做城市供水的，都怕两件事：半夜接投诉电话说没水，和水质中心打电话来说末端浊度超标。
DMA-A 区入口流量计读数从 380 m³/h 涨到了 580 m³/h，涨了 52%——数字摆在调度大屏上，调度员第一反应是”用水高峰来了”。但同一时刻，DMA-A 入口压力从 0.32 MPa 掉到了 0.22 MPa，降了 31%。流量涨、压力跌，这是管网漏损的典型特征对，可 SCADA 系统只对单一变量设阈值告警，流量超 460 触发一条、压力低于 0.28 触发一条，两条告警分属不同子系统，没人把它们配成”流量↑+压力↓”的漏损判据。等 240 户用户打来低压投诉电话，维修队才出发。
另一件事更棘手：净水厂出厂余氯从 0.50 mg/L 悄悄滑到 0.08 mg/L，加氯机柱塞磨损了，可夜间用水量低，末端水质暂时没恶化，调度中心毫无察觉。5 小时后低氯水流抵达 DMA-A 区，叠加用户私接增压泵产生的回流，末端浊度飙到 3.2 NTU，水质应急预案紧急启动，3200 户停水 5 小时。
这两类问题，本质上是同一件事：设备读数到了，但物理因果链没接上。
为什么供水管网的异常特别难追
城市供水跟离散制造不一样。离散制造每道工序的偏差基本在本工序内消化，不往下游传。但供水管网是”压力-流量-水质”三维耦合的连续物理系统，任何单一节点的异常都会沿管网传播并放大。
具体来说有三个特点：
- 一是日负荷波动大，正常基线在变。 早高峰 6-9 时流量 14,000 m³/h，深夜低谷 0-5 时只有 7,000 m³/h，振幅比 2:1。流量涨 20% 可能只是正常早高峰，也可能是漏损。调度员最头疼的判断就是：这波流量上升，到底是用水需求来了，还是管子破了？
- 二是压力与流量反向耦合。 用水高峰期，管网里水流量大，沿程阻力大，末端压力反而低。这意味着”压力低”不一定等于”出了事”，也可能只是”用水多”。必须把压力和流量放在一起看，才能判断是正常工况还是异常。
- 三是水质传导有小时级时延。 出厂水从净水厂流到 DMA 末端，管路传输需要 4-6 小时。出厂余氯降了，末端不会立刻反映，等末端浊度飙起来再处置，污染已经发生了。这段时间差，是水质事故从”可预警”变成”已发生”的关键窗口。
这种三维耦合、基线动态、时延传导的连续系统，传统单点阈值告警根本覆盖不了。流量超限告警一条、压力低告警一条、浊度高告警一条——三条告警分别触发、分别处理，没人知道它们是同一次漏损的三层症状。
三个典型问题，三种分析方法
问题一：DMA 流量涨了，是用水高峰还是管子漏了？——流量压力联动分析
调度员每天面对的核心判断：DMA 入口流量上升，该不该派人？
传统做法是对流量设一个固定阈值，比如超过 460 m³/h 就告警。但这个阈值在夏季用水高峰天天触发，在冬季却几乎不触发。更合理的方式是看”流量与压力的联动关系”：正常用水增加时，流量涨，压力也略降但幅度不大（沿程阻力增加）；漏损时，流量涨，压力大幅下降（水从破口跑了）。
TDengine 的过程分析工作台可以把 DMA 入口流量和入口压力放在同一个时间轴上叠加，一眼看出两者的联动模式。更进一步，把流量和压力组成散点图，正常运行的点会落在一条窄带里——”流量高则压力略低”的正常耦合带。一旦出现漏损，点会跳出这条窄带，移向”流量高且压力极低”的象限，与正常工况的分离度一目了然。
问题二：漏损发生在哪个 DMA 区？——跨区域水量平衡核算
管网漏损识别的基本原理很简单：进水总量应该等于各 DMA 出水总量加上合理损耗。如果某个 DMA 的入口流量明显大于其出口流量（用户侧计量）加上合理损耗，这个 DMA 就有漏损。
但在实际操作中，出厂总流量计（MFM-01）和各 DMA 入口流量计（DMA-A-FM、DMA-B-FM）的数据分布在不同的监测站，时间戳对不齐，采样频率不同，算出来的差值忽正忽负，根本没法用来做判断。
TDengine 的资产建模把出厂流量计、加压泵站和各 DMA 流量计挂在同一棵资产树下，时间基准统一。在过程分析工作台中，可以实时计算”MFM-01 流量 – DMA-A-FM 流量 – DMA-B-FM 流量 – 加压泵站分流”，得到管网输配差值。这个差值稳定超过 5%，就是漏损信号；而且根据哪个 DMA 的偏差最大，直接定位漏损区域，不需要逐段排查。
问题三：出厂水质出了问题，什么时候影响到末端？——时延传导链追踪
水质事故最怕的不是出厂端检出异常，而是检出异常后不知道末端什么时候会恶化、恶化到什么程度。出厂余氯 0.08 mg/L，距离安全下限 0.20 mg/L 差了 0.12，但水流到 DMA-A 要 5 小时，中间还有管网衰减（末端余氯 ≈ 出厂余氯 × 0.85），调度中心必须在这 5 小时窗口内完成判断和处置。
TDengine 提供的分析路径是：出厂趋势预警 → 时延估算定位传导窗口 → 末端-出厂对比确认污染源。
出厂水质仪（MQM-01）的余氯滑动均值开始趋势性偏移时，AI 异常检测算法可以在余氯尚未触及硬阈值之前就识别出方向性偏移，比阈值告警提前 1-2 小时。拿到预警后，调出 DMA-A 水质仪（DMA-A-QM）的同期趋势，发现末端余氯下降滞后出厂约 5 小时——这就是管网传输时延。进一步对比出厂浊度（仍为 0.3 NTU，正常）与末端浊度（飙升至 3.2 NTU），可以确认污染源不在净水厂，在 DMA-A 区内——出厂水是干净的，末端脏了，说明中间环节出了问题（用户私接增压泵导致回流污染）。
典型异常场景中的分析闭环
场景一：DMA-A 区支管漏损——流量压力联动 → 水质确认 → 泵组补偿量化 → 末端服务评估
第 4 天 11:00，DMA-A 支管接口在长期腐蚀和水锤叠加下出现裂缝。漏损不是瞬间发生的，而是渐进累积：先是流量微升、压力微降，几小时后流量暴涨、压力暴跌，最终清水池液位急降、末端用户断水。
第一步：异常检出——DMA-A 入口流量偏离历史同时段模式。
DMA-A-FM 的小时平均流量从 380 m³/h 开始持续上升，11:55 达到 420 m³/h（+10%）。单看流量，10% 的偏差在早高峰时段完全可能由正常用水增长解释。但 AI 异常检测算法不是跟固定阈值比，而是跟”同一小时时段的历史模式”比——这个时段是上午平段，历史同时段均值 380 m³/h，标准差 25 m³/h，当前值偏差已达 1.6σ，趋势还在上行。
第二步：关联验证——压力与流量形成”流量↑+压力↓”漏损特征对。
调出 DMA-A-PM 同期趋势，压力从 0.32 MPa 降至 0.30 MPa（-6%）。流量上升 10%、压力下降 6%，方向相反、幅度合理——这是典型的漏损特征，而非用水高峰（高峰时压力降幅通常不超过 3%）。如果是用水增加，压力不该降这么多。
第三步：根因定位——浊度同步上升确认漏损在 DMA-A 区内。
调出 DMA-A-QM 的浊度趋势，发现浊度从 0.5 NTU 上升至 0.9 NTU（+80%）。这是关键判据：如果只是上游来水流量增大（用水高峰），浊度不会上升；浊度上升说明漏损点在吸入外部颗粒物——裂缝处管内负压把管外土壤颗粒吸进了管道。至此，漏损发生在 DMA-A 区内已确认，不是上游问题。
第四步：影响量化——清水池液位与泵组电流推算漏损严重程度。
漏损持续扩大后，出水泵自动补偿压力降，DP-02 电机电流从 95 A 升至 132 A（+39%），备用泵 DP-03 被联动切入。清水池 CW-01 液位从 4.2 m 降至 3.0 m（-29%），下降速率远超正常。通过液位下降速率和泵组电流偏离幅度，可以反推漏损水量：DMA-A 入口流量峰值 580 m³/h，正常 380 m³/h，漏损流量约 200 m³/h。末端压力 EPS-01 从 0.18 MPa 降至 0.12 MPa，已影响高层用户供水。
场景二：出厂水质异常叠加末端回流污染——趋势预警 → 时延传导 → 污染源定位 → 应急处置
第 6 天凌晨 00:15，净水厂加氯机柱塞开始磨损，出厂余氯从 0.50 mg/L 微降至 0.42 mg/L（-16%）。此时出厂压力、流量一切正常，仅水质指标出现方向性偏移。夜间用水量低，末端水质暂时没受影响，调度中心没有任何告警。
第一步：早期预警——AI 异常检测识别出厂余氯的趋势性偏移。
MQM-01 的余氯滑动均值在 H120 时段下降 16%。这不是偶发波动，是连续下降的趋势。AI 异常检测算法识别出这种方向性偏移，在余氯尚未触及 0.40 mg/L 的阈值告警线之前就发出趋势预警，比传统阈值告警提前约 1-2 小时。
第二步：影响传导——5 小时后低氯水流抵达 DMA-A 末端。
H125 时段（05:30），DMA-A-QM 余氯开始下降，从 0.42 降至 0.32 mg/L。调出 MQM-01 和 DMA-A-QM 的余氯趋势叠加对比，末端下降滞后出厂约 5 小时，形成”出厂→末端”的水质传导链。这个时延与管路长度和流速一致，确认是同一事件的传播，而非两次独立异常。
第三步：污染源定位——出厂浊度正常、末端浊度飙升，污染在 DMA-A 区内。
MQM-01 出厂浊度始终维持在 0.3 NTU（正常），但 DMA-A-QM 末端浊度飙升至 3.2 NTU。如果出厂水就脏了，出厂浊度应该先涨——出厂浊度没涨、末端浊度涨了，说明污染源不在净水厂。结合 DMA-A-PM 出现的瞬时负压记录（0.05 MPa），可以判定是用户私接增压泵在低负压时段产生回流，把外部污水吸入了管网。
第四步：应急处置——切换备用加氯机 + 区域停水 + 管网冲洗。
10:00 调度中心启动水质污染应急预案。净水厂紧急切换备用加氯机，MQM-01 余氯开始回升。DMA-A 区域紧急停水（流量从 380 降至 80 m³/h），开始管网冲洗。15:00 所有水质指标回归正常，逐步恢复供水。从出厂趋势预警到末端污染爆发，中间有 5 小时窗口——如果第一步的 AI 预警能更早触发、调度更早响应，这个窗口足够完成”切换加氯机 + 通知医院等重点用户储水”的预防性处置，避免紧急停水。
供水管网监控：需要的是压力-流量-水质的因果穿透，不是更多阈值
城市供水管网的数字化，不取决于接了多少传感器、设了多少告警阈值，而取决于数据能不能还原”漏损→压力降→水质变→泵组补偿→液位下降→末端断水”和”加氯异常→出厂低氯→时延传导→末端污染→回流爆发→紧急停水”的完整因果链。
- 流量压力联动分析：从”流量超限就告警”升级为”流量-压力联动模式识别 + 散点图耦合带偏离”，区分用水高峰与管段漏损
- 跨区域水量平衡核算：从”各监测站数据对不上”升级为”统一时间基准下的输配差值实时计算”，直接定位漏损 DMA 区
- 时延传导链追踪：从”末端浊度超了才发现”升级为”出厂趋势预警 + 5 小时传导窗口 + 出厂-末端对比定位污染源”，把被动应急变为提前拦截
TDengine 把分散在净水厂、加压泵站和配水管网的压力、流量、水质数据，通过工业本体建模组织为统一的管网资产体系，把单点告警串联为可解释的过程判断，让调度员在流量刚开始偏离的时候就能回答三个问题：是漏损还是高峰？在哪个区域？严重到什么程度？
TDengine 内置高性能、分布式时序数据库、工业本体建模以及工业智能体运行时，为工业数据流提供从采集、存储、实时分析到可视化、事件管理、根因分析的全栈技术解决方案。如果您想进一步了解 TDengine，请访问官网 https://www.taosdata.com/ ，并免费下载体验。
