, 张佳欣1,3, 王莹2, 谢涛2, 强志民1,3
1. 中国科学院生态环境研究中心饮用水科学与技术重点实验室, 北京 100085;
2. 北京市自来水集团有限责任公司, 北京 100031;
3. 中国科学院大学, 北京 100049
收稿日期: 2020-09-29; 修回日期: 2020-10-09; 录用日期: 2020-10-09
基金项目: 水体污染控制与治理科技重大专项(No.2017ZX07108-002，2017ZX07501-002)；北京市自来水集团科研课题(No.20200588)；中国科学院青年创新促进会项目(No.2019043)
作者简介: 徐强(1983-), 男, E-mail:qiangxu@rcees.ac.cn
通讯作者（责任作者）: 强志民, E-mail:qiangz@rcees.ac.cn
摘要：供水管网漏损是国内外供水行业面临的普遍难题，不仅造成大量的水资源浪费，而且带来管网水质二次污染风险.因此，管网漏损控制一直是供水行业的研究热点.尤其是近年来智慧水务的发展，使管网基础信息与运行监测数据不断完善，大大推动了管网漏损控制技术的发展.综述了管网破损预测、管网漏损识别定位、管网漏损控制方案优化、数据质量控制与漏损管理系统等方面的研究进展，并分析了当前研究的特点与不足，以期为管网漏损控制技术的发展提供借鉴.
关键词：供水管网漏损控制智慧水务研究进展
Research progress on water loss control of distribution networks under smart water supply conditions
XU Qiang1,3
, ZHANG Jiaxin1,3, WANG Ying2, XIE Tao2, QIANG Zhimin1,31. Key Laboratory of Drinking Water Science and Technology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, Beijing 100085;
2. Beijing Waterworks Group, Beijing 100031;
3. University of Chinese Academy of Sciences, Beijing 100049
Received 29 September 2020; received in revised from 9 October 2020; accepted 9 October 2020
Abstract: Water loss from pipe distribution networks is a common problem faced by water supply industry all over the world,which causes not only the waste of a large amount of water resources but also the risk of secondary pollution of water in distribution pipes. Therefore,water loss control has always been a research hotspot in the water supply industry. Especially,the development of smart water supply in recent years has constantly improved the basic infrastructure information as well as the operating and monitoring data of pipe distribution networks,thus greatly promoting the development of water loss control technologies. This paper reviews the research progress on the prediction,identification and location,control scheme optimization,data quality improvement,and management system of water loss from pipe distribution networks,and also analyzes the characteristics and deficiencies of the current research,so as to provide reference for the future development of water loss control technologies.
Keywords: water distribution networkswater loss controlsmart water supplyresearch progress
1 引言(Introduction)供水管网是城镇最重要基础设施之一, 负责将饮用水保质保量地输送给用户.在长期运行中, 由于管网老化、外力破坏等原因, 常常会发生管道破损, 造成自来水泄漏.而由于管网一般深埋于地下, 泄漏不易发现, 使得管网漏损成为国内外供水行业面临的普遍问题.不仅浪费了大量的处理后的优质水以及供水各环节中消耗的能源, 还可能会引起地面塌陷、水质风险等次生问题.据《城市供水统计年鉴》的统计, 近年来我国供水管网综合漏损率平均为15%左右, 管网漏损控制刻不容缓.
然而, 由于供水管网的隐蔽性与复杂性, 漏损控制一直是一个难题, 整体控制效率较低.以往的研究主要从管网破损预测、管网漏损分析、管网优化维护、管网压力调控等方面开展, 以期揭示管网漏损的规律, 从而制定科学合理的漏损控制方案, 在一定程度上提高了管网漏损控制的效率.
近年来, 在智慧水务快速发展的背景下, 管网漏损控制技术的发展也得到了大力推动.具体表现在数据和算法两方面：供水管网计量、监测体系的不断完善, 产生了越来越大量、越来越精细的供水管网运行数据; 人工智能技术的高速发展, 则形成了许多可用于供水管网的数据分析方法, 并逐步应用于供水行业中(信昆仑等, 2019).二者结合在一起, 共同支撑了管网漏损控制效率的进一步提升.下文将对智慧水务背景下, 管网漏损控制技术所发生的一些新的研究进展进行论述, 以期为行业提供借鉴.
2 管网漏损控制理论及数据(Theory and data for water loss control of water distribution networks)在一定程度上可以说管网漏损是一个黑箱问题, 因为无论是整个管网还是管网中的某个区域, 其漏损水量都无法直接得到, 而只能通过相关数据推算得出.推算管网漏损的方法中, 应用最为广泛的是国际水协会提出的水量平衡分析方法(Farley et al., 2008).它首先统计供水系统的供水量及各类用水量, 然后由供水量减掉所有用水量得到漏损水量.再通过进一步的细分, 将漏损水量分解为真实漏失水量和表观漏损水量.其中, 真实漏失水量是指由于管网及附属设施破损导致的真正漏掉的水量; 表观漏水量是指由于表具计量误差、数据统计错误、非法用水等因素导致的损失水量.在水量平衡分析中, 很多数据(如管网破损数、表具计量误差等)都比较难以准确获得, 因此分析结果的误差可能会比较大.
由水量平衡分析方法可以看出, 管网漏损是一个系统性的问题, 需要多方面的数据、系统性的分析, 才能实现其准确分析与高效控制.表 1给出了用于管网漏损控制的常用数据, 介绍了主要数据内容与用途.
表 1(Table 1)
| 表 1 管网漏损相关数据 Table 1 Data related to water loss of distribution networks | ||||||||||||||||||
表 1 管网漏损相关数据 Table 1 Data related to water loss of distribution networks
| ||||||||||||||||||
 |
表 1所列数据为管网漏损分析、监测与控制提供了基础.各供水单位的条件不同, 其数据完善情况也参差不齐, 因此, 其所能支撑的管网漏损分析的全面性和准确性也各不相同.很多情况下, 数据成为了制约漏损控制效果的主要因素.但不可否认的是, 随着近年来供水管网分区管理的推进和智慧水务需求的提升, 供水单位的数据完善程度在逐步提高, 可用于支撑管网漏损控制的数据类型、数据量与数据质量都有了突飞猛进的发展.主要体现在以下方面.
① 管网基础信息不断完善.管网基础数据的重要性已是行业普遍共识, 缺少了管网基础信息, 漏损控制将无从谈起.随着智慧水务的推进, 管网GIS数据的覆盖面和数据质量都有了显著提升, 可据此制定针对性的、高效的漏损控制方案.
② 管网维护数据不断规范.管网破损维修记录是分析管网漏损的重要基础资料, 通常存储为一个单独的数据表或数据库.但很多情况下, 其记录的信息与管网GIS数据不匹配, 导致难以有效地分析破损规律.目前这一问题正逐步得到解决, 一些供水单位已在GIS中建立了管网破损图层, 实现了破损数据与管线基础数据的精准匹配.
③ 管网流量、压力监测点覆盖范围越来越广.管网分区管理是控制管网漏损的重要技术措施, 实施了分区管理后, 产生了更多的管网流量和压力监测点, 改变了过去基本上只在首(出厂)、末(用户)两端监测的局面, 显著提高了管网漏损管控的精细度.
④ 数据监测频率越来越高.一般情况下, 管网流量与压力监测的频率可达到每5~15 min 1次, 必要时, 可设置为更高的监测频率(如每1 min 1次甚至秒级).这种精细化的监测, 可以为管网漏损的快速识别提供强有力的支撑.
⑤ 用户用水量数据质量快速提升.随着智能水表的不断推广, 用户水量数据的准确性和频率得到了快速提升.由于漏损水量本质上是由供水量和用水量推算出来, 因此用户水量的数据质量提升, 对漏损水量准确性的提升起到了极大的作用.
3 管网漏损控制新方法的开发(New technologies development for water loss control of distribution networks)管网漏损的具体控制措施主要包括漏损监测与修复、管网更新和压力控制几个方面.这些具体措施, 需要以管网漏损规律的科学分析为支撑, 来提高应用效率.在当前智慧水务背景下, 管网漏损控制相关模型、方法的研究得到了快速发展.
3.1 管网破损预测方法管网破损预测是控制管网漏损的重要辅助技术, 可以帮助掌握管网破损规律, 明确控制重点, 制定有效的管网漏损监测与控制方案.因此, 管网破损预测模型一直是一个研究热点.管道破损的影响因素很多, Barton等(2019)将其归纳为3大类：管道本身性质, 包括管材、管龄、管径、接口、内衬、腐蚀情况、质量缺陷等; 环境因素, 包括季节变化、低温、土壤位移等; 运行因素, 包括水压、历史破损等.但这些数据很难全部获得, 只能用有限的数据来研究管网破损的规律.早期的研究主要采用统计方法, 建立管网破损与管龄、管材、管径、管长等因素之间的关系, 包括确定性模型(张宏伟等, 2006)和概率性模型(陈求稳等, 2008)两类.统计模型需要首先确定模型结构, 而管网破损的影响因素复杂, 模型结构不易确定.因此, 越来越多的研究采用数据驱动算法来建立管网破损预测模型(Berardi et al., 2008; Jafar et al., 2010; Xu et al., 2011), 突破了需要预先确定模型结构的限制, 可以更加灵活地建立模型, 并能提高模型的预测精度.这类方法采用的是管网基础数据与破损数据作为建模数据, 这些数据虽然在逐步丰富, 但并未出现质的变化, 因此, 管网破损预测模型也未得到太大突破.
3.2 基于水力数据的漏损识别定位方法管网漏损发生后会产生一个额外的流量, 故而在相关的管线上流量会发生变化, 形成与漏损发生前不同的流量模式.聚类算法通过数据之间的相似性可将数据划分为不同的类别(Rodriguez et al., 2014).随着管网流量监测体系的不断完善, 流量数据越来越多、监测频率也越来越高, 促进了这种方法在管网漏损监测中的应用.Wu等(2016)采用聚类算法, 对管网独立计量区(district metered area, DMA)5个入(出)口流量计监测得到的180 d、每5 min一条的流量时间序列数据进行了分析, 识别了流量曲线的异常变化, 并通过对引起DMA流量发生异常的可能事件进行分类, 实现了漏损预警.除了将当前流量数据与历史数据作对比之外, 还可通过将当前流量实测数据与预测数据作对比, 来发现异常.Bakker等(2013; 2014)基于管网流量的历史数据, 开发了一种自适应预测方法, 预测出未来48 h每15 min一条的流量数据, 并将实测数据与预测数据进行对比, 判断二者之间的差异, 识别流量的异常, 并给出预警信息.
当管网漏损达到爆管级别时, 可对管网压力产生显著影响.通过对该影响进行分析, 可反过来对爆管进行识别定位.陶涛等(2016)利用管网压力监测点的数据, 对比爆管前后的管网压力值变化, 并绘制出管网压降等值线, 最终确定爆管的位置.该研究基于某真实管网, 采用连续两周每15 min一条的压力数据进行分析, 同时考虑了压力值与压降值两个指标的变化范围, 做出爆管的判断, 提高了判断准确性.陈海等(2018)采用人工神经网络, 建立了事故时压力监测点的压力变化率与爆管位置之间的映射关系, 实现了爆管定位.上述两项研究均是基于实测压力数据分析进行爆管定位.也有研究通过管网水力模型计算, 生成大量爆管状态下的水力状态数据集, 然后采用人工智能算法(如人工免疫算法(Tao et al., 2014)、多分类支持向量机(Zhang et al., 2016)、深度学习算法(Zhou et al., 2019))建立爆管位置与管网压力状态之间的映射关系, 当有实测压力数据时, 利用建立的模型进行分析, 得出爆管位置.
上述研究均基于流量变化或压力变化分析, 采用的算法既包含了普通的机器学习算法, 也包含了深度学习算法.该类技术发展较快, 其主要驱动力来源于数据可用性的提高与先进算法的涌现.
3.3 管网漏损优化控制方案管网漏损控制措施的实施需要投入较高的成本, 为了提高效率和投资有效性, 需要对管网漏损控制方案进行优化, 其中两个典型的应用是管网更新周期的优化和管网压力调控的优化.
在管网优化更新方面, 主要目标是寻找管网全生命周期上的成本最低值.管网全生命周期总成本包括维修成本与更新成本两部分.管网投入运行之后, 随着持续老化, 管网破损率会越来越高, 若得不到及时更新, 管网年均维修成本就会越来越高; 而更新得越早, 则年均更新成本就越高.因此, 总成本表现为一个先降低后升高的过程, 在生命周期上存在一个最低值, 优化更新的目标即是寻找该值.其中的核心问题是管网破损率随管网老化的变化规律, 也即前文叙述的管网破损预测问题.因此, 管网优化更新可视为管网破损预测的自然延伸(Shamir et al., 1978; Park et al., 2002; Xu et al., 2013).
在管网压力优化调控方面, 主要通过制定合理的压力调控方案, 取得投入成本的效益最大化.管网压力调控是控制漏损最有效的措施, 在多地的实践应用中取得了很好的节水效果(崔君乐等, 2014;张冬等, 2014;卢德强等, 2014;陈军等, 2014).然而, 研究表明, 在不同的管网区域实施压力调控时, 取得的节水效果显著不同, 表 2(Xu et al., 2018)以每降1 m压力每km管长上的节水量(l/s)为评价指标, 对比了北京市某10个DMA控压的节水效果, 可以发现每个DMA控压的节水效果均不相同.这意味着在进行控压之前, 应进行节水效果的准确预测, 从而优化方案.其核心问题是对于给定的管网, 在一定的压力下, 管网漏损最低可降至什么水平.为了解决这一问题, Xu等(2017)建立了DMA最低可达最小夜间流量(用以间接表征最低漏损水平)与DMA基础属性(管材、管长、管龄、户数)及运行压力之间的关系, 实现了DMA压力控制方案的优化.
表 2(Table 2)
| 表 2 北京市某10个DMA控压节水效果对比(Xu et al., 2018) Table 2 Water savings through pressure control in 10 DMAs of Beijing | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 2 北京市某10个DMA控压节水效果对比(Xu et al., 2018) Table 2 Water savings through pressure control in 10 DMAs of Beijing
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
上述两方面的优化研究表明, 其基础问题都是管网破损或漏损规律的研究, 而得益于近年来管网信息化程度和运行监测能力的加强, 研究结果很好地支撑了管网漏损控制优化, 提高了漏损控制的效率与经济有效性.
3.4 数据质量控制与漏损管理系统远传流量计与智能水表的广泛应用, 产生了大量的、精细的用水数据, 可大幅提高管网漏损分析结果的可靠性与控制方案的科学性(Loureiro et al., 2014).但要特别注意的是, 这些远传数据在采集、传输的过程中仍有可能因设备、信号的原因导致错误数据的产生, 这些错误数据若得不到及时筛除、修复, 而被直接用于漏损分析, 则可能导致错误的分析结果, 得出不合理的漏损控制方案.张佳欣等(2020)针对DMA入口流量数据进行了分析, 梳理出了5种类型的数据错误, 并初步提出了数据修复方法, 从而提高了数据分析结果的可靠性.
大量的水量数据构成了海量数据, 这些数据对传统数据处理和分析模式提出了挑战, 导致供水单位对数据价值的挖掘不够充分.而大数据技术的发展, 则为这一问题的解决提供了可能.马金锋等(2019)从数据采集、汇聚、传输、存储、计算及应用角度, 论述了适用于DMA数据处理和决策分析的大数据处理模式, 并实例验证了模式的可行性.
上述对数据本身与漏损管理系统的相关研究工作, 为漏损控制技术更有效的实施提供了坚实的保障.
3.5 管网漏损控制技术发展的新特点与不足虽然漏损控制已有较长的研究历史, 但在智慧水务背景下, 管网漏损控制技术的发展逐渐呈现出两大特点：①更大量、更精细的数据, 加上更创新的算法, 使得漏损控制的各单项技术更加强大.例如, 基于在线流量压力数据, 采用深度学习算法开发的管网漏损识别与定位技术, 在数据更多、方法更优两方面的作用下, 对漏损的识别与定位能力得到显著提升.②多源数据的综合运用, 使得漏损控制技术体系更加完善.例如, 管网GIS数据与运行维护数据的综合运用、水力实测数据与模拟数据的综合运用, 使得可以从更多的角度去理解、分析管网漏损问题, 并更高效地监测与控制漏损.随着数据的不断积累与数据技术的不断发展, 这两大特点有望得到进一步凸显.
然而, 从目前研究进展来看, 部分领域的研究尚不够充分.例如：①对数据标准的研究较少.目前的研究主要是基于现有的数据来开发可用的技术, 但反过来, 要实现漏损的高效控制, 对数据有什么要求(如监测点数量、监测频率等)则研究不足, 导致对管网漏损的智慧化管控缺乏足够的指导.②智能水表监测的水量数据价值未得到充分挖掘.虽然智能水表的应用越来越广泛, 但很多供水单位仅将其作为替代人工抄表的工具, 没有充分挖掘其对掌握用户用水规律、理解管网漏损的意义.因此, 未来可加强上述两方面的研究, 进一步提升管网漏损控制的智慧化水平.
4 结论(Conclusions)管网漏损控制是国内外供水单位长期开展的工作, 也是研究的一个热点.近年来, 随着智慧水务的建设, 管网基础信息越来越完善, 运行监控能力也越来越强, 产生了大量可用于支撑管网漏损控制的数据.而大数据技术与人工智能技术的发展, 则为数据挖掘提供了性能优异的算法.在数据与算法两方面的推动下, 管网破损预测技术、管网漏损识别定位技术、管网漏损优化控制技术以及数据质量控制与漏损管理系统等方面都得到了快速发展, 大大提高了管网漏损控制能力与效率, 创造了更多的可能性.其主要特征表现为数据与算法推动的单项技术强化, 以及多源数据综合运用推动的技术体系完善.但在数据标准与智能水表监测的水量数据价值挖掘方面有待加强.
参考文献
| Bakker M, Jung D, Vreeburg J H G, et al. 2014. Detecting pipe bursts using Heuristic and CUSUM methods[J]. Procedia Engineering, 70: 85-92. DOI:10.1016/j.proeng.2014.02.011 |
| Bakker M, Vreeburg J H G, van Schagen K M, et al. 2013. A fully adaptive forecasting model for short-term drinking water demand[J]. Environmental Modelling and Software, 48: 141-151. DOI:10.1016/j.envsoft.2013.06.012 |
| Barton N A, Farewell T S, Hallett S H, et al. 2019. Improving pipe failure predictions:Factors affecting pipe failure in drinking water networks[J]. Water Research, 164: 114926. DOI:10.1016/j.watres.2019.114926 |
| Berardi L, Kapelan Z, Giustolisi O, et al. 2008. Development of pipe deterioration models for water distribution systems using EPR[J]. Journal of Hydroinformatics, 10(3): 113-126. |
| 陈海, 赵梦珂, 于冰, 等. 2018. 基于人工神经网络的供水管网爆管定位方法[J]. 水资源研究, 7(2): 144-153. |
| 陈军, 叶兴成, 丛海兵. 2014. 农村多水源供水系统定末点水压优化调度模式与实践[J]. 给水排水, 40(6): 108-112. |
| 陈求稳, 曲久辉, 刘锐平, 等. 2008. 北京市供水管网的老化漏失规律模型研究[J]. 中国给水排水, 24(11): 52-56. |
| 崔君乐, 赵顺萍, 孙福强, 等. 2014. 北京市供水管网压力精细化管理实现节水降耗[J]. 中国给水排水, 30(20): 16-19. |
| Farley M, Wyeth G, Ghazali Z, et al. 2008. The manager's non-revenue water handbook: A guide to understanding water losses[M]. Bangkok, Thailand: Ranhill Utilities and the United States Agency for International Development |
| Jafar R, Shahrour I, Juran I. 2010. Application of artificial neural networks (ANN) to model the failure of urban water mains[J]. Mathematical and Computer Modelling, 51: 1170-1180. DOI:10.1016/j.mcm.2009.12.033 |
| Loureiro D, Alegre H, Coelho S T, et al. 2014. A new approach to improve water loss control using smart metering data[J]. Water Science and Technology:Water Supply, 14(4): 618-625. DOI:10.2166/ws.2014.016 |
| 卢德强, 王志军, 周晨, 等. 2014. 局部压力管理在城中村管网漏损控制中的应用[J]. 给水排水, 40(4): 112-115. |
| 马金锋, 陈求稳, 徐强, 等. 2019. DMA漏损控制大数据处理模式[J]. 中国给水排水, 35(10): 36-41. |
| Park S W, Loganathan G V. 2002. Methodology for economically optimal replacement of pipes in water distribution systems:1. Theory[J]. KSCE Journal of Civil Engineering, 6(4): 539-543. DOI:10.1007/BF02842007 |
| Rodriguez A, Laio A. 2014. Clustering by fast search and find of density peaks[J]. Science, 344(6191): 1492-1496. DOI:10.1126/science.1242072 |
| Shamir U, Howard C. 1979. An analytical approach to scheduling pipe replacement[J]. Journal American Water Works Association, 71(5): 248-258. DOI:10.1002/j.1551-8833.1979.tb04345.x |
| Tao T, Huang H D, Li F, et al. 2014. Burst detection using an artificial immune network in water-distribution systems[J]. Journal of Water Resources Planning and Management, 140(10): 04014027. DOI:10.1061/(ASCE)WR.1943-5452.0000405 |
| 陶涛, 颜合想, 信昆仑, 等. 2016. 基于SCADA压力监测的爆管定位分析[J]. 供水技术, 10(4): 11-14. |
| Wu Y P, Liu S M, Wu X, et al. 2016. Burst detection in district metering areas using a data driven clustering algorithm[J]. Water Research, 100: 28-37. DOI:10.1016/j.watres.2016.05.016 |
| 信昆仑, 陶涛, 李树平, 等. 2019. 人工智能技术在供水行业中的应用与展望[J]. 给水排水, 45(12): 1-3. |
| Xu Q, Chen Q W, Li W F, et al. 2011. Pipe break prediction based on evolutionary data-driven methods with brief recorded data[J]. Reliability Engineering and System Safety, 96(8): 942-948. DOI:10.1016/j.ress.2011.03.010 |
| Xu Q, Chen Q W, Ma J F, et al. 2013. Optimal pipe replacement strategy based on break rate prediction through genetic programming for water distribution network[J]. Journal of Hydro-environment Research, 7(2): 134-140. |
| Xu Q, Chen Q, Zhao S P, et al. 2018. Saving water and associated energy from distribution networks by considering landscape factors in pressure management and use of district metered areas[J]. Journal of Environmental Informatics, 31(1): 65-73. |
| Xu Q, Liu K, Zhao S P, et al. 2017. Optimal control for water loss from water distribution system: A case study of Beijing[C]. CCWI 2017-Computing and Control for the Water Industry. The University of Sheffield, UK |
| 张冬, 李淑慧, 张俊杰. 2014. 优化管网压力以降低管网漏损的研究[J]. 中国给水排水, 30(3): 59-61. |
| 张宏伟, 王亮, 岳琳, 等. 2006. 城市供水管网漏损时间的预测模型研究[J]. 中国给水排水, 22(5): 52-55. |
| 张佳欣, 何鑫, 翟元鑫, 等. 2020. DMA数据质量评估与错误数据识别方法[J]. 给水排水, 46(3): 134-138. |
| Zhang Q Z, Zheng Y W, Zhao M, et al. 2016. Leakage zone identification in large-scale water distribution systems using multiclass support vector machines[J]. Journal of Water Resources Planning and Management, 142(11): 04016042. DOI:10.1061/(ASCE)WR.1943-5452.0000661 |
| Zhou X, Tang Z H, Xu W R, et al. 2019. Deep learning identifies accurate burst locations in water distribution networks[J]. Water Research, 116: 115058. |
