)采集用戶用電數(shù)據(jù)，該技術(shù)隨著在線辨識(shí)技術(shù)和機(jī)器學(xué)習(xí)在非介入辨識(shí)中的應(yīng)用，實(shí)際辨識(shí)精度已達(dá)到較高的辨識(shí)精度，因而文章中由于非入戶辯識(shí)設(shè)備造成的各電器用電量數(shù)據(jù)的微小誤差忽略不計(jì)。

（1）用電特征量提取方法

基于采集和已收集的數(shù)據(jù)，選取的用電特征如下

式中：Et為日總用電量；AIRd為日空調(diào)用電量；Hd為日電熱總用電量；N為日熱水器總用電量；AIRr為日用電電器類型數(shù)；Hr為日空調(diào)用電量占比；Kr為日電熱總用電量占比。

首先通過(guò)公安部門對(duì)待分析對(duì)象進(jìn)行類型標(biāo)記匹配用戶信息，獲取當(dāng)日的天氣數(shù)據(jù)，選擇與當(dāng)日天氣相似的i個(gè)歷史日數(shù)據(jù)通過(guò)聚類算法篩選有效電力數(shù)據(jù)指標(biāo)［18］，構(gòu)建典型負(fù)荷特征向量。

（2）余弦相似度分析方法

選擇提取的用電特征作為影響參數(shù)，設(shè)i個(gè)歷史日影響參數(shù)的特征向量為Xi=[xi(1),xi(2),…,xi(n)]T，待分析日為X0，n為影響參數(shù)的數(shù)量。

文章的負(fù)荷特征相似度篩選中，天氣數(shù)據(jù)相似的情況下在用電室行為是否相似是作為判斷用電態(tài)勢(shì)相似與否的指標(biāo)，因此，向量夾角的余弦值能篩選出用電態(tài)勢(shì)的關(guān)聯(lián)相似度，所以i個(gè)歷史日的特征參數(shù)與分析日的特征參數(shù)向量的余弦相似度為

（3）加權(quán)余弦相似度模型

為精確特征選取的關(guān)聯(lián)性，在選取函數(shù)中應(yīng)加入權(quán)重分析，專家打分一般受限于制定過(guò)程都缺乏知識(shí)、經(jīng)驗(yàn)等度量信息的無(wú)序程度，所以引入熵權(quán)法在權(quán)重確定上進(jìn)行修正，從而獲得更為優(yōu)質(zhì)的權(quán)重值［19］。針對(duì)已選取特征參數(shù)相對(duì)于選取日的相對(duì)重要程度，構(gòu)造判斷矩陣(ui,j)n×n，其中ui,j為參數(shù)j相對(duì)于歷史日i的相對(duì)重要程度系數(shù)，越大指標(biāo)j越重要，n表示矩陣的階數(shù)即參數(shù)數(shù)量。

判斷矩陣標(biāo)準(zhǔn)化為Q=()qi,j n×n。qi,j為參數(shù)j的第i個(gè)歷史日的比重［20］，計(jì)算公式為

計(jì)算參數(shù)j的信息熵ej，計(jì)算公式為

計(jì)算熵權(quán)ωj的公式為

綜合熵權(quán)法所得權(quán)重，加權(quán)余弦相似度為

1.4 在室行為異常監(jiān)測(cè)技術(shù)

文章所提出的研判流程實(shí)現(xiàn)如圖1所示。

圖1 在室行為異常監(jiān)測(cè)技術(shù)Fig.1 Indoor behavior monitoring technology

2 系統(tǒng)應(yīng)用架構(gòu)

圖2展示了基于電力大數(shù)據(jù)與多維數(shù)據(jù)融合的重點(diǎn)人群異常行為系統(tǒng)應(yīng)用架構(gòu)設(shè)計(jì)，其主要特征如下。

圖2 重點(diǎn)人群異常行為應(yīng)用架構(gòu)Fig.2 Abnormal behavior management mechanism for key groups

（1）平臺(tái)層。公安部門、供電公司、氣象部門進(jìn)行數(shù)據(jù)共享和對(duì)接，將數(shù)據(jù)輸入至智能中臺(tái)，高級(jí)量測(cè)終端將采集的細(xì)粒度用電數(shù)據(jù)上送至智能中臺(tái)，智能中臺(tái)根據(jù)技術(shù)層所輸出的重點(diǎn)人群異常感知結(jié)果，可將異常結(jié)果推送至公安部門，公安部門也可對(duì)標(biāo)注的人員進(jìn)行管理。

（2）技術(shù)層。非介入式負(fù)荷辨識(shí)技術(shù)支撐高級(jí)量測(cè)終端采集細(xì)粒度用電數(shù)據(jù)，算法庫(kù)支撐數(shù)據(jù)的融合、分析、擬合、迭代以及模型輸出，重點(diǎn)人群異常感知模型根據(jù)迭代的算法對(duì)異常閾值進(jìn)行實(shí)時(shí)更新。

（3）業(yè)務(wù)層。根據(jù)公安部門對(duì)重點(diǎn)人群進(jìn)行標(biāo)記，根據(jù)標(biāo)記信息進(jìn)行數(shù)據(jù)匹配，平臺(tái)層根據(jù)輸出的結(jié)果推送至公安部門，形成公安部門標(biāo)簽輸出到結(jié)果輸入的閉環(huán)管理流程。

3 工程應(yīng)用

該研究成果在江北新區(qū)公安部門的數(shù)字化市域治理項(xiàng)目中進(jìn)行了應(yīng)用，該項(xiàng)目位于南京江北新區(qū)，覆蓋3個(gè)小區(qū)526個(gè)用戶，安裝65臺(tái)終端，標(biāo)記79個(gè)標(biāo)簽用戶。現(xiàn)場(chǎng)安裝如圖3所示。

圖3 智能終端實(shí)物及安裝示意圖Fig.3 Physical drawing and installation diagram ofintelligent terminal

根據(jù)公安部門提供的標(biāo)簽信息，選擇某小區(qū)某一標(biāo)簽用戶進(jìn)行分析，獲取外部氣象、節(jié)假日數(shù)據(jù)，待測(cè)日氣象環(huán)境特征數(shù)據(jù)如下表2所示。

表2 待測(cè)日氣象環(huán)境特征數(shù)據(jù)Table 2 Meteorological environment characteristic data of the day to be measured

根據(jù)待測(cè)某日的環(huán)境特征數(shù)據(jù)選取與之相似的10日作為歷史日。選取10個(gè)電力負(fù)荷辨識(shí)數(shù)據(jù)以及計(jì)算得到的特征作為用戶的特征標(biāo)簽。設(shè)10個(gè)歷史日的特征向量為

根據(jù)密度聚類得到典型日特征向量如下式

選取兩個(gè)該環(huán)境特征下的待測(cè)日特征向量X1，X2，待測(cè)日1、2的特征向量如下

待測(cè)日1、2的日細(xì)粒度負(fù)荷曲線如圖4、圖5所示。

圖4 待測(cè)日第1日細(xì)粒度負(fù)荷堆疊圖Fig.4 Stacking diagram of fine-grained load on the 1st day of the day to be tested

圖5 待測(cè)日第2日細(xì)粒度負(fù)荷曲線Fig.5 Load curve of fine-grained load on the 2nd day of the day to be measured

熵權(quán)法計(jì)算各特征基于歷史日的特征權(quán)值如表3所示。

表3 熵權(quán)法計(jì)算權(quán)重結(jié)果Table 3 Weight calculation by entropy weight method

歷史日影響參數(shù)的特征向量Xi與待測(cè)日特征向量X1,X2及各參數(shù)權(quán)重值構(gòu)建加權(quán)后特征向量為

根據(jù)取值范圍為［1，-1］，其取值越大，向量的形態(tài)越相似，其在室行為越正常，根據(jù)該原則設(shè)定相似度的預(yù)警閾值為0.7。

通過(guò)計(jì)算歷史日特征向量Xi與待測(cè)日X1，X2的加權(quán)余弦相似度得到計(jì)算結(jié)果為

典型日與待測(cè)日1、2的日負(fù)荷曲線如圖6所示。

圖6 典型日與待測(cè)日1、2的日負(fù)荷曲線Fig.6 Daily load curve of typical day and day 1 and 2 to be measured

通過(guò)計(jì)算結(jié)果與預(yù)設(shè)閾值比較，待測(cè)日1計(jì)算結(jié)果G1＞0.7，判斷該重點(diǎn)人員用電正常與歷史典型日相似；待測(cè)日2計(jì)算結(jié)果G2＜0.7，判斷重點(diǎn)人員存在高可能性的用電異常，用電態(tài)勢(shì)與歷史典型日存在差別。

根據(jù)電力數(shù)據(jù)挖掘分析提供的重點(diǎn)人群在室用電異常功能，通過(guò)與未進(jìn)行權(quán)重分配的余弦相似度計(jì)算進(jìn)行對(duì)比，結(jié)果如表4所示。

表4 在室用電異常研判結(jié)果對(duì)比Table 4 Comparison of research and judgment results of abnormal indoor power consumption

通過(guò)比對(duì)可以看出，通過(guò)權(quán)重分配后的計(jì)算結(jié)果較未進(jìn)行權(quán)重分配的計(jì)算結(jié)果，與典型日相似的結(jié)果更趨于相似，與典型日有差別的差別更明顯，通過(guò)特征權(quán)重分配機(jī)制，更能準(zhǔn)確反映樣本之間的相似性，使其更貼近于實(shí)際。

4 穩(wěn)健性檢驗(yàn)

考慮到重點(diǎn)人員行為異常分析中的4種情況，構(gòu)建異常判別混淆矩陣，如表5所示［20］。

表5 異常判別混淆矩陣Table 5 Anomaly discrimination confusion matrix

文章采用TPR、TNR、W、Accuracy作為檢驗(yàn)標(biāo)準(zhǔn)，如式（11）—式（14）所示：

式中：TPR為實(shí)際異常用戶判對(duì)數(shù)TP除以實(shí)際異常用戶總數(shù)TP+FN，TPR數(shù)值越大，說(shuō)明模型對(duì)異常用戶判別準(zhǔn)確率越高。

式中：TNR為實(shí)際正常用戶判對(duì)數(shù)TN除以實(shí)際正常用戶總數(shù)TN+FP，TNR數(shù)值越大說(shuō)明對(duì)正常用戶判別準(zhǔn)確率越高。

式中：W為兩類用戶判對(duì)率的幾何平均數(shù)，能夠兼顧反映模型對(duì)異常用戶的判別準(zhǔn)確率以及正常用戶的判別準(zhǔn)確率。W數(shù)值越大，表示模型能夠同時(shí)準(zhǔn)確的判別用戶行為正常及異常。

式中：Accuracy為所有被正確判別的樣本個(gè)數(shù)TP+TN除以總樣本數(shù)TP+TN+FP+FN，為所有被模型準(zhǔn)確判定的樣本比率。Accuracy數(shù)值越大，說(shuō)明模型總判別準(zhǔn)確率越高。

文章選取試點(diǎn)應(yīng)用的79個(gè)標(biāo)簽用戶以及447個(gè)非標(biāo)簽用戶，兩類用戶分別2021年6月至2021年10月內(nèi)每戶選取10天作為兩個(gè)數(shù)據(jù)集，驗(yàn)證在室用電行為異常分析模型的異常判別能力，并通過(guò)系統(tǒng)數(shù)據(jù)觀察分揀以及標(biāo)簽用戶走訪進(jìn)行驗(yàn)證，在表6中描述了這兩個(gè)數(shù)據(jù)集的基本信息。

表6 試點(diǎn)應(yīng)用區(qū)域數(shù)據(jù)集描述Table 6 Data set description of pilot application area個(gè)

分別通過(guò)加權(quán)余弦相似度及余弦相似度驗(yàn)證各用戶待測(cè)日與典型日的相似性，模型精度結(jié)果如表7所示。

表7 數(shù)據(jù)集模型精度對(duì)比Table 7 Comparison of data set model accuracy%

如表7數(shù)據(jù)所示，在兩個(gè)數(shù)據(jù)集上，通過(guò)采用加權(quán)余弦相似度判別用戶典型日與待測(cè)日相似性的對(duì)標(biāo)簽用戶及非標(biāo)簽用戶的效果，從數(shù)據(jù)上顯示，該方法用于標(biāo)簽用戶異常判別精度較高，總體來(lái)看，判別精度要明顯好于余弦相似度，從而證明了采用加權(quán)余弦相似度對(duì)用戶進(jìn)行行為異常分析是可行的且準(zhǔn)確率高于余弦相似度方法，尤其是對(duì)于標(biāo)簽用戶效果更優(yōu)。

5 結(jié)束語(yǔ)

文章基于多維電力數(shù)據(jù)融合，創(chuàng)新構(gòu)建了重點(diǎn)人群在室異常行為分析模型，并從技術(shù)層、平臺(tái)層、業(yè)務(wù)層進(jìn)行應(yīng)用架構(gòu)設(shè)計(jì)，形成了一種全新基于電力數(shù)據(jù)融合的重點(diǎn)人群在室用電行為分析方法和應(yīng)用模式，并在南京江北進(jìn)行落地應(yīng)用。

未來(lái)市域治理將是數(shù)據(jù)流、技術(shù)流以及業(yè)務(wù)流的共同承載者，同時(shí)也是電力大數(shù)據(jù)與多維數(shù)據(jù)融合開(kāi)展市域治理監(jiān)管的可視化窗口。文章通過(guò)電力大數(shù)據(jù)融合分析對(duì)公安部門重點(diǎn)人員在室用電行為異常進(jìn)行研究，為公安部門重點(diǎn)人群管理效率提升、降低人員投入提供新的技術(shù)手段，但在未來(lái)的應(yīng)用過(guò)程中在異常分析的基礎(chǔ)上，異常產(chǎn)生因素及原因尚需進(jìn)一步完善與研究。D