浅谈管网泄漏数据挖掘及应用

随着5G、NBIOT载带物联网、云技术的发展，泄漏数据总量呈指数增长。如何从从庞大而冗余的泄漏数据中获取商业价值，为漏控管理者提供决策，已经成为漏控管理的现实问题？而传统数据分析思想、理念和方法已不能满足现实需求，只有通过数据挖掘技术才能系统、科学、全面挖掘泄漏数据背后的规律，才能提高泄漏治理水平，减少漏控治理的成本、实现经济高效治理模式。

 1.1泄漏数据概念

泄漏数据不是简单意义上的管网泄漏数据，而是与管网泄漏相关的水厂压力流量监控系统、调度系统、管网压力监测系统、GIS 系统、DMA 分区计量系统、工单系统以及人工台账等各种途径，采集的历史数据、实时数据，人工数据、电子报表数据集成的海量数据。

1.2泄漏数据特点

从泄漏数据特点来看，既有结构化数据，又有半结构化、非结构化的数据。由于，泄漏数据产生途径和来源种类繁多。既有生产经营、管网运维等各种监控平台的实时数据。又有各种文本手工台账、历史档案和资料，包括现场测量、采集的数据。所以，泄漏数据呈现了时序性、多样性，关联性、复杂性等特点。

2.1 传统数据分析方法

传统数据分析方法是基于单纯、狭义概念的检漏数据分析的，而非广义概念上泄漏数据分析，仅侧重于对检漏数量、检漏精度、准确性以及管材、管径、漏量等传统数据分析，而非结合应用场景进行分析，存在很大的局限性、片面性。

2.2大数据挖掘方法

大数据挖掘是基于广义上泄漏数据挖掘分析，将与泄漏数据相关的工单、台账、GIS、抢维修、流量压力等等历史数据、实时数据，结合应用场景，多维度挖掘分析，提升了预测结果的准确性和适应性。

 

3.1 检漏贡献率评价

检漏贡献率是为了衡量、评价检漏工作为实际管网漏损率下降创造的价值。尽管，检漏已常态化开展，但从来没有人真正思考过检漏对漏损的贡献率。随着漏损治理工作的深入开展，检漏贡献率势必会成为漏损治理关注的问题。检漏贡献率可从漏损率下降%，最小流量下降量进行分析。

①漏损率下降%

暗漏检出多少与漏损率%变化有着密切的关系。尽管，暗漏点数不能完全与漏损率%变化呈线性，但暗漏量检出多少却可以直接反映漏损率下降情况。暗漏检出数量与漏损率%之关系曲线如下图：

图1市政暗漏点检出数量与漏损率%曲线图

 

单从曲线看，漏损率%总体呈现了下降的趋势，且变化十分明显。由于，未统计漏量。但从检漏贡献率%分析，仍需深度挖掘分析。漏损率%详细数据如下图。

 
 通过对漏损率%环比下降%分析，4月份检漏贡献率%最大，8月、9月份漏损率%出现了上涨、反弹，但不会影响总体漏损率的下降。对连续3～9月份漏损率环比求平均后，检漏每月平均贡献率仅为-1.04%。

②最小流量下降量

检漏贡献率最直接体现就是水厂最小流量下降。检出暗漏点数越多，修复的越快，水厂夜间最小流量下降越明显。尽管，夜间最小流量仍受到夜间消费水量的影响，但在条件一定的情况，两者是呈线性关系。

图2 暗漏检出点数与最小流量变化图

 

从上面曲线看，随着漏点检出多少最小流量呈现了下降趋势和变化。检出暗漏越少了，最小流量反弹越快。这说明暗漏对最小流量影响很明显。

为了进一步分析，最小流量下降量对漏损贡献率影响，对漏点修复后的最小流量环比进行分析，并把最小流量下降量折算为月漏量，再分析其对漏损贡献率。详细数据如下：

 

从估算月漏损率环比分析，检漏对漏损贡献率非常明显，但9月漏损率环比上涨了-2.76%。通过连续3～9月份漏损率环比求平均后，检漏每月平均贡献率为1.97%。与直接漏损率计算的检漏贡献率-1.04%有些偏差。这是因为最小流量在折算月漏损量时，忽略了时变系数等因素的影响，故而导致数据偏差。

3.2检查用水设施明漏

众所周知，泄漏反弹与管网检漏速度、效率有着密切关系。泄漏反弹速度越快，报漏的工单件数相对越多，由此，可见，检漏速度决定了报漏工单件数。为了进一步说明检漏速度和报漏工单之间的辩证关系，可通过报漏工单与检漏数据对比分析表述。检漏数据与抢修工单数据对比如下：

检漏数量与抢修工单数据对比图

 

 通过对报漏工单与检漏数据对比分析，可以看出报漏工单与检漏工单曲线呈正好反比。检测出漏点越多，报漏工单越少，反之，报漏工单越多。由此可见，报漏工单可作为评估检漏速度、效率的关键指标。

3.3 预测检漏区域

随着对泄漏数据应用和认识的提高，检漏工作应该彻底改变传统的普查模式。而是结合历史的管网检漏数据、工单报修数据、管网改造台账、远传流量和压力监控系统等泄漏数据，挖掘、分析，预测检漏区域。检漏区域预测可对历史泄漏数据中地址、小区挖掘分析，准确预测未来检漏的重点。

①检漏地址

众所周知，管网泄漏有一定的规律性。其是由管网年限、材质以及施工质量决定的。施工质量差、管材老化严重的，铺设年限长通常泄漏几率偏高。因此，通过历史管网检漏数据对地址、小区进行分析，漏点的分布情况，为检漏工作指明方向。从而减少盲目普查、优化检漏资源配置，提升检漏的效率。

通过对检漏地址挖掘分析，可以看出市政管网检漏集中在以东园路、迎宾路、上三路、朝阳路、上滕路为主的62条街道和马路。由此，可以确定62条马路和街道是管网检漏的重点和方向。尽管，检漏数据不能完全反映管网工况，但至少可为检漏人员提供参照。

②小区名称、地址

检漏地址分析只能侧重对市政供水管网泄漏分布情况的分析，却不能体现小区管网泄漏情况。因此，通过对小区管网泄漏数据汇总，按小区名称、地址分析，寻找小区管网检漏的重点。

通过小区名称、地址分析，可以看出漏点主要集中35个小区，其中高湖村、康山里、鑫高新苑、吴山村、郭宅新居等小区泄漏严重，漏点数量5处以上。通过对历史检漏数据分析，可以得出这样结论，以上这些小区应作为检漏重点。

3.4检漏任务预测

检漏指标预测对漏控工作者而言是十分困难的事情。既要满负荷的检漏任务，又要高质量的定位精度，难免有点顾此舍彼。从理论上讲，两者并不矛盾。但问题在于绩效考核指标设定是否合理，是否存在冲突。实际上，漏控工作中，制定了很多的检漏指标和绩效考核办法，但因缺少检漏指标科学预测和评估，最后导致检漏指标和任务完不成。

检漏指标科学预测是指是否根据检漏人员技能、装备、人员素质、检漏速度、绩效考核、激励机制以及单位检漏任务和目标，构建科学的检漏指标模型，并通过大数据验证和实践获取科学的指标数据。另外，在检漏指标预测时，是否考虑管网GIS资料的可靠性、准确性，是否考虑过随着漏损率下降，检漏难度增加，绩效考核指标调整。如果这些因素不作为科学预测的依据，检漏指标科学性就有待商榷。

 

作为管理者，应该意识到检漏指标和任务不止是考核检漏人员检漏技能和水平，还是对检漏指标科学性的检验。因此，应从检漏技能、装备、绩效、图纸可靠性等多维度预测检漏任务和指标科学性。

3.5管道风险评估

管网风险评估是基于管网年限、管材、土壤腐蚀性、耐压等级以及泄漏频次等因素搭建的风险评估模型。管道风险评估是基于对各种管道、土壤、压力参数的长期积累，加上获取手段限制，在短时间内很难建立适合国情的评估模型。本文是借鉴国外的管道评估模型，发展的一种相对简单、实用的密度法管道风险模型。管道风险评估模型：

ｐ密度=（B/L/100）×N

其中：

Ｐ:代表每100m爆管的密度

B：代表该段管道爆管或泄漏次数；

L：代表该段管道的长度，单位（m）；

根据爆管泄漏的密度值，按不同的阈值设定管道风险等级。根据每100m的管网泄漏密度值和阈值把风险缝份为划分3级：

1级轻微：密度值1～3；

2级严重：密度值3～5；

3级非常严重：密度值5以上。

管网风险等级越高，管网泄漏或爆管越严重，改造的必要性越高。依此作为管网改造的依据和基准，可减少盲目改造，节省大量成本。

为了进一步验证管网风险评估模型可靠性，通过对管道年限、管材、管径、管网长度、爆管或泄漏次数等数据进行管道风险评估案例分析。管道风险评估案例如下：

 

 通过上面案例数据分析，密度法管道风险评估模型对评估风险等级简单、快捷，但管材、年限、壁厚、耐压等级、水头损失以及其他影响管道风险评估因素未在模型中展现。随着对管道风险评估模型应用经验的积累，进一步建立更加完善风险评估模型，满足管网改造的需求。