城市供水管网如同城市的血管，深埋在地下数米深处，绵延数千公里。每一段管道上的压力传感器、流量计和水质监测设备以分钟级甚至秒级的频率持续采集数据，这些数据汇聚到调度中心，构成了城市供水系统的”数字脉搏”。管网漏损是供水行业面临的全球性难题——据国际水协会统计，全球平均漏损率在20%以上，部分发展中国家高达40%。这意味着每输送100吨水，就有20吨以上在管网中白白流失。降低漏损率不仅节约水资源，更直接降低供水企业的运营成本。而要做到精准的漏损检测和定位，离不开对管网海量监测数据的实时分析和长期趋势追踪，这正是时序数据库的用武之地。
一、供水管网数据的特点
城市供水管网的数据采集体系与一般工业场景有着显著差异。管网分布在城市各个角落，监测点分散、设备种类多、数据量级大，这些特征对数据平台提出了独特的要求。
监测点分散且数量庞大。 一座百万人口的城市，其供水管网长度可能超过3000公里，部署的压力监测点、流量计、水质传感器总数可达数千甚至上万个。这些监测点分布在城市的街道、小区、工厂和管网节点处，部分监测点安装在地下阀门井中，通信条件恶劣。数据采集面临的第一重挑战就是如何将分散在各处的设备数据可靠地汇聚到统一平台。
数据类型多样。 管网监测数据包括压力、流量、余氯、浊度、pH值等水质参数，以及DMA（独立计量区域）的进出水流量数据。近年来，越来越多的供水企业还部署了噪声监测设备和管道巡检机器人，用于漏损的早期发现。不同类型数据的采样频率各不相同：压力和流量通常分钟级采集，水质参数可能小时级，噪声监测则需要更高频的采样以捕捉漏损信号。
数据量级随城市规模线性增长。 以一座部署5000个监测点的城市为例，每点平均采集5个参数，采样频率1分钟，每天产生的数据量超过3600万条。如果部分关键节点采用秒级采样，日数据量可达数亿条。一年的历史数据轻松达到数百亿条，这对数据存储和查询都构成巨大压力。
压力波动受用水需求影响大。 管网压力并非恒定不变，而是随用水需求呈明显的昼夜周期性变化——早高峰和晚高峰时段压力下降，夜间用水低谷时段压力升高。季节变化、天气变化甚至节假日都会影响用水模式。这种高度动态的压力特征使得单纯依靠阈值告警难以区分正常波动和异常泄漏，必须结合历史数据进行模式分析。
| 数据类型 | 典型参数 | 采样频率 | 数据来源 | 存储周期 |
|---|---|---|---|---|
| 压力数据 | 管道压力、节点压力 | 1分钟-1秒 | 压力变送器 | 3-5年 |
| 流量数据 | 瞬时流量、累计流量 | 1分钟-15秒 | 电磁/超声波流量计 | 3-5年 |
| 水质参数 | 余氯、浊度、pH、电导率 | 5分钟-1小时 | 在线水质分析仪 | 2-3年 |
| DMA流量 | 进水流量、出水流量 | 1分钟 | DMA流量计 | 3-5年 |
| 噪声监测 | 管道噪声频谱 | 1秒-100毫秒 | 噪声记录仪 | 1-2年 |
| 设备状态 | 电池电压、信号强度 | 1小时 | 远传终端 | 1年 |
二、传统SCADA方案在管网监测中的局限
供水行业普遍采用SCADA系统进行管网监控，但在长期数据管理和深度分析方面存在明显短板。
数据存储周期短。 大多数SCADA系统的历史数据库设计初衷是实时监控，而非长期分析。历史数据通常只保留30天到90天，超出的数据被覆盖或手动导出。当需要对管网漏损进行年度趋势分析时，发现关键历史数据已经丢失。漏损是一个渐进过程——管道的微小渗漏可能持续数月才被发现，而这数月的压力变化趋势正是诊断漏损的关键依据。
无法支撑DMA长期水量平衡分析。 DMA分区计量是漏损检测的核心方法，通过比较每个DMA区域的进水流量和出水流量来判断是否存在漏损。一次完整的水量平衡分析需要至少一个月以上的流量数据。传统SCADA系统的短期数据存储能力，使得这种长期分析只能在数据导出后用Excel离线完成，时效性差、容易出错。
缺乏大数据分析能力。 管网漏损检测不是简单的阈值判断，而是需要结合压力、流量、噪声等多源数据进行综合分析。例如，通过压力下降幅度和流量增加幅度的比值，可以初步判断漏损的位置和大致范围；通过噪声频谱特征，可以进一步精确定位漏点。这类复杂分析需要能够同时查询多个参数的历史数据并进行关联计算，传统SCADA系统难以胜任。
扩展性不足。 随着智慧水务建设的推进，供水企业不断新增监测点。传统数据库在监测点数量从数百增长到数千、数万时，查询性能急剧下降。增加新监测点往往需要修改表结构、迁移数据，运维成本高昂。
三、时序数据库在管网漏损检测中的价值
这类数据存储方案专为时间序列数据的存储和查询而设计，在城市供水管网监测场景中展现出独特价值。
压力实时监控与异常检测。 该平台将全城所有压力监测点的数据统一存储，调度中心可以实时监控整个管网的压力分布。更重要的是，它支持基于历史数据的异常检测——通过学习每个监测点在不同时段的正常压力范围，自动识别异常压力下降。当某区域多个相邻监测点的压力同时下降，而该区域用水需求未明显增加时，系统可以判断可能发生了管道破裂或大量泄漏。这种基于模式的异常检测远比简单阈值告警更准确、更智能。
流量平衡分析。 DMA分区计量的核心是水量平衡分析。该平台可以同时存储每个DMA的进水流量和出水流量，实时计算水量差值。在正常情况下，进水流量减去合法用水量后的差值（即无收益水量）应该保持在一个相对稳定的水平。当差值突然增大时，说明该DMA内可能出现了新的漏损。其高效聚合查询使得水量平衡分析可以做到实时化、自动化，无需人工导出数据计算。
漏损定位。 当确认某区域存在漏损后，需要进一步定位漏点位置。该方案支持多参数关联查询——同时调取该区域所有压力、流量和噪声监测点在异常时段的数据。通过压力下降的传播方向和噪声信号的强度分布，可以缩小漏点范围。其高效存储和快速查询能力为先进漏损定位算法的落地提供了数据基础。
爆管预警。 管道爆裂前往往有前兆——压力的缓慢下降或周期性波动。通过对管网压力数据的长期趋势分析，可以识别出处于”亚健康”状态的管段，提前安排检修。该平台可以存储数年的高频压力数据，使这种长期趋势分析成为可能。
漏损趋势分析。 供水企业需要定期向监管机构报告漏损率指标。该平台可以精确统计每个DMA、每个区域的漏损量和漏损率，并自动生成趋势报告，评估管网改造效果，优化检漏策略。
四、TDengine在城市管网监测中的优势
TDengine的技术特性在城市管网监测场景中具有显著优势。
分布式架构支撑城市级管网。 一座城市的管网监测点可能多达数万个，单机存储无法满足容量和性能需求。TDengine原生支持分布式架构，可以通过增加节点线性扩展写入和查询能力。每个监测点作为子表独立存储，数据按时间自动分片到不同节点，实现负载均衡。当监测点数量增长时，只需增加节点即可，无需修改应用代码。
数据订阅实现实时告警。 TDengine支持数据订阅功能，调度系统可以订阅特定区域或特定参数的数据变化。当压力超出正常范围或DMA水量差值突增时，订阅应用立即收到通知并触发告警。这种推模式比传统的轮询查询方式实时性更强，系统资源消耗也更低。对于爆管这种需要分钟级响应的突发事件，数据订阅的实时性至关重要。
高压缩比降低存储成本。 管网监测数据虽然单条数据量小，但总量巨大。TDengine针对时序数据的特点——同一监测点的相邻数据值相似度高、变化缓慢——采用delta编码、行程编码等专用压缩算法，通常可以实现10:1到50:1的压缩比。以一座5000个监测点的城市为例，每天产生3600万条数据，原始大小约2GB，经TDengine压缩后仅需100-200MB存储空间。一年的全精度数据仅需数十GB，使得长期保存成为经济可行的方案。
标签模型适配管网拓扑。 TDengine的超级表+标签模型完美适配管网的拓扑结构。可以为压力监测点创建超级表pressure_data，标签包括区域编号、DMA编号、管径、安装位置、设备型号等。查询”A区域所有DMA的夜间最小流量”这样的条件查询，只需按标签过滤，无需全表扫描。当管网拓扑变化时——如新增DMA或调整分区——只需更新标签，无需修改表结构。
SQL支持简化分析。 TDengine全面支持标准SQL，包括时间窗口聚合、降采样查询、连续查询等时序特有功能。调度人员可以直接用SQL完成压力趋势分析、流量平衡计算、漏损量统计等分析任务，无需编写专门的数据处理程序。TDengine还支持与主流GIS平台和可视化工具集成，可以在管网地图上实时展示压力分布和告警位置。
五、管网漏损检测平台架构
构建城市供水管网漏损检测平台，建议采用分层架构。感知层在管网关键节点部署压力变送器、流量计、水质分析仪和噪声记录仪，通过NB-IoT或4G上传数据。传输层的数据汇聚网关通过MQTT转发至数据中心，支持断点续传。数据层TDengine集群为每类监测数据创建超级表，通过标签关联区域、DMA等拓扑信息。应用层基于TDengine构建管网监控大屏、DMA水量平衡分析、漏损定位系统和趋势报表，在GIS地图上实时展示压力分布和告警位置。
结语
城市供水是关乎民生的基础设施，管网漏损不仅浪费宝贵的水资源，更直接影响供水企业的经济效益。降低漏损率的前提是对管网运行状态的全面感知和深度分析——每一处压力的波动、每一个DMA的水量变化、每一段管道的噪声特征，都是诊断管网健康的线索。传统的SCADA系统受限于短期数据存储和薄弱的分析能力，无法支撑现代漏损管理所需的长期趋势分析和多源数据关联。
这类数据平台以时间为核心的数据模型，为城市供水管网的数据管理提供了全新的技术路径。它将分散在数千个监测点的压力、流量、水质和噪声数据统一存储在一条时间轴上，让漏损检测从”事后发现”走向”实时感知”，让爆管预警从”经验判断”走向”数据驱动”。TDengine的分布式架构、高压缩比存储、数据订阅和标签模型等特性，使其天然适合城市管网这种大规模、多监测点、长期运行的数据管理场景。对于追求数字化转型的供水企业而言，选择一个高性能的数据平台，是构建智慧水务平台的第一步。
