看大数据如何为城市供水监管配上“智慧大脑”

城市供水安全事关人民群众的切身福祉，事关城市的健康安全运行。“十三五”水专项课题“城市供水全过程监管平台整合及业务化运行示范”，在前期关键技术研究的基础上，探索综合运用物联网、云计算、大数据、移动互联网等先进信息化技术手段，整合形成了城市供水系统监管业务平台，并在山东、河北、江苏等省推广应用，支撑了国家供水应急救援基地的监控管理和应急调度，实现了“由单一水质管理到供水全过程综合监管”的功能扩展和“由技术平台到业务平台”的技术提升。下一步，课题将着力加强成果验证与应用扩散，按照功能完善、结构稳定、运行高效、总体安全的总体要求，不断完善城市供水系统监管平台构建的各项技术，为提升我国城市供水全过程的信息化监管能力提供全面技术支撑。

1 城市供水监管信息化的发展现状

改革开放以来，我国城市供水能力和供水质量不断提高，现已建成规模庞大的供水设施，根据《中国城市建设统计年鉴（2017年）》数据显示，全国已建成城市公共供水厂约2 880个。近年来，我国各地按照相关政策法规的要求，开展了城市供水水量、水质、水压等监测能力的建设，具备了一定的供水安全监管能力。伴随着在线监测手段和信息处理技术的发展，我国地方政府和城市供水单位对于革新供水行业的传统监管方式、提高供水监管的自动化和智能化水平，表现出了浓厚兴趣，“智慧水务”建设在各地蓬勃开展。

“十一五”和“十二五”期间，通过水专项课题的开展，初步建立了国家、省、市三级的城市供水水质监测预警系统技术平台。但一方面当前供水监管中存在实测指标不全面、监测频率不达标、风险预警不及时等问题，另一方面仍有部分地区的供水运营管理相关业务是以现场经验判断、手动操作、人工报数等传统手段为主，大中城市供水单位每日积累的海量供水数据所包含的信息几乎尚未被挖掘利用。据初步统计，我国直辖市、计划单列市、省会城市等36个重点城市的130多个公共供水厂，每年积累的水质信息就多达1 350万余条。当前供水大数据所蕴藏的信息利用潜能已越来越为业内所共识，部分城市供水单位开始利用供水大数据开展了漏损控制、管网健康度评价管理等工作。国外一些供水单位对供水数据的应用也进行了一些探索，例如英国联合水务用供水数据预测未来用水量，从而提前做好生产预案；荷兰的Vitens公司针对管网建立了预警系统可以在2 min内识别爆管事件；欧盟资助的智慧水务项目也在研究根据用户用水习惯预测未来用水量和消费趋势等。

当前我国各地的供水监管信息化水平虽有差异，但信息化建设进程正在提速发展。“十三五”期间，依托“城市供水全过程监管平台整合及业务化运行”课题，多家供水单位在建成了业务应用系统模块基础上，正在探索进一步提高信息应用效率、提高监管水平。

2 城市供水大数据的获取来源

2.1 内部来源

2.1.1 统计报表数据

一是可从城市供水单位、水质检测机构等单位获取水质数据，包括水源水、水厂各工艺段进出水、出厂水、管网水、二次供水、龙头水等环节的水质检测数据；二是可从城市供水单位获取生产数据，包括设施资产、设备工况、材料库存、售水情况、供水用户信息、供水管网信息、设备维护检修记录、服务投诉信息等。

2.1.2 设备自动监测数据

一是可从城市供水主管部门和城市供水单位收集获取设备自动监测数据，包括在线采集的水量、水位、水质等实时数据；二是可从城市供水单位获取现场作业数据，包括员工通过移动设备人为实时远传的地理位置、供水用户水量、事故特征、现场照片、视频等数据。

2.2 外部来源

除了获取城市供水系统内各部门数据，还可从环保、水利、气象、卫生健康等相关部门获取与城市供水相关的水质、水文、气象等数据。

此外，在不影响被访问的网站正常运行的前提下，采用符合法律、法规的方式，例如网络爬虫等技术，可获取政府机构、企业等组织提供的与供水服务有关的免费开放数据，包括供水水质信息公开数据、供水事故信息、人口数据、建筑信息数据等。

3 大数据在城市供水监管中的典型应用场景及实践案例

3.1 水源和水厂大数据应用

3.1.1 水质风险关键指标筛选

在水质日常监测、风险预警和管控过程中，通过对水源、水厂，以及输配水过程中的水质指标及其环境类指标进行相关性分析，找出不同水质指标之间、水质指标与其它环境类指标之间的内在关联性，可筛选出水质风险关键指标。

以筛选可预测水源水体富营养化的水质预警指标为例，山东省城市供排水水质监测中心对某市水库近5年的原水水质月检数据进行了整理分析，包括溶解氧、总磷、总氮、氨氮、硝酸盐（以N计）、氮磷比、pH、浑浊度、叶绿素a等9项水质指标。皮尔森相关系数计算结果显示，原水中叶绿素a与硝酸盐、总氮、pH、总磷、氮磷比、氨氮浓度存在显著相关性。进一步分析发现，氨氮和磷元素是水源水中藻类增长最重要的限制因素。因此，初步筛选将pH、总磷和氨氮指标纳入预测水源水体富营养化趋势的预警指标。

3.1.2 水质风险预警模型建立

以历史水质数据、相关水文及环境类等数据为基础，通过应用各类数据特征挖掘与分析技术，构建时间序列、回归分析等风险评估模型，可对水质指标的未来数值和风险进行预测，通过单点阈值、多点联动等方式进行水质风险预警。

以预测原水高锰酸盐指数超标风险为例，山东省城市供排水水质监测中心为做好水质风险预警，根据2012年5月～2016年2月的高锰酸盐指数月检数据，预测未来一段时间的高锰酸盐指数月度平均值。根据数据波动特征，选择指数平滑法模型进行分析，预测结果显示2016年3～8月的高锰酸盐指数月均浓度不存在超标风险。

3.1.3 水厂运行工艺调整辅助决策

通过分析原水关键水质指标在工艺流程中的变化情况，并对工艺运行参数如药耗、滤池反冲洗周期、排泥周期等，以及出水水质情况同步分析，可基于不同进出水水质条件下的运行工况和水质预警结果构建工艺调整辅助决策模型。当面临水源地水质突变、水厂药耗增加等相关参数变化问题时，可将相关信息作为输入参数，利用辅助决策模型模拟出水情况，从而避免了人为判断的主观性。此外，辅助决策模型也可预测出水水质达标条件下对应的水源地水质预警值及工艺药耗最小值。

北京首创股份有限公司在经营华北某水厂时，为了提前准备工艺预案，基于2014～2017年实测的进出水水质数据和记录的运行工况数据，建立“水源地水质/水量-水厂药耗-出水水质”在不同区间下一一对应的关联性，并采用人工神经网络技术建立了工艺调整辅助决策模型。模型的输入值主要包括进水条件（温度、pH）、水源地水质（浑浊度、色度、高锰酸钾指数、细菌总数）、进水水量及药品投加量（聚合氯化铝投加量、加氯量），输出值为经净水工艺处理后的对应出厂水质。通过改变不同的工况条件，可准确快捷地预测得到对应的出水水质，并可同步计算所实现的污染物去除率，同时可反推在出水水质达标要求下，进水条件或各工况工艺参数的预警值。

3.2 供水管网大数据应用

在明确供水管网运行事故具体评价对象前提下，根据供水管网大数据，可建立模型对供水管网的运行事故评价指标发生概率进行定量预测。进一步结合管道级别、道路等级、人口密度等因素，可通过构建定量判别指标体系和评判标准，评估管道风险影响程度，从而明确管道修复/更新改造的优先级，科学划定供水管网修复/更新改造的范围。

以评估供水管网运行风险为例，深圳市水务（集团）有限公司选择爆管风险作为供水管网运行风险的评估指标，选取管材、管径、管龄、道路负荷、运行压力、杂散电流、是否发生破损等影响因子，采用随机森林模型构建了供水管网爆管风险评估模型，取得了较好的预测结果（见图2），以该数值的大小来量化评价供水管网运行风险，并作为制定供水管网更新改造计划的重要数据参考。

利用供水大数据开展管网漏损控制也是当前的热点应用之一。伴随着住建部《城镇供水管网分区计量管理工作指南——供水管网漏损管控体系构建（试行）》等相关政策文件的出台，基于分区计量管理的漏损控制在北京、上海、郑州等多个城市得以推广应用。

3.3 供水用户服务信息大数据应用

3.3.1 公众反馈供水问题热词与热图解析

以公众反馈的供水客服、网络舆情等数据作为数据应用的核心，通过解析问题热词和热图，可精准掌握服务痛点问题与公众舆情。进一步结合与之相关的生产、营销等数据，开展问题溯源，可为改进服务提供决策参考依据。

以改进水质投诉问题为例，济南水务集团有限公司发现2016年10～12月间，水质投诉类客服工单数量增加明显。通过筛选统计高频词汇，并根据文本语义与组织结构进行最小串分词，选取高频排序优先的关键词构建出热词库，发现高频热词为龙头水有异味。将所有涉及龙头水有异味数据的发生地点进行数据抽取，发现所涉及地点围绕某道路周边沿线分布，初步判定投诉问题与该道路对应供水厂的出厂水水质或其原水水质相关。进一步的相关性分析结果显示，原水的藻类物质浓度与龙头水有异味数据条目数量存在显著相关性（相关系数为0.969）。溯源调查发现，2016年10～12月，南水北调原水注入了水源地水库，导致水库水体藻类物质浓度急剧升高，并分解产生了嗅味物质，造成水体异味增加。经此分析，供水单位在外水注入水库之际，增加了对藻类指标的检测，提前制定生产预案控制水质异味，减少了此类问题的投诉率。

3.3.2 供水用户用水行为分析

以供水客服数据中的供水用户信息数据与供水管网末端小区二次供水数据为基础，结合其它相关数据，采用适当的数据挖掘技术，可构建二次供水泵房指标变量时间序列，继而对不同序列之间的指标变量的趋势性、周期性及其随机性进行相关相异分析，在此基础上总结得出该序列所代表小区用水行为变化趋势。

为优化供水管网末端的压力调度、改善客户服务质量，济南水务集团有限公司以供水用户信息与2018年的二次供水生产数据为基础，结合与之相关的其它业务数据，分析了不同小区之间的用水量变化特征。以其中2座泵房为例，泵房a所在小区建成于2004年、泵房b所在小区建成于2011年，两座泵房设备运行状态良好，在线仪表经过校准，且上游供水水厂相同、上级加压站相同。分析发现，泵房a实时流量最高值多出现在0时，18时，7时，9时，10时，15时，16时，最低值多出现在5时，23时，2时，全天用水无明显高峰；泵房b实时流量最高值多出现在0，22，7时，最低值多出现在6时，23时，3时，用水量的峰谷波动明显。结合小区业主用户平均年龄（泵房a所在小区平均48.5岁，泵房b所在小区平均38.3岁），推断出泵房a所在小区，由于成年人，尤其老年人较多，用水无明显高峰；泵房b所在小区，由于青壮年、学前及义务教育阶段适龄人群较多，导致出现晨间与晚间用水高峰时间的波动。根据不同小区之间供水用户平均年龄、小区位置、小区建造时间等因素，针对性地定性溯源用水行为特征产生原因，从而为提前做好客户服务预案和供水调度决策提供了数据支撑。

4 结语

针对当前城市供水监管中存在的信息化水平较低、数据价值挖掘不足等问题，基于大数据分析中的数据挖掘和综合评价等技术，利用相关性分析、随机森林、神经网络等数据分析算法，可对城市供水大数据潜在信息进行提取分析，开展大数据技术在供水安全动态监管与风险预警领域的应用。