据联合国水资源组织估计, 到2025年, 将有18亿人绝对缺水, 几乎三分之二的世界人口面临缺水压力。根据世界银行估计, 发展中国家的城市供水管网漏损率大约在40%~50%的范围内^[1]。管网渗漏是城市供水管网的一大难题, 渗漏涉及管网的各个组成部分:管道、接头、阀门及消防栓等。造成管网渗漏的因素很多, 包括管道材料、管道年限、管网结构、管网连接方式及管网的运行模式等。管道周围土壤、交通引起的振动、霜冻等环境因素也会对管网造成影响。供水管网内部的水力条件, 包括流速、压力和温度也是引发渗漏的相关因素。渗漏引起的经济损失不仅包括水量的流失, 还包括破损管网的维修。另外渗漏还可能造成供水中断及水质恶化, 带来健康风险并引起严重的社会问题。

为了减少漏水, 水务运营商使用多种渗漏检测方法进行检漏, 如声学技术、气体示踪剂和雷达技术等。此外, 水务运营商还在独立计量区内将水量平衡法和设备硬件相结合以检测区域的渗漏情况, 通过关闭检测区域内的阀门来测量流进和流出的水量, 使得水务公司能够有效地识别高水平的渗漏。然而上述这些传统的渗漏检测方法有较多的限制, 精度也非常有限。随着数字技术在智能城市系统中的应用, 传感器技术和数据实时采集系统的快速发展使得城市基础设施变得更加智能高效, 供水系统也已开始配备能够准确、实时地传递数据的智能传感器^[2,3]。

以欧洲智能供水系统示范项目 (Smart Water 4Europe) ———法国里尔大学校园为例, 介绍了其实施的智能供水系统及其在渗漏检测和控制方面的进展^[2~4], 以期为国内同行提供参考。

在欧洲智能供水系统示范项目框架下, 法国里尔大学校园被选为项目示范地点。该校园位于法国北部的里尔市附近, 于1967年落成。校园占地面积约1.1km², 共有140座建筑, 拥有大约25 000名学生和员工^[4]。校园供水管网约15km, 主要为铸铁管, 其直径从20~300mm不等, 其中部分管道安置在综合管廊中。由于老化等原因, 管网水量流失严重。为了减少泄漏, 里尔大学对供水管网实行了智能升级, 建立了智能供水系统。

智能供水系统实施的第一步是建立供水管网地理信息系统 (GIS) , 然后在整个管网上安装了89块电子水表 (AMR) , 包括多9块总表和80块分表, 实时记录和传输校园内的供水量和所有建筑物的用水量, 如图1所示^[3]。电子水表每1h记录1次数据, 记录的数据由安装在校园内的4个天线通过无线传输发送到服务器。另外还安装了5个压力传感器, 每15min记录1次管道压力, 并通过3G网络进行数据传输。在此基础上, 开发了智能供水系统管理分析平台。

图2显示了智能供水系统管理分析平台的界面。这个平台负责数据的收集、存储、分析及可视化显示。数据分析, 特别是漏水检测方面, 主要使用传统和先进数值分析方法, 主要包括水量平衡法 (WBM) ^[5,6], 流量分布模式比较法 (CFPDM) ^[7~9]和最小夜间流量法 (MNFM) ^[10~12]。下面分别对这3种方法在渗漏检测方面的应用展开讨论。

水量平衡法的假设是对于一个给定的独立计量分区 (DMA) , 在给定的时间内进水量等于用水量加水量损失^[13]。可以通过安置阀门将城市供水管网划分为多个独立计量分区, 并记录各个计量分区的进水量和用水量。这种方法需要从计量分区总表和区内各个用户表中收集数据。安装在独立计量分区主入口处的总表测量分区的总进水量W_I, 计费的用水量W_BC由分区内的各个分表确定。非收益用水量W_UC包括未计量的住户用水、消防用水、服务及清洁用水。统计总进水量W_I和计费的用水量W_BC, 就可以推导出分区的水量损失W_L。而实际水量损失W_RL是在总体水损失W_L基础上减去表观水量损失W_AL得出的。根据国际水协 (IWA) 的数据, 发展中国家表观水量损失W_AL估计为计费水量W_BC的5%, 而发达国家估计在1.5%~2%。

在里尔大学校园内, 总的供水量由校园内的9块总表记录的数据得到, 校园内总的计费用水量由另外80块分表测量和计算 (见图1) 。例如, 在2015年, 根据收集到的数据, 校园的供水量为363 180m³, 计费用水量为212 320m³, 非收益用水为150 860m³, 相当于总供水量的42%。图3比较了2015年日供水量和日计费用水量, 通过图3可以非常明确确定校园内的3个重要漏水事件, 在图中用实线方框标记, 他们分别发生在3月17日、8月11日、9月17日和10月4日之间。另外图中显示在5月还发生了一个水量异常变化事件, 在图3中用实线椭圆标记, 这是由于远程测量系统在数据传输时的数据丢失造成的。需要特别指出的是, 图中有两个显著的时间分区:在11月27日前后, 在图中通过虚线方框标记。在11月27日之后, 总供水量和总计费用水量之间的差距明显缩小, 这意味着漏水损失明显减少。实际上, 11月前是系统分析和调试阶段, 在进行了数据分析后, 对整个管网进行了有针对性的声控检测, 共计发现了另外25个隐藏的渗漏点, 如图4示意。图5为运用智能供水系统前后的日漏水量统计, 显示了智慧供水系统的优越性, 在采用主动泄漏控制策略之前, 非收益用水量较高, 平均为360m³/d, 而安装智能系统后则减少为70m³/d, 效果非常明显, 体现了智能技术的优越性。

该方法原理明确, 分析相对简单, 但其分析精度和及时性依赖管网水量信息的自动化程度及传输速度。在本示范项目中, 由于总表和分表都采用了实时数据传输, 因而分析精度高, 时效性强。但运用到城市尺度, 网络改造的成本相对较高, 建议先进行数据分析, 从漏损严重的区域或者主干管网开始。

流量分布模式比较法是基于数据的渗漏检查方法。在本案例中, 流量分布模式比较法使用的数据是2015年收集的校园总表统计的总供水量和其他水表统计的计费用水量。正如前面部分所述, 2015年校园内有3起重要的渗漏事件, 前两次分别发生在3月17日和8月11日, 而第三次渗漏连续发生17d后才被发现。这3次渗漏事件被用来检验流量分布模式比较法的性能, 首先该方法用没有渗漏发生时数据进行学习, 例如, 由于数据传输问题, 2015年5月的部分测量数据被排除在外。通过开发的程序来计算流量分布模式比较法中使用的矩阵。程序可以根据每周流量模式的比较来进行分析, 并且还可以对计算进行进一步的细化, 确定每天的流量模式。

首先计算分析了每周数据的斜率矩阵和截矩阵。在第12周的数据分析中, 观察到一个有趣的现象, 它对应于3月17日发生的管网漏水事件。同时观察到斜率矩阵和截矩阵发生异常变动。图6分别比较了包含和不包含渗漏事件的流量分布模式, 如图6a所示, 流量分布模式法绘制的流量模式模式开始偏离基准线, 这说明有异常用水量, 即渗漏发生。渗漏修复后, 流量分布模式返回到基准线, 如图6b所示。同样, 发生在2015年另外两次渗漏也被该方法检测到。

流量分布模式比较法在本次示范项目的测试表明, 该方法在不同尺度范围内都有效, 在2015年的3起渗漏事件中均被成功检测到, 另外方法还具有渗漏定位功能。但是, 由于这种方法本质上是一种回顾性分析方法, 有时需要人为判断, 在泄漏发生时不能立刻发出警报, 不能进行实时渗漏报警。因此在运用该方法时, 需要首先对城市水量数据进行充分分析, 得到各个分区的流量分布模式。在选择分区时, 可以根据具体情况进行判断, 具体可参照文献[13]结合城市小区具体情况进行。

最小夜间流量法是渗漏检测的常用方法。最小夜间流量一般在2:00~4:00测量, 此期间需水量最少, 同时压力高, 渗漏占主导地位。采用这种方法时, 首先对历史数据进行分析并计算历史最小夜间流量。在系统运行时候, 根据实时测量数据, 计算当前最小夜间流量, 同时更新最小夜间流量平均值和标准偏差, 在此基础上, 用平均值加上标准偏差乘以因子α得到预警阈值。如果新的最小夜间流量低于此阈值, 则判定为没有渗漏;反之, 如果超过阈值, 则意味着检测到渗漏。

图7为最小夜间流量法在校园的应用实例分析, 其中因子α取值为3。当新计算的最小夜间流量超过所定义的预警阈值时, 产生等于1的响应, 启动渗漏警报。从图7可以看出, 真正的渗漏都被检测到, 但误报也相当明显, 仍然需要进行进一步学习, 提高报警成功率。夜间流量法具有明显的时间限制性, 但具有明显的效果, 该方法可以结合人工检测以提高效果, 另一方面, 可以通过数据积累, 进行进一步深入学习, 提高精度。

本文介绍的示范项目很好地证明智能供水系统在检测漏水方面的有效性, 但该示范项目规模仍远小于城市规模, 在城市规模实施时, 建议应进行数据分析, 根据当地具体情况, 进行平台建设, 将多种方法综合运用。