引言
随着城市化的推进和清洁能源需求的增长，城市燃气输配系统迅速扩展，并成为现代城市基础设施的重要组成部分（Liu et al., 2025）。作为城市能源供应系统的关键组成部分，其运行性能与燃气企业的运营效率、不明气体损失（UAG）控制以及低碳发展目标的实现密切相关（Li et al., 2023, Wang et al., 2017）。然而，随着燃气供应覆盖范围的不断扩大以及输配环节数量的增加，城市燃气系统的结构和运营管理变得日益复杂。这对气体平衡分析和 UAG 控制提出了更高的要求，使得 UAG 的识别和管理更加困难（Liu et al., 2025）。案例研究表明，在一些城市燃气网络中，UAG 可能超过总燃气通过量的 8%–10%（Abdullah et al., 2024）。这种损失不仅可能导致巨大的经济损失，还可能导致额外的温室气体排放，从而对环境保护和低碳发展产生不利影响（Liu et al., 2021）。因此，准确识别城市燃气系统中 UAG 的原因，对于提高运营管理和确保城市燃气输配网络的安全低碳运行具有重要意义。
现有研究从多个角度调查了 UAG，表明其不能归因于单一来源。在燃气输配系统中，UAG 与供应燃气和记录消耗之间的不平衡密切相关，而这种不平衡受到技术和管理因素的影响。从气体平衡分析的角度来看，“进出差异”问题在近期研究中被广泛讨论，显示气体平衡偏差与计量性能、数据处理程序、运营对账以及系统运行随时间变化的波动有关（Ficco et al., 2022, Chavan et al., 2024, Botev and Johnson, 2020）。此外，UAG 还可能受到泄漏、盗窃、未报告消耗、网络可见性不足、管道修复和管理控制缺陷的影响，这表明气体平衡偏差不能仅由计量误差或物理泄漏来解释（Abdullah et al., 2024, Shingan et al., 2025）。与排放相关的研究进一步表明，明显的气体平衡偏差可能与实际的逃逸甲烷排放共存，部分城市天然气排放可能未被传统排放清单完全捕获（Plant et al., 2019, Sargent et al., 2021, Weller et al., 2022）。因此，城市燃气系统中的 UAG 应被理解为涉及计量性能、管道损失、用户行为、企业管理和管网储气量估算的多源运营不平衡。
随着城市燃气系统运营数据的不断积累，机器学习及相关数据分析方法越来越多地应用于燃气消耗监测、异常消耗识别和 UAG 相关损耗检测。近期研究表明，神经网络模型、优化辅助预测模型、K 近邻方法及其他机器学习异常检测 approaches 可以提高对天然气网络中异常消耗模式、燃气损失、恶意活动和过量 UAG 的识别（Arslan et al., 2024, Soltanisarvestani et al., 2023, Hou et al., 2024, ElMahdy et al., 2025）。这些方法通过从历史运营或消耗数据中提取模式来提高检测效率和监测能力。然而，它们的主要目标通常是检测异常样本、预测预期消耗或分类与损失相关的事件。它们在揭示计量、泄漏、用户行为、管理和燃气库存因素如何相互作用，以及不确定性如何通过 UAG 形成过程传播方面效果较差。
更广泛地说，当前的 UAG 相关研究仍然缺乏统一的因果溯源框架。现有研究从不同角度推进了 UAG 分析，但主要关注孤立因素或个别分析任务，如气体平衡评估、统计监测、泄漏和排放分析或异常消耗检测。为了解决这一局限性，贝叶斯网络（BNs）提供了一个合适的概率图框架。通过在 有向图结构中编码条件依赖关系，BNs 非常适合表示异质贡献因素之间的相互作用（Kitson et al., 2023）。它们还支持在不确定性下的概率推理，允许在有新证据出现时更新诊断结果（Kabir and Papadopoulos, 2019）。因此，BNs 为将 UAG 分析从描述性因素列举或局部异常检测转向综合概率因果诊断提供了可行的方法基础。
然而，传统 BNs 在应用于 UAG 诊断时面临实际局限性。城市燃气系统中的运营记录往往是异质和不完整的，仅从历史数据构建可靠的条件概率表（CPTs）带来挑战（Grzegorczyk, 2023）。此外，许多 UAG 相关指标涉及语言评估或半定量证据，无法用精确的数值概率表示，使得模型性能容易受到数据质量和主观不确定性的影响（Amin et al., 2021）。为了捕捉这种不精确性并减少主观性，引入了模糊贝叶斯网络（FBNs），将语言变量和不确定知识纳入概率推理中（Yazdi and Kabir, 2017, Guo et al., 2021）。近期进展进一步表明，模糊扩展可以有效地处理风险评估中模糊、随机甚至冲突的专家信息（Xu et al., 2024）。此外，熵权方法提供了一种客观的替代方案，基于信息变异性确定指标重要性，从而减轻任意的 主观权重并增强因素区分度（Zhu et al., 2020, Ayan et al., 2023, Chen et al., 2023）。这些方法共同为在 UAG 诊断中整合模糊证据、概率推理和客观指标重要性奠定了方法基础。
为了弥补这些差距，本研究开发了一个非线性熵权模糊贝叶斯网络（NEFBN）框架，用于城市燃气输配系统中系统性的 UAG 溯源。与侧重于孤立异常检测或统计监测的传统方法不同，本研究的主要贡献有三点。首先，构建了一个多层级 MPUS 指标体系，将计量仪表、管道损失、用户行为与企业管理和管网储气量估算统一为一个连贯的诊断结构。其次，将非线性熵权机制集成到 FBN 中，以捕捉异质指标差异化的先验重要性，提高表示准确性。第三，该框架无缝耦合了前向/诊断推理、敏感性分析和因果路径识别，并与基准 BN 模型进行了验证，以实现可靠的概率诊断和可解释的关键驱动因素发现。最终，该框架为精细化公用事业管理、UAG 缓解和城市燃气网络的低碳运行提供了方法论
支持和实践指导。
