智能水表讀數(shù)誤差的定位和分析

許冠軍 高昌盛

摘要：智能水表技術(shù)解決了用水?dāng)?shù)據(jù)獲取實時性的問題，但新的獲取用水量數(shù)據(jù)技術(shù)，在統(tǒng)計準(zhǔn)確性上不如傳統(tǒng)方法。為定位智能水表系統(tǒng)的可能錯誤數(shù)據(jù)，該文提出了基于歷史數(shù)據(jù)的誤差定位方法，可以有效發(fā)現(xiàn)疑似誤差數(shù)據(jù)。

關(guān)鍵詞：校驗;智能水表;歷史數(shù)據(jù)

中圖分類號：G642? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ? ? 文章編號：1009-3044（2018）34-0193-03

1 引言

水務(wù)公司為便于分析區(qū)域用水情況和布局合理的管網(wǎng)等需求，對居民用水?dāng)?shù)據(jù)的實時性和準(zhǔn)確性要求越來越高。智能水表技術(shù)有效地解決了獲取用水?dāng)?shù)據(jù)實時性的問題，但無論是超聲波智能水表還是基于圖像識別的智能抄表系統(tǒng)，都存在較大比例的讀數(shù)誤差。誤差數(shù)據(jù)的存在，尤其是明顯的居民用水?dāng)?shù)據(jù)錯誤，會引起客戶的投訴，造成客戶和水務(wù)公司對系統(tǒng)數(shù)據(jù)的不信任，嚴(yán)重影響智能水表系統(tǒng)的進(jìn)一步推廣。

為提高用水量數(shù)據(jù)的準(zhǔn)確性，應(yīng)在初次統(tǒng)計的數(shù)據(jù)中，盡可能發(fā)現(xiàn)可能的誤差數(shù)據(jù)，結(jié)合系統(tǒng)重讀、人工篩查和智能預(yù)測等方法進(jìn)行及時糾正。本文提出了基于歷史數(shù)據(jù)的居民用水量數(shù)據(jù)校驗和分析方法，具體實現(xiàn)步驟：（1）結(jié)合區(qū)域居民的歷史用水?dāng)?shù)據(jù)，對居民的用水特點進(jìn)行分類，形成不同類型的居民用水類型[1-2];（2）結(jié)合一年四季的用水差別，利用已分類的用戶類型，擬合出各類型的年度月平均用水變化曲線[3];（3）結(jié)合區(qū)域用戶的年度月平均用水曲線，得出月際用水量的變化幅度[4-5]。結(jié)合用戶的歷史用水?dāng)?shù)據(jù)，對當(dāng)月的系統(tǒng)讀數(shù)的進(jìn)行合理性識別，并確定疑似誤差數(shù)據(jù)。

2 用水模式分析

本文對某市區(qū)的近萬戶居民連續(xù)兩年用水歷史數(shù)據(jù)進(jìn)行分析，在用戶類型劃分和用水模式分析中，月平均用水量和用水時間波動性是最受關(guān)注的兩個因素。經(jīng)過初步的數(shù)據(jù)分析發(fā)現(xiàn)，月平均用水量能較好地區(qū)分用戶的類別，因此，本文先利用月平均用水量劃分用戶類型。

3 數(shù)值實驗

本文的實驗數(shù)據(jù)來自基于圖像識別的自動抄表系統(tǒng)，一般情況下該系統(tǒng)的讀數(shù)自動識別正確率能達(dá)到95%，發(fā)現(xiàn)剩余5%的錯誤數(shù)據(jù)，是本文算法要解決的主要問題。

3.1 實驗分析

實驗中，對非樣本的生產(chǎn)數(shù)據(jù)進(jìn)行直接驗證，本文算法與傳統(tǒng)的直接基于上月數(shù)據(jù)校驗算法進(jìn)行比較。實驗結(jié)果對正常數(shù)據(jù)誤判率（把正常的數(shù)據(jù)標(biāo)識成疑似誤差數(shù)據(jù)的比例）、錯誤數(shù)據(jù)識別率（正確識別誤差數(shù)據(jù)的比例）二組結(jié)果記錄如表4。

由表4的實驗結(jié)果可以發(fā)現(xiàn)，和傳統(tǒng)算法相比較，本文算法引入了用水量隨季節(jié)變化的用水模式因素，降低了正常數(shù)據(jù)的誤判率，且提高了錯誤數(shù)據(jù)的識別率。

3.2 算法分析

傳統(tǒng)的直接和上月用水量進(jìn)行比較的計算方法相對簡單，可以粗略判斷數(shù)據(jù)的合法性，但由于沒有結(jié)合用水量隨季節(jié)變化的因素，在季節(jié)交替月份的檢驗效果較差。本文提出的算法，彌補(bǔ)了傳統(tǒng)算法的缺點，但相對計算量較大，具體特點如下：

1）算法依賴于往期數(shù)據(jù)的完整性。若對于不完備的用水?dāng)?shù)據(jù)或數(shù)據(jù)質(zhì)量不高的情形，可以先應(yīng)用傳統(tǒng)方法進(jìn)行數(shù)據(jù)積累，當(dāng)數(shù)據(jù)量積累到1年以上時，便可應(yīng)用算法。

2）區(qū)分用戶類型的目標(biāo)是對有相同用水模式的用戶進(jìn)行分類，本文的用戶分類僅根據(jù)年度月平均用水量，相對比較粗糙，有待進(jìn)一步改進(jìn)。但無論何種分類方法，用水模式會隨地域和時間變化而變化，此類算法需要定期更新區(qū)域用戶用水模式數(shù)據(jù)。

3）模型只假設(shè)當(dāng)月用水?dāng)?shù)據(jù)只和上月數(shù)據(jù)相關(guān)，若能考慮更多月份的用水?dāng)?shù)據(jù)和往年同期用水?dāng)?shù)據(jù)，可能會使模型更加完善。

4 小結(jié)

本文設(shè)計的用水量校驗算法是抄表系統(tǒng)的一個重要的輔助模塊，在系統(tǒng)實現(xiàn)中，增加了當(dāng)月待核實數(shù)據(jù)的預(yù)測區(qū)間，用于抄表員及時發(fā)現(xiàn)疑似錯誤數(shù)據(jù)。由表4可知，該算法正常數(shù)據(jù)誤判率在7%和11%之間，錯誤數(shù)據(jù)的識別率介于86%和90%之間，取得了相對滿意的校驗效果。進(jìn)一步優(yōu)化用戶分類方法，形成更為精確的用水模式，將是以后的研究方向。

參考文獻(xiàn)：

[1] 王保義，胡恒，張少敏. 差分隱私保護(hù)下面向海量用戶的用電數(shù)據(jù)聚類分析[J]. 電力系統(tǒng)自動化， 2018，42（2）：121-127.

[2] 劉春霞，王琰，沈磊，等. 城市典型用戶四季用水模式變化規(guī)律的確定及分析[J]. 供水技術(shù)， 2015，9（4）：49-52.

[3] 趙太飛，谷偉豪，段延峰. 農(nóng)村居民用水行為的識別方法[J].水資源與水工程學(xué)報， 2016，27（4）：70-74.

[4] 屈曉淵，張永恒，張鋒，等. 礦區(qū)水環(huán)境數(shù)據(jù)預(yù)測模型研究[J]. 電子設(shè)計工程， 2016，24（10）：45-48.

[5] 陳佳袁，閆杰. 基于ARMA模型的水文數(shù)據(jù)預(yù)測[J]. 浙江水利科技，2017（6）：27-30.

【通聯(lián)編輯：王力】