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.國網(wǎng)江蘇省電力有限公司 電力科學研究院，南京 210008；3.國網(wǎng)江蘇省電力有限公司，南京 210024）

0 引言

隨著全球進入信息化、數(shù)字化時代，中國的城鎮(zhèn)化和城市化發(fā)展日趨成熟，大數(shù)據(jù)挖掘、云計算、人工智能、高級量測等技術(shù)應用日趨廣泛，對我國社會治理的思想觀念、體制建設、技術(shù)手段等方面提出了新的要求。市域社會治理是國家治理的基石，也是實現(xiàn)國家治理體系現(xiàn)代化和治理能力全面化的基礎工程［1］?，F(xiàn)階段，推進數(shù)字化等創(chuàng)新技術(shù)與多維數(shù)據(jù)驅(qū)動的市域社會治理深度融合，充分發(fā)揮多維數(shù)據(jù)、科技創(chuàng)新的支撐作用，提升市域社會治理的智慧能力水平，是當下研究的熱點。

電力數(shù)據(jù)具有巨大的潛在價值，具有典型大數(shù)據(jù)特征［2］。文獻［3］歸納了智慧城市對電力數(shù)據(jù)挖掘的整體需求，從服務政府角度出發(fā)，可在區(qū)域經(jīng)濟發(fā)展趨勢、城市人口精細化管理以及電價等相關扶貧政策制定等多個領域提供決策依據(jù)。針對數(shù)據(jù)融合方面，文獻［4］應用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［5］中，美國學者基于電力數(shù)據(jù)、土地使用數(shù)據(jù)以及人口統(tǒng)計數(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決策。在非電力工業(yè)方面，文獻［6—8］研究了挖掘電力數(shù)據(jù)與企業(yè)排污的潛在關系，構(gòu)建分析模型對治排污設備啟停狀態(tài)進行智能監(jiān)控與識別，幫助監(jiān)管部門準確掌握污染企業(yè)生產(chǎn)規(guī)律及治排污狀態(tài)提供技術(shù)手段，為其精準執(zhí)法和科學制定管控措施提供技術(shù)支撐。在電網(wǎng)方面，文獻［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、配、用的精益化和數(shù)字化管理水平，分析了在電網(wǎng)的安全運行保護能力、供需服務水平以及公司降本增效等方面的作用。雖然國內(nèi)外對電力大數(shù)據(jù)融合分析在智能配用電、智慧城市、公共服務決策、環(huán)境污染治理以及經(jīng)濟發(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)融合輔助服務市域治理發(fā)展，支撐公安、應急、民政等領域數(shù)字化轉(zhuǎn)型上尚缺少深入的研究成果以及清晰的應用框架。

本文聚焦公安部門重點人群監(jiān)管業(yè)務需求，通過挖掘電力數(shù)據(jù)價值，融合多源數(shù)據(jù)分析，以非介入式負荷辨識技術(shù)為依托，首先總結(jié)了市域社會治理與電力大數(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用架構(gòu)，并對重點人群異常行為研判進行分析，設計重點人群用電異常管理機制，探索和推動電力大數(shù)據(jù)挖掘分析在市域治理中的應用。

1 重點人群在室用電行為異常分析模型

1.1 市域治理需求分析

公安部門面對市域社會治理現(xiàn)代化的要求，應堅持以需求為導向，以應用為核心，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治理的系統(tǒng)化、精細化、安全化、智能化水平。通過用電大數(shù)據(jù)與外部數(shù)據(jù)融合分析在智慧安防小區(qū)建設、重點人群管控、社會治安狀況等方面豐富管理手段，完善風險防范、預測預警、閉環(huán)管理、綜合處置的公安市域社會治理防控體系建設［15］。對分散、孤立的信息進行歸納、總結(jié)及深度分析，利用數(shù)據(jù)冗余性和互補性，發(fā)現(xiàn)其內(nèi)在隱藏的潛在關系，對公安市域社會治理多個領域提出有分析、有建議的輔助決策信息，支撐公安市域社會治理精細化、智能化、安全化建設。公安市域社會治理的數(shù)據(jù)挖掘應用需求如表1所示。

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

1.2 重點人群行為特性

重點人群是指危害國家安全和社會治安嫌疑或疫情居家隔離人員等，由公安機關重點管理的人員，重點管理是公安機關依照相關規(guī)定對嫌疑人員實施重點管理的一項基礎工作［16］。隨著經(jīng)濟社會的不斷發(fā)展，重點人群漏管、脫管、失控等現(xiàn)象頻發(fā)，公安機關管控難度增大。基于細粒度用電數(shù)據(jù)與多維標簽數(shù)據(jù)融合分析可以輔助公安部門對重點人群在室異常用電行為進行及時預警［17］，支撐市域治理重點人群管控。

1.3 在室用電行為異常分析建模

應用基于經(jīng)典電氣特征提取的非介入式負荷辨識技術(shù)采集用戶用電數(shù)據(jù)，該技術(shù)隨著在線辨識技術(shù)和機器學習在非介入辨識中的應用，實際辨識精度已達到較高的辨識精度，因而文章中由于非入戶辯識設備造成的各電器用電量數(shù)據(jù)的微小誤差忽略不計。

（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。

首先通過公安部門對待分析對象進行類型標記匹配用戶信息，獲取當日的天氣數(shù)據(jù)，選擇與當日天氣相似的i個歷史日數(shù)據(jù)通過聚類算法篩選有效電力數(shù)據(jù)指標［18］，構(gòu)建典型負荷特征向量。

（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i個歷史日影響參數(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)勢相似與否的指標，因此，向量夾角的余弦值能篩選出用電態(tài)勢的關聯(lián)相似度，所以i個歷史日的特征參數(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聯(lián)性，在選取函數(shù)中應加入權(quán)重分析，專家打分一般受限于制定過程都缺乏知識、經(jīng)驗等度量信息的無序程度，所以引入熵權(quán)法在權(quán)重確定上進行修正，從而獲得更為優(yōu)質(zhì)的權(quán)重值［19］。針對已選取特征參數(shù)相對于選取日的相對重要程度，構(gòu)造判斷矩陣(ui,j)n×n，其中ui,j為參數(shù)j相對于歷史日i的相對重要程度系數(shù)，越大指標j越重要，n表示矩陣的階數(shù)即參數(shù)數(shù)量。

判斷矩陣標準化為Q=()qi,j n×n。qi,j為參數(shù)j的第i個歷史日的比重［20］，計算公式為

計算參數(shù)j的信息熵ej，計算公式為

計算熵權(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)測技術(shù)

文章所提出的研判流程實現(xiàn)如圖1所示。

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

2 系統(tǒng)應用架構(gòu)

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

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

（1）平臺層。公安部門、供電公司、氣象部門進行數(shù)據(jù)共享和對接，將數(shù)據(jù)輸入至智能中臺，高級量測終端將采集的細粒度用電數(shù)據(jù)上送至智能中臺，智能中臺根據(jù)技術(shù)層所輸出的重點人群異常感知結(jié)果，可將異常結(jié)果推送至公安部門，公安部門也可對標注的人員進行管理。

（2）技術(shù)層。非介入式負荷辨識技術(shù)支撐高級量測終端采集細粒度用電數(shù)據(jù)，算法庫支撐數(shù)據(jù)的融合、分析、擬合、迭代以及模型輸出，重點人群異常感知模型根據(jù)迭代的算法對異常閾值進行實時更新。

（3）業(yè)務層。根據(jù)公安部門對重點人群進行標記，根據(jù)標記信息進行數(shù)據(jù)匹配，平臺層根據(jù)輸出的結(jié)果推送至公安部門，形成公安部門標簽輸出到結(jié)果輸入的閉環(huán)管理流程。

3 工程應用

該研究成果在江北新區(qū)公安部門的數(shù)字化市域治理項目中進行了應用，該項目位于南京江北新區(qū)，覆蓋3個小區(qū)526個用戶，安裝65臺終端，標記79個標簽用戶。現(xiàn)場安裝如圖3所示。

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

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

表2 待測日氣象環(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個電力負荷辨識數(shù)據(jù)以及計算得到的特征作為用戶的特征標簽。設10個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

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

待測日1、2的日細粒度負荷曲線如圖4、圖5所示。

圖4 待測日第1日細粒度負荷堆疊圖Fig.4 Stacking diagram of fine-grained load on the 1st day of the day to be tested

圖5 待測日第2日細粒度負荷曲線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)該原則設定相似度的預警閾值為0.7。

通過計算歷史日特征向量Xi與待測日X1，X2的加權(quán)余弦相似度得到計算結(jié)果為

典型日與待測日1、2的日負荷曲線如圖6所示。

圖6 典型日與待測日1、2的日負荷曲線Fig.6 Daily load curve of typical day and day 1 and 2 to be measured

通過計算結(jié)果與預設閾值比較，待測日1計算結(jié)果G1＞0.7，判斷該重點人員用電正常與歷史典型日相似；待測日2計算結(jié)果G2＜0.7，判斷重點人員存在高可能性的用電異常，用電態(tài)勢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人群在室用電異常功能，通過與未進行權(quán)重分配的余弦相似度計算進行對比，結(jié)果如表4所示。

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

通過比對可以看出，通過權(quán)重分配后的計算結(jié)果較未進行權(quán)重分配的計算結(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，通過特征權(quán)重分配機制，更能準確反映樣本之間的相似性，使其更貼近于實際。

4 穩(wěn)健性檢驗

考慮到重點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作為檢驗標準，如式（11）—式（14）所示：

式中：TPR為實際異常用戶判對數(shù)TP除以實際異常用戶總數(shù)TP+FN，TPR數(shù)值越大，說明模型對異常用戶判別準確率越高。

式中：TNR為實際正常用戶判對數(shù)TN除以實際正常用戶總數(shù)TN+FP，TNR數(shù)值越大說明對正常用戶判別準確率越高。

式中：W為兩類用戶判對率的幾何平均數(shù)，能夠兼顧反映模型對異常用戶的判別準確率以及正常用戶的判別準確率。W數(shù)值越大，表示模型能夠同時準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數(shù)TP+TN除以總樣本數(shù)TP+TN+FP+FN，為所有被模型準確判定的樣本比率。Accuracy數(shù)值越大，說明模型總判別準確率越高。

文章選取試點應用的79個標簽用戶以及447個非標簽用戶，兩類用戶分別2021年6月至2021年10月內(nèi)每戶選取10天作為兩個數(shù)據(jù)集，驗證在室用電行為異常分析模型的異常判別能力，并通過系統(tǒng)數(shù)據(jù)觀察分揀以及標簽用戶走訪進行驗證，在表6中描述了這兩個數(shù)據(jù)集的基本信息。

表6 試點應用區(qū)域數(shù)據(jù)集描述Table 6 Data set description of pilot application area個

分別通過加權(quán)余弦相似度及余弦相似度驗證各用戶待測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)集模型精度對比Table 7 Comparison of data set model accuracy%

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

5 結(jié)束語

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

未來市域治理將是數(shù)據(jù)流、技術(shù)流以及業(yè)務流的共同承載者，同時也是電力大數(shù)據(jù)與多維數(shù)據(jù)融合開展市域治理監(jiān)管的可視化窗口。文章通過電力大數(shù)據(jù)融合分析對公安部門重點人員在室用電行為異常進行研究，為公安部門重點人群管理效率提升、降低人員投入提供新的技術(shù)手段，但在未來的應用過程中在異常分析的基礎上，異常產(chǎn)生因素及原因尚需進一步完善與研究。D