储罐液位异常检测系统研究

2018-04-23齐秋平文必龙

软件 2018年3期

齐秋平，文必龙，吴婷

（东北石油大学计算机与信息技术学院，黑龙江大庆 163318）

0 引言

时序数据是指按照时间的秩序，以一定的时间间隔排列的一系列数据的集合[1]。近年来，随着大数据的迅速发展，对时间序列的分析经历了从频域到时域、单变量到多变量、线性到非线性、局部到系统的渐进过程；同时也是逐步提高模型拟合精度、增强模型的预测能力和改善可操作性的过程。为了减少异常点对时间序列分析结果的干扰，就需要对异常点进行检测并处理。数据异常检测能实现数据质量提升与潜在信息挖掘[2]，异常数据的挖掘主要使用偏差检测，包括聚类法、序列异常法、最近邻居法、多位数据分析法等[3-5]。通过对时序数据应用主成分分析法进行特征压缩从而去除数据的噪声[6]，对数据进行异常检测，可以从大量的数据中挖掘出不满足数据一般行为或模式的数据，而储油罐液位数据反映的一些异常信息比常规模式更有价值，它能够帮助人们掌握时间序列中蕴含的规律，为人们提供有力的决策支持。

针对液位数据的异常检测主要分为以下四个方面：

1. 学习时序数据过去的行为特征；

2. 计算出相似的行为模式，预测未来过程中的可能状态或表现；

3. 根据限制条件进行异常活动检测；

4. 通过对异常数据的特征分析进行模式识别，判别出异常类型。

针对以上方面，提出了一套基于储罐液位数据进行异常检测的系统，该系统可根据油田历史数据找出其内在规律，并根据过去的某些行为特征做出相似模式的预测，最后找出其中的异常波动并对这些波动进行分类和标识，可防止储油罐过满溢出、仪器故障、拉油车拉油时间不规范、偷油漏油等情况的发生。

1 需求分析

1.1 研究背景

储罐液位随时间的变化趋势如下图1所示。

图1 储罐液位散点图Fig.1 Storage tank level scatter chart

针对液位曲线的走势，本文的模型研究主要从以下四个方面展开：

（1）数据分析：在石油集输过程中会产生大量油罐液位实时监测数据，对这些数据分析过程中发现数据反复呈现某些规律，抽取出潜在的、有价值的知识（模型或规则）[7]，如液位在某时间段内上下波动、液位上升时斜率会有所变化、拉油车拉油过程中液位会均匀下降等等。通过对数据的综合处理发现，数据整体具有一定的变化趋势和数据周期，而油田上对于这些行为模式的认识及分析并不全面。

（2）数据预测：在对海量液位数据潜在价值的挖掘中，综合考虑温度、压力、流量、负荷等因素的变化对液位未来动态变化的影响，充分利用历史数据的规律对未来数据进行一定的预测分析和总结。

（3）异常检测：在数据的分析处理中，通常会出现一些数据的异常波动，而这些波动在生产上通常会有一定的现实意义，目前油田上的数据体系太过繁杂，并未对这些异常的数据波动做出分类和标识，相应的，对于相关的数据误差和体系缺陷并没有给出规范性约束。

（4）模式识别：通过对数据的异常检测只能够筛选出异常的数据，并不能够判别出是哪一类别的异常情况，为了提高异常数据的实际意义，须将异常数据进行模式识别判断出异常数据的实际意义，从而提高异常数据的实用价值。

1.2 研究现状

随着计算机技术的发展，人们引入了钻井监控软件。目前国内外有许多针对特定专业如钻井的实时数据采集的系统，对智能预警和优化方面有较多的研究。

在石油数据实时分析方面，李云峰等人提出一个新型的钻井异常状态实时监测与智能决策系统模型，该模型将钻井工程信息管理，钻井参数实时采集和智能化决策支持技术集成为一体，解决了钻井异常状态实时监测的问题[8]。由刘琦开发的钻井监控系统提供了钻井、电机和发电机实时数据可使技术人员和工程人员对现场施工数据及时浏览与分析，实时监控，及时指导和处理钻井现场的问题[9]。史鹏涛等人对智能完井技术的深入研究也解决了采集、传输及分析井眼生产数据、油藏数据和全井生产链数据能力，以远程控制方式改善对油藏动态和生产动态的监控的问题[10]。从上世纪90年代，国外就开始研究智能完井技术，Baker Hughes、Schlumberger、ABB和 Roxar等几家公司都开发了进行井下监控的智能完井技术，并得到了大面积的推广应用[11]。

在时序数据预测未来趋势方面，修妍提出了基于改进相空间加权局域法的混沌时序预测[12]，吴江等人提出了一种基于云模型的数据预测算法[13]，郭建明设计并实现一个安全优化钻井实时监控智能计算机系统，实现了安全优化钻井知识整合.系统可用于钻井设计、施工、完钻总结阶段的钻井异常问题的检测、识别、预测、诊断、预防和处理，实现安全优化钻井的目标[14]。闫学峰等人设计了油井生产实时分析优化专家系统 PES，该系统具备了油井生产数据实时采集、数据管理、生产动态预测、实时工程分析、故障诊断、远程计量、系统效率及损耗分析、生产参数实时优化设计、措施方案发布、智能控制等功能[15]。陈锐等人设计了钻井风险实时监测与诊断系统，主要是通过对钻井工程数据和随钻测量数据进行实时处理分析，结合多参数融合算法技术对井下钻井风险进行实时监测和诊断分析，很好地监测与诊断钻井风险[16]。

在油田时序数据分析系统方面，国外先进的石油公司都已经建立了强大的决策支持系统和协同工作环境，将分布在世界各地的研究机构、管理部门和施工现场连接起来，利用强大的数据库和先进的软件对各种技术决策提供者有力支撑，有效降低了施工风险。国内石油行业，尤其是钻井行业尽管开展了相关研究，但尚未建立完整的自主产权的决策支持系统和相应的决策工作模式[17]。

综上，油田上大多数平台或系统均是单方面分析数据，对于时序数据的异常检测方面并没有统一的模式，因此，本文以储罐液位数据为例，提出了一套对油田储罐液位数据进行异常检测的系统。

2 系统设计

2.1 总体结构设计

根据储罐液位异常检测系统需求，主要分为特征提取、异常检测、模式识别（异常分类）、预测分析四个部分，系统总体架构图如下图2所示。

2.2 功能结构设计

系统设计以简便操作、精确分析、准确预测为原则，突破传统单一的数据可视化方式，把异常检测和异常模式识别作为重点突破问题，能够更好地监测数据中的异常情况。数据分析结果、异常检测功能进行软件实现，提供可视化操作平台。储罐液位异常检测平台主要功能如图3所示。

本系统主要分为以下模块：

1. 数据选择模块

储罐液位数据会实时录入到数据库中，通过前端与后台的交互，对数据进行选择并录入到R语言软件中进行处理，实现数据库中的数据表可视化，以便用户进行选择。

2. 算法匹配模块

不同的油井的数据流变化趋势有所不同，将预处理后的数据进行图形可视化，从算法库中选择合适的算法进行匹配分析，通过算法评价体系自动匹配最优算法，对各参数和油井产量之间进行多种分析，判定各参数同油井产量的关联性程度，定性、定量地给出影响油井生产动态的各种因素对油井产量影响的大小，从而挖掘出蕴含在数据内部的关系模式。