漏损检测技术在智慧供水系统中的应用

张剑惠,车 通,朱 杰,朱鸿彬,杨鑫科,邓帮武,韦 伟,*

(1.杭州余杭水务控股集团有限公司,浙江杭州 311100;2.安徽舜禹水务股份有限公司,安徽合肥 231100;3.安徽建筑大学环境与能源工程学院,安徽合肥 230601)

水是世界上最宝贵的资源,由于人口增长、工业发展和社会状况的改革,对于水资源的需求量不断增大,但可供利用的水源数量与容量却在不断减少[1]。基于经济发展情况与技术水平,管网漏损问题集中发生在欠发达国家,而发达国家城市供水管网较新,漏损率相对较低,从加尔各答(印度)的60%到日本的3%不等[2]。在我国,由于城市化建设的加快,供水网络漏损的问题越来越严重[3]。据统计,我国每年漏损量约为80亿t,2018年—2020年漏损率分别为14.62%[4]、14.12%[5]、13.39%[6],虽然呈逐年下降趋势,但仍距“水十条”及“到2025年,全国城市公共供水管网漏损率力争控制在9%以内”的近景目标相距甚远。此外,漏水可能是公共卫生安全问题的根源,供水管网的破裂易导致污染物进入。因此,对于水量漏损的控制愈发重要,城市供水行业需要漏损控制措施,以减少漏损带来的损失并产生良好的经济效应[7]。

管道漏损的快速检测与精确定位是实施漏损控制措施的前提。早期漏损检测技术是基于各类传感器的人工听漏或简易数据分析检漏,漏损问题往往在事件发生相当长的时间后才被发现,即便采用听漏仪、红外热成像仪、各类机器人等被动检测技术开展检漏工作也很难挽回已造成的大量经济损失。得益于各类传感、通信、水力模型、机器学习等技术的进步,高效的数据采集、通信和处理使得漏损检测技术趋往精确性、时效性和系统性发展特点。文章根据漏损检测方式和时效性的不同,将供水管网漏损检测技术分为被动漏损检测技术与主动漏损检测技术。前者通常实施在漏损发生之后,时效性较差;后者是基于数据采集、模型算法的精确计算判断,漏损排查难度降低。两者在智慧水务系统中的有机结合能够实现管网漏损的实时监测甚至高效预测,时效性大大提高。文章综述了国内外供水漏损控制技术发展现状,比较了各种漏损检测方法的优缺点,介绍了被动漏损检测技术和主动漏损检测技术在智慧系统中的应用。

1 被动漏损检测技术

被动漏损检测技术是以传感器为基础的人工或简易数据分析手段。以检测位置作为划分依据,可将被动检测技术分为外管检测与管道内检测两类,这些非破坏性检测技术,主要依靠传感器和信息数据的转变,实现漏点的检测与定位。

1.1 外管检测

外管检测可以在管道外部进行,其中包括听漏棒、电子听漏仪等声学技术[8]、磁通量泄漏(magnetic flux leakage,MFL)技术[9]、高分辨率闭路电视(closed circuit television,CCTV)检查技术[10]、红外热成像技术[11]、声发射(acoustic emission,AE)技术[12]、超声波技术[13]、负压波传感技术[14]、探地雷达[15]等不同的检测方法。这类方法受周围环境影响较大,对于不同的场景往往需要不同类型的检测方法,但由于每种场景皆使用特定的检测方法,在小范围内外管检测的漏损识别精度相对较高。

1.2 管道内检测

管道内检测器通过携带一个或多个传感器进行检测和识别,检测器被推入管道中,由外部人员操纵完成检测任务。传感器通常包括声学、相机、超声波、漏磁通量和涡流传感器等。受限于传感器的防水性研究,使用内管检测时需尽可能地排空管道内的水。相对于外管检测而言,内管检测由于携带更多种类的传感器,能够更接近泄漏点,具有更高的检测精度[16]。此外,近年来人工智能的飞速发展,使得机器人技术已经成为工程领域的一个重要领域[17],各类机器人不断被应用于漏点的视觉探查以及无损检测[18]。这些机器人包含轮式、轨道驱动、管道检查量规(pipeline inspection gauge,PIG)、行走式和英寸虫型,虽然涉及范围广,但每种机器人都有着自己的优缺点,不同类型的机器人被应用于不同场景的内管检测[19]。

2 主动漏损检测技术

环境成本和效益是供水行业对于漏损技术控制选择的一个重要指标[20],相较于被动漏损检测,主动漏损检测基于传感技术偏向于对模型的建立和数据的分析,更能够实现对成本和效益的有效管理。1980年,英国水务联合大会提出独立计量分区(district metered area,DMA)概念,模型法正式应用于漏损检测。不过DMA检测方法只适用于有大量准确数据作为依据的水力模型问题,面对缺乏基础数据的情况,则需要人工神经网络(artificial neural network,ANN)技术[21]进行处理。

2.1 基于DMA的主动检测技术

基于传统网格(流量/压力信息)建模与地理信息系统的结合,通过截断管网或关闭阀门的方式将供水管网划分成若干个独立计量区域,能够有效缩小漏点的范围[22]。同时,DMA分区计量能够持续稳定控制供水量,降低企业产销差,以精细化的数据分析达到降低漏损量的目的,实现节能减耗。而在此基础上,通过进一步优化DMA分区中传感器放置点的选取,加强网络节点压力测量和压力敏感度分析等方式,能够明显提高DMA模型的最佳搜索效率[23-24]。Marunga等[25]也建议使用EPANET工具,在供水管网模型的建立中应将压力管理作为减少漏损与需水管理的主要方式。由此可见,模型的建立对于加强水务人员主动检漏的能力具有极大的作用。其中,压力信息在模型运行的过程中具有不可忽视的作用,通过压力信息改善供水手段可以实时量化客户的需水要求,降低所需能耗及流量损失,提高供水管网水能效[26-27]。

2.2 基于ANN的主动检测技术

ANN则是效仿人脑神经的应用,注重核心算法的不断迭代升级,加强软件程序的高级处理[16]。该方法由1982年波兰学者提出的粗糙集理论演变而来,依靠系统的复杂程度,通过调整内部大量节点之间相互作用的关系,达到处理数据的目的。在实际的管网水力模型之中,ANN技术通过对数据采集技术(supervisory control and data acquisition,SCADA)与模型建立技术的结合使用,依赖瞬态分析技术,对所获得的数据进行分析,模仿人脑的不确定性概念判断、推理思维方式,对于模型中所缺乏的基础数据,以及强非线性、大滞后的数据,应用模糊集合和模糊概念进行推理,确定漏点的位置。相较于传统方法,这类方法的经济性和效率有了极大的提升。Silva等[28]首次将聚类和分类工具进行组合用于小规模液化石油气(LPG)管道的故障检测,并引入模糊系统根据运行模式与过程中的瞬态变化调整流量阈值,以较低成本获得了更有效的泄漏监测。Joaquim等[29]将网络节点的扬程与估计值进行比较,计算残差并建立线性参数变化模型与齐诺多面体。Ragot等[30]则是基于模糊系统残差分析,凭借不断变化的流速信息诊断出整个管网中的故障传感器的位置。Birek等[31]创建的聚类算法具有高斯隶属函数的模糊If-Then规则的基础,与标准模糊预测方法相比,生成的聚类数量更少,不但提高了预测模型的精确度,且模型的透明度也大幅增加。

2.3 基于环境因素的ANN优化检测

随着城市供水管网不断延展,管网框架越拉越大,周边环境与管道的信息交互以及各类高层建筑的出现使得城市供水管网更趋向于三维化,这为模型的建立带来了极大的困扰。受管网结构、土壤、外部压力、管材、水力条件等环境因素影响,以模型和算法为基础的主动检测技术在大规模建模问题上常缺乏适用性。学者们不断引入新的算法用于提高ANN类漏损检测技术的精确度与适用性,较为常见的有蚁群优化算法[32]、贝叶斯网络[33]与聚类算法等。

蚁群优化算法最开始用于水资源问题中计算不饱和土壤的水力参数[34],后逐渐应用于供水管网的水力参数选择,并不断对整体供水管网进行优化,降低漏损率[35]。该类算法采用正反馈机制,不断收敛运算机制,逐渐逼近最优解。在整体模型计算中考虑到每个个体信息,采用分布式计算方法,同时进行多个个体模型的计算,这不仅大大提高了枝状管网的精度问题,且可避免于陷入局部最优解的困扰。

而贝叶斯网络则能够有效处理不确定数据,作为一个有向无环图,以周边环境信息、管材、水力条件等因素作为环结点,推导管网发生漏损的概率,进一步确定漏点。Tang等[36]引导贝叶斯网络捕获并学习周围土壤与管道物理因素的相互作用关系,分析配水管道中的漏损故障。而基于贝叶斯网络开发综合安全预测模型,通过整合子系统、整体系统与周边环境系统之间的相互作用与依赖关系,定位潜在危险源的方式来推理整体配水网络安全状况,可最终确定可能存在漏点的位置[37]。Morosini等[33]则考虑了发生泄漏前后校准模型之间管道粗糙系数的变化,以贝叶斯法标定漏点的位置。

除蚁群优化算法与贝叶斯网络之外,一些学者为增加ANN类检测技术的适用性,对传统聚类方法进行改进而衍生出来的光谱聚类方法能有效降低漏损检测和管网维护成本[38]。又有研究[39]证实,基于图形分析,以水力模拟软件(EPANET)创建的泄漏状况作为配水网络模型中的节点,将每对节点发生泄漏时的压力和流量变化加权计算作为边缘条件,能够允许光谱聚类方法进一步适用于大规模建模问题。

2.4 基于管理要求的ANN优化检测

使供水管网管理者理解管理中的多目标需求是十分必要的,通过水需求管理概念可以有效量化系统中水资源的损失[40]。有学者从多目标角度进行水力模型算法优化,如Morais等[41]通过一种基于PROMETHEE V方法的群体决策模型,有效地满足水网管理中关于技术、社会经济和环境标准方面的要求。Arsene等[42]基于三层通用模糊最小最大神经网络和图论,提出一种高效决策支持系统,用于监测和控制管道的漏损问题。也有研究[43]证明,神经模糊决策系统可用于执行与城市供水管网相关的多因素故障风险分析与资产管理。

3 各类漏损检测技术方案对比

目前,各类检测技术在供水行业内皆有广泛应用,每种技术皆有各自优势。通过对各种漏损检测技术在检测仪器或系统、漏损识别精度、特点及适用场景等方面的横向比较,可知被动漏损检测技术识别精度往往较高,但时效性差,主动漏损检测技术精度有所欠缺,但响应快速,可实现实时监测、漏损预测。各类漏损检测技术方案的比较如表1所示。

4 漏损检测技术在智慧供水系统中的应用

模型建立对配水系统漏损管理而言至关重要[50],但模型的准确性需完整且准确的数据库条件支撑。在实际供水管网模型建立过程中,信息的准确采集往往是一大难题,基础数据缺失或者错误的情况时常出现,单一的主动漏损检测并不能十分有效地解决此类问题,也导致模拟结果精确度不高。

随着信息通信技术的进步,许多城市提出智慧城市概念,以抓住信息通信技术带来的发展机会[51],智慧供水也已成为全球范围内供水行业新的发展趋势。智能传感器、通信技术、智慧供水云平台和深度学习模型等设备和系统的有机协同构成供水智慧化体系,解决了城市供水管理中的信息采集、数据孤岛难题,实现了管网漏损监测、水需求预测和水质检测等功能[52]。在智慧供水系统中,主动检测技术常以信息集成处理系统的形式出现,而被动检测技术则以智能传感器的形式被用于其中。

4.1 运行基石——智能传感器

智能传感器是传感器集成化与微处理机相结合的产物,具有采集、处理、交换信息的能力。相较于传统被动检测技术,智能传感器除了能实时检测管网水压、流量、水质数据外,更能通过智能渗漏探测技术获取分布式温度、压力与渗漏点信息[53]。在管网漏损控制方面,传感器的智能化提升不仅体现在对漏点的精确定位上,也体现在对水量的智能化计量上。有研究[54]证实,智能计量可用于快速有效地识别水表后的泄漏与水损控制。高精度的用水量实时检测,不仅能提高用水效率,也可实现用水量的自动控制,这使得水务公司能实时进行水价阶梯式调整[55-56]。除此之外,SCADA与地理信息系统等一系列技术的发展,也为实时压力探测和流量数据采集提供了便利,被广泛应用于供水管网中漏点的检测与定位,成为系统中至关重要的一环[57]。

4.2 发展关键——通信技术

高效可靠的信息通信技术是主动检测技术发展的一个关键因素,用于确保不同地区信息与参与者之间的相互连接[58]。物联网技术是其中较有代表性的一种,将低成本传感器与创新无线技术进行有效结合,能轻松实现设备的大规模监测和控制,使水务人员能够进行远距离操作[59]。但由于物联网技术的不完全成熟,具有较宽带宽的物联网技术仍难以满足接入口的要求,窄带物联网技术(narrow band internet of things,NB-IoT)被用来进行带宽在180 kHz以下的广域物联网传输。凭其成本低、覆盖率广、速率低、通信能力强等特点,能支持低功耗、低延时敏感度设备在广域网络蜂窝数据的高效连接,在数据传输过程中能保持十年左右的待机时长,且能够大范围地支持蜂窝网络覆盖[60]。无线传感器网络(wireless sensor network,WSN)则是从军事应用一直沿用至管网漏损检测,大量静止或移动的传感器以多跳或者自组织的形式形成WSN,基于磁感应的连续压力监测,在管道泄漏检测方面体现出极高的准确性与效率[61]。

4.3 指挥中心——智慧供水云平台

智慧供水云平台是整个智慧供水系统中的大数据平台,主要负责采集数据的集中、存储、转运以及指令下达,以平台架构的方式全面连接所有物联网模块,执行管网监测方案(包括漏损监测)并在异常发生时通知水务管理员,将数据发送给模型算法系统进行处理,接收系统处理过后的数据,给出决策意见,体现了智慧供水系统的可视化、数字化与移动化[62]。通过对于流量、水压、管材等大数据的分类整理,预测供水管网漏点产生的时间与存在的位置,结合如今正兴起的网格化管理的思想,使得快速发展的信息技术与水务技术进行深度融合,进一步提升管网漏损控制能力。

4.4 处理核心——深度学习

在大数据和算法大力加持下,深度学习已成为ANN的重要延伸,与传统神经网络模型相比,深度学习具有更多的神经元、更复杂的连接方式、更强大的计算能力以及自我特征提取能力,这使得它可从智慧供水云平台的采集数据中学习非常复杂的函数,自动提取关键特征,并通过与过往数据的对比,发现系统运行异常[56]。杨嘉昕等[63]利用BP神经网络构建漏损数据与漏损点、漏损量的映射关系,并通过大量训练来优化BP神经网络结构,结果显示优化后的BP神经网络能有效地预测漏损点位置与漏损量的大小。深度学习通过群体智能算法总结宏观智能行为特征,其机制适用于绝大多数组合优化问题,对于供水云平台的漏损处理行为的即时性与准确性有着极其重要的作用。Zhou等[64]基于试验管网的试验数据集、模型数据集及其交叉数据集,构建并训练了BP神经网络管网漏损诊断模型,对于漏损位置和漏损程度的预测都有较高的准确率,皆可达到90%以上。

5 总结

传统被动漏损检测技术原始但较经济,适用于小范围的精确定位,其技术组成相对单一,只实现了水务工作人员与传感器的联动,未与各类设备或系统形成完整的联动体系,对可能存在的漏点无法有效筛选,在漏损范围的确定上缺乏主动性。与传统被动检漏法相比,主动漏损检测方法加强了传感器与模型的联动作用,以数据为支撑,以DMA、ANN等模型为主要技术构成,在泄漏发生后的一定时间内可主动缩小漏点的范围,不足之处在于极依赖于数据采集的全面性与准确性,精度受数据的滞后性与强非线性影响较大。

信息通信技术的快速发展使数据传输速率和稳定性大大增强,大幅提高了传感器、用户、管理平台、数据处理后台四者间的信息交互时效性,有效解决了漏损检测技术中的信息滞后问题。深度学习作为ANN模型的重要延伸,大数据和算法大力提升了复杂问题的分析效率,强化了漏损现象的预测、判断和跟踪能力。可以说,通信技术和模型算法的发展促进了被动漏损检测技术和主动漏损检测技术在智慧供水系统中的深度应用,避免了两类漏损检测技术缺点,继承了高精度、快响应的优点,结合当今时代的智慧城市与网格化管理技术等新兴理念的提出,两类漏损检测技术在智慧供水这一背景下持续向数字化、智慧化方向转型,将有效减少管网可用水量损失,带来可观的社会经济效益。