特高含水水驅油田操作成本組合預測方法研究

吳茜茜侯春華，陳武趙小軍余曉鐘胡寶明

（1.西南石油大學經濟管理學院，成都610500；2.中國石化勝利油田地質科學研究院，東營257015）

項目評價

特高含水水驅油田操作成本組合預測方法研究

吳茜茜1侯春華1，2陳武1趙小軍2余曉鐘1胡寶明2

（1.西南石油大學經濟管理學院，成都610500；2.中國石化勝利油田地質科學研究院，東營257015）

操作成本作為油田生產過程中的主要組成部分，直接影響著油田的開發效益。為了不斷降低操作成本以提高經濟收益，以特高含水水驅油田為研究背景，通過該類油田操作成本的相關影響因素建立基于多重因素的兩種預測模型——線性回歸預測模型和非線性誤差反傳（BP）神經網絡預測模型，最后利用組合預測法，將這兩種預測模型組合在一起，以提高預測模型的有效性和可操作性，為特高含水水驅油田控制成本提供科學合理的依據。

特高含水水驅油田 操作成本 線性回歸預測 BP神經網絡預測 組合預測法

我國石油企業正在逐步深化體制改革，油田紛紛利用提高采收率、增加產能、降低操作成本等措施作為實現節能增效的經營策略。目前我國的特高含水水驅油田已經進入高含水后期，油藏操作成本居高不下，該類油田企業整體經營成本隨著含水率的增加而逐年增高。在產量遞減的情況下，合理有效地進行操作成本預測，已成為實現油田可持續發展的重要手段之一。

目前國內外對組合預測方法的研究日趨成熟，主要集中在組合預測方法本身的剖析和改進，以及實際運用分析，可是針對油田操作成本的預測依然缺乏系統的研究。按照變量與成本之間的函數關系，可以采用線性和非線性預測方法，根據多重變量對成本進行預測。線性回歸和誤差反傳（BP）神經網絡分別作為線性和非線性預測方法的代表，因此本文將以這兩種預測方法為基礎，進行組合預測。

1 特高含水水驅油田開發特點及操作成本影響因素

1.1 特高含水水驅油田開發特點

目前我國含水水驅油田已經進入特高含水期，含水率均已達到90%以上，是典型的開發后期油田。其特點是采用注水開發方式進行驅油，采油成本比注氣等方式的成本低，且可采儲量采出程度較高。但是特高含水水驅油田所面臨的困境也較為突出，除了具有一般老油田所具備的油藏品位低、開發環境日趨惡劣、井網嚴重老化、產量銳減、成本不斷攀升、開發效益差、油田經營困難、管理壓力大等一系列普遍存在的問題以外，還存在著油水分布紊亂復雜，耗水量大等特有問題，且由于地質破壞嚴重、開采技術落后以及含水率的上升，造成許多無效注采循環，采油率下降，從而導致成本控制難度進一步加大。

1.2 操作成本的影響因素

油田的操作成本影響因素有很多，包括油田自身、技術、管理、價格、政策及宏觀環境等方面。之前的學者主要從2個方面研究：一是將操作成本先進行分類，然后逐步分析各分項成本的影響因素；二是從油田及成本本身的特點及其環境出發，利用相關分析方法或模型來對影響因素進行研究。文章基于內外環境，綜合考慮了以下幾個較為重要的操作成本影響因素。

1.2.1 內部環境分析

（1）含水率。作為特高含水水驅油田特性的代表性指標之一，對油田噸油基本運行費有著很大的影響［1］，而噸油基本運行費是油田操作成本中基本運行費的重要組成部分。含水率達到90%，反映了油井所處的開發階段已經進入特高含水期，作為文章研究的對象，含水率是必不可少的建模參數。

（2）產液量。指產出的油水體積之和，是油田生產控制方面的代表指標之一。產液量是油氣處理費的重要影響因素，也間接地對操作成本產生影響。

1.2.2 外部環境分析

（1）工業品購進價格指數作為外部影響因素之一，是油田生產運營中必須考慮的因素。其中，原材料、燃料、動力購進價格指數是反映企業中間投入產品的價格變動趨勢和變動幅度的統計指標，同時也是工業產品進入生產、流通領域時的價格指數或生產、流通企業購買價格指數，是油田計算單位生產成本的主要成分。

（2）電力價格作為另一個重要外部影響因素，對動力費用等需要機器設備操作的成本也具有一定的影響力。油田企業中油氣提升成本、驅油物注入成本、井下作業成本、稠油熱采成本、油氣處理成本、輕烴回收成本、測井試井成本、輸油輸氣成本、油區維護費、制造費用等均涉及到電費的變動。

根據以上分析，將含水率、產液量、工業品購進價格指數和電力價格作為接下來操作成本預測模型建立的參數指標。

2 特高含水水驅油田操作成本預測方法

由于操作成本的變動受多方因素共同影響，在基于單一指標對成本進行預測時，會出現預測曲線擬合優度（R2）偏低或者精度檢驗結果不理想的情況，因此為了增強操作成本預測模型的可操作性，以內外多重影響因素為建模基礎，研究特高含水水驅油田的操作成本預測方法。

2.1 多元線性回歸模型

在預測油田操作成本的過程中，多元線性回歸模型利用了線性回歸原理，通過歷史成本數據和相關計算工具軟件建立多個成本影響因素變量和操作成本的線性關系模型，進而通過未來的計劃自變量來計算未來操作成本的預測值。在建立多元線性回歸預測模型之前，應該先觀察各影響因素及操作成本之間的相關性并檢驗自變量之間的共線性，當共線性程度較高時，可能會出現預測模型不穩定，以及參數估計值的標準誤差偏大等問題。因此，若存在共線性程度較高，應先處理共線性的問題。

嶺回歸分析法最早是在1962年由A.E.Hoerl針對共線性的問題首次提出［2］，它是一種專門處理共線性有偏估計的回歸方法，實質上是最小二乘估計法的改良版，通過放棄最小二乘法的無偏性，以損失部分信息、降低精度為代價獲得更符合實際、更可靠的回歸因子的一種回歸方法。其核心思想是當遇到多重共線的情況時，即說明的特征根中至少有一個是接近于0，從而使得多元線性回歸模型中參數的最小二乘估計值很不穩定，此時若在變量樣本相關矩陣（XTX）的基礎上增加一個正常數矩陣K I（K＞0，I為單矩陣），這時候的矩陣比之前的矩陣等于零的幾率要小得多，而新矩陣的特征根接近0的情況也得到改善。因此，在多元線性回歸模型的基礎上利用嶺回歸分析定義偏回歸因子的嶺估計（K）。

K——嶺參數；

X——自變量的矩陣；

Y——因變量的矩陣；

XT——矩陣的轉置。

利用統計產品與服務解決方案（SPSS）軟件計算出模型參數，即樣本回歸函數后，還需要進行精度檢驗，通過R2和顯著性的檢驗以及置信區間估計等進一步確定多元線性回歸預測模型的可行性。

多元回歸線性預測方法適用于樣本數據比較規律的預測，但在油田實際生產運營中，成本及各影響因素的變化并非總是呈現良好的規律性。因此在這種情況下，線性預測方法就有很大的局限性。

2.2 BP神經網絡預測法

神經網絡是一種人工系統，以神經元為中心進行建模并將其連接，其實質是模擬人腦神經系統的功能，具有學習、聯想、記憶等智能信息處理功能。而BP網絡是能實現映射變換的前饋神經網絡，從結構上講，三層BP神經網絡是一個典型的半線性前饋神經網絡，一般的BP神經網絡由三層或者三層以上神經元組成，分別是輸入層、中間層（或隱含層）和輸出層。同層節點間無關聯，而異層（前后）節點間是完全連接的。其中，輸入層節點數對應于BP網絡可感知的輸入個數，輸出層節點數則與BP網絡的輸出個數相對應，中間層節點的數目可根據需要設置［3］。

通過BP神經網絡方法，可觀察到實際操作成本與預測成本之間的差距，也可進行操作成本的精度檢驗，一定程度上解決了實際成本及相關數據呈非線性規律的問題，但是BP神經網絡通過軟件編程來實現計算，其結果不能詳細說明推理過程和依據，且當數據不充分時，神經網絡也不能進行預測。因此，利用組合預測法的優勢，可規避多元線性回歸預測法和BP神經網絡預測法的缺陷，使得預測更加完善。

2.3 組合預測法

組合預測是在各種單一預測模型建立后，利用一定的方式進行組合以求出最優預測結果的方法。通過以上的分析研究，在多元線性回歸和BP神經網絡的基礎上采用組合模型，綜合各種方法所提供的有效信息，排除片面性，提高預測精度。

組合預測權重是組合預測法中最為關鍵的部分，它決定著采取各種預測方法的比例，同時也決定著最終的預測精度。權重的確定一般有方差倒數、線性回歸和最優加權法等，方差倒數是對方差較小的方法賦予較高的權重，具有合理性和簡易性，因此本節將采用方差倒數法確定組合預測權重，其公式為：

式中：wi——第i種方法的組合預測權重因子；

Di——偏差的方差。

偏差的方差Di的計算公式為：

式中：Yt——操作成本的樣本值；

t——時間，a。

3 實例分析

以東部某特高含水水驅油田（A油田）為例，利用上述方法來驗證建立的預測模型是否可行有效，表1是A油田2006—2012年的操作成本及相關數據。

表1 A油田多重變量與操作成本的數據統計

3.1 多元線性回歸預測

利用SPSS軟件以多元線性回歸方法來預測操作成本，首先觀察各影響因素及操作成本之間的相關性并檢驗自變量之間的共線性，其結果見表2和表3。

表2 A油田多重因素相關性檢驗

由表2可知：產液量、含水率、物價指數和電力價格分別與操作成本有較強的相關性，說明這些因素對操作成本的影響程度較高，因此可作為多元線性回歸預測模型的自變量參數。

表3 A油田多重因素共線性檢驗

由表3可知：特征值中大部分都趨近于0，且第3、4、5維的條件索引數值已經超過30，一般情況下條件索引值超過30即代表自變量之間存在很強的共線性，因此這里需要利用嶺回歸分析法先處理共線性問題。同樣通過SPSS軟件編程進行嶺回歸分析，結果見圖1。

圖1 嶺回歸分析

圖1從上到下的4條趨勢線分別代表了電力價格、產液量、含水率和物價指數的嶺跡曲線，說明了在嶺回歸分析中，當K在0.47以后，4個自變量均趨近于平緩，這就表明當K為0.47時，可使得共線性問題得到最優的處理，由此將產生經嶺回歸分析后的非共線性的自變量因子。

最終通過SPSS軟件的計算，建立的多元回歸預測模型為：

式中：Y——操作成本，萬元；

X1——含水率，%；

X2——產液量，kt；

X3——電力價格，元／kWh；

X4——物價指數，%。

根據式（4）可知：含水率、產液量、電力價格和物價指數與操作成本之間均呈正相關。含水率每上升1個百分點，操作成本就增加2 267.75萬元；產液量每上升1 kt，操作成本就增加3.512萬元；電力價格每上升0.01元／kWh，操作成本就增加22.01萬元；而物價指數每上升1個百分點，操作成本就增加95.53萬元。由此可知：對于A油田來說，在這幾個影響因素中，含水率的變動對操作成本的影響是最大的。

3.2 BP神經網絡預測

將A油田2006—2012年的各項影響因素的數據作為培訓樣本，操作成本作為輸出變量，同樣要對初始數據通過激活函數的處理實現量綱歸一化，在此基礎上建立一個三層的BP神經網絡結構，再利用軟件計算并確定隱含層的節點數，并對量綱化的矩陣進行網絡訓練，通過神經網絡算法對2006—2012年的操作成本進行基于內外多重變量的預測，其最終預測結果中，實際操作成本與預測操作成本的數據和走向基本一致，證明基于內外多重變量對操作成本預測的結果令人滿意。

3.3 組合預測法

為了提高預測模型的精確度，這里將前面的多元線性回歸預測和BP神經網絡預測組合在一起，預計可以形成線性和非線性預測方法的有效結合，組合預測分析見表4。

表4 A油田操作成本組合預測分析 萬元

由表4可知：多元線性回歸預測法的偏差明顯大于BP神經網絡的偏差，這說明對于A油田來說，BP神經網絡的非線性預測方法要比多元線性回歸預測方法的預測效果好。為了進一步確定未來的操作成本估計值，這里還需通過組合預測法來確定兩種方法的權重。采取偏差倒數的方法確定兩種模型的權重，結果見表5。

表5 A油田操作成本組合預測權重

表5充分證明了表4的分析結論，由于BP神經網絡法的偏差明顯小于多元線性回歸法的偏差，最終通過方差倒數的計算所確定的權重也相差懸殊。權重確定后，就可以利用組合預測進行未來的預測值計算。這里以A油田2013年的操作成本預測為例，輸入計劃的含水率、產液量、物價指數和電力價格，預測2013年的操作成本，組合預測最終結果見表6。

表6 2013年A油田成本組合預測最終結果 萬元

最終預測A油田2013年的操作成本為38 358.03萬元，與兩者的預測平均值的相對誤差在0.5%左右，說明組合預測效果比較滿意，達到了提高預測精度的目標。

4 結語

在基于內外多重變量預測特高含水水驅油田操作成本的前提下，從線性和非線性這兩個方面分別建立預測模型，最后通過組合預測法將這兩種方法組合在一起對未來的操作成本進行預測，以體現預測方法的全面性并提高預測的精確度。以東部某一特高含水水驅油田為例進行預測方法的演算，結果充分證明了該預測思路可行且效果滿意。

［1］ 陳武，鐘水清，唐洪俊，等.油氣操作成本預測方法研究［J］.鉆采工藝，2006，29（5）：73－76.

［2］ 尹康.常用統計軟件關于嶺回歸計算原理的比較分析［J］.統計研究，2013，30（2）：109－112.

［3］ 龔安，王霞，姜煥軍.基于遺傳算法的BP神經網絡在油田措施規劃預測中的應用［J］.計算機系統應用，2006（11）：21－24.

［4］ 周超，王秀芝.組合預測在油氣操作成本預測中的應用研究［J］.天然氣勘探與開發，2009，32（4）：78－80.

Study on Combined Forecast M ethod for Operating Cost of High W ater－cut W ater Flooded Oilfield

Wu Xixi1，Hou Chunhua1，2，Chen Wu1，Zhao Xiaojun2，Yu Xiaozhong1，Hu Baoming2
（1．Economic Management College，Southwest Petroleum University，Chengdu 610500；2．SINOPEC Shengli Oilfield Research Institute of Geological Sciences，Dongying 257015）

As themain part in production process of oilfield，operational cost directly affects the benefits of oilfield development.In order to continuously reduce operational cost and improve economic benefit，with high watercutwater flooder oilfield as background，two forecastingmodels were set up based on various factors affecting operational cost of such kind of oilfields，which are linear regression forecasting model and non－linear BP neural network forecastingmodel.The twomodelswere combined with combined forecastingmethod to improve the effectiveness and operability of themodel so as to provide basis formaking plan on operational cost of high water－cutwater flooded oilfields.

high water－cut water flooded oilfield，operational cost，linear regression forecast，BP neural network forecast，combined forecastingmethod

1674－1099 （2014）06－0005－05

TE319

A

2014－10－28。

吳茜茜，女，1990年出生，西南石油大學經濟管理學院碩士研究生在讀，研究方向為石油工程管理。