范振铎

摘 要：在了解油水井生产状况的基础上，以集中式和数据流挖掘体系结构为依据，采用趋势分析技术对油水井工况数据进行实时分析预测，实现分割点和异常点的检验。利用油田采集的数据模拟形成数据流，通过实验验证，基于数据流的油水井工况分析系统总体框架可通用，VSW-PAA算法和趋势分析方法很实用，进行模式异常检测，检测效果良好，能发现设备异常情况，为设备管理者提供决策依据。

关键词：数据流;数据流聚类;模式异常;油水井工况

1 引言

油水井监测系统在运行的过程中会产生大量的实时监测数据，如何高效准确的处理和利用这些数据完成油水井工况分析是油田的一大难题。示功图可对油水井工况进行分析，从而诊断设备是否正常运行和分析故障产生的因素，为油水井正常生产提供技术保障。随着通讯技术和检测技术的发展，数据采集手段不断丰富，数据流技术[1]已大范围的推广使用。在了解油水井工况分析技术的基础上，利用相应算法和数据流技术，设计基于数据流技术的油水井工况分析系统，实现油水井设备的实时监测、异常诊断和故障诊断，同时，为管理者提供决策依据，为油水井管理提供了巨大的帮助。

2 油水工况分析系统的设计

数据挖掘[2]是从大量的数据中发现和搜寻有价值、可靠性和实用性的规律，这些规律是隐藏在数据中，充分的利用这些规律有利于生产分析。数据流现在没有明确的定义，数据流的特性包括有序性、实时性、无限性、概要性和及时性，这些特性决定了数据处理的特点，数据流结构如图1所示。数据流挖掘体系的对象是数据流，针对油水井工况分析的特殊情况，安装相应组件实现数据挖掘。油水井监测系统在运行的过程中会产生大量的实时监测数据，如何高效准确的处理和利用这些数据完成油水井工况分析是油田的一大难题。现在的数据处理模式不适用于动态高速的数据处理，在分析现有技术弊端的基础上，设计一种满足油田需求的数据挖掘系统。针对动态变化流速的数据流，我们提出可变滑动窗口的数据流聚类算法[3]，分为在线阶段和离线阶段，可进行不同阶段的数据流处理。数据挖掘常用技术有人工神经网络、决策树、遗传算法、近邻算法和规则推导技术。数据挖掘是一种决策支持过程，关联规则挖掘[4]必须先从资料集合中找出所有的高频项目组，再由这些高频项目组中产生关联规则。数据流趋势分析是建立在时间序列[5]的基础上，研究现有数据流的规律，预测未来数据流的变化趋势。数据流存在实时提取的困难，引入可变滑动窗口调整现行回归模型，实现基于分割点的最小二乘多元回归趋势分析方法[6]。采用趋势分析技术对油水井工况数据进行实时分析预测，实现分割点和异常点的检验。

3 油水工况分析系统的应用

采用数据趋势分析手段检测数据流是否异常，设计数据流挖掘总体框架。采用时间序列数据流，提出分段聚类算法进行去噪和压缩处理，为数据趋势分析打下良好基础。在分析SW算法和OSD算法[7]优缺点的基础上，有针对性的结合并改进相关算法，优选最小二乘多元回归趋势分析算法，准确提取数据流的相关趋势特征和合理定位分割点，实现趋势准确分析。在确定趋势之后，进行预测结果分析和异常检测。由于很难做到数据流的实时提取，在分析數据分割算法和滑动窗口算法优缺点的基础上，提出利用可变滑动窗口调整线性回归模型。数据流趋势分析是根据数据流的特点进行选择模型，例如，周期性的动态数据选择线性回归模型。故障趋势分析技术主要是针对静态数据进行分析，对于实时动态数据，已不适用，需要设计新的数据建模方法和数据处理技术。油水井工况分析系统主要有数据采集与传输、数据流监测与表示和趋势分析预测三大模块。在设计完该系统之后，进行系统调试和实验验证，效果良好。以油田采集到的数据为基础，模拟形成载荷数据流，利用该系统进行数据流趋势分析和异常检测，监测效果良好，可提前发现油水井设备故障异常，为油田管理者提供决策依据，可在其他油田进行大范围的推广应用。

4 结论

为实现油水井工况的实时监测和故障诊断，结合数据流挖掘和集中式体系结构，搭建基于数据流技术的油水井工况分析框架。在分析数据流模式表示方法和趋势分析方法优缺点的基础上，优选能进行去噪和压缩的模式表示方法和趋势分析方法。采集相关工况数据模拟形成数据流，了解数据流的挖掘方法，利用数据流分段聚类算法表示数据流模式。结合SW算法和OSD算法，采用最小二乘数据流趋势分析方法，实现异常点与分割点的检测。通过实验验证，不断进行算法修改，总体框架可通用，趋势分析方法实用性好，异常检测效果良好，达到工况分析和节能减耗的目的。在某油田的应用可知，油水井工况监测效果良好，可提前发现油水井设备故障异常，为油田管理者提供决策依据，可在其他油田进行大范围的推广应用。

参考文献：

[1]周晓云，张净，孙志挥.高Turnstile型数据流聚类算法[J].计算机科学，2006.

[2]张忠平，王浩，薛伟.动态滑动窗口的数据流聚类方法[J].计算机工程与应用，2011.

[3]朱蔚恒，印鉴，谢益煌.基于数据流的任意形状聚类算法[J].软件学报，2006.

[4]常建龙，曹锋，周傲英.基于滑动窗口的进化数据流聚类[J].软件学报，2007.

[5]宋宝燕.基于滑动窗口的支持泛在应用的流聚类挖掘算法[J].小型微型计算机系统，2008.

[6]李国徽，向军，陈刚.基于概率模型的数据流预测查询算法[J].计算机科学，2008.

[7]汪成亮，陆志坚.一种数据流趋势分析方法的研究与应用[J].计算机系统应用，2010.