張劍惠,車 通,朱 杰,朱鴻彬,楊鑫科,鄧幫武,韋 偉,*

(1.杭州余杭水務(wù)控股集團有限公司,浙江杭州 311100;2.安徽舜禹水務(wù)股份有限公司,安徽合肥 231100;3.安徽建筑大學環(huán)境與能源工程學院,安徽合肥 230601)

水是世界上最寶貴的資源,由于人口增長、工業(yè)發(fā)展和社會狀況的改革,對于水資源的需求量不斷增大,但可供利用的水源數(shù)量與容量卻在不斷減少[1]?；诮?jīng)濟發(fā)展情況與技術(shù)水平,管網(wǎng)漏損問題集中發(fā)生在欠發(fā)達國家,而發(fā)達國家城市供水管網(wǎng)較新,漏損率相對較低,從加爾各答(印度)的60%到日本的3%不等[2]。在我國,由于城市化建設(shè)的加快,供水網(wǎng)絡(luò)漏損的問題越來越嚴重[3]。據(jù)統(tǒng)計,我國每年漏損量約為80億t,2018年—2020年漏損率分別為14.62%[4]、14.12%[5]、13.39%[6],雖然呈逐年下降趨勢,但仍距“水十條”及“到2025年,全國城市公共供水管網(wǎng)漏損率力爭控制在9%以內(nèi)”的近景目標相距甚遠。此外,漏水可能是公共衛(wèi)生安全問題的根源,供水管網(wǎng)的破裂易導(dǎo)致污染物進入。因此,對于水量漏損的控制愈發(fā)重要,城市供水行業(yè)需要漏損控制措施,以減少漏損帶來的損失并產(chǎn)生良好的經(jīng)濟效應(yīng)[7]。

管道漏損的快速檢測與精確定位是實施漏損控制措施的前提。早期漏損檢測技術(shù)是基于各類傳感器的人工聽漏或簡易數(shù)據(jù)分析檢漏,漏損問題往往在事件發(fā)生相當長的時間后才被發(fā)現(xiàn),即便采用聽漏儀、紅外熱成像儀、各類機器人等被動檢測技術(shù)開展檢漏工作也很難挽回已造成的大量經(jīng)濟損失。得益于各類傳感、通信、水力模型、機器學習等技術(shù)的進步,高效的數(shù)據(jù)采集、通信和處理使得漏損檢測技術(shù)趨往精確性、時效性和系統(tǒng)性發(fā)展特點。文章根據(jù)漏損檢測方式和時效性的不同,將供水管網(wǎng)漏損檢測技術(shù)分為被動漏損檢測技術(shù)與主動漏損檢測技術(shù)。前者通常實施在漏損發(fā)生之后,時效性較差;后者是基于數(shù)據(jù)采集、模型算法的精確計算判斷,漏損排查難度降低。兩者在智慧水務(wù)系統(tǒng)中的有機結(jié)合能夠?qū)崿F(xiàn)管網(wǎng)漏損的實時監(jiān)測甚至高效預(yù)測,時效性大大提高。文章綜述了國內(nèi)外供水漏損控制技術(shù)發(fā)展現(xiàn)狀,比較了各種漏損檢測方法的優(yōu)缺點,介紹了被動漏損檢測技術(shù)和主動漏損檢測技術(shù)在智慧系統(tǒng)中的應(yīng)用。

1 被動漏損檢測技術(shù)

被動漏損檢測技術(shù)是以傳感器為基礎(chǔ)的人工或簡易數(shù)據(jù)分析手段。以檢測位置作為劃分依據(jù),可將被動檢測技術(shù)分為外管檢測與管道內(nèi)檢測兩類,這些非破壞性檢測技術(shù),主要依靠傳感器和信息數(shù)據(jù)的轉(zhuǎn)變,實現(xiàn)漏點的檢測與定位。

1.1 外管檢測

外管檢測可以在管道外部進行,其中包括聽漏棒、電子聽漏儀等聲學技術(shù)[8]、磁通量泄漏(magnetic flux leakage,MFL)技術(shù)[9]、高分辨率閉路電視(closed circuit television,CCTV)檢查技術(shù)[10]、紅外熱成像技術(shù)[11]、聲發(fā)射(acoustic emission,AE)技術(shù)[12]、超聲波技術(shù)[13]、負壓波傳感技術(shù)[14]、探地雷達[15]等不同的檢測方法。這類方法受周圍環(huán)境影響較大,對于不同的場景往往需要不同類型的檢測方法,但由于每種場景皆使用特定的檢測方法,在小范圍內(nèi)外管檢測的漏損識別精度相對較高。

1.2 管道內(nèi)檢測

管道內(nèi)檢測器通過攜帶一個或多個傳感器進行檢測和識別,檢測器被推入管道中,由外部人員操縱完成檢測任務(wù)。傳感器通常包括聲學、相機、超聲波、漏磁通量和渦流傳感器等。受限于傳感器的防水性研究,使用內(nèi)管檢測時需盡可能地排空管道內(nèi)的水。相對于外管檢測而言,內(nèi)管檢測由于攜帶更多種類的傳感器,能夠更接近泄漏點,具有更高的檢測精度[16]。此外,近年來人工智能的飛速發(fā)展,使得機器人技術(shù)已經(jīng)成為工程領(lǐng)域的一個重要領(lǐng)域[17],各類機器人不斷被應(yīng)用于漏點的視覺探查以及無損檢測[18]。這些機器人包含輪式、軌道驅(qū)動、管道檢查量規(guī)(pipeline inspection gauge,PIG)、行走式和英寸蟲型,雖然涉及范圍廣,但每種機器人都有著自己的優(yōu)缺點,不同類型的機器人被應(yīng)用于不同場景的內(nèi)管檢測[19]。

2 主動漏損檢測技術(shù)

環(huán)境成本和效益是供水行業(yè)對于漏損技術(shù)控制選擇的一個重要指標[20],相較于被動漏損檢測,主動漏損檢測基于傳感技術(shù)偏向于對模型的建立和數(shù)據(jù)的分析,更能夠?qū)崿F(xiàn)對成本和效益的有效管理。1980年,英國水務(wù)聯(lián)合大會提出獨立計量分區(qū)(district metered area,DMA)概念,模型法正式應(yīng)用于漏損檢測。不過DMA檢測方法只適用于有大量準確數(shù)據(jù)作為依據(jù)的水力模型問題,面對缺乏基礎(chǔ)數(shù)據(jù)的情況,則需要人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)技術(shù)[21]進行處理。

2.1 基于DMA的主動檢測技術(shù)

基于傳統(tǒng)網(wǎng)格(流量/壓力信息)建模與地理信息系統(tǒng)的結(jié)合,通過截斷管網(wǎng)或關(guān)閉閥門的方式將供水管網(wǎng)劃分成若干個獨立計量區(qū)域,能夠有效縮小漏點的范圍[22]。同時,DMA分區(qū)計量能夠持續(xù)穩(wěn)定控制供水量,降低企業(yè)產(chǎn)銷差,以精細化的數(shù)據(jù)分析達到降低漏損量的目的,實現(xiàn)節(jié)能減耗。而在此基礎(chǔ)上,通過進一步優(yōu)化DMA分區(qū)中傳感器放置點的選取,加強網(wǎng)絡(luò)節(jié)點壓力測量和壓力敏感度分析等方式,能夠明顯提高DMA模型的最佳搜索效率[23-24]。Marunga等[25]也建議使用EPANET工具,在供水管網(wǎng)模型的建立中應(yīng)將壓力管理作為減少漏損與需水管理的主要方式。由此可見,模型的建立對于加強水務(wù)人員主動檢漏的能力具有極大的作用。其中,壓力信息在模型運行的過程中具有不可忽視的作用,通過壓力信息改善供水手段可以實時量化客戶的需水要求,降低所需能耗及流量損失,提高供水管網(wǎng)水能效[26-27]。

2.2 基于ANN的主動檢測技術(shù)

ANN則是效仿人腦神經(jīng)的應(yīng)用,注重核心算法的不斷迭代升級,加強軟件程序的高級處理[16]。該方法由1982年波蘭學者提出的粗糙集理論演變而來,依靠系統(tǒng)的復(fù)雜程度,通過調(diào)整內(nèi)部大量節(jié)點之間相互作用的關(guān)系,達到處理數(shù)據(jù)的目的。在實際的管網(wǎng)水力模型之中,ANN技術(shù)通過對數(shù)據(jù)采集技術(shù)(supervisory control and data acquisition,SCADA)與模型建立技術(shù)的結(jié)合使用,依賴瞬態(tài)分析技術(shù),對所獲得的數(shù)據(jù)進行分析,模仿人腦的不確定性概念判斷、推理思維方式,對于模型中所缺乏的基礎(chǔ)數(shù)據(jù),以及強非線性、大滯后的數(shù)據(jù),應(yīng)用模糊集合和模糊概念進行推理,確定漏點的位置。相較于傳統(tǒng)方法,這類方法的經(jīng)濟性和效率有了極大的提升。Silva等[28]首次將聚類和分類工具進行組合用于小規(guī)模液化石油氣(LPG)管道的故障檢測,并引入模糊系統(tǒng)根據(jù)運行模式與過程中的瞬態(tài)變化調(diào)整流量閾值,以較低成本獲得了更有效的泄漏監(jiān)測。Joaquim等[29]將網(wǎng)絡(luò)節(jié)點的揚程與估計值進行比較,計算殘差并建立線性參數(shù)變化模型與齊諾多面體。Ragot等[30]則是基于模糊系統(tǒng)殘差分析,憑借不斷變化的流速信息診斷出整個管網(wǎng)中的故障傳感器的位置。Birek等[31]創(chuàng)建的聚類算法具有高斯隸屬函數(shù)的模糊If-Then規(guī)則的基礎(chǔ),與標準模糊預(yù)測方法相比,生成的聚類數(shù)量更少,不但提高了預(yù)測模型的精確度,且模型的透明度也大幅增加。

2.3 基于環(huán)境因素的ANN優(yōu)化檢測

隨著城市供水管網(wǎng)不斷延展,管網(wǎng)框架越拉越大,周邊環(huán)境與管道的信息交互以及各類高層建筑的出現(xiàn)使得城市供水管網(wǎng)更趨向于三維化,這為模型的建立帶來了極大的困擾。受管網(wǎng)結(jié)構(gòu)、土壤、外部壓力、管材、水力條件等環(huán)境因素影響,以模型和算法為基礎(chǔ)的主動檢測技術(shù)在大規(guī)模建模問題上常缺乏適用性。學者們不斷引入新的算法用于提高ANN類漏損檢測技術(shù)的精確度與適用性,較為常見的有蟻群優(yōu)化算法[32]、貝葉斯網(wǎng)絡(luò)[33]與聚類算法等。

蟻群優(yōu)化算法最開始用于水資源問題中計算不飽和土壤的水力參數(shù)[34],后逐漸應(yīng)用于供水管網(wǎng)的水力參數(shù)選擇,并不斷對整體供水管網(wǎng)進行優(yōu)化,降低漏損率[35]。該類算法采用正反饋機制,不斷收斂運算機制,逐漸逼近最優(yōu)解。在整體模型計算中考慮到每個個體信息,采用分布式計算方法,同時進行多個個體模型的計算,這不僅大大提高了枝狀管網(wǎng)的精度問題,且可避免于陷入局部最優(yōu)解的困擾。

而貝葉斯網(wǎng)絡(luò)則能夠有效處理不確定數(shù)據(jù),作為一個有向無環(huán)圖,以周邊環(huán)境信息、管材、水力條件等因素作為環(huán)結(jié)點,推導(dǎo)管網(wǎng)發(fā)生漏損的概率,進一步確定漏點。Tang等[36]引導(dǎo)貝葉斯網(wǎng)絡(luò)捕獲并學習周圍土壤與管道物理因素的相互作用關(guān)系,分析配水管道中的漏損故障。而基于貝葉斯網(wǎng)絡(luò)開發(fā)綜合安全預(yù)測模型,通過整合子系統(tǒng)、整體系統(tǒng)與周邊環(huán)境系統(tǒng)之間的相互作用與依賴關(guān)系,定位潛在危險源的方式來推理整體配水網(wǎng)絡(luò)安全狀況,可最終確定可能存在漏點的位置[37]。Morosini等[33]則考慮了發(fā)生泄漏前后校準模型之間管道粗糙系數(shù)的變化,以貝葉斯法標定漏點的位置。

除蟻群優(yōu)化算法與貝葉斯網(wǎng)絡(luò)之外,一些學者為增加ANN類檢測技術(shù)的適用性,對傳統(tǒng)聚類方法進行改進而衍生出來的光譜聚類方法能有效降低漏損檢測和管網(wǎng)維護成本[38]。又有研究[39]證實,基于圖形分析,以水力模擬軟件(EPANET)創(chuàng)建的泄漏狀況作為配水網(wǎng)絡(luò)模型中的節(jié)點,將每對節(jié)點發(fā)生泄漏時的壓力和流量變化加權(quán)計算作為邊緣條件,能夠允許光譜聚類方法進一步適用于大規(guī)模建模問題。

2.4 基于管理要求的ANN優(yōu)化檢測

使供水管網(wǎng)管理者理解管理中的多目標需求是十分必要的,通過水需求管理概念可以有效量化系統(tǒng)中水資源的損失[40]。有學者從多目標角度進行水力模型算法優(yōu)化,如Morais等[41]通過一種基于PROMETHEE V方法的群體決策模型,有效地滿足水網(wǎng)管理中關(guān)于技術(shù)、社會經(jīng)濟和環(huán)境標準方面的要求。Arsene等[42]基于三層通用模糊最小最大神經(jīng)網(wǎng)絡(luò)和圖論,提出一種高效決策支持系統(tǒng),用于監(jiān)測和控制管道的漏損問題。也有研究[43]證明,神經(jīng)模糊決策系統(tǒng)可用于執(zhí)行與城市供水管網(wǎng)相關(guān)的多因素故障風險分析與資產(chǎn)管理。

3 各類漏損檢測技術(shù)方案對比

目前,各類檢測技術(shù)在供水行業(yè)內(nèi)皆有廣泛應(yīng)用,每種技術(shù)皆有各自優(yōu)勢。通過對各種漏損檢測技術(shù)在檢測儀器或系統(tǒng)、漏損識別精度、特點及適用場景等方面的橫向比較,可知被動漏損檢測技術(shù)識別精度往往較高,但時效性差,主動漏損檢測技術(shù)精度有所欠缺,但響應(yīng)快速,可實現(xiàn)實時監(jiān)測、漏損預(yù)測。各類漏損檢測技術(shù)方案的比較如表1所示。

4 漏損檢測技術(shù)在智慧供水系統(tǒng)中的應(yīng)用

模型建立對配水系統(tǒng)漏損管理而言至關(guān)重要[50],但模型的準確性需完整且準確的數(shù)據(jù)庫條件支撐。在實際供水管網(wǎng)模型建立過程中,信息的準確采集往往是一大難題,基礎(chǔ)數(shù)據(jù)缺失或者錯誤的情況時常出現(xiàn),單一的主動漏損檢測并不能十分有效地解決此類問題,也導(dǎo)致模擬結(jié)果精確度不高。

隨著信息通信技術(shù)的進步,許多城市提出智慧城市概念,以抓住信息通信技術(shù)帶來的發(fā)展機會[51],智慧供水也已成為全球范圍內(nèi)供水行業(yè)新的發(fā)展趨勢。智能傳感器、通信技術(shù)、智慧供水云平臺和深度學習模型等設(shè)備和系統(tǒng)的有機協(xié)同構(gòu)成供水智慧化體系,解決了城市供水管理中的信息采集、數(shù)據(jù)孤島難題,實現(xiàn)了管網(wǎng)漏損監(jiān)測、水需求預(yù)測和水質(zhì)檢測等功能[52]。在智慧供水系統(tǒng)中,主動檢測技術(shù)常以信息集成處理系統(tǒng)的形式出現(xiàn),而被動檢測技術(shù)則以智能傳感器的形式被用于其中。

4.1 運行基石——智能傳感器

智能傳感器是傳感器集成化與微處理機相結(jié)合的產(chǎn)物,具有采集、處理、交換信息的能力。相較于傳統(tǒng)被動檢測技術(shù),智能傳感器除了能實時檢測管網(wǎng)水壓、流量、水質(zhì)數(shù)據(jù)外,更能通過智能滲漏探測技術(shù)獲取分布式溫度、壓力與滲漏點信息[53]。在管網(wǎng)漏損控制方面,傳感器的智能化提升不僅體現(xiàn)在對漏點的精確定位上,也體現(xiàn)在對水量的智能化計量上。有研究[54]證實,智能計量可用于快速有效地識別水表后的泄漏與水損控制。高精度的用水量實時檢測,不僅能提高用水效率,也可實現(xiàn)用水量的自動控制,這使得水務(wù)公司能實時進行水價階梯式調(diào)整[55-56]。除此之外,SCADA與地理信息系統(tǒng)等一系列技術(shù)的發(fā)展,也為實時壓力探測和流量數(shù)據(jù)采集提供了便利,被廣泛應(yīng)用于供水管網(wǎng)中漏點的檢測與定位,成為系統(tǒng)中至關(guān)重要的一環(huán)[57]。

4.2 發(fā)展關(guān)鍵——通信技術(shù)

高效可靠的信息通信技術(shù)是主動檢測技術(shù)發(fā)展的一個關(guān)鍵因素,用于確保不同地區(qū)信息與參與者之間的相互連接[58]。物聯(lián)網(wǎng)技術(shù)是其中較有代表性的一種,將低成本傳感器與創(chuàng)新無線技術(shù)進行有效結(jié)合,能輕松實現(xiàn)設(shè)備的大規(guī)模監(jiān)測和控制,使水務(wù)人員能夠進行遠距離操作[59]。但由于物聯(lián)網(wǎng)技術(shù)的不完全成熟,具有較寬帶寬的物聯(lián)網(wǎng)技術(shù)仍難以滿足接入口的要求,窄帶物聯(lián)網(wǎng)技術(shù)(narrow band internet of things,NB-IoT)被用來進行帶寬在180 kHz以下的廣域物聯(lián)網(wǎng)傳輸。憑其成本低、覆蓋率廣、速率低、通信能力強等特點,能支持低功耗、低延時敏感度設(shè)備在廣域網(wǎng)絡(luò)蜂窩數(shù)據(jù)的高效連接,在數(shù)據(jù)傳輸過程中能保持十年左右的待機時長,且能夠大范圍地支持蜂窩網(wǎng)絡(luò)覆蓋[60]。無線傳感器網(wǎng)絡(luò)(wireless sensor network,WSN)則是從軍事應(yīng)用一直沿用至管網(wǎng)漏損檢測,大量靜止或移動的傳感器以多跳或者自組織的形式形成WSN,基于磁感應(yīng)的連續(xù)壓力監(jiān)測,在管道泄漏檢測方面體現(xiàn)出極高的準確性與效率[61]。

4.3 指揮中心——智慧供水云平臺

智慧供水云平臺是整個智慧供水系統(tǒng)中的大數(shù)據(jù)平臺,主要負責采集數(shù)據(jù)的集中、存儲、轉(zhuǎn)運以及指令下達,以平臺架構(gòu)的方式全面連接所有物聯(lián)網(wǎng)模塊,執(zhí)行管網(wǎng)監(jiān)測方案(包括漏損監(jiān)測)并在異常發(fā)生時通知水務(wù)管理員,將數(shù)據(jù)發(fā)送給模型算法系統(tǒng)進行處理,接收系統(tǒng)處理過后的數(shù)據(jù),給出決策意見,體現(xiàn)了智慧供水系統(tǒng)的可視化、數(shù)字化與移動化[62]。通過對于流量、水壓、管材等大數(shù)據(jù)的分類整理,預(yù)測供水管網(wǎng)漏點產(chǎn)生的時間與存在的位置,結(jié)合如今正興起的網(wǎng)格化管理的思想,使得快速發(fā)展的信息技術(shù)與水務(wù)技術(shù)進行深度融合,進一步提升管網(wǎng)漏損控制能力。

4.4 處理核心——深度學習

在大數(shù)據(jù)和算法大力加持下,深度學習已成為ANN的重要延伸,與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型相比,深度學習具有更多的神經(jīng)元、更復(fù)雜的連接方式、更強大的計算能力以及自我特征提取能力,這使得它可從智慧供水云平臺的采集數(shù)據(jù)中學習非常復(fù)雜的函數(shù),自動提取關(guān)鍵特征,并通過與過往數(shù)據(jù)的對比,發(fā)現(xiàn)系統(tǒng)運行異常[56]。楊嘉昕等[63]利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建漏損數(shù)據(jù)與漏損點、漏損量的映射關(guān)系,并通過大量訓練來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),結(jié)果顯示優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能有效地預(yù)測漏損點位置與漏損量的大小。深度學習通過群體智能算法總結(jié)宏觀智能行為特征,其機制適用于絕大多數(shù)組合優(yōu)化問題,對于供水云平臺的漏損處理行為的即時性與準確性有著極其重要的作用。Zhou等[64]基于試驗管網(wǎng)的試驗數(shù)據(jù)集、模型數(shù)據(jù)集及其交叉數(shù)據(jù)集,構(gòu)建并訓練了BP神經(jīng)網(wǎng)絡(luò)管網(wǎng)漏損診斷模型,對于漏損位置和漏損程度的預(yù)測都有較高的準確率,皆可達到90%以上。

5 總結(jié)

傳統(tǒng)被動漏損檢測技術(shù)原始但較經(jīng)濟,適用于小范圍的精確定位,其技術(shù)組成相對單一,只實現(xiàn)了水務(wù)工作人員與傳感器的聯(lián)動,未與各類設(shè)備或系統(tǒng)形成完整的聯(lián)動體系,對可能存在的漏點無法有效篩選,在漏損范圍的確定上缺乏主動性。與傳統(tǒng)被動檢漏法相比,主動漏損檢測方法加強了傳感器與模型的聯(lián)動作用,以數(shù)據(jù)為支撐,以DMA、ANN等模型為主要技術(shù)構(gòu)成,在泄漏發(fā)生后的一定時間內(nèi)可主動縮小漏點的范圍,不足之處在于極依賴于數(shù)據(jù)采集的全面性與準確性,精度受數(shù)據(jù)的滯后性與強非線性影響較大。

信息通信技術(shù)的快速發(fā)展使數(shù)據(jù)傳輸速率和穩(wěn)定性大大增強,大幅提高了傳感器、用戶、管理平臺、數(shù)據(jù)處理后臺四者間的信息交互時效性,有效解決了漏損檢測技術(shù)中的信息滯后問題。深度學習作為ANN模型的重要延伸,大數(shù)據(jù)和算法大力提升了復(fù)雜問題的分析效率,強化了漏損現(xiàn)象的預(yù)測、判斷和跟蹤能力。可以說,通信技術(shù)和模型算法的發(fā)展促進了被動漏損檢測技術(shù)和主動漏損檢測技術(shù)在智慧供水系統(tǒng)中的深度應(yīng)用,避免了兩類漏損檢測技術(shù)缺點,繼承了高精度、快響應(yīng)的優(yōu)點,結(jié)合當今時代的智慧城市與網(wǎng)格化管理技術(shù)等新興理念的提出,兩類漏損檢測技術(shù)在智慧供水這一背景下持續(xù)向數(shù)字化、智慧化方向轉(zhuǎn)型,將有效減少管網(wǎng)可用水量損失,帶來可觀的社會經(jīng)濟效益。