曲線吻合度算法在高層住宅小區庭院管道漏損控制中的應用

田澤輝,李立宏,王 瑾

(唐山市自來水有限公司,河北唐山 063000)

城鎮化建設的快速推進帶動二次供水設施建設持續發展。 二次供水系統是連接水司和用戶水龍頭之間的“最后一公里”,是城鎮供水系統中的重要環節之一,而“最后一公里”的庭院管網漏損往往被水司、物業所忽視。 由于供水管網普遍深埋地下,難以及時發現滲漏,使得管網滲漏成為國內外供水行業普遍面臨的問題[1],不僅造成水資源浪費和經濟損失,還會引起管網壓力降低、水質二次污染、地面塌陷等次生災害,嚴重威脅供水安全和公共安全。

水是人類賴以生存和從事生產不可缺少的寶貴資源,供水企業應采取措施,控制管網漏損,提高供水效率,達到節約水資源的目的。 針對如何利用現有的技術手段來降低高層住宅小區庭院管網漏損,本文依托某水司二次供水監控平臺采集的海量數據資源,提出利用曲線吻合度算法預判管網漏點的解決方案。

1 管網漏損的主要原因以及影響

1.1 管網漏損的主要原因

(1) 供水管網老化,管材質量不佳,附屬設施腐蝕嚴重,采用易腐蝕的管材材質容易引發后期漏損。鑄鐵管由于強度低、易腐蝕,加上接口易滲漏,最容易引發漏損現象[2]。

(2) 施工質量不高,也是造成管道漏水的直接原因,主要是管道接口處剛性太強,發生不均勻沉降時,管道易產生環向斷裂或大頭處撓斷而造成大的漏損;管道基礎承載力不夠,當土壤發生不均勻沉降時造成管道接口漏損;管道接口質量不好,安裝完成后通水即有滲漏。

(3) 管道內壁防腐不均勻,受腐蝕后會直接影響輸水能力和水質,造成管道強度降低,易發生爆管現象。 外壁防腐不徹底,遇到污水等帶有侵蝕的情況,易造成腐蝕,形成漏損現象。

(4) 局部管道埋深不夠,造成管網不均勻沉降,導致斷裂,形成漏損。

1.2 管網漏損造成的影響

(1) 造成水資源浪費。 我國住房和城鄉建設部發布的《2021 年城鄉建設統計年鑒》[3]顯示,2020年全國供水總量約為630.8 億m3,漏損水量約為80.4 億m3,全國平均漏損率約為12.7%。

(2) 造成能源浪費和經濟損失。 我國供水管網大部分采用加壓系統輸送到企業各個裝置,漏水相當于漏能,每年漏損導致的電能消耗約10 億kW·h,由此還產生了大量無效的碳排放。

(3) 導致水質污染。 漏水意味著管道不再是封閉的系統,管道內壓力低的時候、停水的時候,管道外的污染會進入管道,特殊情況下的射吸現象也會產生對管道內水的污染。

(4) 導致路面塌陷。 管道漏水會使土壤具有流動性,遇到附近有排水管道,土壤不斷流失,地面下形成空洞,空洞變大,地面就會塌陷。

(5) 導致地下水位上升。 有供水管網覆蓋的區域,地下水位因為管道持續漏水而變高,冬季地面凍脹也和地下水位有直接關系。

2 漏損預測的大數據基礎支持

本文所說的高層住宅小區庭院管網特指主街/主路管網的市政管網分支到具有二次供水小區內的管網。 庭院管網的管線數量、管線總長度、復雜程度和維護成本都很高。 按照獨立計量區域(DMA)分級分區的思路,一個高層住宅小區即為一個最小分區。 高層住宅小區庭院管網的數量至少有1 條市政管線,1 條甚至多條加壓管線。 目前,有的小區最多有7 條加壓管線。 DMA 分區漏損控制方法雖然能預判小區內存在漏點,但不能準確定位到哪根管線有漏點,給測漏工作造成很大麻煩。 同時,增加人員勞動強度,降低工作效率。 此外,為了提高測漏的準確性,一般要在晚上23:00—次日5:00 進行測漏作業,加之其方法還要結合營收數據。 因此,營收數據的滯后性,也會導致管網漏失量增加。 管網明漏一般流量都很大,漏失容易被發現,對周邊環境及用戶產生較大影響,處理起來很快,漏失持續時間不是很長。 暗漏可以被檢測到但不宜察覺,漏失量中等水平。 暗漏的持續時間取決于主動測漏、解決漏損措施的積極性及強度,持續幾天、幾個月、甚至一兩年都有可能的。 由此來看,在不改變現有DMA 分區管理的前提下,深度挖掘二次供水泵房的監控數據,能及時準確發現管線漏點,快速處理,從一定程度上降低高層住宅小區庭院管網漏損,節約水電能耗。

“統建統管”二次供水模式的推進,加快了老舊二次供水設施改造步伐,拓展了中高端二次供水設施需求空間,催生了二次供水集中管理平臺需求。某水司為了實現對二次供水泵房專業化、規范化的管理,積極推進二次供水遠程監控中心的建設,同時制定了規范化的技術標準。 其中,必須采集的數據有電壓、電流、有功功率、累計電能、水壓、水量、頻率等參數。 秒級采集、分鐘存儲的海量大數據,對分析判斷庭院管網是否存在漏點提供了重要的數據支持。

3 基于二次移動平均法的管網暗漏預測

3.1 預測原理

3.1.1 二次移動平均法

二次移動平均法是對一次移動平均數再進行第二次移動平均,再以一次移動平均值和二次移動平均值為基礎建立預測模型,計算預測值的方法。 這一方法解決了預測值滯后于實際觀察值的矛盾,適用于時間序列,呈現線性趨勢變化的預測。

二次移動平均法的數學計算如式(1)～式(5)[4]。

其中:Yt——第t期的觀察值;

n——計算移動平均值的跨越期;

T——向未來預測的期數;

at——截距,即第t期現象的基礎水平;

bt——斜率,即第t期現象的單位時間變化量;

Ft+T——第t+T期的預測值。

3.1.2 曲線吻合度算法

將預測數據做出以時間為橫軸、預測值為縱軸的預測趨勢曲線,與當日的實際測量值比較,將偏差率較高的數據記為異常數據,計算異常數據條數Na與日抽取數據記錄條數Nt的比值,來判斷實際測量值曲線與預測曲線的相似、相近的程度,Na/Nt的值越低,說明曲線吻合度越高。 偏差率、吻合度的計算如式(6)～式(7)。

其中:S——偏差率;

Vm——數據實測值;

Vp——數據預測值;

C——曲線吻合度。

3.2 預測數據抽取

3.2.1 預測數據的選定

在數據預測前需要合理選取某一階段的歷史監測數據,以便根據歷史數據完成后續的預測工作,提高數據預測的準確性。

傳統做法是采用DMA 分區分析漏點的方法,通過測算表的日累計流量、夜間瞬時小流量判斷管網有沒有漏點,但是此種方法不適合某水司統建統管的二次供水泵房。 某水司統建統管的每個泵房只在進水側配置流量計,出水側未配置流量計,無法實現單個加壓供水區域的用水計量,即便通過進水側流量計發現管網有漏水的異常數據,但對于多泵組的泵房并不能確定是哪個加壓區漏水。 此外,采用“水箱+變頻供水”方式的泵房,采集到的進水流量計數據是不連續的,只有在水箱進水時才會有瞬時流量。 如果在每個分區泵組出口增加水量計量儀表,不僅安裝條件受限、投入成本高,且根據供水水量趨勢,深夜用水量非常小,可能滿足不了大口徑流量計的最低流速要求,故選取流量計瞬時流量作為數據支撐不可取。 在既有的二次供水設備配置情況下,泵組有輪泵機制,泵組單泵電流、頻率的數據不連續,都不適宜選取。

水泵電機軸功率P計算如式(8)。

其中:Q——泵的流量,m3/s;

ρ——泵輸送液體的密度,kg/m3;

g——重力加速度,m/s2;

H——泵的揚程,m;

η——水泵效率。

推算出水泵有功功率的曲線與供水量的曲線相似,完全可以反應實際供水量的變化。 因此,選取可編程邏輯控制器(PLC)變頻恒壓控制柜PAC3200儀表采集到的有功功率參數值作為數據支撐。

3.2.2 預測數據采集的步驟

數據采集:數據采集與監視控制系統(SCADA)會將各二次加壓泵房傳感器或監測設備的有功功率實時數據,按照固定間隔頻率傳輸到數據中心的前置數據庫。

數據處理:數據中心端會通過定時作業調用相關存儲過程,將接收到的實時數據按照“流量”“進站壓力”“出站壓力”“控制柜有功功率”等監測類型,進行分流轉存到相關歷史數據表或臨時計算數據表。 每日00:00,定時作業會在“控制柜有功功率”歷史數據表中將前1 d 00:00—24:00,固定間隔頻率的數據與前8 d 的同時段的數據進行平均計算,將計算結果存入一次平移數據表。 一次平均計算完成后會對該結果按照相同的方式進行平均計算,將計算的結果存儲到二次平移數據表。

基準值設定:將前1 d 的一次平移的結果數據與二次平移的結果數據通過固定公式進行計算生成當日預測基準值。

異常檢測:將前1 d 各時段的有功功率數據與前1 d 的基準值進行比較,使用統計方法檢測計算數據的偏差。

閾值設定:根據實際情況,通過設定的偏差閾值來判斷是否存在泄露。 當有功功率超過設定的閾值時,可以判斷為泄露。

報警機制:當有功功率超過設定的閾值時,觸發報警機制。 可以通過數據庫觸發器、定時任務或者與其他系統的集成來實現報警功能。

3.3 預測實施方案

3.3.1 相關參數的選定

利用MATLAB 生成不同小區的供水歷史數據散點圖(圖1 展示了4 個小區不同日期的歷史數據)。 觀察用水趨勢發現,該地市的用水早高峰基本集中在6:00—9:00,晚高峰從19:00—22:00,兩個高峰時段的持續時間共計6 h,占1 d 的25%,其余75%在低谷區。 由于用水高峰期的區間段居民的用水習慣隨機性很強,數據的抖動很大,不能作為定性判斷的依據;在低谷區間段用水比較平穩,而且在正常供水的前提下每天的相似非常高。 因此,設定吻合度<75%時判定庭院管網有漏水現象。 通過圖1 很容易發現,散點密集區域在供水低谷區。 吻合度的設定值應依據當地用水趨勢做相應的調整,如果用水低谷區間增加,則提高吻合度設定值;如果用水低谷區間減小,那么降低吻合度設定值。 原則參照用水趨勢低谷區間的占比大小進行設定。結合高層供水恒壓控制原理的約定,一個泵組至少有兩臺水泵,每臺水泵的特性有所不同,工藝位置的不同以及水泵出口的止回閥微泄漏,都會造成在相同壓力相同流量的情況下,能耗不同,這樣就會對定性判斷造成擾動。 在測試數據時發現,偏差率如果取值較大,對于大漏損量的定性判斷準確,偏差率取值小可以實現小漏損量的定性判定,但是太小了又會造成誤判。 經過多次測試約定偏差率≥20%比較合理,這個約定的數值可以根據實際供水狀況修訂。偏差率的設定可根據本地高層恒壓供水控制原理的約定做相應的修訂,影響偏差率設定的主要原因:輪換倒泵周期的設定、有無夜間保壓休眠功能、泵組出口有無配置穩壓罐。 輪換倒泵周期設定時間短(4 h 以內),具備夜間保壓休眠功能,泵組出口未配置穩壓罐,那么會造成不同特性的水泵切換次數增加、水泵頻繁啟停,水泵啟動瞬間會增加能耗,突變數據的條數也會隨之增加。 對于這樣的控制原理適當增大偏差率的設定值;反之,水泵在1 d 之內運行平穩,突變數據的條數也會隨之減少,那么就可以減小偏差率的設定值。 偏差率的設定值要適當,務求提高定性判斷的準確性,盡量降低誤判及漏判的次數。

圖1 利用MATLAB 生成供水歷史數據散點圖Fig.1 A Scatter Plot of Historical Water Supply Data Generated by MATLAB

選用A 小區2021 年2 月—6 月的113 d 的設備有功功率監測數據作為數據樣本,已知此段時間內設備運行平穩、未出現漏失現象,取樣周期為5 min,則每日抽取288 條數據記錄,總計抽取32 544 條數據記錄。 分別計算n取不同值時設備有功功率的預測值、偏差率、吻合度。

以n=3 為例,計算設備有功功率的預測值、偏差率、吻合度(表1),此時預測值比實際值滯后5 d,預測得到108 d 的數據,吻合度>75%的數據100條,占預測總數據的92.6%。

表1 A 小區2021 年2 月—6 月設備有功功率預測值(n=3)Tab.1 Prediction of Equipment Active Power in Community A during February to June in 2021 (n=3)

對比n取不同值時的預測數據(表2),由于已知取樣時間內設備運行平穩、未出現漏失現象,那么認為吻合度>75%的預測數據為有效數據,有效數據率均達到90%以上,均能實現對漏損性質的判定。n取值越大,預測數據的滯后天數越長,則實施預測需要的歷史數據越多。 考慮到計算機數據存儲容量以及處理速度,在實際應用中取n=3。

表2 不同n 取值預測數據對比Tab.2 Comparison of Prediction Data for Different n Values

3.3.2 預測庭院管網暗漏過程

以B 小區2021 年3 月的設備有功功率監測數據作為數據樣本,取樣周期為5 min,則每日共抽取288 條數據記錄。

將歷史數據庫的數據記錄導入Excel 表中,定義Y22,Y23,…,Y27分別為3 月22 日—27 日設備有功功率的實際監測值(表3)。

表3 B 小區2021 年3 月17 日—27 日設備有功功率實際監測值取樣Tab.3 Sampling of Actual Monitoring Values of Active Power of Equipment in Community B during 17 to 27 March 2021

表4 設備有功功率的一次移動平均值Tab.4 First Moving Average of Equipment Active Power

表5 設備有功功率的二次移動平均值Tab.5 Double Moving Average of Equipment Active Power

根據式(3)～式(5),計算3 月22 日—27 日設備有功功率的預測值F22,…,F27(表6)。

表6 設備有功功率的預測值Tab.6 Predicted Values of Equipment Active Power

根據式(6)、式(7),計算3 月22 日—27 日設備有功功率偏差率(表7),考慮供水量隨季節、節假日會發生變化,取正向偏差率≥20%作為異常數據記錄,吻合度<75%則判定庭院管網有漏水現象。

表7 設備有功功率曲線吻合度Tab.7 Curve-Fitting Degree of Equipment Active Power Curve

通過計算,3 月22 日—25 日設備有功功率曲線吻合度均>75%,判斷供水量基本正常,稍有波動。3 月26 日設備有功功率曲線吻合度為46%,3 月27日設備有功功率曲線吻合度為33%,連續2 d 低于75%,可以判定加壓管道有漏水點,結合進水流量歷史數據,判斷管網有暗漏的2 d,每天的進水量較以往增加47～50 t,計算平均漏失量在2 t/h 左右。

(續表6)

利用MATLAB 生成3 月22 日—27 日實測數據與預測數據的曲線圖(圖2),可以看出3 月22 日—25 日兩條曲線基本重合,而從3 月26 日開始,實測數據曲線突然升高,說明當日開始出現漏水現象。此處漏點由于漏水量較小,又屬于暗漏,不容易發現,先后經過幾次測漏,于3 月28 日上午查找到漏點,DN100 管道的承插口處漏水。 受到前2 d 漏水數據的影響,漏水修復當日的預測數據偏高,因此,在漏點修復后再進行數據預測時,應當剔除漏水之日的數據,保證預測的準確性。

圖2 實測數據與預測數據的對比曲線Fig.2 Comparison Curve Diagram of Measured Data and Predicted Data

3.3.3 成功預測管網暗漏案例

近兩年來,筆者帶領的團隊已利用上述算法成功預判出50 多處管網暗漏,受篇幅所限,本文展示4 個成功預測管網暗漏的案例。

采用二次移動平均法計算出預測數據曲線吻合度(表8～表11),再利用MATLAB 生成實測數據與預測數據的對比曲線(圖3～圖6),可以直觀判斷出漏水現象,再通過及時采取查漏修復措施,有效降低了經濟損失。

表8 a 小區2023 年7 月13 日—17 日設備有功功率曲線吻合度Tab.8 Curve-Fitting Degree of Equipment Active Power Curve in Community a during July 13 to July 17 in 2023

表9 b 小區2023 年6 月24 日—28 日設備有功功率曲線吻合度Tab.9 Curve Fitting Degree of Equipment Active Power Curve in Community b during June 24 to June 28 in 2023

表10 c 小區2023 年3 月3 日—2023 年3 月7 日設備有功功率曲線吻合度Tab.10 Curve Fitting Degree of Equipment Active Power Curve in Community c during March 3 to March 7 in 2023

表11 d 小區2022 年6 月21 日—2022 年6 月25 日設備有功功率曲線吻合度Tab.11 Curve Fitting Degree of Equipment Active Power Curve in Community d during June 21 to June 25 in 2022

圖3 a 小區實測數據與預測數據的對比曲線Fig.3 Comparison Curve of Measured Data and Predicted Data in Community a

圖4 b 小區實測數據與預測數據的對比曲線Fig.4 Comparison Curve of Measured Data and Predicted Data in Community b

圖5 c 小區實測數據與預測數據的對比曲線Fig.5 Comparison Curve of Measured Data and Predicted Data in Community c

圖6 d 小區實測數據與預測數據的對比曲線Fig.6 Comparison Curve of Measured Data and Predicted Data in Community d

4 結論

(1)曲線吻合度算法通過對數據進行合理計算、分析和預測,能有效識別加壓管線暗漏,具有較高的準確性和實用性。

(2)該算法降低了水量計量器具的投入成本,將原本的被動探漏轉變為主動探漏,實現了精準的漏水定位。 這不僅顯著降低了管網漏損率,還為供水企業節約了大量水電能耗,確保了居民的用水安全。

(3)曲線吻合度算法為供水漏損控制領域提供了新的研究思路,應用數據同化,將有功功率轉化為供水量的一個同化參數,數據穩定且便于采集。

(4)盡管曲線吻合度算法在預測高層住宅小區庭院管網的漏點方面表現出了高準確性,但目前仍存在滯后嚴重的問題,從預警到實際確認至少需要3 d 的數據。 未來研究可以在此基礎上,進一步擴展數據來源,整合水司的其他業務數據,以提高判斷的準確性和及時性。