[发明专利]油田加热炉异常检测方法和系统及相关设备

说明书

本发明公开了一种油田加热炉异常检测方法和系统及相关设备。方法包括：获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测。本发明利用自动训练的半监督自编码网络进行异常检测，可减少人工运维成本，提高异常数据检测精确度，保证加热炉的正常运行。

技术领域

本发明涉及油田加热炉异常检测技术领域，具体涉及一种油田加热炉异常检测方法和系统及相关设备。

背景技术

油田加热炉是油气集输系统中处理、输送等环节应用最多的一种油田专用设备，其作用是将原油、天然气、油气混合物等加热至工艺所需要的温度，满足油气集输工艺及加工工艺的要求，是一种非常重要的油田生产设施。油田加热炉的传感器异常数据检测，对加热炉的正常运行起到了重要作用。由于油田的系统封闭无法远程操控，标记数据难，算法维护成本高，不同加热炉的传感器也不尽相同，而对油田加热炉的异常检测提出了挑战。

发明内容

本发明的目的在于提供一种油田加热炉异常检测方法，该方法利用自动训练的半监督自编码网络进行异常检测，减少人工运维成本，提高异常数据检测精确度，保证加热炉的正常运行。本发明的目的还在于提供相应的油田加热炉异常检测系统及相关设备。

为实现上述目的，本发明采用的技术方案如下。

第一方面，提供一种油田加热炉异常检测方法，包括：获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测

一种可能的实现方式中，所述的使用对应时间段的预测模型进行异常检测，包括：针对不同时间段的运行数据，设定不同的检测标准；使用当前运行数据所属时间段对应的预测模型，对当前运行数据进行预测，获得差异值；在该差异值超过对应时间段的检测标准时，确认当前运行数据异常。

一种可能的实现方式中，所述的对于每个数据集利用孤立森林算法进行过滤，包括：对于每个数据集，按照加热炉炉效高低进一步分为两个子集；对于炉效低的子集，利用孤立森林算法按照第一比例去除边缘数据；对于炉效高的子集，利用孤立森林算法按照第二比例去除边缘数据；其中，第一比例大于第二比例。

一种可能的实现方式中，所述的根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集，包括：基于白天和夜晚的数据差异性较大，将上一时间周期的若干天的运行数据按照白天和夜晚分类，划分为属于白天的数据集S1和属于夜晚的数据集S2。

一种可能的实现方式中，所述的分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型，包括：使用归一化的训练数据训练自编码网络，得到对应的预测模型，并利用Hyperopt算法对预测模型进行参数调优。

第二方面，提供一种油田加热炉异常检测系统，包括：获取模块，用于获取上一时间周期内油田加热炉的运行数据，并根据时间段对运行数据进行划分，得到分别属于不同时间段的至少两个数据集；处理模块：用于对于每个数据集利用孤立森林算法进行过滤，得到一组训练数据；训练模块：用于分别使用每组训练数据训练自编码网络，得到对应不同时间段的预测模型；测试模块：用于对于待检测的当前运行数据，使用对应时间段的预测模型进行异常检测。

一种可能的实现方式中，所述测试模块，具体用于：针对不同时间段的运行数据，设定不同的检测标准；使用当前运行数据所属时间段对应的预测模型，对当前运行数据进行预测，获得差异值；在该差异值超过对应时间段的检测标准时，确认当前运行数据异常。