韓躍峻， 朱一驊， 陸微， 應(yīng)棟子， 辛潔晴

(1.國網(wǎng)上海市北供電公司，上海 200072；2.上海交通大學(xué)，上海 200240)

0 引 言

我國已進入快速老齡化時期，為老齡獨居家庭(elderly living-alone families，ELAF)提供特殊供電服務(wù)是電業(yè)履行社會職能的重要窗口。傳統(tǒng)上，ELAF由社區(qū)訪查獲知，工作量大、周期長。電力部門從街道索取信息也很困難。因此，通過用電數(shù)據(jù)分析辨識ELAF對電業(yè)非常重要。這也有助于促進電業(yè)與社區(qū)合作，幫助社區(qū)縮小訪查范圍，提高信息更新的及時性，促進泛在物聯(lián)網(wǎng)環(huán)境下電力數(shù)據(jù)的保值增值。

目前，用電數(shù)據(jù)分析主要用于用電行為模式本身的識別[1-3]。文獻[4]通過日負荷曲線聚類劃分用電模式。文獻[5]從作息規(guī)律、負荷特性和消費習(xí)慣等維度建立特征標簽體系，運用改進K-mears構(gòu)建用戶簇別，形成用戶綜合畫像。文獻[6]根據(jù)日用電特性對空置房、老人家庭、上班族家庭、老人+上班族家庭和商業(yè)用戶提出判別方法。上述研究未由用電特征進一步分析家庭人員構(gòu)成和年齡結(jié)構(gòu)方面的人口特征。

本文在分析ELAF用電特征的基礎(chǔ)上，提出基于用電數(shù)據(jù)分析的ELAF辨識方法。通過選取支持向量機分類器，并以約登指數(shù)最大化為目標調(diào)節(jié)樣本權(quán)重，解決ELAF作為小樣本的識別問題。

1 老齡獨居家庭用電特征

采用K-means法對上海某大型社區(qū)是/否80歲以上老齡獨居兩類家庭分別實施用電特征聚類，以輪廓系數(shù)確定最佳聚類數(shù)，占比最大的簇為典型組。

(1) 日作息習(xí)慣：對家庭春秋季日負荷平均化和標幺化后聚類。兩類家庭典型組聚類中心的標幺化日負荷曲線如圖1所示?？梢姡珽LAF更顯著地集中在平時段(6∶00—22∶00)，睡覺比非ELAF提前1～2 h。

(2) 周用電分布：分夏、冬和春秋三季計算日用電占周用電的比重用于聚類。兩類家庭典型組聚類中心對應(yīng)的周用電分布如圖2所示。可見ELAF工作日和周末的用電量差別不大，而非ELAF周末用電較高。

(3) 季節(jié)間用電變化：取三季日均用電量聚類，兩類家庭典型組聚類中心對應(yīng)的日均用電量如圖3所示?？梢奅LAF夏-春秋、冬-春秋日均用電量差異較小，這與老年人不喜歡或不舍得使用電制冷或采暖設(shè)備有關(guān)。

圖1 老齡獨居/非老齡獨居家庭日用電曲線

圖2 老齡獨居/非老齡獨居家庭周用電分布

圖3 老齡獨居/非老齡獨居家庭日均用電量

(4) 年間用電相似性：對家庭近兩年日用電量的皮爾森相關(guān)系數(shù)聚類。兩類家庭典型組聚類中心相似系數(shù)為0.87與0.88。這說明，按同樣習(xí)慣穩(wěn)定用電是家庭用電典型情況，但ELAF中這類家庭的比重更高。

(5) 用電水平：從圖3可見，ELAF的日用電量明顯低于同期非老齡獨居家庭。

2 老齡獨居家庭用電特征指標提取

據(jù)上節(jié)分析提取特征指標。鑒于HPLC系統(tǒng)還未普及，僅取可由平谷電量評估的指標。

(1) 平時段用電比x1：為近一年(第y年)每日平時段用電量占日用電量比的均值。即：

(1)

式中：Ey,i(t)為目標家庭第y年第i天t時用電量；TP和TG為平、谷時段。老年人多早睡，x1較接近1。

(2) 周用電量穩(wěn)定性x2：用1與周內(nèi)日用電量標準差之差值考察周內(nèi)日用電穩(wěn)定性;x2定義為近一年每周日用電穩(wěn)定性的均值。即：

(2)

式中：nw為一年周數(shù)；ry,w,i為第w周第i天用電量占當(dāng)周用電的比重。ELAF日間用電較穩(wěn)定，x2接近于1。

(3) 夏-春秋日用電量增長率x3：為夏季相對于春秋季日均用電量的增長率，即：

(3)

(4) 冬-春秋日用電量增長率x4：為冬季相對于春秋季日均用電量的增長率，即：

(4)

(5) 年間用電相似性x5：用皮爾遜相關(guān)系數(shù)定義年間用電相似性為：

(5)

(6)

ELAF通常只使用基本生活家電，x6偏小。

3 老齡獨居家庭辨識方法

選用適于小樣本的支持向量機(support vector machine, SVM)[7]構(gòu)建非線性二分類器，如圖4所示。

圖4 老齡獨居家庭辨識流程

(1) 數(shù)據(jù)清洗：當(dāng)日凍結(jié)電量小于前日值時，視作異常值篩除；對原始缺失值和篩除異常值后出現(xiàn)的缺失進行修補。若前/后周同類型日數(shù)據(jù)未缺失，則縱向修補，第w周第d日凍結(jié)電量

Aw,d=Aw,d-1+(Aw-1,d-Aw-1,d-1)

(7)

否則橫向修補，若缺失日為第d至第d+N日，公式為

(8)

數(shù)據(jù)清洗后將相鄰日凍結(jié)值相減得到日用電量。

(2) 用電特征指標計算：按第1節(jié)方法為每個樣本家庭計算用電特征指標x1～x6。

(3) 樣本標簽化：將特征數(shù)據(jù)歸一化，并為每個用戶添加是否為ELAF的標簽。

(4) SVM分類器訓(xùn)練：用有標簽的歸一化樣本訓(xùn)練SVM模型，方法請見文獻[7]。

(5) 分類效果評價：分類器訓(xùn)練中ELAF作為樣本量少的標簽易被忽略。為此，調(diào)節(jié)SVM算法中的class_weight參數(shù)，為樣本量少的標簽設(shè)置較大權(quán)重，并計算召回率和假正率，以兩者差值(約登指數(shù))最大的訓(xùn)練結(jié)果為最佳分類器。

(6) 測試集分類：對測試集家庭實施(1)和(2)步驟，將最佳分類器用于測試集家庭是否為ELAF的辨識。

4 算例分析

以上海某老齡化服務(wù)示范區(qū)為例，共5 572戶，80歲以上獨居173戶，隨機分成訓(xùn)練組和檢驗組。

4.1 分類器訓(xùn)練

據(jù)第3節(jié)方法訓(xùn)練SVM分類器。將學(xué)習(xí)模型中的kernel參數(shù)設(shè)置為rbf，即采用可解決非線性問題的高斯徑向基核函數(shù)。訓(xùn)練時通過class_weight參數(shù)調(diào)節(jié)樣本權(quán)重，作出受試者工作特征曲線(receiver operating characteristic curve，ROC)，如圖5所示。約登指數(shù)最大的最佳權(quán)重為32(×標注點)，此時獲得最佳分類器。

圖5 ROC曲線

最佳分類器將訓(xùn)練組分為是、否老齡獨居兩組，特征指標均值如表1所示。從表1可見：ELAF的平時段用電比重比非ELAF高8個百分點，日均用電量相對水平低，夏、冬季相對春秋季用電增長率比一般家庭低，周用電量穩(wěn)定性較高，年間用電相似性高。

4.2 分類效果檢驗

將所得最佳分類器用于檢驗組分析，進而計算四項分類性能指標，如表2所示。

表1 ELAF和非ELAF家庭的特征均值

表2 分類性能評價

(1) 準確率達94.4%，召回率達90.7%，說明所提方法可較全面地找出ELAF。少量未被找出是因存在少量ELAF的用電特性不典型。

(2) 假正率高和精確率較低，主要因為所研小區(qū)老年家庭頗多，而街道只能提供80歲以上ELAF信息，對60～79歲居民未核實是否獨居。為此算例檢驗只能將非80歲以上家庭都歸為非ELAF，而這部分家庭中不少是同樣有ELAF用電特征的60～79歲老齡獨居家庭。這表明，基于用電數(shù)據(jù)分析ELAF具有現(xiàn)實意義，有助于社區(qū)縮小訪查范圍，定位各年齡段的ELAF。

5 結(jié)束語

本文在提取老齡獨居家庭用電特征指標的基礎(chǔ)上，以SVM為分類器，并通過約登指數(shù)最大為目標的樣本權(quán)重調(diào)節(jié)解決小樣本分類問題。算例表明所提方法可獲得較高的準確率和召回率，有助于電業(yè)實施面向獨居老人的特殊供電服務(wù)，也有助于縮小社區(qū)查訪范圍，提升此類家庭信息搜集的覆蓋度和及時性。