智能水表读数误差的定位和分析

许冠军 高昌盛

摘要：智能水表技术解决了用水数据获取实时性的问题，但新的获取用水量数据技术，在统计准确性上不如传统方法。为定位智能水表系统的可能错误数据，该文提出了基于历史数据的误差定位方法，可以有效发现疑似误差数据。

关键词：校验;智能水表;历史数据

中图分类号：G642        文献标识码：A        文章编号：1009-3044（2018）34-0193-03

1 引言

水务公司为便于分析区域用水情况和布局合理的管网等需求，对居民用水数据的实时性和准确性要求越来越高。智能水表技术有效地解决了获取用水数据实时性的问题，但无论是超声波智能水表还是基于图像识别的智能抄表系统，都存在较大比例的读数误差。误差数据的存在，尤其是明显的居民用水数据错误，会引起客户的投诉，造成客户和水务公司对系统数据的不信任，严重影响智能水表系统的进一步推广。

为提高用水量数据的准确性，应在初次统计的数据中，尽可能发现可能的误差数据，结合系统重读、人工筛查和智能预测等方法进行及时纠正。本文提出了基于历史数据的居民用水量数据校验和分析方法，具体实现步骤：（1）结合区域居民的历史用水数据，对居民的用水特点进行分类，形成不同类型的居民用水类型[1-2];（2）结合一年四季的用水差别，利用已分类的用户类型，拟合出各类型的年度月平均用水变化曲线[3];（3）结合区域用户的年度月平均用水曲线，得出月际用水量的变化幅度[4-5]。结合用户的历史用水数据，对当月的系统读数的进行合理性识别，并确定疑似误差数据。

2 用水模式分析

本文对某市区的近万户居民连续两年用水历史数据进行分析，在用户类型划分和用水模式分析中，月平均用水量和用水时间波动性是最受关注的两个因素。经过初步的数据分析发现，月平均用水量能较好地区分用户的类别，因此，本文先利用月平均用水量划分用户类型。

3 数值实验

本文的實验数据来自基于图像识别的自动抄表系统，一般情况下该系统的读数自动识别正确率能达到95%，发现剩余5%的错误数据，是本文算法要解决的主要问题。

3.1 实验分析

实验中，对非样本的生产数据进行直接验证，本文算法与传统的直接基于上月数据校验算法进行比较。实验结果对正常数据误判率（把正常的数据标识成疑似误差数据的比例）、错误数据识别率（正确识别误差数据的比例）二组结果记录如表4。

由表4的实验结果可以发现，和传统算法相比较，本文算法引入了用水量随季节变化的用水模式因素，降低了正常数据的误判率，且提高了错误数据的识别率。

3.2 算法分析

传统的直接和上月用水量进行比较的计算方法相对简单，可以粗略判断数据的合法性，但由于没有结合用水量随季节变化的因素，在季节交替月份的检验效果较差。本文提出的算法，弥补了传统算法的缺点，但相对计算量较大，具体特点如下：

1）算法依赖于往期数据的完整性。若对于不完备的用水数据或数据质量不高的情形，可以先应用传统方法进行数据积累，当数据量积累到1年以上时，便可应用算法。

2）区分用户类型的目标是对有相同用水模式的用户进行分类，本文的用户分类仅根据年度月平均用水量，相对比较粗糙，有待进一步改进。但无论何种分类方法，用水模式会随地域和时间变化而变化，此类算法需要定期更新区域用户用水模式数据。

3）模型只假设当月用水数据只和上月数据相关，若能考虑更多月份的用水数据和往年同期用水数据，可能会使模型更加完善。

4 小结

本文设计的用水量校验算法是抄表系统的一个重要的辅助模块，在系统实现中，增加了当月待核实数据的预测区间，用于抄表员及时发现疑似错误数据。由表4可知，该算法正常数据误判率在7%和11%之间，错误数据的识别率介于86%和90%之间，取得了相对满意的校验效果。进一步优化用户分类方法，形成更为精确的用水模式，将是以后的研究方向。

参考文献：

[1] 王保义，胡恒，张少敏. 差分隐私保护下面向海量用户的用电数据聚类分析[J]. 电力系统自动化， 2018，42（2）：121-127.

[2] 刘春霞，王琰，沈磊，等. 城市典型用户四季用水模式变化规律的确定及分析[J]. 供水技术， 2015，9（4）：49-52.

[3] 赵太飞，谷伟豪，段延峰. 农村居民用水行为的识别方法[J].水资源与水工程学报， 2016，27（4）：70-74.

[4] 屈晓渊，张永恒，张锋，等. 矿区水环境数据预测模型研究[J]. 电子设计工程， 2016，24（10）：45-48.

[5] 陈佳袁，闫杰. 基于ARMA模型的水文数据预测[J]. 浙江水利科技，2017（6）：27-30.

【通联编辑：王力】