看(kàn)大(dà)數據如(rú)何爲城(chéng)市供水監管配上“智慧大(dà)腦”

城(chéng)市供水安全事(shì)關人(rén)民(mín)群衆的切身(shēn)福祉，事(shì)關城(chéng)市的健康安全運行。“十三五”水專項課題“城(chéng)市供水全過程監管平台整合及業務化運行示範”，在前期關鍵技術(shù)研究的基礎上，探索綜合運用物聯網、雲計(jì)算、大(dà)數據、移動互聯網等先進信息化技術(shù)手段，整合形成了城(chéng)市供水系統監管業務平台，并在山(shān)東、河北、江蘇等省推廣應用，支撐了國(guó)家供水應急救援基地的監控管理(lǐ)和應急調度，實現了“由單一水質管理(lǐ)到供水全過程綜合監管”的功能擴展和“由技術(shù)平台到業務平台”的技術(shù)提升。下一步，課題将着力加強成果驗證與應用擴散，按照(zhào)功能完善、結構穩定、運行高效、總體(tǐ)安全的總體(tǐ)要求，不斷完善城(chéng)市供水系統監管平台構建的各項技術(shù)，爲提升我國(guó)城(chéng)市供水全過程的信息化監管能力提供全面技術(shù)支撐。

1 城(chéng)市供水監管信息化的發展現狀

改革開放(fàng)以來(lái)，我國(guó)城(chéng)市供水能力和供水質量不斷提高，現已建成規模龐大(dà)的供水設施，根據《中國(guó)城(chéng)市建設統計(jì)年(nián)鑒（2017年(nián)）》數據顯示，全國(guó)已建成城(chéng)市公共供水廠(chǎng)約2 880個。近年(nián)來(lái)，我國(guó)各地按照(zhào)相(xiàng)關政策法規的要求，開展了城(chéng)市供水水量、水質、水壓等監測能力的建設，具備了一定的供水安全監管能力。伴随着在線監測手段和信息處理(lǐ)技術(shù)的發展，我國(guó)地方政府和城(chéng)市供水單位對于革新供水行業的傳統監管方式、提高供水監管的自(zì)動化和智能化水平，表現出了濃厚興趣，“智慧水務”建設在各地蓬勃開展。

“十一五”和“十二五”期間，通過水專項課題的開展，初步建立了國(guó)家、省、市三級的城(chéng)市供水水質監測預警系統技術(shù)平台。但(dàn)一方面當前供水監管中存在實測指标不全面、監測頻率不達标、風(fēng)險預警不及時等問(wèn)題，另一方面仍有部分(fēn)地區的供水運營管理(lǐ)相(xiàng)關業務是以現場經驗判斷、手動操作(zuò)、人(rén)工(gōng)報數等傳統手段爲主，大(dà)中城(chéng)市供水單位每日(rì)積累的海量供水數據所包含的信息幾乎尚未被挖掘利用。據初步統計(jì)，我國(guó)直轄市、計(jì)劃單列市、省會城(chéng)市等36個重點城(chéng)市的130多個公共供水廠(chǎng)，每年(nián)積累的水質信息就(jiù)多達1 350萬餘條。當前供水大(dà)數據所蘊藏的信息利用潛能已越來(lái)越爲業内所共識，部分(fēn)城(chéng)市供水單位開始利用供水大(dà)數據開展了漏損控制、管網健康度評價管理(lǐ)等工(gōng)作(zuò)。國(guó)外一些供水單位對供水數據的應用也進行了一些探索，例如(rú)英國(guó)聯合水務用供水數據預測未來(lái)用水量，從(cóng)而提前做好生(shēng)産預案；荷蘭的Vitens公司針對管網建立了預警系統可(kě)以在2 min内識别爆管事(shì)件(jiàn)；歐盟資助的智慧水務項目也在研究根據用戶用水習慣預測未來(lái)用水量和消費趨勢等。

當前我國(guó)各地的供水監管信息化水平雖有差異，但(dàn)信息化建設進程正在提速發展。“十三五”期間，依托“城(chéng)市供水全過程監管平台整合及業務化運行”課題，多家供水單位在建成了業務應用系統模塊基礎上，正在探索進一步提高信息應用效率、提高監管水平。

2 城(chéng)市供水大(dà)數據的獲取來(lái)源

2.1 内部來(lái)源

2.1.1 統計(jì)報表數據

一是可(kě)從(cóng)城(chéng)市供水單位、水質檢測機(jī)構等單位獲取水質數據，包括水源水、水廠(chǎng)各工(gōng)藝段進出水、出廠(chǎng)水、管網水、二次供水、龍頭水等環節的水質檢測數據；二是可(kě)從(cóng)城(chéng)市供水單位獲取生(shēng)産數據，包括設施資産、設備工(gōng)況、材料庫存、售水情況、供水用戶信息、供水管網信息、設備維護檢修記錄、服務投訴信息等。

2.1.2 設備自(zì)動監測數據

一是可(kě)從(cóng)城(chéng)市供水主管部門(mén)和城(chéng)市供水單位收集獲取設備自(zì)動監測數據，包括在線采集的水量、水位、水質等實時數據；二是可(kě)從(cóng)城(chéng)市供水單位獲取現場作(zuò)業數據，包括員(yuán)工(gōng)通過移動設備人(rén)爲實時遠(yuǎn)傳的地理(lǐ)位置、供水用戶水量、事(shì)故特征、現場照(zhào)片、視頻等數據。

2.2 外部來(lái)源

除了獲取城(chéng)市供水系統内各部門(mén)數據，還(hái)可(kě)從(cóng)環保、水利、氣象、衛生(shēng)健康等相(xiàng)關部門(mén)獲取與城(chéng)市供水相(xiàng)關的水質、水文、氣象等數據。

此外，在不影(yǐng)響被訪問(wèn)的網站(zhàn)正常運行的前提下，采用符合法律、法規的方式，例如(rú)網絡爬蟲等技術(shù)，可(kě)獲取政府機(jī)構、企業等組織提供的與供水服務有關的免費開放(fàng)數據，包括供水水質信息公開數據、供水事(shì)故信息、人(rén)口數據、建築信息數據等。

3 大(dà)數據在城(chéng)市供水監管中的典型應用場景及實踐案例

3.1 水源和水廠(chǎng)大(dà)數據應用

3.1.1 水質風(fēng)險關鍵指标篩選

在水質日(rì)常監測、風(fēng)險預警和管控過程中，通過對水源、水廠(chǎng)，以及輸配水過程中的水質指标及其環境類指标進行相(xiàng)關性分(fēn)析，找出不同水質指标之間、水質指标與其它環境類指标之間的内在關聯性，可(kě)篩選出水質風(fēng)險關鍵指标。

以篩選可(kě)預測水源水體(tǐ)富營養化的水質預警指标爲例，山(shān)東省城(chéng)市供排水水質監測中心對某市水庫近5年(nián)的原水水質月檢數據進行了整理(lǐ)分(fēn)析，包括溶解氧、總磷、總氮、氨氮、硝酸鹽（以N計(jì)）、氮磷比、pH、渾濁度、葉綠素a等9項水質指标。皮爾森相(xiàng)關系數計(jì)算結果顯示，原水中葉綠素a與硝酸鹽、總氮、pH、總磷、氮磷比、氨氮濃度存在顯著相(xiàng)關性。進一步分(fēn)析發現，氨氮和磷元素是水源水中藻類增長最重要的限制因素。因此，初步篩選将pH、總磷和氨氮指标納入預測水源水體(tǐ)富營養化趨勢的預警指标。

3.1.2 水質風(fēng)險預警模型建立

以曆史水質數據、相(xiàng)關水文及環境類等數據爲基礎，通過應用各類數據特征挖掘與分(fēn)析技術(shù)，構建時間序列、回歸分(fēn)析等風(fēng)險評估模型，可(kě)對水質指标的未來(lái)數值和風(fēng)險進行預測，通過單點阈值、多點聯動等方式進行水質風(fēng)險預警。

以預測原水高錳酸鹽指數超标風(fēng)險爲例，山(shān)東省城(chéng)市供排水水質監測中心爲做好水質風(fēng)險預警，根據2012年(nián)5月～2016年(nián)2月的高錳酸鹽指數月檢數據，預測未來(lái)一段時間的高錳酸鹽指數月度平均值。根據數據波動特征，選擇指數平滑法模型進行分(fēn)析，預測結果顯示2016年(nián)3～8月的高錳酸鹽指數月均濃度不存在超标風(fēng)險。

3.1.3 水廠(chǎng)運行工(gōng)藝調整輔助決策

通過分(fēn)析原水關鍵水質指标在工(gōng)藝流程中的變化情況，并對工(gōng)藝運行參數如(rú)藥耗、濾池反沖洗周期、排泥周期等，以及出水水質情況同步分(fēn)析，可(kě)基于不同進出水水質條件(jiàn)下的運行工(gōng)況和水質預警結果構建工(gōng)藝調整輔助決策模型。當面臨水源地水質突變、水廠(chǎng)藥耗增加等相(xiàng)關參數變化問(wèn)題時，可(kě)将相(xiàng)關信息作(zuò)爲輸入參數，利用輔助決策模型模拟出水情況，從(cóng)而避免了人(rén)爲判斷的主觀性。此外，輔助決策模型也可(kě)預測出水水質達标條件(jiàn)下對應的水源地水質預警值及工(gōng)藝藥耗最小值。

北京首創股份有限公司在經營華北某水廠(chǎng)時，爲了提前準備工(gōng)藝預案，基于2014～2017年(nián)實測的進出水水質數據和記錄的運行工(gōng)況數據，建立“水源地水質/水量-水廠(chǎng)藥耗-出水水質”在不同區間下一一對應的關聯性，并采用人(rén)工(gōng)神經網絡技術(shù)建立了工(gōng)藝調整輔助決策模型。模型的輸入值主要包括進水條件(jiàn)（溫度、pH）、水源地水質（渾濁度、色度、高錳酸鉀指數、細菌總數）、進水水量及藥品投加量（聚合氯化鋁投加量、加氯量），輸出值爲經淨水工(gōng)藝處理(lǐ)後的對應出廠(chǎng)水質。通過改變不同的工(gōng)況條件(jiàn)，可(kě)準确快(kuài)捷地預測得(de)到對應的出水水質，并可(kě)同步計(jì)算所實現的污染物去(qù)除率，同時可(kě)反推在出水水質達标要求下，進水條件(jiàn)或各工(gōng)況工(gōng)藝參數的預警值。

3.2 供水管網大(dà)數據應用

在明确供水管網運行事(shì)故具體(tǐ)評價對象前提下，根據供水管網大(dà)數據，可(kě)建立模型對供水管網的運行事(shì)故評價指标發生(shēng)概率進行定量預測。進一步結合管道級别、道路(lù)等級、人(rén)口密度等因素，可(kě)通過構建定量判别指标體(tǐ)系和評判标準，評估管道風(fēng)險影(yǐng)響程度，從(cóng)而明确管道修複/更新改造的優先級，科(kē)學劃定供水管網修複/更新改造的範圍。

以評估供水管網運行風(fēng)險爲例，深圳市水務（集團）有限公司選擇爆管風(fēng)險作(zuò)爲供水管網運行風(fēng)險的評估指标，選取管材、管徑、管齡、道路(lù)負荷、運行壓力、雜散電流、是否發生(shēng)破損等影(yǐng)響因子，采用随機(jī)森林模型構建了供水管網爆管風(fēng)險評估模型，取得(de)了較好的預測結果（見(jiàn)圖2），以該數值的大(dà)小來(lái)量化評價供水管網運行風(fēng)險，并作(zuò)爲制定供水管網更新改造計(jì)劃的重要數據參考。

利用供水大(dà)數據開展管網漏損控制也是當前的熱(rè)點應用之一。伴随着住建部《城(chéng)鎮供水管網分(fēn)區計(jì)量管理(lǐ)工(gōng)作(zuò)指南(nán)——供水管網漏損管控體(tǐ)系構建（試行）》等相(xiàng)關政策文件(jiàn)的出台，基于分(fēn)區計(jì)量管理(lǐ)的漏損控制在北京、上海、鄭州等多個城(chéng)市得(de)以推廣應用。

3.3 供水用戶服務信息大(dà)數據應用

3.3.1 公衆反饋供水問(wèn)題熱(rè)詞與熱(rè)圖解析

以公衆反饋的供水客服、網絡輿情等數據作(zuò)爲數據應用的核心，通過解析問(wèn)題熱(rè)詞和熱(rè)圖，可(kě)精準掌握服務痛點問(wèn)題與公衆輿情。進一步結合與之相(xiàng)關的生(shēng)産、營銷等數據，開展問(wèn)題溯源，可(kě)爲改進服務提供決策參考依據。

以改進水質投訴問(wèn)題爲例，濟南(nán)水務集團有限公司發現2016年(nián)10～12月間，水質投訴類客服工(gōng)單數量增加明顯。通過篩選統計(jì)高頻詞彙，并根據文本語義與組織結構進行最小串分(fēn)詞，選取高頻排序優先的關鍵詞構建出熱(rè)詞庫，發現高頻熱(rè)詞爲龍頭水有異味。将所有涉及龍頭水有異味數據的發生(shēng)地點進行數據抽取，發現所涉及地點圍繞某道路(lù)周邊沿線分(fēn)布，初步判定投訴問(wèn)題與該道路(lù)對應供水廠(chǎng)的出廠(chǎng)水水質或其原水水質相(xiàng)關。進一步的相(xiàng)關性分(fēn)析結果顯示，原水的藻類物質濃度與龍頭水有異味數據條目數量存在顯著相(xiàng)關性（相(xiàng)關系數爲0.969）。溯源調查發現，2016年(nián)10～12月，南(nán)水北調原水注入了水源地水庫，導緻水庫水體(tǐ)藻類物質濃度急劇(jù)升高，并分(fēn)解産生(shēng)了嗅味物質，造成水體(tǐ)異味增加。經此分(fēn)析，供水單位在外水注入水庫之際，增加了對藻類指标的檢測，提前制定生(shēng)産預案控制水質異味，減少了此類問(wèn)題的投訴率。

3.3.2 供水用戶用水行爲分(fēn)析

以供水客服數據中的供水用戶信息數據與供水管網末端小區二次供水數據爲基礎，結合其它相(xiàng)關數據，采用适當的數據挖掘技術(shù)，可(kě)構建二次供水泵房(fáng)指标變量時間序列，繼而對不同序列之間的指标變量的趨勢性、周期性及其随機(jī)性進行相(xiàng)關相(xiàng)異分(fēn)析，在此基礎上總結得(de)出該序列所代表小區用水行爲變化趨勢。

爲優化供水管網末端的壓力調度、改善客戶服務質量，濟南(nán)水務集團有限公司以供水用戶信息與2018年(nián)的二次供水生(shēng)産數據爲基礎，結合與之相(xiàng)關的其它業務數據，分(fēn)析了不同小區之間的用水量變化特征。以其中2座泵房(fáng)爲例，泵房(fáng)a所在小區建成于2004年(nián)、泵房(fáng)b所在小區建成于2011年(nián)，兩座泵房(fáng)設備運行狀态良好，在線儀表經過校(xiào)準，且上遊供水水廠(chǎng)相(xiàng)同、上級加壓站(zhàn)相(xiàng)同。分(fēn)析發現，泵房(fáng)a實時流量最高值多出現在0時，18時，7時，9時，10時，15時，16時，最低值多出現在5時，23時，2時，全天用水無明顯高峰；泵房(fáng)b實時流量最高值多出現在0，22，7時，最低值多出現在6時，23時，3時，用水量的峰谷波動明顯。結合小區業主用戶平均年(nián)齡（泵房(fáng)a所在小區平均48.5歲，泵房(fáng)b所在小區平均38.3歲），推斷出泵房(fáng)a所在小區，由于成年(nián)人(rén)，尤其老年(nián)人(rén)較多，用水無明顯高峰；泵房(fáng)b所在小區，由于青壯年(nián)、學前及義務教育階段适齡人(rén)群較多，導緻出現晨間與晚間用水高峰時間的波動。根據不同小區之間供水用戶平均年(nián)齡、小區位置、小區建造時間等因素，針對性地定性溯源用水行爲特征産生(shēng)原因，從(cóng)而爲提前做好客戶服務預案和供水調度決策提供了數據支撐。

4 結語

針對當前城(chéng)市供水監管中存在的信息化水平較低、數據價值挖掘不足等問(wèn)題，基于大(dà)數據分(fēn)析中的數據挖掘和綜合評價等技術(shù)，利用相(xiàng)關性分(fēn)析、随機(jī)森林、神經網絡等數據分(fēn)析算法，可(kě)對城(chéng)市供水大(dà)數據潛在信息進行提取分(fēn)析，開展大(dà)數據技術(shù)在供水安全動态監管與風(fēng)險預警領域的應用。