京公网安备 11010802034615号
经营许可证编号:京B2-20210330
智慧水务与大数据应用
智慧水务是通过数采仪、无线网络、水质水压表等在线监测设备实时感知城市供排水系统的运行状态,并采用可视化的方式有机整合水务管理部门与供排水设施,形成“城市水务物联网”,并可将海量水务信息进行及时分析与处理,并做出相应的处理结果辅助决策建议,以更加精细和动态的方式管理水务系统的整个生产、管理和服务流程,从而达到“智慧”的状态。在水资源短缺、水污染加剧的形势下,智慧水务正成为市场的热点。
根据预测,我国智慧水务市场规模超千亿。我国智慧水务的市场很大,但目前的市场也是无序的。归结起来,主要体现在三个方面:
目前对于智慧水务尚无一个行业通则的标准,有的中国水务企业对智慧水务的概念认识不清,以为“数字化改造”就是智慧水务;有的企业在投资智慧水务的过程中总想一蹴而就;
在一些项目的执行过程中,市政管网资料分散,很多数据或是丢失或是不连通,有非常多的数据孤岛需要去打通;
管网信息化、自动化、智能化欠缺等。目前,还有很多作业操作基本依赖人工,基本数据靠人工收集,出现的问题靠人工分析等。
大数据推进智慧水务建设
大数据指具有4V特性的数据:Volume海量、Velocity 增长快、Variety多样化、Value价值动态。为了分析处理大数据,相应产生的“块级虚拟化、挖掘建模、机器自学习......”等新技术,称为大数据技术。大数据技术大大解放了人们的分析能力。
可以分析更多的数据,甚至是相关的所有数据,而不再依赖于随机抽样;
研究数据如此之多,以至于不再热衷于追求精确度;
不必拘泥于对因果关系的探究,而可以在相关关系中发现大数据的潜在价值。
从智慧供电到智慧供水
法国电力集团EDF是全球领先的电力基础设施服务提供商。为推进智慧供电,公司在全法安装3500万智能电表,每10分钟抄表一次采集个体家庭的用电负荷数据,并对用户用电负荷曲线进行集中处理。公司专门成立企业数据分析中心,整合电表数据、气象数据、用电合同信息及电网数据等,来对销售管理提供运营分析支撑,例如:预测各类一级市场和大众市场内中小企业和家庭住户的电力消耗和需求趋势,营业收入,成本和利润率,从而帮助营销部门更为精确地找准目标客户,推出更具盈利性的新产品……总体上,EDF通过对数据资产分析利用,实现了精确定位目标客户、推出更具盈利性的新产品、扩大企业市场份额、提升客户服务响应速度、提升企业商业运作灵活度等一系列成效。
在法国电力集团的经验中,包括了诸如:引入并强化数据分析处理能力、由专业的大数据运营机构开展运营管理支撑等措施。而我们首先要注意到搜集数据、完善数据基础,积累数据资产的重要性。EDF通过智能表计的安装,实现精细化测量,在对消费者提供服务过程中,积累数据资源。通过将用电数据、合同数据、电网数据等各类数据融合,进行专业分析与管理,实现紊乱的数据资源向有效的数据资产的转化。同为能源企业,智慧水务的建设也可以从表计数据的规范处理和应用起步。美国加州智能精细化供水管理的开展过程中,供水公司就十分强调对智能水表数据的采集和应用。他们联合科技企业,加快普及智能水表,以“每小时收集近7亿个数据点”的规模收集海量的细粒度数据(ne-grained data);并把这些信息与数十个关于住房地点、房龄、气候和入住率的数据点整合到一起进行分析、预测,为用户提供水务互联网服务:给用户提供个性化用水报告、为节水行为打分、提示花园灌溉许可日期和许可量……在水资源极度紧张的状况下,加州智慧水务项目仍实现了平均5%的节水幅度。
大数据是推进智慧水务建设的核心问题。如果缺乏大数据分析处理,智慧水务的“大脑”就不够发达,“智商”就不够高,能力就不够强。大数据处理、挖掘模型等技术相对通用,但产生出融合智慧的基础数据,却需要一点一滴地积累。当前建设智慧水务,积累有效的“海量数据”已成为当务之急。
有效的数据采集是进行大数据分析的前提基础
为有效地采集数据、丰富信息流,必须不断地研发、改进技术以增强设备的采集能力,加大流量、水质、水压等方面各类新型传感设备的应用部署和普及。水表遍布千家万户,水表流量数据中蕴含着社会生产生活各方面的丰富信息,是行业天然的数据价值源泉。但我国目前的智能远传水表,不仅规模有限,并且在数据采集方面上仍只单纯要求“替代人工抄表,完成简单的水费收费”的功能,不仅未能体现投资价值,更难以满足未来的大数据需求,从而产生“未来重复投资、拖延水务企业智慧化进程”的风险。
智慧水务需要高密度、高精度、高价值的水务数据的大规模海量积累;在某些特定场景,比如特种工业企业水资源消耗监测时,对数据的采集和实时性的要求更为苛刻,要求“实时、完整、精确地采集到流量过程曲线数据”。为达到这些智慧应用场景的支撑要求,智能水表需要向1L级(0.001m3)、分钟级的流量数据采集精度和颗粒细度目标努力,这一要求对行业的技术、工艺都提出了较高的挑战。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA一级知识点汇总手册 第五章 业务数据的特征、处理与透视分析考点52:业务数据分析基础考点53:输入和资源需求考点54:业务数 ...
2026-02-23CDA一级知识点汇总手册 第四章 战略与业务数据分析考点43:战略数据分析基础考点44:表格结构数据的使用考点45:输入数据和资源 ...
2026-02-22CDA一级知识点汇总手册 第三章 商业数据分析框架考点27:商业数据分析体系的核心逻辑——BSC五视角框架考点28:战略视角考点29: ...
2026-02-20CDA一级知识点汇总手册 第二章 数据分析方法考点7:基础范式的核心逻辑(本体论与流程化)考点8:分类分析(本体论核心应用)考 ...
2026-02-18第一章:数据分析思维考点1:UVCA时代的特点考点2:数据分析背后的逻辑思维方法论考点3:流程化企业的数据分析需求考点4:企业数 ...
2026-02-16在数据分析、业务决策、科学研究等领域,统计模型是连接原始数据与业务价值的核心工具——它通过对数据的规律提炼、变量关联分析 ...
2026-02-14在SQL查询实操中,SELECT * 与 SELECT 字段1, 字段2,...(指定个别字段)是最常用的两种查询方式。很多开发者在日常开发中,为了 ...
2026-02-14对CDA(Certified Data Analyst)数据分析师而言,数据分析的核心不是孤立解读单个指标数值,而是构建一套科学、完整、贴合业务 ...
2026-02-14在Power BI实操中,函数是实现数据清洗、建模计算、可视化呈现的核心工具——无论是简单的数据筛选、异常值处理,还是复杂的度量 ...
2026-02-13在互联网运营、产品迭代、用户增长等工作中,“留存率”是衡量产品核心价值、用户粘性的核心指标——而次日留存率,作为留存率体 ...
2026-02-13对CDA(Certified Data Analyst)数据分析师而言,指标是贯穿工作全流程的核心载体,更是连接原始数据与业务洞察的关键桥梁。CDA ...
2026-02-13在机器学习建模实操中,“特征选择”是提升模型性能、简化模型复杂度、解读数据逻辑的核心步骤——而随机森林(Random Forest) ...
2026-02-12在MySQL数据查询实操中,按日期分组统计是高频需求——比如统计每日用户登录量、每日订单量、每日销售额,需要按日期分组展示, ...
2026-02-12对CDA(Certified Data Analyst)数据分析师而言,描述性统计是贯穿实操全流程的核心基础,更是从“原始数据”到“初步洞察”的 ...
2026-02-12备考CDA的小伙伴,专属宠粉福利来啦! 不用拼运气抽奖,不用复杂操作,只要转发CDA真题海报到朋友圈集赞,就能免费抱走实用好礼 ...
2026-02-11在数据科学、机器学习实操中,Anaconda是必备工具——它集成了Python解释器、conda包管理器,能快速搭建独立的虚拟环境,便捷安 ...
2026-02-11在Tableau数据可视化实操中,多表连接是高频操作——无论是将“产品表”与“销量表”连接分析产品销量,还是将“用户表”与“消 ...
2026-02-11在CDA(Certified Data Analyst)数据分析师的实操体系中,统计基本概念是不可或缺的核心根基,更是连接原始数据与业务洞察的关 ...
2026-02-11在数字经济飞速发展的今天,数据已成为核心生产要素,渗透到企业运营、民生服务、科技研发等各个领域。从个人手机里的浏览记录、 ...
2026-02-10在数据分析、实验研究中,我们经常会遇到小样本配对数据的差异检验场景——比如同一组受试者用药前后的指标对比、配对分组的两组 ...
2026-02-10