利用数据流进行供水二次管网的漏损控制技术分析

摘要：城市供水系统是城市基础设施的重要组成部分，保障供水系统的正常运行对于提高城市生活质量和促进经济发展至关重要。本文总结了实时数据分析技术在供水系统漏损管理中的应用，详细探讨了流量、压力、水质及地理信息数据的实时监测与采集方法。采集的数据通过回归分析、灰色预测模型及多种机器学习算法进行漏损预测，并通过物理硬件检测法和基于模拟计算的方法进行漏损定位，展示了贝叶斯理论、神经网络算法及支持向量机在漏损识别中取得的研究成果。最后，探讨了在数据和模型两方面所面临的挑战，并提出了相应的改进建议，为未来城市供水管网漏损治理提供了科学依据与实践指导。

关键词：供水系统；实时数据分析；漏损预测；漏损定位；机器学习方法

中图分类号：TK284.7" "文献标识码：A" "文章编号：２０９６-2118（2024）04-0077-06

Data Flow is Used to Analyze the Leakage Control Technology of Secondary Water Supply Network

YUE Wen1，WANG Jian2*，WANG Kaixuan1，LIU Zisheng1，YAN Shuojie1，PENG Yaxuan3

（1：Civil Engineering Department，North China Institute of Aerospace Engineering，Langfang Hebei〓065000，China；2：Langfang Qingquan Water Supply Co.，Ltd.，Langfang Hebei 065000，China；3：Hebei University of Technology，Tianjin 300400，China）

Abstract：Urban water supply system is an important part of urban infrastructure，ensuring the normal operation of water supply system is very important to improve the quality of urban life and promate the economic development．This paper summarized the application of real-time data analysis technology in water supply system leakage management，and it discussed in detail the real-time monitoring and data collection methods for flow，pressure，water quality，and geographic information.The collected data is used for leakage prediction through regression analysis，grey prediction models，and various machine learning algorithms，and leakage location is identified using physical hardware detection methods and simulation-based approaches，showcasing research achievements in Bayesian theory，neural network algorithms，and support vector machines for leakage identification.Finally，the paper addressed challenges related to data and models and proposed corresponding improvements，providing scientific basis and practical guidance for future urban water supply network leakage management.

Keywords：water supply system；real-time data analysis；leakage prediction；leakage localization；machine learning method

0 引言

在城市供水系统中，管网漏损存在多种负面影响，如供水成本上升、供水安全性降低、能源及水资源消耗增加等[1]。随着城市化进程的加快和用水需求的不断增加，如何有效控制和降低供水系统中的漏损率，成为供水企业面临的重要挑战。

实时数据分析技术通过实时监测、数据采集和智能分析，为供水系统的漏损管理提供了新的思路和方法。目前，我国供水企业普遍采用人工进行漏损控制，该方法存在着响应慢、效率低、质量差等缺点[2]。而实时数据分析技术能够实时获取管网中的流量、压力、水质等关键参数[3]，结合大数据分析和机器学习算法，及时发现异常点，定位漏损位置，并评估漏损量，为供水企业提供科学的决策依据。

1 小区二次管网的监测数据

数据采集是数据流分析的基础，通过互联网、各种传感器和监测设备，实时监控采集供水系统中的流量、压力、水质等数据[4]。数据采集的准确性和实时性直接影响数据流分析的效果，决定了后续数据挖掘分析和水务企业智慧化管理的质量[5]。

1.1 流量数据

流量数据是指单位时间内通过管道的水量，通常通过安装在管道上的流量计进行测量，常用的流量测量设备包括机械式水表、超声波流量计和电磁流量计等，这些设备能够实时记录水流的速度和流量，为供水量的计算和分析提供基础数据。流量数据能够直观地反映供水系统的运行状态，展示某个时间段内用水的高峰和低谷。通过对流量数据进行分析，可以总结出小区的用水规律，从而减少确定漏损位置所耗时间[6]。

1.2 压力数据

压力数据是指管道内水的压力值，通过安装在管道不同位置的压力传感器进行实时监测，常用的压力测量设备包括机械式压力表和电子式压力传感器。压力数据反映了管网的运行状态，当水压过低时，用户端会出现水流不畅等现象；当水压过高时，用户端会出现水流过快等现象[2]。通过对压力数据的分析，可以及时发现和处理供水压力异常问题，确保供水的稳定性和安全性。

1.3 水质数据

水质数据包括水的物理、化学和生物学指标，如浑浊度、pH值、余氯含量、细菌总数等。由于不同城市供水量、管网特性的不同，因此供水量引起的水质数据变化程度很难统一[7]。故需对水质数据进行实时监控，及时发现水质异常，从而采取相应的处理措施。二次供水系统的水质数据反映了供水的质量情况和卫生安全性，直接关系到用户的健康[8]。

1.4 管网地理信息数据

管网地理信息数据是指小区供水管网的地理位置、管道走向、管径、材质等信息，通常通过测绘和数据库建设实现数据的收集。地理信息数据反映了管网的空间分布和结构，通过地理信息系统（GIS）进行管理和展示。对地理信息数据进行分析有助于全面了解管网布局，从而进行管网优化设计和管理，快速定位故障点，提高管网维护和抢修的效率。

2 漏损预测与定位模型

在城市建设中，供水设施是最基础的设施之一，对确保城市经济的快速稳定发展和提升居民生活水平具有至关重要的作用。对供水管网进行漏损预测与定位不仅可以保护宝贵的水资源、提高经济效益和能源效率、减少维护成本，还能改善供水服务质量、延长设备寿命。

2.1 漏损预测模型

根据数据特征、预测精度、模型的复杂度和计算需求以及适用范围，对漏损预测模型进行如下分类总结。

2.1.1 回归分析

回归分析是一种统计方法，用于探索因变量（待预测或解释的变量）与一个或多个自变量（解释变量）之间的关系。在城市供水管网漏损中，回归分析可以通过收集和处理相关数据（如历史漏损、水压、管道材质、环境条件等），建立数学模型，量化和分析这些因素对漏损的影响，进而可以预测未来可能的漏损情况，帮助提前预警并采取维护措施，以减少实际漏损事件并提高供水系统的效率[9]。王丽娟等[10]通过收集实际供水管网漏损数据进行分析，结合季节性周期特点，建立了基于差分自回归移动平均模型的管网漏损预测模型，预测平均相对误差＜15％，满足工程需要。

多级回归分析可以将漏损问题与供水系统的特征参数联系起来，还可以将其他因素纳入考虑范畴，如地理位置、年份、降雨量等，从而更全面地了解影响漏损的各种因素，并为管网漏损评估提供更准确的预测模型[11]。张宏伟等[12]收集分析实际供水管网漏损数据后，根据漏损的频率，采用多元线性回归方法和灰色预测方法，建立了城市供水管网漏损时间预测模型。验证结果显示，两种方法的平均相对误差分别为21%和5.48%，能够满足城市供水管网漏损宏观管理的需要，提升管网维护和漏损防控的效能。

2.1.2 灰色预测模型

灰色预测模型是一种用于数据预测的方法，灰色系统指的是同时含有已知信息和未知信息的系统[13]。灰色系统模型在预测管网漏损方面，既结合了多年的经验所带来的确定性，也考虑了各种外部因素影响的不确定性[14]。

傅玉芬[15]通过灰色序列方法对供水管网漏损数据进行预测拟合，并建立漏损预测模型。包涵等[16]基于特定时间段的漏损率原始数据，分别建立传统灰色模型、无偏灰色模型等维灰色模型和改进等维灰色模型进行预测，经对比，等维灰色模型的残差数列均值最小（0.21），精度等级最高（1级），能够更高效地反映系统变化，并提高预测精度。

2.1.3 机器学习算法

1） 最小二乘支持向量机算法的预测模型

最小二乘支持向量机（Least Squares Support Vector Machine，简称LSSVM）是一种基于支持向量机（SVM）的改进算法。它通过将传统SVM的二次规划问题转化为线性方程组来简化计算步骤，从而提升算法的效率。王彤等[17]将监测数据用于粒子群优化（Particle Swarm Optimization，简称PSO）寻优最小二乘支持向量机（LSSVM）算法的预测模型，PSO是一种基于群体智能的优化算法，PSO算法通过在搜索空间中移动一群称为粒子的个体来寻找最优解，如图1所示。对预测模型进行训练和评估，其平均预测误差百分比为0.07%，预测精度准确，稳定性高。陈磊等[18]运用自适应遗传算法（AGA）优化LSSVM的参数，构建了AGA-LSSVM的初次给水管漏损时间预测模型。这种方法平均仅需433秒即可找到最优解，大幅提升了建模效率，平均绝对相对误差低至3.31%，展现了优异的预测能力。

2） 基于FFB-LSTM的供水计量区短时水量预测方法

长短时记忆神经网络（Long Short-Term Memory，简称LSTM）是一种递归神经网络（RNN）的特殊变体，旨在解决传统RNN在处理长时间依赖问题时表现不佳的问题。王晓婷等[19]提出了一种基于多维度水量融合提升信息利用率的学术思想，并采用LSTM作为实现手段，提出了融合多维度水量数据的LSTM预测算法（FFB-ISTM），经过与传统全连接人工神经网络和LSTM进行对比，得出FFB-ISTM拥有最低的平均绝对百分比误差（4.71%），能够高精度地预测计量区超短时需水量。

在选择漏损预测模型时，需要综合考虑数据量、数据特征、预测精度、模型复杂度和计算需求等多方面因素。表1对上述四种漏损预测模型的适用情况、优点和缺点进行了总结。

2.2 漏损定位模型

供水管网漏损定位的研究包括物理硬件检测法（检测设备和技术的更新与改进）和基于模拟计算的供水管网漏损定位[20]。

2.2.1 物理硬件检测法

物理硬件检测法是通过使用专门设计的物理设备，如声波、超声波、激光、光纤传感器等，直接探测和分析管道中的流动异常、振动或物质泄漏来识别和定位管网漏损的一种技术方法。主要包括听音检测法、相关检漏法、探地雷达法、示踪检漏法、负压检漏法和红外检漏法，其原理及优缺点见表2。

2.2.2 基于模拟计算的供水管网漏损定位

为了降低漏损水平，减少漏损水量，需采取有效的控制措施。近年来，国内外研究人员基于模型算法建立了漏损模型。这些模型利用管网中大量的压力、流量等监测数据，通过数学模型和计算机算法等软件来识别漏点，从而指导实际的检漏工作。

1） 贝叶斯理论

贝叶斯理论是一种统计方法，通过先验概率（已有的知识）和似然函数（新数据的观测）来更新和计算事件发生的概率。李霞[26]在泄漏定位机理模型中引入了贝叶斯理论，而周泽渊等[27]将贝叶斯理论与遗传算法结合进行漏损定位，提出该方法具有探测速度快、定位结果准确的优点。王彤等[28]基于图论法建模理论得出插值估计管网节点压力，通过分析各节点压力监测值和漏损发生后实测值的残差估计漏损位置，并借助贝叶斯理论对定位结果进行时序推理，将一定时段内概率最大的节点视为发生漏损的位置，如图2所示。经检测，该方法能有效缩小供水系统故障区域的搜寻范围，所有泄漏位置的定位偏差都≤300 m，其中部分≤70 m。

2） 神经网络算法

BP（Back Propagation）神经网络是一种多层前馈神经网络，信号向前传递，误差反向传递。其可分为输入、隐含和输出三个层次，输入层接收外部输入值，输出层输出BP神经网络的预测值，各层之间由不同权值连接。王珞桦等[29]通过对给水管网流量和压力进行在线监测，利用BP神经网络预测漏损点位置，预测得出的160组定位结果与理论定位结果的误差基本＜0.1，可实现较为准确的损点定位。而郑嘉龙等[30]基于BP神经网络仿真实验对DMA漏损定位进行研究，在极简传感器配置条件下，误差基本＜0.2，误差百分比基本＜0.05，BP神经网络模型对DMA供水管网漏损定位预测有比较好的效果。

卷积神经网络具备自动提取特征的能力，大幅提升了图片识别的准确率[31]。赵林硕等[32]基于地面振动信号和时频卷积神经网络设计了漏损信号自动识别模型，将包含漏损特征的时频图像输入到卷积神经网络，并对网络超参数进行优化，最终模型在测试集的平均准确率为97.3%，而对于难以辨别的漏损点平均识别率仍维持在91.0%的高水平，具有准确的漏损定位能力。张鹏等[33]通过多任务卷积神经网络模型结合无线多探头漏损定位仪，能够探测地面上泄漏并且定位漏点位置。在实际应用中，该模型的识别准确率高达98.63%，平均定位误差仅为0.2 m，效果显著。

3） 支持向量机

支持向量机（SVM）是一种监督学习模型，通过构建一个高维特征空间中的最优超平面，最大化分类边界的间隔，从而有效地将数据点分类到不同的类别中。MAMO等[34]提出了一种基于多分类支持向量机的漏损检测与分类方法。基于现场实测的流量和压力，对DMA的运行工况进行了识别。王力等[35]建立了基于向量机方法的漏损辨识模型，并采用粒子算法对向量机参数进行优化，从而实现对漏损点的定位，实验结果显示，该方法的定位误差仅为2.9%，达到了供水管网监测的高标准要求，为管网维护提供了可靠的技术支持。

支持向量回归（SVR）是支持向量机（SVM）的一个分支，杨辉斌等[36]以某村为例，在区域管网分区计量的基础上，采用遗传算法（GA）优化支持向量回归（SVR）模型（见图3），建立基于GA-SVR的水量预测模型，分析模型预测水量与实际水量之间的差异性，识别区域管网异常漏损情况，构建区域管网异常漏损检测模型。结果表明，该模型的异常漏损识别准确率为91.7%，实际应用效果良好，结合区域管网分区计量方法，可实现漏损的快速识别和定位。

3 面临的挑战及改进

在供水系统漏损管理中，尽管漏损预测与定位模型已经取得了显著成效，但仍面临着一些挑战，需要进一步研究和改进。

3.1 数据完整性与质量

数据的完整性和质量影响着模型的预测精度和稳定性。在实际供水系统中常存在数据不完整、不一致和噪声等问题，如传感器故障、数据传输中断及人为因素导致的数据缺失和异常。为解决这些问题，可以引入先进的数据预处理技术，如数据插值、缺失数据填补、异常值检测与修复等，补充缺失数据。同时，优化传感器网络布局，增强数据采集的冗余性和可靠性，确保关键节点数据的连续性和准确性。此外，引入物联网和智能传感器技术，实现更精细化和智能化的实时监测和数据采集，进一步提高数据质量和漏损检测的精度和效率。

3.2 数据隐私与安全

供水系统的数据涉及用户隐私和公共安全，数据泄露和滥用可能带来严重后果。应采用先进的数据加密和访问控制技术，以确保数据在采集、传输和存储过程中的安全性。同时，引入隐私保护计算技术，如差分隐私和多方安全计算，在保证数据隐私的前提下进行数据分析和模型训练。

3.3 模型的适应性与鲁棒性

供水系统复杂多变，不同区域和时间段的供水条件和环境因素差异较大，导致模型在迁移应用时可能会遇到不通用或误差大的问题。基于此，可通过引入迁移学习技术，将在一个区域或时间段训练的模型知识迁移到其他区域或时间段，以提高模型的泛化能力和适应性。同时，采用多模型融合的方法，将不同算法的优点结合起来，增强模型的鲁棒性和适应性。

4 结语

小区二次供水系统的漏损控制是一个复杂的系统工程，传统的漏损控制方法存在诸多不足，而实时数据分析技术的引入为提高漏损管理效率和准确性提供了新的思路。实时数据分析技术通过实时采集数据并进行分析，可以有效地监测供水系统中的关键参数并发现漏损异常点，提高供水系统的运行效率和安全性。本文中总结了当前在漏损预测和定位中的多种算法，它们在不同数据场景下展现了较高的预测精度和实用性。然而，目前的漏损预测与定位仍面临着数据和模型两方面的问题，为进一步提升漏损管理的效果，需优化数据预处理技术，保障数据隐私和安全，引入迁移学习与多模型融合。未来的研究应继续聚焦于优化多种算法的融合应用，提高漏损预测的准确性，并通过智能化技术手段实现更高效的漏损管理，以保障供水系统的稳定运行和资源的高效利用。

参 考 文 献

[1]周啸，刘书明，张娟，等.供水管网漏损评定的二元水平衡分析理论探析[J].给水排水，2023，59（12）：124-129.

[2]李燕京.供水管网系统漏损智能化控制技术研究与应用[D].青岛：青岛理工大学，2010.

[3]胡诗苑，高金良，钟丹，等.供水管网流量监测数据异常值检测方法对比分析[J].中国给水排水，2024，40（3）：53-59.

[4]OBERASCHER M，RAUCH W，SITZENFREI R.Towards a smart water city：A comprehensive review of applications，data requirements，and communication technologies for integrated management[J].Sustainable Cities and Society，2022，76：103442.

[5]黄国东，龙志宏，朱子朋，等.基于支持向量机的供水管网监测数据清洗[J].给水排水，2022，58（9）：124-129.

[6]杜建军，胡诗苑，高金良，等.供水管网流量数据统计分析用于漏损定位研究[J].中国给水排水，2019，35（19）：46-49.

[7]张静，游晓旭，陆瑞，等.基于浊度、菌落总数和余氯的管网水质评价模型[J].中国给水排水，2024，40（1）：51-55.

[8]王雪峰，李辰晨，张骏鹏.基于水质提升的二次供水改造及效果评估[J].给水排水，2022，58（S1）：931-935，941.

[9]姜进峰.城市供水管网漏损专项关键技术研究[D].苏州：苏州科技学院，2013.

[10]王丽娟，张宏伟.差分自回归移动平均模型预测管网漏损的研究[J].中国给水排水，2010，26（11）：127-129.

[11]卢依娜.结合GIS和多级回归分析的城市供水管网漏损评估模型研究[J].城市建设理论研究（电子版），2024（12）：49-51.

[12]张宏伟，王亮，岳琳，等.城市供水管网漏损时间的预测模型研究[J].中国给水排水，2006（5）：52-55.

[13]王菲.城市供水管网漏损控制技术研究[D].太原：太原理工大学，2010.

[14]于江杰.基于仿真模拟的供水管网漏损控制研究[D].太原：太原理工大学，2011.

[15]傅玉芬.城市供水管网漏损控制[D].天津：天津大学，2004.

[16]包涵，刘遂庆.灰色模型在供水管网漏损预测中的应用比较[J].给水排水，2010，36（1）：157-159

[17]王彤，李钟毓，康炳卿，等.基于管网分区流量数据的漏损检测方法研究[J].水电能源科学，2023，41（7）：127-131.

[18]陈磊，王培永.基于遗传最小二乘支持向量机的初次给水管漏损时间预测模型[J].浙江工业大学学报，2021，49（5）：546-549.

[19]王晓婷，吴以朋，刘书明，等.基于FFB-LSTM的供水计量区超短时水量预测方法研究[J].给水排水，2023，59（3）：133-139.

[20]王一霖.基于卡尔曼滤波算法的供水管网漏失估计耦合模型研究[D].青岛：青岛理工大学，2023.

[21]张先峰.供水管网检漏及相关措施的研究分析[J].中国石油和化工标准与质量，2012，32（S1）：126.

[22]GARC？魱A-？魣VILA F，AVILES-ANAZCO A，ORDONEZ-JARA J，et al.Pressure management for leakage reduction using pressure reducing valves. Case study in an Andean city[J].Alexandria Engineering Journal，2019，58（4）：1313-1326.

[23]郭新蕾，郑飞飞，马朝猛，等.输水管道泄漏的探地雷达检测原理和现象机理分析[J].水利学报，2021，52（7）：781-792.

[24]黄哲骢，李康均，苏键，等.供水管网漏损现状及漏损检测方法研究综述[J].科技通报，2020，36（4）：10-16，27.

[25]聂维.基于负压波的供水管道泄漏检测与漏点定位方法研究[D].成都：西华大学，2022.

[26]李霞.城市供水管网漏损定位及控制研究[D].天津：天津大学，2006.

[27]周泽渊，金涛.基于贝叶斯理论和遗传算法的管网漏损探测定位[J].实验室研究与探索，2016，35（2）：26-29，262.

[28]王彤，康炳卿，李钟毓，等.基于图论法和贝叶斯理论的供水管网漏损定位方法[J].水电能源科学，2023，41（8）：135-138.

[29]王珞桦，李红卫，吕谋，等.基于BP神经网络深度学习的供水管网漏损智能定位方法[J].水电能源科学，2019，37（5）：61-64.

[30]郑嘉龙，杨鸽.基于BP神经网络的DMA漏损定位仿真实验设计[J].大学物理实验，2023，36（6）：93-97.

[31]SHUKLA H，PIRATLA K.Leakage detection in water pipelines using supervised classification of acceleration signals[J].Automation in Construction，2020，117：103256.

[32]赵林硕，叶郭煊，申永刚，等.基于时频卷积神经网络的供水管道漏损检测[J].中国给水排水，2023，39（17）：53-58.

[33]张鹏，赫俊国，黄婉仪，等.基于多任务卷积神经网络的供水管道泄漏识别和定位方法[J].给水排水，2023，59（8）：135-144.

[34]MAMO T G，JURAN I，SHAHROUR I.Virtual DMA municipal water supply pipeline leak detection and classification using advance pattern recognizer multi-class SVM[J].Journal of Pattern Recognition Research，2014，9（1）：25-42.

[35]王力，刘光尧，曾佩佩.基于SVM的机场供水管网泄漏辨识定位系统研究[J].水资源与水工程学报，2014，25（1）：38-41.

[36]杨辉斌，郑德仁，王贺龙，等.基于GA-SVR的管网异常漏损检测[J].水电能源科学，2024，42（3）：133-136.

编辑：杨 洋