摘要：随着城市化发展进程，城市内配套设施以及生态环境的建设，已经成为人们日常关注的重点，而生态环境中的水质要求是关乎民生的大问题，目前，城市面临着周边环境污染，水质异常等问题，如何保证居民的正常水质用水，找到水质异常的原因，寻求高效、科学的解决办法，是我们要了解与探究的课题。

关键词：城市供水;水质异常;检测方法

前言：水源对于生态生物、植物是生命之本，优质水源使人们的身体健康，劣质水源影响人们生活，造成重大社会影响，制约了城市发展进程。随着工业化进程的不断提升，城市周边水资源污染严重，临时突发性的水污染事件时有发生，破坏了自然环境的和谐，造成了生态失衡。深入了解城市水资源现状，分析供水异常原因，预防与防治同步结合，保证城市供水的安全。

1水质异常的定义和分类

水质异常，通常是指其参数发生了动态变化和噪音发生改变等异常形态下的状况，而水质异常变化，还受到水文环境污染的影响[1]。而水质预警是通过传感器检测pH值、氧化还原电位等参数的异常来判断。根据引发其异常的原因，可分为三类：其一，基线变化，通常是水质参数长时间内突然产生的变化，一般引起变化的原因来自工艺操作;其二，离群点，其含义是在某一时间点的水质参数，脱离了前一时间段以及时间序列中的平均值，突然增大或者突然减小，之后恢复正常。而其产生的原因为噪声引起;其三，异常事件，是指在离群点发生的最小时间段内，与指定阈值进行偏差对比，检测该时间段参数与期望值的差异情况，确定水质是否异常。大多数引起其原因是侵入污染物。针对这三类原因分析，基线变化和异常事件都是离群点在一段时间内的聚集变化而产生的，所以，在水质分析时，要针对性的考虑工艺、噪音以及检测算法来进行区分。

2城市供水水质异常的原因

我国水资源丰富，但是人均占用量低，人们大多饮用水来自河流、湖泊，而我国目前的饮用水源都出现了不同程度的污染，地表水整体污染相比较于地下水较轻，而水被污染的问题，有的是长期造成的，有的是突发性的，比如城市内的石化公司发生爆炸，导致水源污染，工厂违法排放污水污染等，这些突发事故往往对水源污染巨大，同时影响居民正常生活，社会经济损失巨大。

饮用水属于外漏水源，受周边环境影响严重，受污染的情况很难控制，但饮用水是民众家居日常用水，对人们的生活有着直接的影响，所以饮用水在使用前，都经过了系统安全的处理过程，一般自来水厂会将水内的杂质通过过滤、消毒等过程对饮用水进行检测处理，然后通过供水管网传送到居民家中[2]。但是在传输过程中同样存在水污染的问题：其一，水体在自来水厂处理时，存在工艺上的污染。目前各城市水处理工艺水平不高，深度工艺使用范围小，也因为频繁发生的水污染事件，导致工艺水平无法应对突发情况，同时对于水质管理体制相对薄弱，容易造成二次污染。其二，输送管网二次污染，因供水管网材质差，损耗严重，经常出现断裂漏水、漏点漏水的情况，以老城区为例，大多的管道网已有50年之久，长期的输送运行，维护不当，造成了水质的再次污染。

3城市供水水质异常检测方法

3.1在线水质检测

水质异常检测的常用方法之一，在线水质参数检测法：首先，利用历史监测数据作为数据源，建立水质变化模型;其次，根据城市实施检测数据，与模型对比，得出的残差与阈值进行比较，大于阈值为水质异常。在实际检测中，在线检测通常采用聚类、机器学习和统计理论三类算法。

聚类算法是将相似数据归为一类，而检测数据后，根据其聚类类别，判断是否异常，如数据离类别中心较远，则为异常数据。该算法是一种无监督的模式，不用事先训练带标签的数据集，对不同数据类型都具有准确性，只需要改变该算法的输入数据即可。但该算法对大类数据可能会失效，无法检测异常。

机器学习算法是针对大量的数据进行分析，利用算法鉴别正常数据与异常数据，使用单类别或者多类别分类器进行数据测量分类，检测数异常数据。

统计理论算法主要以统计理论、水质模型相结合，分析两者之间的差异，并且以两组及以上的检测数据，观察其差值以及平均值，来确定水质的异常性。

除了以上三种算法，还有一种人工智能算法也可以应用，其包括决策树、贝叶斯网络等算法，通过大量的水质数据输入到分类模型中，进行分类检测。数据中包含正常和异常的数据，目的在在模型中区分两者的模式，模型分析后，还可以获取新数据的分类的准确性，调整模型参数，使其准确度越来越高[3]。相较于传统分类法，分类效果更好，准确更高，但因其数据量要求大，计算成本高，实际运用汇总较少。同时算法是否标准有效，就要对其性能进行评价，而其评价标准包含检出率、误报率、误分率、平均检测时间四项，通过水质正常数据与采集数据进行对比，计算阈值，确定水质异常计算的性能情况。

3.2RBF自由化神经网络监测

径向机函数（RBF）神经网络是一种由输入、隐含和输出三层组成的前馈型神经网络，信号源点组成输入层，传递到隐含层，其隐单元的个数显现是通过传输的问题而决定的，简单来说，源点信息通过RBF映射到隐含层，根据数据变化输出层进行响应。但是RBF受两个自身参数的限制，SPREAD和输入阶次。主要因其没有固定规律，需要人手输入，导致算法不够精准，经过不断研究，差分进化算法优化了RBF的算法缺点，其采用实数编码方式，利用变异、选择、交叉三种算法过程，验证水质适应度。经过大量实验数据分析，差分进化算法是非常有效的全局优化方法，利用该方法能够对历史水质变化趋势分析的很透彻，能够相对准确的预测水质数据。

在水质检测中包含很多脉冲噪声数据，导致水质数据误报率高，结合RBF与小波去噪的方式，利用小波变换模值去噪，将水质检测中的残差序列合理处理，之后在阈值对比，判断水质情况，实验精准度检测。

3.3硬C均值聚类检测

城市供水水质检测方法中，最为常用的为聚类算法，而硬C均值聚类算法准确率较高，其类型包含网络法、密度法等[4]。水质异常研究中，水文时间序列是其中重要的数据采集源，基于时间序列数据量大，存贮昂贵的问题，提出了特征提取方法，通过记录值和时间组成有序集合，经过长时间水质参数收集，建立水质异常数据库，形成完整的模糊集合，通过对余氯、pH、电导率3个水质参数进行检测，利用FCM算法提取水质异常模型，检测水质的异常情况。

总结：综上所述，水环境污染的加剧，影响了居民的饮用水使用，以及身体健康。突发水污染事件，对水质影响巨大，同时阻碍社会可持续发展，对于水质异常、污染严重这些情况，应引起广大居民以及各地政府的重视，在采取相应措施的同时，应该是以监督管理制度，实行政府管控，企业注重、居民互相监督的组合模式，同时选用合适的检测方法，预防控制水质异常变化，打造良好的水环境，确保水质安全。

参考文献

[1]何鹏、康树恩、章兵兵、魏锦程.城市供水水质实时监控系统的实现与应用[J].给水排水，2020，v.56;No.479（11）：132-135.

[2]张继成、邱晓鹏、郑杨、李显鹏、郑兴. 夏季暴雨引发的城市供水水质污染风险及防治对策[J]. 西安理工大学学报， 2020， v.36（03）：73-77+92.

[3] 张素玲. 探讨城市供水水质异常检测方法[J]. 工程与管理科学， 2020， 2（5）：3-4.