承办单位风采！无锡水务：AI水指纹技术在用水行为分析中的应用

无锡市水务集团有限公司将于2023年11月22-24日亮相第十届中国（上海）国际管网展览会，诚邀您的莅临洽谈交流！

摘要：为了能更好地提供用水服务，贯彻“主动服务”理念，实现“节水型城市”、“节能型城市”，助力“碳达峰”、“碳中和”，通过“水指纹”技术研究用户用水行为，辨别异常水量进而识别水量漏损或非法用水的行为并加以处理，能够有效减少供水环节中的水量损耗及企业经济损失，达到主动服务和节能降耗的目的。

关键词：节能降耗，水指纹，智能远传终端，AI，适应性变频，用水行为

01

引 言

城市运行安全生命线保障工作中供水环节是非常重要的一个内容，居民生活和企业生产时刻都在用水。随着国家提出建设“节水型城市”“节能型城市”的要求及“碳达峰”“碳中和”的目标，本着“优化营商环境”和“控制漏损”的理念，无锡市水务集团变被动为主动，通过跟踪分析用户用水行为，根据用水数据及时发现、及时处理异常用水，旨在“及时止损”，减少水资源的浪费。

水指纹技术利用物联网RTU设备实时采集大表或**计数据，并将数据及时上传云端。云端利用AI实时计算，并通过建立水指纹模型，预测该表具及居民的运行情况，一旦某用户用水行为超出了水指纹模型，则系统会自动预警，并提示工作人员。水指纹模型能发现用户用水异常，这些异常通过系统自动标记。从相同的用水模式，用水模型大致相似的原则出发，根据各种用水行为，针对性的建立用水行为模型库，并标记出用户实际用水模式，达到**识别、准确判断用户用水行为的目的。

借助以上方法，针对企业用户、小区、居民建立一系列分析模型，以主动了解用户情况，同时及时发现和处置异常漏水，达到控漏节能的目的。

02

水指纹算法介绍

企业社会经济生活、国家的生产经营发展都离不开用水，但居民、企业、小区、整个城市用水都存在差异。通过大量用水数据的差异，分析出规律，使得生产生活用水得到高效的供水调度，漏损控制得到更加准确的指导，从而**供水行业的数据分析工作水平。  

图1为物联网远传设备上传数据。该数据呈现为一段波形，无法看出具体规律。这种数据的呈现模式不能达到发现规律、判断规律的目的。

图1 无锡市用水趋势

为直观展现供水运行的情况，发现其中的规律，采用“泳道”的模式来规范化用水运行规律。“泳道”模式设计的理念为把数据比作游泳运动员，数据的变化和趋势为运动员在泳道中游泳，通过泳道的规律，进而发现运动员游泳的规律。

图2为添加泳道的数据。泳道是根据用水规律同步变化的，根据泳道的高低起伏能够发现，无锡市用水有2个高峰期，同时有1个低谷期。基本上第1个高峰期（小高峰）略低于第2个高峰期（*高峰）。

图2 无锡市用水水指纹图

图3为无锡市的供水运行情况，用这个图形化的方法基本判断出，城市早高峰用水是8点，晚高峰用水是22点，低谷用水是凌晨4点。通过以上分析，发现整个城市的用水规律，把这种模式套用在一个社区，发现的规律如图4。该社区的供水运行规律除低谷用水时段是发生在凌晨3点和4点外，总体趋势和整个城市一致。

依据上述规律，预判用水的未来走向，当实际的用水情况偏离此规律，即可及时报警并提醒管理人员采取应对措施。

图3 无锡市用水水纹放大图

图4 无锡市某社区用水水指纹图

“泳道”通过算法滚动预测单个水表、整个社区乃至整个城市的用水趋势。经过多次的针对居民用户水表、社区水表的用水数据进行与预测模型的数据对比后发现，用水趋势基本上按照泳道预测的路径运行。如若监测设备上传异常数据，为保证数据的一致性和连贯性，将忽略异常数据。如图5中的蓝色线段，表示当前数据缺失，采用预测数据填补。如若监测设备恢复通讯，数据重新上传补回，则用该监测数据替换蓝色线段，并且修正后续的预测数据。为了保证预测的准确性以及对监测设备可靠性的评估，取前15天的监测数据为预测的基础数据，预测数据*多填补24小时，超过24小时不再填补任何数据，并做数据中断处理。

图5 某社区缺失的用水数据图

通过将预测值与泳道结合，如图6所示。A（S1-S2区间）区域的用水趋势明显符合2个高峰期和1个低谷期，C区域（S3-S4区间）明显与这个模式不同，B区域（S2-S3区间）显示的是报警区域。当连续4个点的运行数据不在预测区域内，则报警，提示该社区用水趋势存在问题。经过核查，发现B区域（S2-S3区间）反映的是二供水箱溢流。通过这个模式，针对该小区连续2次发现二供泵房水箱溢流。

图6 某社区用水预测趋势图

图7是通过该图形化分析，发现的另外一个小区用水模式发生的重大改变。经过核查，确认是在6月9日停水维修小区内的一个漏点（五角星处）维修好后，用水量下降。由于机器学习的适应性，可看到A区域（S1-S2区间）与B区域（S2-S3区间），用水趋势明显不同，特别是经过泳道标记后，明显看出A区域（S1-S2区间）的W-A段区域（A区域W1-W2区间）有明显的用水，但在B区域（S2-S3区间）的W-B段区域（B区域W1-W2区间）没有明显的用水，B区域（S2-S3区间）的表现证明机器学习适应了该社区的用水趋势，并在C区域（S3-S4区间）正式进入稳定匹配用水趋势阶段。

图7 某一小区水指纹图

用上述分析方法，还可发现**计工作是否正常。如图8所示，可发现A区域（S1-S2区间）的用水和B区域（S1-S3区间）明显不同，A区域（S1-S2区间）属于正常计量区域方，B区域（S1-S3区间）有多处用水量脱离了用水趋势预判，跌至0（E1-E2区间、E3-E4区间、E5-E6区间、E7-E8区间、E9-E10区间），且在E7-E8区间出现了反复变0的情况。按用水模式分析，初步判断**计计量存在问题。经过核查确认，为**计缺电导致计量出现问题。如图9所示，C区域（S4-S5区间）是经维修后，**计进入正常运行模式后的趋势图。

图8 某一DN800**计水指纹图

图9 某一DN800**计维修后水指纹图

03

用户用水行为AI监测

分析系统设计架构

在用水行为AI监测分析系统设计架构上，采用5层模式实现，感知层获取水表数据以及天气和雨情数据；网络层通过公网和局域网进行数据和系统的通讯；数据层存储GIS数据、水表数据、分析辅助数据和业务数据；支撑层实现业务应用层应用的各种底层数据和业务服务；业务应用层实现用水行为分析各种应用场景。见图10。

图10 系统逻辑和架构

基于水指纹的技术，建立了用水行为监测分析系统的4层设计架构。第1层是采集大表、**计、小表的抄表数据；第2层是建立AI智能分析模型；第3层是跟踪用户的用水行为判断用水异常，并标记给AI；第4层则是AI学习用水行为后，主动发现用户用水异常行为并主动告知管理员。

因此，*终形成的学习训练流程如图11所示。

图11 AI学习流程图

04

用水行为AI监测分析

系统应用效果评估

1.居民小表用水行为数据分析

根据居民小表的用水数据，基于水指纹的技术，预测和获取用户的用水行为规律。通过图12 某一居民用户水指纹图可发现，该居民用户生活具有规律性，连续多天的用水行为一致，没有特别的用水行为。通过对该用户建立针对性的分析模型，可以做到：一旦该用户人口增加或者用水异常，用户的用水行为同时会跳出该预测模型，如水量突然降低时，AI监测分析系统就会利用智能机抄表的水表复核提醒功能，提示管理员安排技术人员上门协查。

图12 某一居民用户水指纹图

2.居民用水异常行为热力图分析

在传统的热力图中，常规的做法是将水量分级显示。通过水指纹算法标定的异常用户，可与热力图进行结合分析，并在热力图中标示出用水异常点。如图13，在某区域地图中出现一个“黑点”，这个黑点为用水异常。据此可怀疑用户水表异常，需要管理员派单核查。

图13 某区域居民用水异常行为热力图

又如该区域中出现一个“红点”，则可认为该用户处于用水突变的模式。突变有很多情况，有水表卡死、居民私自倒装等。根据表1用户用水数据分析，发现疑似倒装用户，派单核查后，证实存在倒装行为，如图14。

表1 某一用户抄表数据表

图14 某一用户现场表位

3.大表疲劳度分析及异常行为分析

如图15和图16所示，该贸易表用户为机械水表。机械水表随着年限的增长，运行效能会下降，特别是在管道中有杂质的情况下，其运行性能更会显著下降。此水表运行了50个月，已超过使用期限。由于水表平时用水量不大，故暂时未进行换表也在可接受范围内。但由于长时间不更换，根据该水表的水指纹图（图5），在2021年6月13日及2021年6月20日，连续2次运行低于预测值，且在6月27日时出现0读数。同时，该表也存在着计量精度不准确的问题，很大一部分区间在Q1以下运行。经过现场核查，确定上述异常的原因是卡表。因此，根据水表的使用年限和读数异常信息，能够分析出水表的生命周期情况及疲劳情况。只有及时跟踪、及时换表才能保证效益。

图15 某一大表用户疲劳度数据

图16 某一大表用户水指纹图

4.小区二供泵房溢流行为分析

图17是利用水指纹技术分析，某一用户用水行为识别为“水箱溢流”。2021年3月1日，系统自动标记出该小区用水行为异常。根据现场核查，发现该小区是老旧未接管小区，小区二供泵房浮球阀损坏，导致不断溢流，且**很大。为此，第一时间联系了物业并请其及时处理。

图17 某一小区水指纹图

05

结 语

利用AI水指纹技术对用户用水行为进行研究，可及时发现用户异常用水行为，并提前预警，进行干预。此外，借助水指纹模型及算法，可实现不拆表的前提下判断水表是否运行正常。但要打造一套**的算法，在操作和细节上仍需要琢磨和研究。现阶段暂时以抄表数据为基础，**、压力等重要参数在后期仍然有进行更多的研究空间。未来还需要整合更多的数据，积极探索各类新颖实用的运行方法，能有助于增强整套数据算法模型的深度，扩展应用场景。