智慧水务生产运营大数据平台新构想

熊建功 沈秀红

摘 要：针对传统水务行业生产运营数据深度挖掘分析能力不足，存在信息孤岛的问题，提出基于智慧水务生产运营大数据平台新构想。以生存运营系统的海量业务数据为依据，充分分析业务数据背后的价值信息，实现及时应对工艺故障、设备故障、水质问题等突发情况，为用户、政府部门主动服务，为领导提供科学决策。在此基础上实现企业保证水质安全，提供优质服务的社会效益及降低电耗、药耗的经济效益。

关键词：智慧水务;大数据平台;运营系统;工艺故障;设备故障;效益

中图分类号：TP29 文献标识码：A 文章编号：2095-1302（2019）05-00-03

0 引 言

随着大数据、物联网新一代技术日新月异，建设水务大数据平台的新构思日趋成熟。目前，我国部分省市水务企业已采用数字化管理模式，建立了专用网络，实现了水质全过程监测。企业内部通过OA系统、SCDA系统等实现了数字化办公，提高了办事效率，但系统间相对独立，不能共享信息，无法深度挖掘与分析数据[1]。数据的统计分析工作主要利用Excel软件以手工方式完成，无法交叉分析及全局比较，计算模式不足，造成了企业现有信息资源的浪费，决策者缺少有效的数据支持，导致决策缺乏科学依据[2]，因此水务行业建立智慧水务大数据平台势在必行。

1 国内外智慧水务建设

国外大部分水务公司信息化从早期无纸化办公发展到运营管理信息化，经历了建立水务系统信息化基础、完善信息化数据、实现信息化应用模块、融合数据一体化调度平台的发展过程[3]。国内水务公司也积极发展智慧水务。例如，重庆水务集团2017年制定、启动了信息化规划，计划在未来5～10年，运用云计算、大数据、物联网、人工智能等新技术，与供排水行业进行深度融合，打造真正的智慧型水务;深圳水务集团以NB-IoT智慧抄表为突破口，积极推动智慧水务变革[4]。

国外水务公司一直重视生产运营数据的分析与应用，水力模型、水质模型的应用较早、较普遍[5]，目前已延伸到预测用户水量，主动服务用户。例如，Vitens公司通过智慧水务系统能够在2 min内识别爆管事件;英国联合水务能够预测第二天的用水量。

2 水务生产运营大数据平台实施路径

智慧水务生产运营大数据平台实施路径分为全面感知、主动服务、科学决策、自动控制、及时应对，如图1所示。

全面感知：使用流量计、压力计、浊度仪、液位仪、智能水表、视频设备等实现对取水、制水、送水、排水等过程的全面感知，系统通过信息识别、信息感知、位置定位、通信技术进行处理[6]，实现常规监测与应急监测[7]。

主动服务：向水务公司提供生产、运维的主动服务;向政府主动推送与发布停水等重要信息;向管网维护人员等主动推送通知;向热线人员主动发送停水、爆管、管网检修等信息，以解决用户投诉;向用户推送水务账单，以引导用户需求。

科学决策：对原水、取水与送水、水厂制水、水厂配水、加压泵站、排水、污水处理等业务的全生命周期环节提供仿真、诊断、预报、调度、控制等方面的科学决策。

自动控制：对水源、水厂、城市供水、城市排水、污水处理厂等的自动化控制系统进行优化处理，集中控制。

及时应对：及早发现工艺故障、设备故障、水质问题、爆管等突发情况，做好应对与处理。

3 大数据平台内容

通过大数据平台汇集整个生产经营过程，以实现数据的高效化与准确化[8]。大数据平台为供排水企业的生产运营提供全面监控，提供预警报警、应急调度、决策分析功能。智慧水务大数据平台主要包括基础层、数据层、支撑层、主动决策支持与主动服务层。建设内容包括大数据标准体系、数据采集、数据处理与治理、算法模型，其框架如图2所示。

3.1 大数据标准体系建设

大数据平台标准针对大数据存储、处理、分析系统，从技术架构、建设方案、平台接口等方面进行规范，规范针对大数据产品和平台给出测试方法与要求[9]，建立水务大数据标准、流程，对公司数据资源进行梳理与分析，用于指导数据资源的生产与加工、数据仓库的建设、数据的分析挖掘与利用等，为KPI指标体系和决策支持体系提供服务。

3.2 数据采集

水务大数据平台数据采集系统主要采集结构化数据、非结构化数据、半结构化数据，主要来源于生产运营数据（如生产数据采集平台数据）、内部业务系统（如管网、SCADA、营销系统、报装系统、客服系统、视频监控系统）、外部网站或第三方服务（如天气网、水文网）。数据采集、存储、整合是分析优化的前提和基础。

3.3 数据治理

数据治理既是技术难题，也是管理难题[10]。在数据治理体系中，数据质量是最关键的工作，应以相应的规范与流程解决数据治理[11]，同时要以绩效为导向，识别业务指标[12]，提高数据治理水平。另外，水务企业生产元数据多样化且数据量较大，原始的公式计算、过程批量处理、定时器定时执行等致使数据库负荷较大，严重影响平台的展示效果，需使用专业的ETL及Quartz工具对元数据进行提取、转换及加载，完全集成的关系与维度建模、数据质量、数据审计，以及主数据与元数据生命周期的管理。

3.4 算法与模型分析

實现水务智慧管理决策需利用数据模型[13]。基于水务大数据平台，优化供水管网监测预警，建立水质预测模型，建立污水处理故障诊断模型、设备健康管理与管网漏损预测模型、供水用水需求预测优化模型。

水质预测模型：水质预测是在多元监测数据与水质参数间建立相应的映射关系[14]。一部分通过概率法、多元回归法及指数法等方法建立线性模型进行预测，预测计算量较大、精度较差;另一部分以人工神经网络预测模型为代表，具有较强的非线性映射能力、学习能力和容错性，以应用于水资源与环境工程领域中[15-16]。水务行业主要对给水、排水两个部分的检测数据、历史数据、过程数据等进行分析挖掘，构建给水水质预测分析模型、排水水质预测分析模型。对给水、排水水质进行精准预测，为水厂运营提供参考。具体步骤为：

（1）根据历史数据搭建深度神经网络模型;

（2）采集实时数据，包含给水数据、排水数据以及环境数据，对该类数据进行数据治理、数据清洗，将数据治理后的实时数据输入至给水水质预测模型、排水水质预测模型，模型分别输出给水水质预测与排水水质预测，输出成果为基于现有给水、排水流程条件下给水、排水水质预测算法分析模型。

在工艺流程不变的情况下，该算法模型能够实时预测给水、排水水质情况等关键参数，进而提供水厂运营决策。

污水处理故障诊断模型：污水处理过程是非常复杂的生化反应，一旦发生故障容易引起出水水质不达标、运行费用增高和环境二次污染等严重问题[17]，并且故障与故障间可能存在相互关联，易产生链式反应，因此建立适应性更强、全污水厂逐级分布式故障诊断系统是一个可行的研究方向[18]。

设备健康管理：采集设备数据，实时获取设备运行状态、设备关键参数等信息，通过提供分析预测工具，进行动态监测、异常预警与故障预测，提高设备整体健康状况的可见性。目前对机械设备的健康管理仍然存在故障诊断方法有限、智能诊断系统薄弱等问题，未来机械设备健康管理的智能化转型必将由深度学习推动[19]。

管网漏损预测模型：管网漏损严重影响企业经济效益，预测模型可将管网的漏损问题由被动发现转化为主动预防，为解决供水管网漏损研究提供新的思路[20]。根据实际供水数据、有效供水数据、管网状态数据以及检验数据，通过多种机器学习方法深入挖掘数据相关性，找出管网漏损规律，深入分析各个关键环节对应的漏损影响，结合专家经验，通过神经网络算法，建立管网漏损预测模型，实现管网漏损时间预测，为保养维护提供依据，达到降低管网漏损率的目标。

供水与用水需求預测优化模型：城市用水需求受到社会诸多因素的影响，其时间序列具有明显的趋势性和随机性[21]。根据历史供水数据、历史用水数据、气候数据、企业个人画像数据、管线水压等数据，通过多种机器学习方法深入挖掘数据相关性，找出供水用水规律，结合专家经验，建立供水用水预测模型，实现预测供水，为调度优化提供依据，从而降低能耗，提高用户满意度。

4 智慧水务平台发展战略

随着信息时代的到来，智慧水务的意义日益凸显，要从被动支撑水务管理转变成融入水务管理乃至主动引领水务管理，分别从水务机构设置、突发事件应急响应以及科学决策支持角度，充分发挥智慧水务的优势，由被动服务变为主动服务[22]。

通过智慧水务平台实现海量数据的汇聚、存储、整合与共享，实现TB级别的数据挖掘分析。通过构造的水务数据模型，驱动生产过程由自动化向智能化转变，实现智能化生产。

5 效益分析

5.1 社会效益分析

通过智慧水务大数据平台，提升城市运营效率;参与建设城市安全与应急体系，完善水务应急体系，切实保证公共安全;服务民生，保证水质安全，提供优质服务，提升客户满意度水平。

5.2 经济效益分析

信息化建设的基本作用是提高建设单位的工作效率，降低管理成本[23]。经过对水务信息资源的梳理形成本地水务数据标准规范，形成水务数据专题库。借助相关模型算法，大幅提升资源利用率，降低漏损率、电耗及药耗。

6 结 语

智慧水务是水务信息化的高级阶段，其核心思想是运用新一代信息技术实时感知水务状态，采集水务信息，并进行实时分析与挖掘，以更加精细、动态的方式管理水务生产、服务流程，以提升城市水务管理与服务水平。本文基于智慧水务生产运营大数据平台实施工作，对平台的实施路径、功能、效益进行分析，为水务平台建设提供参考。

参 考 文 献

[1]张维明，马名楠.供水行业信息化管理调研报告及分析[J].中国给水排水，2016 （24）：54-58.

[2]张凯旋.浅析大数据平台在水务行业中的应用[J].净水技术，2018，37（（z1）：267-270.

[3]谢丽芳，邵煜，马琦，等.国内外智慧水务信息化建设与发展[J].给水排水，2018，11（44）：135-139.

[4]刘江丽.深圳水务集团：NB-IoT加速智慧水务变革[J].中国建设信息化，2018（3）：46-47.

[5] OSIsoft.Smart water： saving millions and cutting energy by combining IT and OT with the PIsystem[EB/OL].[2016-02-18].https：//www.osisoft.com/pi-system/case-studies-and-testimonials/all-case studies/ThamesWaterEMEA2016/.

[6]高维娜，杨旭升.智慧水务新构想[J].物联网技术，2016，6（6）：91-92.

[7]胡传廉.从“数字水务”奔向“智慧水网”[J].长江技术经济，2018（3）：76-77.

[8]常亚林.智慧水务大数据平台建设[J].科技风，2018（6）：82-85.

[9]张群.大数据标准化现状及标准研制[J].信息技术与标准化，2015（7）：23-26.

[10]刘叶婷，唐斯斯.大数据对政府治理的影响及挑战[J].电子政务，2014（6）：20-29.

[11]杨春红.数据治理在数据质量管理中的影响分析[J].电脑编程与技术维护，2018（12）：92-93.

[12]王丽君，周海滨，韩丽，等.信息化和标准化管理对病案质量及DRGs入组率的影响分析 [J].中国医疗管理科学，2018，28（5）：24-27.

[13]胡翼笛.城市智慧水务发展战略研究[J].城镇供水，2017（z）：56-58.

[14]张颖，高倩倩.基于灰色模型和模糊神经网络的综合水质预测模型研究[J].环境工程学报，2015（2）：537-542.

[15]孙增圻，徐红兵.基于 T-S 模型的模糊神经网络[J].清华大学学报（自然科学版），1997，37（3）：76-82.

[16] XU L Q ，LIU S Y.Study of short-term water quality prediction model based on wavelet neural network[J].Mathematical and computer modelling，2013，58（3/4）：807-813.

[17]胡俊刚，胡雪梅.城镇污水处理厂运营现状及自动化控制的应用[J].武汉理工大学学报，2002，11（24）：66-69.

[18]李云，蒋进元，何连生，等.污水处理故障诊断方法的研究现状及展望[J].给水排水，2017，10（43）：130-135.

[19]周奇才，沈鹤鸿，赵炯，等.基于深度学习的机械设备健康管理综述与展望[J].现代机械，2018（4）：19-26.

[20]张宏伟，牛志广，陈超，等.供水管道漏损预测模型研究[J].中国给水排水，2001（6）：7-9.

[21]吴丹，王士东，马超.基于需求导向的城市水资源优化配置模型[J].干旱区资源与环境，2016，30（2）：31-37.

[22]田雨，蒋云钟，杨明祥.智慧水务建设的基础及发展战略研究[J].中国水利前研，2014（20）：14-17.

[23]张扬，郝介江，谷守刚，等.天津水务集团智慧水务建设构想[J].海河水利，2017（7）：143-145.