当前, 物联网、移动互联网、3S (RS、GIS、GPS) 技术、云计算、智能与智慧技术不断发展, 在各应用领域带来了新的一场信息技术应用革命。智慧城市发展方兴未艾, 信息技术与城市基础设施、市民生活、工商业活动、公共服务与城市运行管理等相融合, 对各种需求做出智能响应, 不仅提高工作效率和工作质量, 提升城市服务水平和满意程度, 而且还能够创造出新的城市生活方式、运行管理模式与新兴的工商业态^[1]。智慧水务将为城市提供更为优质的供排水服务以及防汛排涝、水质污染管控与环境保护、防灾减灾等公共服务, 同时提升水务部门工作效能与工作质量, 管控与及时处理各种应急水务事件, 提升水务服务水平与满意程度, 优化资源配置, 实现各类水务活动的数据化、信息化与智慧化管理, 保障水务服务。

　　 智慧水务字面上包括“智慧”和“水务”两个方面, “水务”表达了业务的应用范畴, “智慧”则说明了信息化所采取的方法和工具。智慧水务是应用智能智慧技术、相关软硬件和信息化技术, 重塑和解决水务工作问题, 使水务工作各参与方提升工作效率, 提高工作可靠性和决策科学性, 各相关方 (政府相关部门等) 或用户可以得到更高的服务质量与满意度。

　　 智慧水务平台和各专业专题应用从底端的数据采集到顶端的智慧辅助决策支持, 这个过程中牵涉到大量的基础智能智慧技术。一般而言, 该过程也是数据、信息、知识、智慧的演进过程, 具体如下:

　　 (1) (大) 数据采集与标准化。本过程主要是对各传感器 (如压力、流量、水位、水质等) 的采集数据进行有效性确认, 去除数据“噪声”, 对数据进行标准化处理^[2]。

　　 (2) 信息提取、 (大) 数据分析与可视化。一般而言, 海量数据是供机器“阅读”的, 人很难吸收其中的信息并发现关联关系和规则, 有必要将数据转化为信息, 并将其进行结构化、信息化和可视化处理, 让人能够一目了然, 从而直观的做出判断和决策。在这个过程中, 数据的分析、结构化, 信息的提取至关重要, 其中也牵涉到大量的基础智能技术, 特别是统计分析技术, 如:数据特征分析, 关联分析, 假设检验与统计推断等^[3]。

　　 (3) 知识学习与应用。信息还需要升级为知识, 即根据数据中挖掘出来的信息, 建立信息之间的 (确定或不确定的) 关联关系和相应的推理系统, 不断学习、推断、预测、验证和生产新的知识, 生成新的数据集或映射关系。

　　 (4) 优化与智慧辅助决策。知识需要升华为智慧, 智慧水务平台和系统的最终目的是给出可行的、优化的决策方案和实践方案, 贝叶斯统计、通用优化算法等^[4]结合相关专题知识可以给出相应的智慧辅助决策方案。

　　 以上数据、信息、知识、智慧的演进过程中牵涉到大量的基础智能智慧技术, 其与专题应用相结合, 可以在统一的智慧水务平台上发展大量的业务专题应用系统, 推进水务公司智慧水务信息化建设。

　　 “水务”专业范畴需要考虑水的自然循环、社会循环以及政府部门对“水务”活动的管理体制, “水务”活动主要包括: (1) 水资源管理, 有流域规划与管理、防汛抗旱、水环境管理、水生态管理、农水管理等; (2) 供水管理, 有供水规划、供水水质与供水安全、供水全流程服务 (取水、制水、输配水、营销与客服、系统维护) 等; (3) 排水管理, 有排水信息管理、污水收集与排放、污水处理, 城市内涝与海绵城市等。

　　 “智慧水务”系统参与各方视角如下:

　　 (1) 客户与政府相关部门等视角。系统简单、友好、方便、服务体验好, 投诉能够及时反馈、问题能够及时解决, 能够及时的查阅到与自己相关或关心的信息, 可以订阅所关注的水务系统信息, 系统能够给出相关的辅助决策预案作为参考等。

　　 (2) 系统运维与管理视角。系统能够给出描述性的系统运维信息, 并且能够钻取底层的细节信息, 系统有各种KPI指标, 提供多种可视化方法展现系统 (历史和当前) 运维情况, 并且提供系统运维和管理建议。

　　 (3) 水务各工作岗位员工视角。能够高效率工作, 减轻工作负荷与人员的专业性要求, 对于不同的岗位、角色和职责, 有相应的个人工作台, 自动提供工作内容、工作建议、工作考核和工作流转, 系统应能够减轻和解放人的脑力和体力劳动。

　　 (4) 系统开发与发展视角。系统具有可扩展性, 在统一的智慧水务平台上可以发展多种专业专题应用。系统具有兼容性, 可接入第三方软硬件和应用系统, 能够对外提供相应的数据服务和分析服务。需要对数据和通用服务统一建模, 建设数据中心和应用 (构件) 中心, 实现各类资源互融互通和共享。

　　 “智慧水务”信息化系统建设框架采用通用平台和专题业务应用系统相结合的方式架构。通用平台主要功能是设备抽象与虚拟化, 数据中心、数据管理与数据服务, 基础框架与平台管理 (通用服务、资源管理、应用管理、数据与信息交互管理、系统管理) 等。专业专题业务应用则是将基础智能智慧技术与专题业务应用相结合, 发展多层次 (数据、信息、知识、智慧辅助决策) 智慧业务应用, 实现辅助智慧决策, 减轻工作负荷, 提升工作效能和可靠性。

　　 可以多视角理解智慧水务平台, 包括平台架构、平台功能、平台特色与平台价值。

　　 智慧水务平台如图1所示, 由4个层次构成, 包括:基础设施层、基础框架与平台层、大数据服务层和应用程序层, 包含企业智慧水务信息化建设的所有环节。

　　 智慧水务平台架构各层功能表述如下:

　　 (1) 基础设施层 (IaaS:Infrastructure as a Service) :提供设备资源、服务器、存储空间、网络资源、通讯资源、负载均衡、防火墙等基本资源, 平台可以在此基础上部署和运行各种软件, 包括操作系统和应用程序。

　　 (2) 基础框架与平台层 (PaaS:Platform as a Service) :其构建在IaaS层上, 提供业务软件的运行环境。平台层包括基础框架与平台展示。 (1) 基础框架:衔接基础设施层和平台展示层, 为平台层提供访问基础设施层的方法和手段, 为硬件虚拟化实现资源抽象和隔离; (2) 平台展示层:提供更为业务化的访问接口, 并整合业务系统和数据服务, 展示层可接入第三方平台系统和数据; (3) 数据总线 (ESB, Enterprise Service Bus) 与应用层、平台层、基础设施层和大数据服务层衔接, 是系统中的主要数据和控制链路。

　　 (3) 大数据服务层:大数据服务提供高吞吐数据存储和即席查询、复杂事件处理、机器学习和实时数据分析等智能化服务功能, 使应用获得强大的数据分析能力, 减少应用开发的复杂度。

　　 (4) 应用程序层 (SaaS, Software as a Service) :智慧水务平台的最上层, 向用户提供业务功能。应用层与平台展示层进行直接的数据和控制的交互, 也可以通过大数据服务获得数据的分析和展示能力。应用层支持多种用户设备的接入和访问。应用程序层也提供了系统开发API接口库和系统管理工具, 方便二次开发和对整个智慧水务平台的管理和维护。应用层支持第三方系统接入, 第三方系统可以通过平台层获取系统数据, 也可以向系统推送外部数据。

　　 智慧水务平台功能包括:1个中心, 2个体系, 1个中心是决策支持中心, 2个体系是客户服务平台体系和生产运维平台体系。决策支持中心提供通用智能与智慧算法、通用报表与图形模板、通用可视化表现技术, 与2个体系各专题业务应用相结合, 实现综合业务应用和展示、数据分析和挖掘、方案优化与智慧辅助决策。

　　 (1) 客户服务平台。客户服务平台以客户为中心, 将客户的所有信息进行有机的关联, 方便企业对客户信息进行综合分析和管理, 为客户提供更多、更便捷、更主动的个性化服务, 提高客户服务的质量和客户满意度。客户服务平台是以客户关系数据库为核心和基础, 包含客户完整的资料和数据, 实现客户全生命周期管理。

　　 (2) 生产运维平台。生产运维平台以物联网、大数据、GIS、水文、水力与水质模型技术为基础, 涵盖数据采集、资产管理、日常运维、建模调度和数据分析等内容。物联网包含各种数据采集设备, 大数据中心融合设备数据、GIS数据、采集数据、报表数据和管理数据, 为生产提供强有力的综合大数据支撑。平台以GIS地图为基础, 将数据展示、数据查询、日常业务、统计分析、日常报表、生产运维、建模和调度集成于一体, 集中展示所有生产相关的数据和业务。系统以水文、水力与水质模型、相关优化算法与统计算法为核心, 实现方案模拟、在线调度、流程化工况分析以及 (应急) 调度方案、生产运行状况、安全性与经济性评估等功能, 为生产管理提供决策支持。系统提供生产管理必要的业务支撑和分析决策服务将有助于提高生产管理人员对数据的分析能力, 规范生产制度和各项流程, 从而提升生产管理综合能力, 确保系统安全、经济、合理运行。

　　 (3) 决策支持中心。决策支持中心是智慧水务平台的核心和关键的组成部分, 目的是使企业的使用者获得与自己工作相关的数据和信息, 实时掌握系统的运行状况, 获得知识或洞察力, 促使他们做出对企业更有利的决策。决策支持中心可以提供统一的任务系统、公司KPI体系、GDI (地理数据接口) 综合展示平台、统一登录、数据分析和数据挖掘等功能。用户可以根据自己的工作岗位、角色和职责定制自己的个人工作台、报表平台、KPI指标, 可以采用移动互联方式完成数据访问与相关工作任务。

　　 智慧水务平台根据应用需求, 应具有如上图所示特色 (见图2) , 具体为云服务, 可根据应用需要, 将平台部署在公有云、私有云或混合云等运行环境, 最大程度的保证系统稳定可靠运行;灵活易用, 针对不同用户特点, 业务功能采用C/S、B/S、M/S等架构, 人性化操作;业务扩展, 系统在统一数据建模的基础上可持续扩展, 用户可以在平台上扩展各种业务应用;开放性, 系统可以无缝融合第三方业务系统, 包括数据和流程的整合;分期部署, 按照水务公司情况可以分期分批部署所需要的应用系统, 提供最大的部署灵活性;决策支持, 系统提供数据分析、数据挖掘模型、通用统计算法和最优化算法, 查找业务规律, 生成最优辅助决策方案, 为决策支持提供业务保障;移动互联, 在移动终端可以浏览数据和业务操作, 并提供多种方式进行数据分析和订阅。

　　 智慧水务平台具有的价值如图3所示, 具体为消除信息孤岛, 建立统一的数据模型, 数据具有一致性, 完整性和可扩充性;一体化平台构建, 数据服务与应用分析服务共享;提升经济效益, 发现企业运营过程中的成本损失, 控制服务成本, 提升企业经济效益;提升服务水平, 搭建多样化服务平台, 提升客户满意度;业务安全保障, 业务数据和指标实时监控, 及时发现存在问题并进行后续处置;高效运营保障, 统一管理规范和流程, 实现业务流程重组和优化, 保证公司业务高效运行;决策支持, 数据分析查找业务规律, 发现数据价值, 为管理决策提供支持。

　　 基础智能与智慧技术依次包括以下4层次:数据 (采集与标准化) 、信息 (提取与展现) 、知识 (学习与应用) 、智慧 (辅助决策) , 现分述如下。

　　 数据处理步骤如下:

　　 (1) 数据有效性判断与确认, 即识别异常或缺失数据等。数据有效性判断可以采用假设检验、统计推断、相关性分析、时间序列分析等方法对相关数据的有效性自动做出判别。数据有效性判断会出现统计学上的第一类错误或第二类错误, 设定可接受的错误概率即可。

　　 (2) 检查导致数据异常或缺失的原因。

　　 (3) 数据标准化处理, 删除包含异常数据实例或用合理的数值代替 (插补) 缺失值或异常值。

　　 异常数据的处理主要有推理法 (最大似然估计, Gibbs抽样等) 、删除法, 多重插补法 (线性插值、样条插值、移动平均插值) 等。需要对异常数值的重要性、不确定性及其对其它参数的影响进行分析, 应根据不同参数特征理性的处理异常数据。

　　 大数据有必要进行结构化、信息化和可视化, 转化为“一目了然”的信息, 使人可以简单和直接的做出决策判断。

　　 广义的数据分析, 包含数据挖掘和统计。数据挖掘是面对海量数据时的有效工具, 而数据统计是为分析过程提供可靠模型和结果检验的有效工具。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程, 就是从数据到有效信息的过程。数据结构化、信息化和数据分析技术主要有:

　　 (1) 数据挖掘。其是知识发现的一个重要步骤, 即从大量的数据中通过算法搜索隐藏于其中信息的过程, 主要分析方法有:分类, 估计, 预测, 相关性分组或关联规则, 聚类分析, 复杂数据类型挖掘等。

　　 (2) 统计建模与统计分析。其可应用多种统计分析方法对数据建立统计模型进行探索性处理, 提取相关信息, 发现和揭示数据背后的深层次关系。主要的统计分析方法有:数据描述性统计和分析、参数估计、假设检验、统计推断、回归分析、方差分析、应用多元分析 (判别分析、聚类分析、主成分分析、因子分析、相关分析) 等。

　　 (3) 数据可视化展示与分析, 可视化可以直观的展示数据, 让数据自己说话, 让观众听到结果。

　　 (4) 预测分析与验证。根据数据分析和统计分析的成果可以进行预测分析, 预测分析一般包括预测、优化、验证和确认、预报和模拟等过程。

　　 在智慧水务业务应用中, 数据分析、信息提取与可视化技术得到了充分应用, 如:系统运行KPI指标, 参数的地理分布分析, 二维图表分析等。

　　 知识的学习包括对数据挖掘中所获得信息的学习和升级, 获取新的知识和技能, 对相关知识进行验证和确认, 并将相应知识用于诊断、推断、预测和实践。以下为3个主要的知识学习和应用系统。

　　 (1) 知识库与专家系统。知识库系统和专家系统两者基础结构均基于人工智能的知识表达与结构、推理方法以及启发式搜索等理论, 两者的区别在于知识库系统在问题求解过程中并不刻意追求专家级的性能, 只是提供明智的建议和意见, 而专家系统的求解问题性能一般达到真正的专家水平。

　　 给排水管网运行调度方案库即为典型的知识库与专家系统应用案例。系统通过比对管网运行情况与方案库中的优化方案, 选择相似的优化方案, 或者是在相近方案的基础上继续寻优生成新的优化方案, 并将优化方案提供给用户, 该过程体现了该专家系统工作的完整过程。

　　 (2) 神经网络与机器学习。机器学习主要算法有人工神经网络, 支持向量机, 贝叶斯分类器, 最大期望估计算法等。机器学习可以自我归纳、拟合和表示各参量之间的关联关系, 从而可以实现判别与预测预报等功能。例如:人工神经网络可以通过大量的基础函数组合来逼近任意函数或映射。可以通过大量数据来优化和确定人工神经网络中的各相关参数, 从而使人工神经网络具有模拟该映射的能力从而使该人工神经网络达到预测预报的效果。

　　 在智慧水务业务应用中, 人工神经网络可以用于管网用水量预测, 爆漏管风险预测和评估等专题应用。

　　 (3) 贝叶斯统计或推断、模式识别与分类、基于模型的诊断。贝叶斯统计或推断是根据先验知识和增量实验 (或抽样) 来计算后验分布或推断后验知识。

　　 模式识别主要是对已知数据样本的特征发现和提取, 强调从原始信息中提取有价值的特征, 模式分类是对具有给定特征的样本通过分类器来进行分类, 典型的模式分类方法有线性分类器 (感知器, Fisher判别) 、非线性分类器 (BP神经网络、SVM) 、贝叶斯判决、随机森林等, 分类器可以自动发现样本中的特征。

　　 基于模型的诊断则是根据模型分析结果对相关数据集或证据进行分析和判断。

　　 在智慧水务业务应用中, 这些基础智能技术可以应用于管网异常侦测与诊断, 预报警与事故源推断、辨识与定位分析等应用。

　　 通用优化技术应结合具体的优化问题进行定制和特化, 生成特定问题的智慧辅助决策方案, 高效和有效的解决特定的智慧水务专题业务应用的决策问题。优化与智慧决策模型包括以下4个部分:

　　 (1) 优化目标。即智慧决策所追求的最优目标, 该目标一般为状态变量的函数, 即决策所要追求的最优状态, 一般是一个“距离”函数, 如:马氏距离或加权欧氏距离等, 表示对理想目标的逼近。

　　 (2) 约束条件。即决策变量或状态变量的边界或约束条件, 也即该变量的取值范围或 (搜索或状态) 空间边界。

　　 (3) 决策变量与状态变量。决策变量与状态变量之间必须要有相应的映射关系, 同一个问题可以根据具体情况选择不同的决策变量, 从而相应的优化计算方法可以是不同的, 应对决策变量搜索空间做出适当估计, 从而选择合适和高效的优化计算方法。

　　 (4) 优化计算方法。优化算法包括全局优化算法和局部优化算法, 应根据具体问题来进行设计, 不存在通用的最优的优化算法。基于寻找全局最优和计算效率的综合考虑, 优化算法设计时应尽可能增加确定性搜索因素, 减少随机性因素, 将全局优化算法和局部优化算法有机融合。

　　 优化与智慧辅助决策在数学上是一个控制问题和反分析问题, 也可以应用相关方法进行分析^[5]。在智慧水务业务应用中, 优化设计, 优化调度, 监测点优化布置等应用都可以采用优化与智慧辅助决策相关算法。

　　 智能与智慧技术纷繁复杂, 并且还在快速发展, 以下所列为关键智能与智慧技术。

　　 (1) 可视化技术。图表会“说话”, 一张图表可以承载千万量级的数据, 可以直观表现数据特征与关联关系, 充分发挥人脑的智慧作用。可视化技术的难点在于对专业的理解, 以及设计合适的图表并应用统计分析等算法来表现数据特征, 抽取和挖掘数据信息。

　　 (2) 贝叶斯统计。贝叶斯统计的特点在于将先验知识与增量实验相结合, 对实际情况进行统计推断, 给出概率性 (或然性) 结论, 并且能够自适应匹配新增的实践情况^[6]。贝叶斯统计可以应用于智慧水务的多项专题应用, 如:异常预警预报分析等。

　　 (3) 优化与控制技术。智慧水务的目标是控制水务系统的运行情况, 让水务系统能够在保障安全的情况下最优运行, 优化和控制技术对于制定和优化辅助决策方案至关重要, 在智慧水务专题业务中有重要应用。

　　 智慧水务有多种专题业务应用, 以下主要讲述“智慧水务”中城市供排水管理方面的专题应用场景和多个业务专题应用实践。

　　 (1) 监控点优化布置。目标函数为监控点建设费用与“能观性”指标的平衡, 可进行多目标优化计算, 寻找Pareto最优。

　　 (2) (水文、水力、水质) 模型参数估计、优化与在线模型。目标函数为模型计算值与监测值“距离”最小, 或者可以认为是一个背景场 (模型计算量) 与观测场的数据同化问题^[7]。

　　 (3) 给水管网漏损监控与分析。漏爆管预警预报, 定位与特征分析, 可能性分析等, 估算和预测高可能性发生爆漏的管线空间位置和水量, 供现场调查人员参考。

　　 (4) 防汛排涝应急系统。最优化应急预案, 预降城市 (天然) 水体水位, 应急泄水通道建设, 应急响应与流程管理等。

　　 (5) 排水管网优化系统。最优化截流方案, 确保污水厂进水水质稳定, 优化防洪、排涝、截污预案等。

　　 (6) 管网新建、改扩建、压力区块建设等优化设计。目标函数为管网建设与运行综合费用最低, 约束条件为满足用户规划用水需求, 决策变量为管线管径组合等。

　　 (7) 供水管网运行优化调度。目标函数为管网运行费用最低, 约束条件为管网运行安全性和保障供水, 决策变量为各泵站开车台时 (或各泵站出流流量和提升压力) , 状态变量则为管网运行状态或管网主控点压力。

　　 (8) 管网加氯时程优化。目标函数为控制消毒剂副产物, 消毒费用总量最低。决策变量为各消毒站点消毒剂量时程变化。

　　 (9) KPI分析等其他业务应用。可以应用通用智能与智慧技术结合专题与专业特征, 定制和发展多种业务应用。

　　 供水管网漏损控制需解决以下问题:

　　 (1) 漏损地点, 即漏损水量空间分布; (2) 漏损时间, 及时发现新增漏损并采取干预措施消减漏损水平; (3) 漏损性质与特征, 即漏损水平估计, 表观漏损与物理漏损水量, 占比, 可消减漏损水平等; (4) 经济分析与干预辅助决策。计算经济漏损水平, 干预费用、收益费用及回报周期, 最优干预方法选择, 如:管线修复、控压减漏、管线检漏与修复等。

　　 为解决以上问题, 漏损控制实践工作内容包括:

　　 (1) 多级DMA区块规划设计与建设, 水量审计与水平衡分析, 确定各 (级) 区块漏损水平, 对漏损严重区块进行重点监控与干预, 消减和控制漏损水平。

　　 (2) 大数据综合分析, 包括:账务数据、远传表与SCADA数据、管网资产数据、管网运维数据等大数据综合分析, 确认管网资产情况 (管龄、管材、管长等) 、运行情况 (压力与水量空间分布等) 、维护情况 (漏爆管水量、频次等) 、用水特征 (大用户水量, 用户类型、水量与分布特征等) 。

　　 (3) 管网水力模型建设与管网运行方案分析, 包括:管网优化调度与降压控漏, DMA区块建设方案优化等。

　　 (4) 管网运行监控系统建设, 包括远传大用户表系统, 流量仪与远传水表 (校核表) 系统, SCADA系统等, 实时监控大用户与多级DMA区块的供水情况以及管网运行情况, 对异常情况进行预警预报。

　　 (5) 漏损控制管理平台系统建设。该平台整合多源数据, 对漏损情况进行分析, 对漏损干预实行全流程管理。主要功能模块包括:实时监控、分析与预报警、统计报表、异常管理、KPI漏损指标计算等模块。区块漏损相关KPI指标与参数有:供水量、售水量 (账务水量) 、区块用户用水类型与用水量 (累积) 占比、表卡数与接管数、区块管线基础设施指数、各类型管线基础数据 (管长、管龄、管材) 、漏损水量与漏损比率、夜间3时供水量与日均时供水量比率、背景物理漏损水量、日 (物理) 漏损水量、日可消减 (物理) 漏损水量、单位接管数 (单位管长) 日可消减水量 (费用) 、日表观漏损水量、表观漏损指数、 (单位表卡或接管数) 日可消减表观漏损水量 (或费用) 、总可消减水量、 (物理) 漏损指数 (ILI) 、夜间可消减漏损水量、干预费用、探漏和修复活动收益、收益回报率、经济漏损水平、当量漏口数等。

　　 (6) 最优漏损干预实践, 包括现场干预方法, 手段 (检漏、探漏、修复、管线改造) 等。

　　 供水管网运行科学调度采用计算机及信息化技术, 采集和管理供水管网调度数据, 判断管网当前运行状态, 预测调度周期内管网用水量及压力等因素的变化情况, 生成供水管网调度决策方案, 并对整个调度过程进行监测和管理。

　　 科学调度主要作用包括以下3点:

　　 (1) 供水运行过程监控, 分析监控数据, 发现输配水过程中的异常情况, 发出预警、预报信息, 根据监控信息判断供水管网运行状态; (2) 调度管理, 对调度进行流程化管理并处理应急工况, 在需要的情况下, 可回溯历史调度过程和管网运行过程, 发现问题和症结, 并做出分析和改进; (3) 管网运行优化调度, 水量预测, 基于管网水力模型分析的计算机优化调度决策策略, 生成优化调度方案等。

　　 基础功能包括以下5点:

　　 (1) 数据采集、处理和分析, 将管网运行数据采集并保存到调度数据中心, 并对数据进行处理、分析和展示; (2) 调度业务管理, 包括调度相关工作和职责管理, 调度指令操作与管理, 调度预案管理, 调度日志, 调度计划生成, 调度报表汇总等; (3) 调度方案编制, 在预计供水量的基础上对相关供水设施运行计划进行安排与方案编制; (4) 应急调度, 其包括计划性应急调度和突发性应急调度, 内容有应急流程管理和应急时管网运行调度等; (5) 展示和表现, 各类数据和信息可用多种方式交互展示和表现, 包括空间地理、分析图表、汇总报表、多媒体动画等, 可用计算机屏幕、投影、大屏、手持终端等多种手段展现。

　　 高级功能包括以下3点:

　　 (1) 管网调度水力模型, 其可作为供水调度高级功能的基础设施和调度方案分析工具; (2) 智能预警报警, 基于供水调度实时监测运行数据, 采用时间序列分析、概率密度分布分析、相关性分析、贝叶斯统计等方法, 进行智能预警报警, 智能预警报警内容包括供水管网服务压力、管道爆裂可能性、厂站异常运行等; (3) 优化调度辅助决策, 优化调度辅助决策功能包括供水管网调度数学模型应用、水量预测、优化运行调度决策等。

　　 (1) “智慧水务”信息管理系统的评价应由“智慧水务”系统参与各方来确定, 即分析系统是否能够让“水务”工作人员效能更高, 工作负荷更小, 工作更为简单、便捷和有效, 水务系统运行更安全和优化, 公众和政府各部门的服务满意度更高。以“水务”工作参与各方的评价来确定“智慧水务”系统建设的有效性和成果。

　　 (2) “智慧水务”信息系统建设架构采用智慧水务通用平台和专业专题应用相结合的方式, 具体专业应用采用通用智能智慧技术与专题应用相结合的方式发展多层次智慧业务应用。

　　 (3) “智慧水务”信息系统应进行统一的数据建模与数据中心建设, 确保系统开放性、兼容性与可扩展性。水务公司可根据具体需求, 在智慧水务统一平台上分期分批发展和部署新的专题与专业应用, 满足生产与客户服务需要。

　　 (4) 现阶段, “智慧水务”研究与建设已经取得很大进展, 但是尚需做出进一步的努力, 不断实现更高层次的“智慧”逻辑, 发展新的智慧业务应用, 取得更大的成果。