基于SCADA系統預警報警系統研究應用

張青鋒?劉祥?馬小琴?付兵

摘要：提出采用人工智能方法，開展基于SCADA系統預警報警開展預警報警模塊深度研究應用，建立適用于長慶油田采油廠的各類復雜、通用類預警報警模型，并進行編碼開發和嵌入式應用。相較傳統SCADA系統具備有效降低誤報率、提高報警可用性、開展多設備聯動等功能，通過結合智能化預警報警功能的應用，加強預警報警數據的統一規范管理、數據復用、預警流程管理，并通過應用報警系統開展生產優化與精細化管理，真正將智能化應用落實到崗位。

關鍵詞：SCADA；油田智能化；報警優化

一、前言

隨著智能化建設規模的不斷擴大，數據采集量急劇增加，目前采油廠所應用SCADA系統存在報警次數多，誤報、漏報頻率高等問題。同時，報警規則限于單點、局部報警，缺乏一體化聯動報警分析，無法嚴密監控生產運行情況，一體化指揮調度未能充分發揮其效能。因此，通過開發并替代SCADA系統中預警報警應用模塊，實現對中心站、無人值守站生產運行報警事件、指標、參數進行梳理，按照生產工藝流程預警報警一體化運行思路，明確不同工藝設備相互之間關聯關系，構建出結合各生產管理崗位的預警報警應用體系，實現預警報警功能真正指導日常生產管理。

二、生產需求和需要解決的關鍵技術問題

（一）生產需求

結合現有SCADA系統將物聯網數據與生產、工藝相融合，通過研究油氣生產、工藝標準化報警流程，從“報警產生、報警規則、報警聯動建模、報警處置、報警優化”的生產運行一體化預警報警管理機制入手，在現有SCADA系統應用的基礎上，通過人工智能、大數據的應用，形成采油廠智能預警報警應用系統，全面完善生產預警報警功能，為提高生產分析與決策效率提供技術支撐。

（二）需要解決的關鍵技術問題

結合現有SCADA系統數據，構建生產業務模型，對采集的數據進一步挖掘分析，借助大數據和人工智能方法開展相關性分析、多參數辨別、多參數預測建模、多源報警管理、高并發處理技術研究，實現生產現場預警報警的精準、高效、閉環管理[1]，包含了以下技術。

多參數辨別技術：完成模型的相關性分析，提高預警報警模型適應性和可靠性。

多參數建模技術：抑制可測干擾影響，多目標協調優化。

多源報警管理技術：根據警報信息影響權重解決報警之間不確定關系。

高并發處理技術：實現油氣生產數據高粒度采集下的并發處理。

微服務架構嵌入式軟件開發：采用最新的VUE+Spring Cloud微服務開發模式完成基于SCADA系統數據的嵌入式應用開發，實現報警信息的展示、應用等。

三、智能預警報警系統實現

（一）系統框架整體設計

系統整體采用最新的VUE+Spring Cloud微服務開發模式完成，共分為三個模塊（見圖1）。其中，數據處理模塊通過調用提取SCADA系統實時庫，按照站內生產工藝流程，梳理出預警報警應用系統的標準數據庫。后端處理模塊采用Spring Cloud微服務架構，以容器的方式包含了coding算法、特征提取算法進行預警報警模型建立。通過編碼數據流根據輸入的數據進行處理后輸出至相應的前端模塊。前端模塊采用VUE框架進行設計，最終采用嵌入式方式集成至SCADA系統中“預警報警”模塊[2]。

（二）智能閾值算法設計

按照生產工藝流程進行數據收集、分析報警成因后，開展壓力、溫度、流量、液位、瞬時流量、總產量等數據分析。結合收集的數據，對閾值智能計算進行算法設計，針對不同的閾值智能設定應用不同的算法。

1.瞬時液位、瞬時溫度、瞬時流量可根據數據采集粒度采用取N點值法，把數值從高到低降序，取高值的第N個值為基值，通過管理經驗加權后設置值為高高報、高報；低限閾值按從小到大升序排序，取低值的第N個值為基值，減去管理經驗值設置低報、低低報閾值。

2.平均壓力、平均溫度采用取第10點值法，方法同上。

3.壓力、溫度、流量等異常波動較大的點位采用去除4取10平均值法，降序后按照排序去除前4個值，然后取前10個高值進行平均數計算后作為基值，加權管理經驗值后設置為高高報，高報閾值；低限閾算法相反。

4.液位、累計流量采用取10平均值法，把選取的參數數值從大到小降序排序，取前10個高值求平均值后作為高值基值，加權管理經驗值后設置為高高報，高報閾值；低限閾值算法相反。

5.針對個別參數報警值為固定的值，具體要根據經驗值設置固定算法。

（三）預警報警聯動模型設計

1.多參數、多設備聯動預警報警模型設計

結合站內各類工藝設備，對各類工藝設備的壓力、溫度、流量、液位、瞬時流量等參數相關性進行分析，并進行多參數、多設備聯動預警報警模型設計，具備高度關聯性。

各類設備聯動規則如下：

（1）總機關壓力聯動高報時，聯動場景為總機關壓力升高，收球桶壓力高，緩沖罐壓力升高，提示“是否進緩沖罐掃線，關注站內系統壓力”；總機關壓力升高，收球桶壓力低，提示“總機關至收球桶結垢或總機關卡球需掃線”；低報時，總機關壓力升高，收球桶壓力低，提示“總機關至收球桶結垢或總機關卡球需掃線”。

（2）收球筒壓力聯動高報時，聯動場景為收球桶壓力升高，緩沖罐或加熱爐壓力無變化或降低，提示“收球桶阻塞”；低報時，收球桶壓力降至0，進行收球作業，延時監測。

（3）加熱爐壓力聯動高報時，聯動場景為加熱爐壓力和收球桶壓力高于緩沖罐壓力，提示“加熱爐至緩沖罐管線堵塞或結垢”；低報時，連續取值判斷加熱爐壓力短時間內快速下降，提示“站內管線破漏”。

（4）加熱爐進口壓力聯動高報時，聯動場景為加熱爐進口壓力升高，收球桶壓力升高，加熱爐出口壓力不變或者降低，提示“加熱爐盤管堵塞或結垢”；低報時，加熱爐進口壓力降低，收球桶壓力降低，加熱爐液位不變，提示“站內管線破漏”或加熱爐進口壓力降低，收球桶壓力降低，加熱爐液位快速升高，提示“加熱爐內油盤管破”。

（5）加熱爐出口壓力聯動高報時，聯動場景為加熱爐進口壓力升高，收球桶壓力升高，緩沖罐壓力不變或降低，提示“加熱爐至緩沖罐管線堵塞或結垢”；低報時，加熱爐進口壓力降低，收球桶壓力降低，加熱爐液位快速升高，緩沖罐液位比正常上漲緩慢，提示“加熱爐內油盤管破”。

（6）加熱爐液位聯動高報時，聯動場景為加熱爐液位快速升高，加熱爐壓力或者加熱爐進出口壓力快速下降，緩沖罐液位上漲緩慢，提示“加熱爐內油盤管破漏”；低報時，加熱爐液位快速降低，水循環壓力降低，緩沖罐液位快速升高，提示“緩沖罐水盤管破漏”；當加熱爐液位快速降低，加熱爐溫度快速升高，提示“加熱爐水箱破漏”。

（7）緩沖罐壓力聯動高報時，聯動場景為緩沖罐壓力、加熱爐壓力、收球桶壓力、氣液分離器壓力升高，泵進口壓力不變或者降低，提示“緩沖罐至泵管線堵塞”；低報時，緩沖罐壓力低，外輸泵運行時液位下降速度高于外輸時下降速度，外輸泵停時，液位上升速度低于正常進液時的液位上升速度，提示“緩沖罐存在破漏可能”。

（8）緩沖罐液位聯動高報時，聯動場景為緩沖罐液位快速升高，水循環壓力降低，提示“緩沖罐水盤管破漏”；低報時，緩沖罐液位快速升高，事故罐液位快速下降，不報警；同時，當外輸泵進口壓力低，緩沖罐壓力降低，緩沖罐液位下降速度快，外輸瞬時低，提示“緩沖罐至外輸泵管線破漏”。

（9）事故罐、應急罐液位聯動高報時，聯動場景為事故罐液位快速升高，緩沖罐液位穩定上升，水循環壓力降低，提示“事故罐水盤管破漏”；低報時，事故罐液位下降，外輸泵未運行，緩沖罐液位上升速度無變化，外輸泵運行時，緩沖罐液位下降速度與正常外輸時基本一致，提示“事故罐破漏”或事故罐液位快速下降，緩沖罐液位快速升高，進行倒罐作業，不報警。

（10）輸油泵出口壓力聯動高報時，聯動場景為外輸泵壓力高，外輸泵運行，外輸瞬時低或者為0，提示“外輸閥門未打開或閘板脫落”或外輸泵壓力高，外輸泵運行，外輸瞬時降低，外輸溫度降低，提示“外輸有凝管風險”；低報時，外輸泵出口壓力低于正常外輸壓力，高于0，且數據不穩定，外輸瞬時低或者為0，提示“外輸泵不上量”或者外輸泵出口壓力為0或外輸壓力低，外輸瞬時為0，外輸壓力低，提示“外輸泵至流量計管線破漏”。

（11）輸油泵外輸匯管壓力聯動高報時，聯動場景為外輸壓力升高，外輸溫度低，提示“外輸溫度低有凝管風險”或者外輸壓力升高，外輸溫度不變，外輸瞬時為0，提示“流量計出口閥門未打開，或閥門閘板脫落”；若外輸壓力升高，外輸溫度不變，首端外輸瞬時剛開始有流量，隨后逐步降低至0，下游流量計瞬時一直為0，且壓力不變，提示“末端外輸流程閥門未打開，或閥門閘板脫落”；低報時，外輸壓力降低，外輸瞬時升高，末端外輸壓力降低或不變，末端流量計瞬時下降或為0，提示“存在外輸管線破漏風險”。

（12）外輸瞬時壓力聯動高報時，聯動場景為外輸瞬時升高，外輸壓力降低，外輸泵頻率不變，末端來油壓力降低或不變，末端來油瞬時下降或為0，提示“存在外輸管線破漏風險”。

2.特殊特定條件下定制類算法模型設計

考慮現場實際工藝情況，對液位計卡死、插輸工藝、偶然波動等特殊特定情況進行定制類算法模型（見表1）設計[3]。

（四）實時鏡像數據設計開發

本系統基于SCADA數據，由于SCADA報警數據的強耦合性，因此需要設計實時鏡像數據。

首先，針對實時數據進行存儲，僅存儲變動瞬時值，兩次變動值的時間區間為上次瞬時值的時間權重，為高維分析提供數據基礎，如計算突變漸變等特征，特征計算完按時間向前淘汰實時數據。其次，根據報警規則產生的記錄，支持有限時間內回溯。最后，系統配置包含點位數據信息、人工錄入數據信息、特征提取信息、組織單元信息，設備管理單元信息等[4]。

（五）預警報警數據取流及嵌入式開發

完成鏡像數據獲取后，按照數據流程圖繪制出整體數據結構圖，并建立了各數據表中規范性設計，確保預警報警整體數據調用的合理性[5]。

在報警數據流轉過程中，出于運行性能的考慮，采用層層遞進式的運行方式：

1.使用SCADA系統提供的JavaSDK方式從SCADA系統中獲取實時數據。

2.判斷不參與報警聯動的點位，過濾正常的實時數據，通過編碼實現現場實際要求的特殊報警場景。

3.判斷報警場景，并通過多個設備的聯動報警進行精準定位。

4.為了處理事故發生時多點位同時報警的報警合并問題，單獨設定復雜的報警場景。

5.執行過濾規則，例如重復報警的合并，報警處置期不再報警的邏輯執行。

整體預警報警按照圖2開展完成嵌入式開發。

四、實驗

（一）報警數量消除對比實驗

對SCADA系統中某中心站歷史報警數據庫進行了導出篩選后，其平均日報警數量為8000余條，在智能預警報警系統中進行報警數量統計后，日平均為15條，并且直觀明確了報警限值和報警原因，現場核查后均為真實有效報警。報警數量由8000條/天降低至15條/天，平均日報警數量降低了99.8%。

（二）報警準確率對比實驗

在總計8149條報警中，對SCADA系統中報警信息進行分類檢索，其中，可燃氣體濃度低限值報警為4467條，占比54.8%（均為無效報警），井組匯管壓力報警3306條，占比40.56%，均為正常波動誤報，因此SCADA系統中誤報率達到95.36%。在智能系統中同條件檢索后報警數量為237條，占SCADA系統報警數量的2.9%，誤報條數為71條（人工智能訓練波動因素暫未消除），因此，綜合誤報率對比僅為0.87%，誤報率降低94.49%。

（三）報警時效與規則有效性對比實驗

SCADA系統中，報警觸發時間正態分布如右圖，平均觸發時長為474ms，預警系統中平均報警觸發時間為331ms，且平均查詢時長為2秒左右，因此，報警時效與SCADA相比符合99%時效率。報警規則均按照現場工藝流程，逐站進行規則添加，并和現場工藝設備聯動，規則符合率達90%以上。

五、結語

在現有SCADA系統數據基礎上，應用人工智能技術手段實現整體報警模型的建立，改變了采用腳本模式進行單一數據報警模式，解決了誤報率高、報警信息無法有效結合工藝聯動的問題，為實現集中管理提供了有力技術支持，誤報率可消除90%以上。同時，通過人工智能方法和算法的應用，對數據充分分析，可有效實現報警智能設置、報警聯動設置、針對性報警模型設置等功能，實現報警信息準確分類，從而建立包含生產、工藝業務的報警應用優化。依托微服務方式調取SCADA實時數據，通過基于SCADA系統的嵌入式開發和微服務開發技術的有機融合，有效提升系統的易用性、維護性、可擴展性，解決現有SCADA系統報警功能過度依賴腳本編寫，邏輯復雜等問題。因此，依托智能預警報警系統的應用，可有效建立“從報警概念、報警規則及建模方法、報警處置流程到報警優化”的生產運行預警一體化管理方法及流程規范，形成適合長慶油田采油廠的生產監控報警管理流程和規則，指導后續油氣生產報警系統進一步建設完善，為現場生產分析和決策提供依據。

參考文獻

[1]王芳.提高SCADA系統預警報警準確率方法研究[J].中國新通信，2020，22（08）：69.

[2]魯曉斌，王迪，劉宇閑，等.油田SCADA系統預警報警功能優化[J].云南化工，2018，45（03）：137.

[3]劉婷，郭寶靈，張建軍.復雜報警機制在石西油田中的應用[J].中國管理信息化，2022，25（04）：105-107.

[4]仲海梅，王海濤.雙機熱備環境下數據同步的研究[J].電子技術，2013，42（07）：37-39.

[5]李文華，楊奔全.數據表結構的動態創建與動態更新[J].中國科技信息，2005（05）：22-15.

責任編輯：張津平