警报能发现泄漏吗？AI 检测与误报经济学

1. 投资决策

公用事业公司必须决定拟议的检测系统能否降低泄漏与响应的总经济成本。该决策涵盖传感器、通信、数据工程、模型、分析师审核、现场确认、维修和反馈。一个只产生警报而没有可靠途径落实现场行动的模型是不完整的。

审批应明确目标管网、泄漏类型、运行基线、可接受误差、部署成本、服务流程、证据周期以及规模化条件。决策应始终与经现场验证的结果挂钩。

2. 界定有效结果

有效结果是指：泄漏能够被足够早地发现、足够精准地定位、高效确认并经济修复。仅靠检测只能识别异常行为。定位可缩小搜索范围。确认用于判断事件是否真实存在。修复则将信息转化为节水与服务效益。

这些阶段应分别衡量。系统可能准确检测到异常，却将现场人员派往范围过大或错误的搜索区域。

3. 基础概率问题

相对于正常运行时段，泄漏事件较为罕见。当筛查数百万条正常观测数据时，即便假阳性率很低，也可能产生比真实警报更多的误报。因此，精确率既取决于模型行为，也取决于潜在事件发生率。

试点应披露真实泄漏数、正常时段数、警报数、调查数以及确认结果数。当模型主要预测占多数的无泄漏类别时，总体准确率可能显得很高。

4. 混淆矩阵经济学

真阳性可加快修复。假阳性会消耗审核与现场资源。假阴性会导致泄漏未被发现。真阴性则避免干预。每种结果都有不同成本，而这些成本会因资产、位置和后果而异。

经济阈值应综合反映可避免的水资源损失、损害、服务中断和事态升级，并对照分析师、勘查、开挖及漏检事件的成本。

5. 精确率与召回率

精确率衡量警报中真实警报所占比例。召回率衡量实际事件中被检测到的比例。提高灵敏度可提升召回率，但会增加误报。收紧阈值可提高精确率，却可能漏掉较小事件。

近期一项多管网研究显示，不同管网结构和泄漏规模下的精确率与召回率存在显著差异[1]。不应假设单一阈值适用于每个区域或每种运行状态。

6. 从检测到修复的架构

通用结构；实际系统、职责和控制取决于公用事业机构和司法管辖区。

7. 检测与定位

二值检测询问事件是否存在。定位询问事件发生在哪里。规模估计询问事件可能有多严重。研究基准表明，检测性能可能超过定位性能，尤其是在噪声、传感器稀疏或水力特征微弱的情况下[2]。

采购应明确所需的定位容差和现场搜索负担。一个覆盖数公里的正确警报，在运营上仍可能成本高昂。

8. 定义漏损类别

漏损可包括背景漏损、用户连接管漏损、爆管、阀门或消火栓漏失、水库溢流以及用户侧事件。其信号、后果和响应时间各不相同。

分类体系应确定系统设计用于检测哪些类别。供应商声明不应在没有证据的情况下，从已测试类别扩展到所有漏损机制。

9. 建立运营基线

基线应记录当前检测方法、巡查频率、响应时间、维修确认、漏损持续时间、损失水量、重复到访和成本。还应记录管网分区、传感器部署、遥测可用性和现场限制。

投资论证需要反事实基准。由AI发现的漏损，也可能已通过常规夜间流量分析或客户报告被发现。

10. 压力传感器

压力变化可指示爆管、需求事件、阀门操作、泵站变化和漏损。传感器位置、分辨率、采样和同步会影响可检测性。

模型应纳入已知运营事件和压力管理分区。在一种控制模式下训练的阈值，可能在设定点或供水变化后失效。

11. 流量传感器

分区与边界流量支持最小夜间流量、平衡和异常方法。可靠的边界和经过校准的进水流量计至关重要。

流量异常可能反映合法需求、管网输水、冲洗或水表误差。仍需要结合背景情况并加以确认。

12. 声学传感

声学记录仪和漏水相关仪可检测漏水噪声并辅助定位。管道材质、管径、土壤、背景噪声、压力和传感器间距会影响传播。

用水、水泵和环境噪声可能类似漏水。现场确认仍应作为工作流程的一部分。

13. 光纤与分布式传感

现有或已铺设的光纤可支持长距离线路上的连续声学或振动监测。对于关键主干管，覆盖范围和数据量可能具有吸引力。

商业论证应涵盖接入权、询问设备、信号处理、专业分析、误报事件分类和维修集成。

14. 高级计量基础设施

用户水表的间隔数据可揭示持续用水和可能的户内漏水。配水管网检测还可利用聚合需求残差和水力背景信息。

AMI覆盖范围、间隔、通信可靠性和客户同意情况决定应用场景。客户侧警报需要单独的服务流程。

15. 卫星与遥感

遥感可利用地表、湿度或其他信号对广阔区域进行优先级排序。在难以进入的区域，遥感可补充现场勘查。

地面条件、天气、深度和非水来源的湿度可能影响解读。确认成本和复查频率应纳入考虑。

16. 传感器融合

将压力、流量、声学、AMI、工单、天气和运营数据相结合，可以减少歧义。数据融合也会提高集成和数据质量要求。

模型应揭示哪些数据源触发了告警，以及在某个数据源不可用时模型会如何表现。应通过传感器消融场景测试韧性。

17. 传感器布设

布设应依据目标泄漏规模、管网拓扑、水力敏感性、关键资产、通信条件和现场可达性。均匀间距可能浪费覆盖范围，或遗漏低敏感区域。

关于模型证伪和传感器布设的研究表明，不确定性和管网配置会影响定位能力 [3]。试点项目应在全面推广前测试不同的布设方案。

18. 采样与同步

快速瞬变可能需要高频且严格同步的数据。缓慢的背景泄漏可通过较低频率的趋势来检测。采样应与物理信号和运营决策相匹配。

时钟漂移、缺失区间和聚合可能产生表面异常。应在模型之外同时规定数据工程控制措施。

19. 通信

连接性决定时延、完整性和成本。设计可采用蜂窝、无线电、光纤、低功耗网络或存储转发方式。

覆盖范围、供电、数据量、维护和网络安全控制应在实际部署环境中测试。实验室连接性不能作为现场证据。

20. 数据质量门禁

数据管道应检验合理性、范围、时间对齐、重复、缺失、平线行为和校准状态。未通过关键门禁的数据不应在未加限定的情况下触发运营告警。

质量状态应随预测结果一同传递，以便分析人员区分网络异常和传感器异常。

21. 标签质量

监督学习需要标记为泄漏或正常的样本。标签可来自受控测试、已确认的维修、工单、调查或仿真。每种来源都有局限性。

工单可能遗漏未发现的告警，或包含不准确的时间和位置。受控释放可能无法代表自然故障。训练登记表应保留来源和置信度。

22. 稀有事件数据

大泄漏可能在运营上很重要，但在统计上很稀少。小泄漏可能数量更多，但可见性较弱。数据集应能代表目标事件和管网工况。

重采样可辅助训练，同时使评估中的事件发生率保持真实。性能应在未触碰的、具有现场代表性的数据集上报告。

23. 仿真

水力模型和瞬态模型可生成跨位置和规模的带标签场景。它们支持受控实验和覆盖范围探索。

关于需求、粗糙度、控制、噪声和传感器行为的仿真假设应予以记录。在合成数据上训练的模型需要现场验证。

24. 仿真到现场的差距

近期研究表明，将在仿真上训练的模型直接应用于现场测量时会出现显著性能下降，而在使用现场数据进行迁移学习后性能有所改善[4]。该证据支持设置一个有意设计的适配阶段。

公用事业公司应保留一个现场留出集，并防止针对最终验收样本反复调参。

25. 模型类别

方法包括统计阈值、变化检测、水力残差、支持向量机、树集成、神经网络、图模型、Transformer 和自编码器。没有任何模型类别对所有管网都自动最佳。

选择应依据现场精确率、召回率、定位、延迟、可解释性、可维护性和成本，而不是新颖性。

26. 监督分类

监督学习模型从标注样本中学习。当现场标签能够覆盖运行工况变化和目标类别时，它们可以表现良好。

对于新的管道材料、季节、压力分区或传感器配置，性能可能会下降。部署计划需要包含监控和再训练规则。

27. 无监督异常检测

无监督方法学习正常模式并对偏差打分。它们可以在泄漏标签较少的情况下识别新事件。

它们也可能对合理的运行变化发出告警。运营团队需要背景信息、阈值治理以及结果分类路径。

28. 水力残差法

残差方法将测量值与模型预测值进行比较。其价值取决于模型校准、需求估计和传感器不确定性。

它们可以提供物理解释和定位，而管网变化则需要模型维护。公用事业公司应为校准编制预算。

29. 可解释性

分析师需要足够证据来对告警进行排序和调查。有用的解释可以包括受影响的传感器、时间窗口、偏差方向、候选区域、可比事件和数据质量状态。

解释应支持运营判断。可视化解释并不能证明因果正确性。

30. 告警漏斗

仅为示意性计数；实际数量取决于管网、模型和运营阈值。

31. 阈值治理

阈值决定告警量和漏报事件。阈值应按用例、区域和后果进行审批。运营人员应了解阈值何时变更以及变更原因。

应急或关键干管检测可能更偏向召回率；常规背景泄漏工作可能更偏向精确率。经济模型应反映这一选择。

32. 告警疲劳

EPA 关于配水系统事件检测的指南描述了在灵敏度与误报之间取得平衡的必要性，并认识到过多告警会造成告警疲劳 [5]。泄漏运营面临类似的人力约束。

应监测队列规模、等待时长、复核时间、忽略原因和重复告警。未经处理的告警没有运营价值。

33. 告警去重

一个物理事件可能在不同传感器和时间上产生重复评分。平台应将相关信号归并为一起事件，并保留底层证据。

去重效果差会抬高总体告警数量和分析师工作量。事件级精确率比记录级精确率更有用。

34. 优先级排序

告警可按预估损失、后果、置信度、关键客户、道路风险、可达性以及与其他作业的邻近程度排序。排序方法应保持透明。

高置信度并不总是意味着高价值。关键干管上中等置信度的事件可能需要更快复核。

35. 分析师初筛

分析师应复核数据质量、运行事件、相邻传感器、水力工况背景、历史记录和后果。初筛应得出忽略、监控、远程测试或现场处置的结论。

应衡量决策时间和一致性。培训示例可采用经判定的结果。

36. 现场确认

确认可采用声学探测、分段测试、压力记录、目视检查、示踪剂方法或受控隔离。方法应与管道和位置相匹配。

现场团队需要搜索区域、证据包、安全计划和结案代码。在达到约定的确认标准之前，警报仍为未验证状态。

37. 开挖决策

开挖会带来直接成本和干扰。公用事业公司应界定何时置信度和后果足以支持开挖、探查作业或持续监测。

该决策应考虑交通、许可审批、客户影响以及协调计划工程的机会。

38. 维修确认

维修后，公用事业公司应确认缺陷，并观察信号和水量平衡是否按预期变化。未能解释警报的维修会提供新证据。

结果台账应保留位置、资产、缺陷、流量估算、成本、持续时间和信号响应。

39. 反馈闭环

已确认的结果应更新标签、阈值、规则和模型监测。已排除的警报应记录原因，而不是直接消失。

反馈质量是一项运营能力。供应商再培训应可审计并接受验收控制。

40. 绩效记分卡

表1. 检测与运营记分卡示例

41. 误报成本

误报成本包括分析师复核、重复监测、现场勘察、差旅、交通管制、客户联系以及可能的开挖。当工作人员因此推迟实际工作时，还包括机会成本。

模型应按告警路径计算成本，而不是采用单一平均值。大多数误报可能远程结案，而一小部分会引发昂贵的现场作业。

42. 漏报成本

漏检的泄漏会持续造成水、能源和化学品损失，并可能升级为供水中断或损坏。成本取决于泄漏速率、持续时间、位置和后果。

公用事业公司应避免缺乏依据的灾难性假设。情景范围应将常规损失与高后果事件区分开来。

43. 定位误差成本

定位不佳会扩大勘察距离、延迟确认，并可能导致不必要的开挖。因此，搜索区域大小是一项经济指标。

模型应报告误差分布和困难区域。平均距离可能掩盖驱动成本的长尾。

44. 时间价值

当早期检测相较现有做法缩短漏损持续时间时，便会创造价值。该效益仅在告警复核并采取行动后才会开始。

端到端时间应涵盖事件发生、评分、分析师决策、现场勘查、维修和结案。仅靠模型延迟并不充分。

45. 节水量价值

节水量可按短期边际生产成本、稀缺价值、延迟扩容或水价价值进行估值，具体取决于所涉决策。这些是不同的概念。

商业论证应说明所选价值口径并防止重复计算。可用于融资的现金效益可能小于经济效益。

46. 损害与服务价值

早期行动可降低道路、财产、服务中断和应急成本。历史事件数据可支持情景区间。

罕见严重事件应按概率加权并单独披露。应考虑保险处理方式和免赔额。

47. 成本构成

表2. 示例性总成本构成

48. 效益组合

效益可包括节约的水和能源、降低的应急响应、减少的损害、提升的连续性、更精准地确定更新改造目标以及更有力的监管证据。每项效益都需要基准和负责人。

投资模型应区分现金、已避免成本、递延资本和公共价值。只有已实现或已通过合同获得资金的现金才应支持偿债。

49. 示意性敏感性

仅为示意性数值；并非预测、估值或供应商比较。

50. 资本支出与服务模式对比

公用事业公司可以拥有传感器和平台、订阅托管服务或采用混合模式。所有权会影响控制权、技能、集成、更换和退出。

经济比较应采用预期寿命期内的总成本，并纳入过渡成本。较低的试点价格可能无法代表全面运营。

51. 融资

数字基础设施可通过公用事业资本支出、运营预算、创新基金、赠款、供应商融资或更广泛的绩效计划获得资金。融资应与资产寿命和合同可执行性相匹配。

模型测算的收益并不会自动提供偿债现金。预算授权和付款来源应保持明确。

52. 基于绩效的付款

供应商报酬可部分与服务水平、被接受的警报、经核实的泄漏、交付周期或净收益挂钩。指标应保持在供应商影响范围内，并能抵御操纵。

仅按警报付费会奖励数量。仅按确认泄漏付费可能会抑制困难但有价值的事件。均衡的结构可以结合固定能力费用和成果导向部分。

53. 采购数据室

数据室应包括网络地图、传感器清单、遥测样本、事件与维修历史、运行日志、现有方法、数据质量、安全标准和现场工作流程。

在可行的情况下，投标人应获得共同的评估数据集。机密和关键基础设施信息需要受控访问。

54. 供应商声明规范化

声明应说明网络、管道、传感器、事件发生率、泄漏规模、噪声、训练数据、测试集划分和评估单位。缺少这些条件的准确率是不够的。

公用事业公司应将每项声明转化为目标运营环境，并要求提供可复现的证据。

55. 试点设计

试点应包括具有代表性的区域、季节、需求状态、管道材料和传感器条件。其运行时间应足够长，以观察正常波动以及真实或受控事件。

该协议应在模型调优前达成一致，并保留盲验收阶段。

56. 影子模式

在影子模式下，系统产生告警，但不直接指挥运营。分析师将系统输出与现行做法及后续结果进行比对。

影子模式支持安全的阈值校准和工作量测量。应设定固定的结束时间和决策关口。

57. 受控测试

已知的释放事件或消火栓事件可在受控条件下测试检测与定位能力。这类测试有助于保证可重复性，但可能无法代表自然泄漏。

项目应将受控事件和自然事件分别标注，并避免在未披露的情况下将其合并。

58. 验收标准

验收应涵盖现场精确率、召回率、定位、时延、数据可用性、告警重复、工作流集成、网络安全、报告和经济性。相关标准应按事件层面进行衡量。

合同应明确样本期、置信度处理方式，以及证据不足时的补救措施。

59. 规模化关口

规模化应要求稳定运行、工作量可控、下行情景下经济性为正、可接受的网络安全风险、可维护的集成以及有资金保障的现场响应能力。

技术试点即使成功，仍可能无法通过运营或商业关口。

60. 模型漂移

需求、控制措施、传感器、资产和气候会随时间变化。漂移会改变分数分布和错误率。

监测应按分区和季节比较数据、警报和结果。阈值或模型变更应遵循受控审批流程。

61. 重新校准与再训练

重新校准可调整阈值或水力参数；再训练会改变已学习行为。公用事业公司应明确触发条件、数据要求、测试和回滚机制。

新版本应在投入生产前进行影子测试。历史性能应保持可复现。

62. 网络安全

传感器、网关、平台和集成会扩大攻击面。控制措施应覆盖身份、加密、补丁管理、分段、日志记录、事件响应和供应商访问。

未经独立的安全与授权设计，自动化警报不应控制阀门或泵。

63. 韧性

当通信、传感器或云服务发生故障时，系统应安全降级。运营人员需要备用方法和对盲区的可见性。

服务级别报告应区分平台正常运行时间与有用数据可用性。

64. 数据权利

合同应明确所有权、允许用途、留存、导出、模型训练权利和删除。公用事业公司应保留其网络、事件和结果历史记录。

退出安排应包括按要求以非专有格式提供可用数据和文档。

65. 风险分配

表3. 部署风险矩阵示例

66. 治理

责任明确的负责人应连接运营、数据、IT、网络安全、财务、采购和现场团队。指导委员会应审查结果与经济效益，而不仅是供应商活动。

重大阈值、模型版本和范围变更需要明确的审批权限。

67. 月度仪表盘

仪表盘应显示覆盖率、数据质量、告警、去重后的事件、精确率、可观测情况下的召回率、定位误差、队列等待时长、现场行动、已确认泄漏、修复时间、水量估算以及成本与效益。

置信度和缺失的真实情况应保持可见。未经核实的告警不应作为已发现泄漏来呈现。

68. 警示信号

警示信号包括：准确性缺乏普遍性支撑、仅用合成数据验证、未进行盲测现场试验、仅报告告警层面而非事件层面、缺少误调查成本、传感器覆盖薄弱、专有数据锁定、未受控的再训练、无现场能力，以及在未取得修复结果的情况下声称效益。

每一项都需要证据、重新设计、价格保护，或做出不扩大规模的决定。

69. 前180天

前六个月应界定用例、建立当前实践的基线、梳理数据与传感器、选择试点区域、确立真实基准与工作流程、采购平台、运行影子模式并商定验收标准。

在批准扩展之前，投资委员会应看到真实的队列、现场和成本证据。

70. 投资委员会材料包

材料包应包括目标泄漏类别、基线、传感器与数据地图、模型证据、试点方案、混淆矩阵经济性分析、运营设计、网络安全审查、采购条款、成本效益情景、风险矩阵和扩展门槛。

管理层估算应始终标明来源。供应商声明应保留来源和测试条件。

71. 决策规则

当系统能够产生现场可信、及时且按经济性优先排序的事件；与有资金支持的确认与修复流程集成；保护数据与安全；并在下行情形下仍较当前实践具有正价值时，方可推进。

扩展应依据经核实的成果。仅靠高模型评分并不构成投资理由。

72. 在采购前计算基础比率

筹备团队应在多种事件发生率和误差假设下计算预期警报。对于每个管网日或其他评估单元，模型应估算真实事件、已检测事件、漏检事件、误报和总调查量。这样可以揭示看似很小的误报率淹没稀少真实事件群体的情况。

计算应采用与运营工作流相同的单位。若不进行去重和事件分组，传感器记录分类率不能直接换算为班组出勤。模型还应测试不同区域，因为事件发生率和水利可观测性可能差异显著。

73. 校准概率与置信度

模型评分并非自动等同于校准后的概率。校准测试应在各评分区间和运行条件下，将预测置信度与实际事件频率进行比较。即使分类排序仍然有用，校准不佳也可能扭曲排序、阈值选择和商业论证估算。

平台应区分模型置信度、数据质量置信度和定位置信度。基于不完整或故障传感器得出的高模型评分，不应看起来等同于证据充分的事件。在模型、传感器或管网发生变化后，应重新检查校准。

74. 按经济性划分管网

关键输水干管、密集城市配水管网、农村管网和用户服务管线在事件后果、可观测性和响应成本方面各不相同。公用事业公司应据此对部署进行细分，并选择相应的传感方案、阈值和工作流。单一的企业平均值可能掩盖经济性为负或存在不可接受盲区的区域。

细分模型应考虑管材、管径、故障历史、压力、后果、可及性、维修成本、客户密度和当前检测实践。规模化应始于信号、后果和响应能力组合形成最强证据支撑的场景。

75. 设计真值流程

每个警报都应推进至最终真值状态：已确认泄漏、已确认非泄漏、未解决、无法访问、重复、传感器故障或正常运营事件。该状态应记录证据和裁定人。未解决案例应保留在绩效报告中，以免系统通过排除困难结果而显得更精确。

真值流程还应识别警报系统之外发现的泄漏。这些事件对于估算召回率必不可少。当分母仅包含自身警报时，系统不能声称检测到大多数泄漏。

76. 衡量班组产能

警报价值取决于可用的分析、巡检和维修能力。运营模型应按警报阶段、技能和地域预测工时。它应测试在暴风雨、季节性变化、传感器推广或阈值调整后队列增长情况。

服务水平目标应优先考虑后果和时长。当能力受限时，系统应显示哪些事件仍未处理，以及延迟相关的失水量或风险敞口。规模化决策应为实现预期效益所需的现场能力提供资金。

77. 将警报与资产更新关联

反复出现的异常、群发性泄漏和难以确认的问题，可能揭示出需要更新改造而非反复维修的资产。该计划应将经核实的证据纳入基于风险的资本规划。还应将预警系统效益与后续更新改造效益分开，以避免重复计算。

资产团队应以稳定格式接收位置、缺陷、管道、维修、复发和不确定性数据。资本规划决策应将这些证据与状况、后果和全生命周期成本结合起来。因此，当结果台账保持可信时，AI 支持更新改造优先级排序。

78. 量化数据与集成债务

遗留遥测、标识符不一致、时间戳缺失、资产重复和工单碎片化可能需要大量整改。这些成本应在供应商选择前估算，并在公用事业公司和供应商之间分摊。使用人工整理数据的试点可能低估全面运营成本。

集成设计应定义传感器、资产、区域、客户和工单的主标识符。对账控制应跟踪未匹配记录。数据整改可创造独立价值，而 AI 的投资论证仍应包含维持该能力所需的支出。

79. 建立模型运营纪律

生产运营需要版本控制、特征定义、部署审批、性能监控、事件日志记录、回滚、再训练和退役。公用事业公司应知道每个预警由哪个模型生成，以及应用了哪些数据和阈值。

供应商应记录计划内变更和紧急变更。重大更新应使用留存证据通过回归测试和影子测试。模型运营应与更广泛的 IT 服务管理集成，使数据和应用故障获得明确责任归属并得到解决，而不是成为隐形的分析问题。

80. 测试供应商集中度与退出

专有平台可能将设备、通信、数据、模型和工作流整合在一起。这可以简化责任界定，同时增加转换风险。合同应明确数据导出、接口文档、硬件访问、过渡支持以及退出期间的持续运营。

商业论证应包含更换和过渡成本。应识别哪些组件可以独立竞争采购，哪些会造成锁定。长期价值取决于即使供应商变更，也能保留公用事业公司的证据和运营能力。

81. 开展运营红队演练

在验收前，独立团队应通过传感器掉线、时钟漂移、真实需求激增、阀门操作、泵变更、遥测延迟、记录重复、网络事件以及监测薄弱区域的泄漏来挑战系统。演练应测试预警、解释、工作流、升级和恢复。

目的是识别故障模式和隐藏依赖关系。结果应促成配置、合同、培训和应急方案的变更。未解决的关键故障应阻止规模化推广，直到公用事业公司接受并为剩余风险提供资金。

82. 审计所声称的效益

效益应能在从警报、事件、确认、维修、修复后信号、估计流量、运行时间缩短到财务价值的全链条上对账一致。财务和运营负责人应批准该方法。抽样可以验证工单和成本准确性。

审计应区分供应商归因、公用事业归因和共同实现的成果。无法与已改变的运营决策建立关联的效益，不应自动归因于该模型。审计轨迹支持投资审查、监管报告和绩效付款。

83. 构建下行情景的财务论证

下行情景应综合纳入事件发生率较低、精度较弱、泄漏规模较小、现场响应较慢、连接成本较高、传感器更换更早以及集成延迟。还应测试重大网络事件或转型事件的成本，但不应将此类情景视为确定会发生。

管理层应识别哪些变量驱动价值、哪些变量可以控制。即使直接现金回报较弱，投资仍可能因关键风险降低而具备合理性；该理由应明确说明并单独批准。

84. 设立效益实现关口

该计划应设置技术就绪、运营采纳、成果验证、经济价值和规模化等关口。每个关口都应明确证据、负责人和决策。通过前一关口不应预先决定下一关口的结果。

效益实现审查应将当前绩效与已批准的基线和反事实进行比较。应识别因排队延迟、现场限制或维修不完整而损失的价值。纠正措施应设定日期和负责人。后续部署的资金应取决于已证明的能力，而不是沉没成本惯性。

85. 保持人工问责

模型可以对证据进行优先排序；经授权的公用事业人员仍负责运营和公共服务决策。应明确警报关闭、现场调度、隔离、开挖、客户沟通和维修等环节的角色。关键决策应保留审计轨迹。

员工应了解模型局限和常见失效模式。培训应使用当地真实案例并检验决策质量。过度依赖可能导致遗漏情境信息；习惯性关闭警报可能抹杀模型价值。治理应支持双向的有纪律质疑。

86. 结论

AI 在传感器、数据、模型和现场运营形成一个受控系统时，可以改善泄漏检测。误报经济学为阈值、传感器、工作流和采购决策带来纪律性。它还揭示了被表面准确率所掩盖的运营成本。

最强有力的计划会在目标管网中衡量事件级精确率、召回率、定位、及时性和净效益。它会从每一次现场结果中学习、监测漂移，并且只有在经核实的维修能够支持论证时才扩大规模。

参考文献

1. Kwon, D. 等。深度学习泄漏检测模型在多个智慧配水系统中的探索：使用 AMI 水表可检测的泄漏规模。Water Research X，2025。 https://doi.org/10.1016/j.wroa.2025.100332
2. Ranganathan, S.、Vinothkumar, N. 和 Muthuramalingam, E. 对供水系统中泄漏检测与定位的多种学习架构进行基准测试。《水处理工程杂志》，2026。 https://doi.org/10.1016/j.jwpe.2026.110114
3. Goulet, J.-A.、Coutu, S. 和 Smith, I.F.C. 用于加压管网泄漏检测的模型证伪诊断与传感器布置。《高级工程信息学》，2013。 https://doi.org/10.1016/j.aei.2013.01.001
4. 可解释的仿真到现场迁移学习用于供水管网中基于瞬态的泄漏检测。《水研究》，2026。 https://doi.org/10.1016/j.watres.2026.126464
5. 美国环境保护署。《配水系统水质监测：传感器技术评估方法与结果》。 https://www.epa.gov/sites/production/files/2015-06/documents/distribution_system_water_quality_monitoring_sensor_technology_evaluation_methodology_results.pdf
6. Ofwat。《2025年创新基金年度报告》。 https://www.ofwat.gov.uk/wp-content/uploads/2025/07/Ofwat-Innovation-Fund-Annual-report-2025-v5.pdf
7. Ofwat。绿色能源解决方案与CCTV泄漏预防跻身获奖水务创新之列。 https://www.ofwat.gov.uk/green-energy-solutions-and-cctv-leak-prevention-among-winning-water-innovations/
8. 基于机器学习的水泄漏检测数据集与评估协议的标准化与基准测试：系统综述。《水》，2026。 https://doi.org/10.3390/w18182267
9. SIAM：用于识别供水管网异常的开源框架。《软件影响》，2026。 https://doi.org/10.1016/j.simpa.2026.100842
10. 基于自监督时间序列分类的水泄漏检测。《信息科学》，2021。 https://doi.org/10.1016/j.ins.2021.06.015
11. 基于机器学习和无线传感器网络的水管道泄漏检测。《传感器》，2019。 https://doi.org/10.3390/s19235086
12. 使用可升降移位振动声学传感器检测郊区配水干管中的漏水。《传感器》，2022。 https://doi.org/10.3390/s22166066
13. 使用模型进行泄漏检测与定位：现场结果。《Procedia Engineering》，2014。 https://doi.org/10.1016/j.proeng.2014.02.128
14. 国际水协会。《基于绩效的无收益水管理合同》。 https://www.iwa-network.org/our-work/performance-based-contracts-for-non-revenue-water-market-development
15. 世界银行。《水损失减少绩效型合同指导说明》，2025。 https://documents1.worldbank.org/curated/en/099157411052511694/pdf/IDU-ddae29b5-2722-4a36-9992-5ac7789d6bb1.pdf
16. 世界银行PPP资源中心。《减少无收益水的基于绩效合同工具》。 https://ppp.worldbank.org/water-and-sanitation/performance-based-contracting-tools-non-revenue-water-reduction-tools-resources

关于作者

Chennakeshav（CK）是一位企业融资与投资银行高管，拥有25年以上全球经验，涵盖M&A、增长资本与企业战略领域的交易发起、结构设计与执行。他曾为创始人、企业和基金领导价值创造委托——将董事会视角与一线执行及交割相衔接。

他的职业生涯横跨摩根士丹利、汇丰、劳埃德银行集团、EWEC、ADQ 投资组合公司和 Emirates Growth Fund，覆盖科技、媒体与电信、房地产、金融科技、深科技、清洁科技、基础设施与能源领域。他曾与高管、私募股权与风险投资基金、主权财富基金和家族办公室合作，为复杂的基金募集和成长期企业提供融资，并领导M&A尽职调查、并购后整合和业务转型举措以创造价值。

在Matchpoint Partners，他担任管理合伙人，领导公司的企业融资、M&A与资本募集业务。他拥有伦敦商学院 MBA 学位和 VTU 工程学位，并正在伦敦大学学院（UCL）攻读法学硕士（LLM）。

作为活跃的初创企业导师，CK 在 Techstars、DIFC FinTech Hive、Startup Grind、Founder Institute 和 IN5 担任导师，并担任伦敦商学院驻场创业者导师（EMiR），还担任创业世界杯评委。

领英： https://www.linkedin.com/in/ckadya/

简介： https://www.matchpoint-partners.com/team/ck-adya.html