油气钻井成本预测

油气钻井成本预测（精选3篇）

油气钻井成本预测 篇1

研究钻井作业的成本对分析钻井综合成本来讲有很大的意义。经过分析可知, 钻井周期、井的类型、所在区块和钻井进尺是影响油气钻井成本的主要因素[1]。

常见的钻井成本预测方法包括:线性回归法、混沌预测、非线性回归法、趋势预测等。为保证预测的精确度, 克服传统算法应用于钻井成本预测的不足, 一些基于机器学习理论的方法被应用于钻井成本预测, 并取得了良好的效果。例如, 将非线性的BP神经网络用于钻井成本预测[2], 旨在提高预测精度。然而, 神经网络存在显著的缺点, 如网络结构难以确定, 容易陷入局部最优等。为克服神经网络的不足, 有学者以支持向量机代替神经网络进行钻进成本的预测[3], 该方法适用于小样本的学习, 提高了预测的稳定性。然而, 支持向量机的核函数选择与相应核参数需要依赖经验进行设置, 参数寻优过程的时间复杂度高。

因此, 为克服上述方法的不足, 该文采用极限学习机 (Extreme Learning Machine, ELM) 作为预测算法, 然而, ELM对于未知测试集合响应速度慢, 因此, 在算法的训练过程中, 引入差分进化算法 (Differential Evolution, DE) [4], 对整个ELM的权值进行优化, 旨在寻求全局最优解, 整体提高算法的泛化性能。即构建DE-ELM模型进行油气钻井成本的预测, 检验其预测性能, 验证其有效性和实用性。

1 ELM算法

极限学习机, 以一个单隐层的前向神经网络为基础。算法在学习的过程中隐层节点不需要迭代改变, 仅需设置隐层节点个数。算法最终产生唯一的最优解, 参数选择容易、学习速度快、人为干预少。

已知训练样本{xi, ti}, xi∈Rp, ti∈Rp, i=1, ..., N, 一个标准的含有L个节点, 且激励函数为f (x) 的单隐层前馈神经网络可以表示如下:

βi是连接第i个隐层节点与输出神经元的输出权值, wi为连接输入神经元与第i个隐层节点的输入权值, bi为第i个隐层节点的偏置, oj为第j个输入样本的输出值。

L个隐层节点的标准单隐层前馈神经网络可以零误差逼近于N个训练样本, , 存在一个βi, wi, bi使得:

将上式转化为矩阵形式:

可以证明, 当激励函数g (x) 无限可微时, 网络参数并不需要进行全部调整。因此, 在算法开始时, 随机设置连接权值w和隐层节点偏置b, 且在训练的过程中固定不变。输出连接权值可通过求解以下线性方程组的最小二乘解获得:

得到解。Hτ为隐层输出矩阵H的Moore-Penrose广义逆,

则整个ELM算法的训练步骤如下:

Step 1:随机设置输入权值wi以及偏置

Step 2:计算隐层输出矩阵H

Step 3:计算输出权值

2 实验与分析

2.1 数据集描述

基于先前大量研究, 该文将钻井周期、井的类型、所在区块和钻井进尺作为油气钻井成本预测的变量, 选取某钻井工程总公司各区块2008年其中14个区块1614口井的钻井成本数据作为实验数据, 其中, 1564个数据作为DE-ELM模型的训练数据集, 30个测试样本数据用于模型的测试。

2.2 数据预处理

由于四个变量 (钻井进尺、井的类型、所在区块和钻井周期) 中存在非量化的因素, 如井的类型 (一般分为油开发井、气开发井、油探井和气探井) 和油气井所在区块, 并且四个参数的取值范围不同, 如果没有将用于ELM训练的数据限定在特定区间, 则算法在训练过程中不会收敛, 或者产生无意义的结果。因此在实验过程中, 将非量化因素进行量化处理, 将井类型用[1, 4]的整数表示, 钻井所在的14个区块取值用[1, 14]之间的整数表示。为了避免在数值计算过程中, 不同的参数值区间造成的计算问题, 将实验采用的所有数据利用公式进行归一化处理, 使得各变量的取值范围限定在[0, 1]之间。

其中, min (xi) 与max (xi) 分别表示输入向量X的最小值与最大值。

2.3 结果及分析

为验证本文所提出DE-ELM方法对油气钻井成本预测的有效性, 该文将选择DE算法的8种不同参数组合对DE-ELM模型进行验证, 这8种组合来自于DE算法中不同的变异策略, 实验中, 将缩放因子F和交叉率CR设置不同的值, 其具体信息如表1所示。

将DE的初始种群规模NP设置为20, 最大迭代次数设置为20。为了对本文提出的方法的性能进行评价, 该文采用均方根误差 (RMSE) 来验证算法的预测精度, 均方根误差越小说明模型的性能越好。图1显示了DE-ELM算法的8种不同组合的RMSE随着迭代次数的变化情况, 由图可知, 对于DE-ELM模型, 不同的DE参数组合, 会对算法的预测精度有细微的影响。总体来看, 收敛速度相差不大。当F=1, CR=0.8时, 即C8-DE-ELM, 算法的收敛效果最佳, 在算法迭代过程中, RMSE较小, 最小值达到0.0154, 而当F=0.5, CR=0.2时, 模型的预测精度波动较大。当算法的迭代次数达到第20次时, 由图可知, C1-DE-ELM精度最差, C5-DE-ELM次之, 而C8-DE-ELM最优。

无论DE算法采用何种变异策略, 缩放因子F和交叉率CR设置不同值, DE-ELM模型的预测精确度都能达到性能要求, 验证了其预测精度较高的优势。因此, DE-ELM模型可用于油气钻井成本的预测, 并且可靠性高, 预测结果相对较好。

3 结论

本文根据钻井成本的影响因素, 利用差分进化算法与极限学习机算法预测钻井成本, 建立了用于预测钻井成本的DE-ELM模型。通过实验可知, 在进行钻井成本预测时DE-ELM模型的预测精度较高, 其预测最小均方根误差达到了0.0154, 显示了模型良好的收敛能力与预测精度, 验证了其在钻井成本预测中的有效性。

摘要：钻井成本预测在油气钻井企业成本管理体系中具有重要地位, 有助于成本分析与成本控制工作的顺利开展, 控制钻井成本过快增长。提出了利用极限学习机对油气钻井成本进行预测, 为了寻求全局最优解, 整体提高算法的泛化性能, 将差分进化算法用于极限学习机的权值优化, 即构建DE-ELM模型用于中国石油某公司某区块钻井作业成本的预测。实验结果表明, DE-ELM在预测钻井成本过程中, 在精确度方面要优于单纯的极限学习机算法, 验证了其应用于钻进成本预测的有效性。

关键词：钻井成本,差分进化,极限学习机,油气

参考文献

[1]樊明悟, 李志学, 冯力丹.油气钻井作业成本动因实证研究[J].西南石油大学学报, 2007 (1) :113-117.

[2]刘天时, 赵越, 马刚.基于BP神经网络的油气钻井成本[J].西安石油大学学报:自然科学版, 2010 (1) :87-90.

[3]马加传.基于支持向量回归的钻井成本预测方法研究与应用[D].西安石油大学, 2010.

[4]Zhu Q Y, Qin A K, Suganthan P N, et al.Evolutionary extreme learning machine[J].Pattern Recognition, 2005, 38 (10) :1759-1763.

油气钻井成本预测 篇2

钻井周期和钻井成本预测与分析作为钻井工程设计的一项重要内容, 是钻井设计方案论审的重点, 直接关系到钻井工程的决策与实施。同时周期成本预测水平和精度的提高, 对油田开发效果显著。本文通过研究分析国内外周期成本预测方法, 以大庆油田钻井实际出发构建了周期成本预测模型, 以计算机语言为手段, 建立了一种系统的、具有较高实用性的、能较为准确预测钻井周期和预算钻井成本的软件, 实现了周期成本的快速预测, 提升了钻井周期和钻井成本的预测水平, 经大庆油田现场测试, 该软件具有操作简单, 易编辑, 扩充, 维护的优点。

钻井周期预测方法研究与模型建立

钻井周期预测方法研究

钻井周期预测作为钻井工程设计的一项主要内容, 实际预测过程中, 主要受井型, 钻井工具及井队人员作业水平等因素影响。综合分析国内外周期预测方法, 种类很多, 归纳起来, 主要有历史水平法、典型案例法, 学习曲线法和工序工时法, 周期定额法五种方法, 其中学习曲线法在国外用得比较多, 国内公司尚未见到应用。在大庆油田, 探井周期预测过程中, 主要采用典型案例法与工序工时法, 而开发井由于钻井技术已经相对成熟, 钻进区块地质资料齐全, 在周期预测过程中更多的使用历史水平法、学习曲线法和周期定额法。

钻井周期预测模型的确立

大庆油田目前已开发多年, 钻井新技术不断投入使用, 如果单纯依靠定额或某一种方法并不能满足实际周期预测需要, 同时预测精度也比较低。因此在周期预测软件编制过程中, 将上述几种方法进行了综合利用, 首先按照大庆钻井实际情况利用钻井施工工序确定周期预测项目, 建立了开发井与探井两个预算模板。然后与现场数据相结合, 建立了邻井数据库;最后根据预测者的需要, 对周期预测涉及的工序进行分段分块计算。在邻井数据的选择上, 以大地坐标为依据, 用户可以自定义选择范围对选出的邻井与本井进行相似性匹配, 做进一步筛选, 保证了邻井数据的有效性。

钻井成本预测方法研究与模型建立

钻井成本预测方法研究

钻井成本顾名思义就是一口井的总成本, 钻井成本预测方法与钻井承包方式密切相关, 不同的承包方式应用不同的预算方法。目前, 国际钻井合同有三种基本类型:米费合同、日费合同和总包合同。对应三种承包方式, 预算方法又分为日费制、进尺制和总承包。大庆钻井受实际钻井习惯影响, 成本预算一般按进尺费用、钻机作业费用、钻前作业费用及其他费用几个主要方面进行测算。发生的费用以设计井深、取心进尺、各次开钻的参数、建井周期为基本参数, 费用测算以定额和市场价为主。

钻井成本预测模型编制

在周期成本预测软件编制过程中, 综合分析钻井成本预测目前的几种方法的特点结合大庆实际实际工作特点, 在软件成本预测中采用日费制, 米费制和大包法三种方法。将大包制预测中影响成本预测结果的因素分为 (1) 与井深有关; (2) 与周期有关; (3) 与钻机型号相关的一次性投入三大类, 建立了预测模型。以大庆油田定额标准为依据, 建立对应的定额数据库;其次录入与钻井施工相关的钻井材料并建立价格数据库;最后将周期和成本预测软件相结合, 周期预测结果中数据, 在成本预测软件中直接可以对应提取。

软件编制

软件在设计时充分考虑了随着钻井技术的不断进步, 对周期成本预测要求的变化及目前的运行的现状, 采用MVVM和WPF框架, 使其具有低耦合, 可重用, 易扩展等特点;另外, 系统在结构上的设计采用“胖客户端”模式, 即客户端安装系统软件, 服务器端安装数据库, 使数据具有共享性和安全性;也可把数据库和软件安装在同一台电脑上, 使其成为单机版软件。

软件总体架构

成本预测子系统和周期预测子系统两个系统设计独立, 统一用户登录, 子系统之间采用系统集成方式, 通过接口进行关联。两个子系统由构成预测计算环境的静态模型和实际一口井预测的动态预测过程两部分构成。静态模型包括:预测模板、预测算法模型和相关的定额构成。动态预测过程:对于一口实际预测井, 通过采集 (录入) 本井的特征参数, 通过静态模型的处理, 得到与本井特征参数相匹配的的预测结果。

周期预测子系统逻辑结构

钻井周期预测子系统分为:周期预测项目模板建立与维护、周期预测算法建立与维护、周期定额数据建立与维护、单井周期预测、历史井数据管理五大部分。

成本预测子系统逻辑结构

钻井成本预测子系统分为:成本预测项目模板建立与维护、成本预测算法建立与维护、成本定额数据建立与维护、单井成本预测四大部分。

软件基本功能与现场测试结果

钻井周期和成本预测软件编制完成后, 除了可以快速准确的进行周期成本预测, 同时还可以对预测数据结果进行分析, 绘制与邻井的对比分析图表。在周期预测过程中, 邻井数据库的建立, 即方便了数据的取用, 又可以根据邻井钻头钻进情况, 对本井进行钻头优选设计。周期成本预测软件完成后, 在大庆油田选取了不同井型、井深的40口井, 进行了应用测试。与实钻历史井进行对比分析发现, 该软件周期与成本预测准确率在80%以上。

结束

油气钻井成本预测 篇3

油气资源作为天然的禀赋资源,关系到国家工业发展的经济命脉,是国民经济发展和国家安全的重要战略物资。伴随着国际油价从2014年年中的120美元/桶高位跌破30美元/桶,仅一年多的时间,国际能源行业迅速进入了低油价时期。一旦石油价格远远低于开采价格,就意味着曾经无比辉煌的中国石油巨头们不得不面对最为惨淡的业绩,比如:去年净利润同比下滑66.9%的中石油;中石化胜利油田巨亏92亿元,被迫关停旗下4家油田;许多油气企业都处在亏损的边缘,低油价严重威胁到了油气企业的生存。

世界范围内日益紧张的石油供需格局衍生了愈演愈烈的油气资源竞争,给我国石油行业的低成本、高效率发展提出了更高要求和更多挑战。全球性低油价“新常态”环境的生成,与国际政治经济、军事博弈、非常规油气开采、替代能源研发、欧佩克组织、国外经济增速放缓等错综复杂的因素息息相关,在低油价大环境中,全球油气行业勘探开发支出整体上减少超过了千亿美元。

国内以三大石油公司为主导的油气公司在进行战略调整、管理创新、降本增效的同时,也在更加积极地研究油气开发成本与油气产量的关系,借以提高盈利能力预测的准确性,以适应国际石油市场的变化,在低油价“新常态”时期保持竞争优势。

然而,传统盈利能力预测模型大多着眼于现有数据,以现有资产和盈利水平预测未来的产量,以此为油气田的发展规划提供决策,由此引发预测基础数据不完全准确、预测目标设定不完全合理等问题。在低油价“新常态”时期,一些油气公司仍旧采用传统的油藏理论方法预测产量,由此大大降低了预测的准确性,造成预测产量与实际产量之间出现较大误差,从而使得企业盈利预测与实际盈利结果存在巨大差异,进而影响到油气公司在新时期的发展规划和战略部署。为了克服传统预测方法的局限和不足,本文基于多元线性回归预测模型建立油气公司盈利能力预测模型,将之应用于某油区实际开发数据的预测,分析油气公司开发成本与产量之间的具体关系,以期为油气公司盈利能力的稳步提升以及制定科学合理的发展规划提供参考。

二、研究现状

油气公司的生产经营具有投资大且回收期长、资金与劳动力分布密集、运营风险高等典型特征,油气资源的不可再生性、原油产量递减与开采成本上升从整体上决定了油气公司的资金投入、产出与盈亏。在低油价时期,油气公司已经不能只为了满足需求不断增加产量,而是要权衡增产方式及其经济效益。如何在油气公司计划完成产量的约束下以最小的投资成本获得最大的产出,提高油气公司整体经济效益和盈利能力,是油气公司亟待解决的问题。

通常情况下,产量与成本之间的数量关系是科学合理地预测盈利能力的核心。这是因为,在油气公司盈利能力的预测过程中,油气价格、税费、成本、产量是四大主要影响因素。油气价格和税费受经济环境影响,油气公司难以单独控制和改变;成本和产量则是油气公司能够把握与控制的因素,成本影响因素包括油气田勘探成本、开发投资、生产操作费和行政管理费等,产量则是影响盈利能力的关键因素,油气公司可以根据需要进行开采性产量测定。

然而,现有的围绕油气开发成本与产量进行的研究,基本上是油气公司根据现有的历史性生产活动数据对自然情况下当年产量进行预测,然后将该预测结果与当年计划完成的产量指标进行对比,通过打新井等方式形成增产计划,以缩小对比差距,再依据增产计划形成初步财务方案,交给财务部门制定投资计划。在这一过程中,对自然情况下当年产量的预测基本是从地质因素考虑的,以孔隙度、渗透率为基础,依据油藏理论,筛选影响油田产量的因素,继而建模预测,例如Logistic产量递减模型、小波神经网络模型以及地质因素多元线性产量模型。这些模型都是从地质油藏理论方面考虑,并没有考虑诸如各个生产环节的成本问题,且大多数油田产量预测只有单个输入变量,通过时间序列方式进行拟合,没有进行多方面的综合考虑,没有完全找出影响油田系统的显著因素。这些模型的主要特点是以产量研究为中心,倒推出影响产量的地质因素,从而得出产量模型。其最大的缺陷在于无法对油气田进行开采效率分析,无法对资本投入和油气田产出之间的关系进行定量研究。因此,很有可能在同一个构造区块,投入了相差数倍的成本,而只获得了同样数量的原油,造成盈利能力预测的较大误差,这对企业经营和管理人员来说是难以接受的。

在以传统的油藏理论为依据的产量产出模型研究的基础上,翁文波院士率先提出了Poisson产出预测模型,此后相继出现了Rayleigh模型、HZC模型、Weibull模型以及对数正态分布模型等。这些模型统称为规划模型,都是利用现有的油气田生产历史数据,应用高级统计分析技术,分析历史数据中所隐藏着的投入产出规律,得到某个油气田盈利能力的一种模型。规划模型不仅考虑油藏规律,而且结合现代统计分析技术与先进手段,综合运用追溯调整法、未来适用法、直线法等成本计算方法,使得成本与产量相匹配,会计核算精度更高,预测过程和结果更加客观准确。因此,规划模型也是本文构建油气公司盈利能力预测模型以分析油气公司成本与产量关系的理论依据。

此外,对于成本与产量之间关系的研究需要较长时间的准备以及扎实的理论基础。因此,在以成本与产量为基础构建盈利能力预测模型之前,需要做好人员准备与理论准备。人员准备是指研究人员需要懂得地质油藏理论、经济活动分析理论并具有实践经验,能够对油气田情况进行跟踪与分析研究,能够进行油气田成本核算,从而找到油气田成本与之相应的产量关系。理论准备是指要选择合适的理论和运算工具,例如数理统计理论和SOS运算工具,以便建立包括油气田地质情况数据、作业资源数据、油气田勘探成本、开发投资、操作成本、行政管理费、产量和盈利数据等在内的数据库。在接下来的研究中,笔者将以上述准备为前提,通过大数据挖掘技术和手段对基础数据进行稽核比较、验证,以实现数据的优化,建立成本数据与产量数据之间合理的钩稽关系,寻找成本与产量之间的关联和规律,进而形成对该油气田未来产量指标的全面预测。

三、盈利能力预测模型构建

1. 基本方法与思想。

在盈利预测中最重要的预测是产量预测,当前众多基于油藏理论研究的产量预测模型,多是借助马鞍形曲线、抛物线形曲线、反比例指数函数曲线等传统预测方法进行预测。通过大量比较研究和实际应用我们认为,利用多元线性回归方法构建的油气公司盈利能力预测模型,能够克服传统预测方法难以进行精确成本计量的局限性,弥补其不能进行精确的成本—产量联合预测的缺陷,可以综合考虑油藏理论和成本等各种影响产量的因素,是目前预测精度较高的方法,适合用于油气田产量和盈利能力预测。因此,本文将以多元线性回归方法为基础,构建油气公司盈利能力预测模型。

多元线性回归方法是一种传统的应用性较强的科学方法,是现代应用统计学的一个重要分支,在各个科学领域都得到了广泛的应用。它能够把隐藏在大规模原始数据群体中的重要信息提炼出来,把握住数据群体的主要特征,从而得到变量间相关关系的数学表达式。然后利用概率统计知识对此关系进行分析,以判别其有效性。它还可以利用关系式,由一个或多个变量值去预测和控制另一个因变量的取值,从而知道这种预测和控制所达到的程度,并进行因素分析。多元线性回归模型是研究两个及两个以上的自变量对因变量的影响,当多个自变量与因变量之间是线性关系时,所进行的回归分析就是多元线性回归。

多元线性回归分析主要在于确定多个自变量对因变量的影响关系,这个关系找到之后,可以对影响因变量显著的自变量进行调整和控制,以期让因变量达到一定的数值;可以给出自变量的取值,对因变量进行预测。而用多变量线性回归方法预测油气田产量,通常依据油藏理论来选择一些与油气田产量有关的因素作为建模变量,通过对多个变量的综合回归分析,确定影响油气田产量的重要因素并建立多元线性回归预测模型。

众所周知,油气田产量变化一般分为三个阶段:上产期、稳产期和递减期。油气田投入开发初期,由于资金不断投入,生产设施逐步完善,油气田产量逐渐上升,这个阶段称之为上产期。上产期通常较短,中小油气田一般在2~3年完成,大中型油气田在3~5年完成。上产期长短与油气田地质条件相关。地质条件简单,则上产期短;地质条件复杂,油气田需要研究和探索的时间就长,上产期也相应延长。上产期一般只能采出地质储量的5%~10%左右。油气田稳产期受到油气田地质条件和开发系统的影响。一般情况下,油气田储量越大,油气田开发稳产期越长。按照国家对于油气田的划分,中小型油气田稳产期在2~5年左右,大中型油气田稳产期在5~10年左右,特大型一般要求在10年以上。稳产期的长短取决于地质储量、采出程度以及稳产期产量三个参数。稳产期之后即是产量递减期,递减期长短并不一致,如果所有旨在提高油气田产量的措施实施完毕之后,油气的生产不能带来足够的经济效益以弥补成本,那么油气田开采将停止。本文研究的E&P油气公司的预测对象处于稳产期阶段,相关设备配套情况以及产量情况都比较稳定,从客观上来说,符合线性发展趋势,因此可以用线性模型来预测。

2. 模型构建。

通常情况下,若是对油气田成本与产量的影响因素全变量入选,可以将油气公司盈利能力预测模型原始架构概括为:

Oil Output=Intercept(截距)+Exploration(勘探费用)+Development(开发费用)+Operation(所有操作费用之和)+Sale(销售费用)

在统计应用中,上述模型构架可以表示为经典的多元线性回归模型:

对于油气田产量多元线性预测模型来说,y代表油气田的产量,x0,x1,x2,…,xn分别代表油气田产量的影响因素。这些因素包含复杂,有地质方面的因素,有成本方面的因素,所有可能影响产量的数据都必须纳入模型。

如果把上述经典的模型细化成可理解的应用模型,那么上述模型可被详细表述成如下形式:

写成矩阵形式为:

其中:

使得(4)式达到最小:

其中:

当(x'x)-2存在时,即有:

这就是α的最小二乘估计。基于回归系数的最小二乘估计,我们就可以得到反映回归效果的5项参数,它们的计算公式为:

其中,是第i个样本点(xi1,xi2,…,xip)上的回归值。

其中,是y的样本平均值。

其中,(x'x)-1=(cij);i,j=0,1,2,…,p。

四、盈利能力预测模型在油气公司的应用

从建模原理上来讲,一个模型优秀与否,与变量个数的多少并无必然关系。所有进入模型的变量需要满足独立不相关的要求,所以在建模时反而需要剔除那些相关的变量,筛选出满足回归模型BLUE性质的变量。在建立回归模型的过程中,自变量的选择方法是少而精。如果保留对因变量无关紧要的自变量,会影响方程的拟合优度以及模型整体预测的精度。因此,在建立回归模型过程中,需要剔除影响不显著的变量,建立简洁、精度较高的回归预测模型。在此前提下,将相关成本数据、技术参数等影响油气田生产的相关因素纳入模型,在专用软件中进行模型构造,得到结果。

在具体分析过程中,t检验用于检验回归系数的显著性,本文应用t值“后推法”。即在回归效果较差的情况下,根据统计值t值大小依次剔除对应的不显著变量,t值越小,对应的因素x对于y的作用越不显著,此时可以考虑将其剔除;然后用保留的因素再次回归,再次考虑,再次剔除对油气田产量影响不显著的变量,如此重复,直至所有变量都在5%的统计水平上显著。

本文采用ti(i=1,2,…,5)来代表具体的成本因素,E&P油气公司某油田的多元线性回归参数模型整体评价结果如表1所示:

从表1中我们可以看到模型的拟合效果较好,5个因素均具有代表性,相关变量的检验系数大多在2左右,整个模型大约可以预测98%的油气田产量。同时整体模型也通过了F有效性检验,检验值为135.78。在应用此模型预测实际产量时,也得到了较好的反馈。

表2是传统模型的预测结果与成本多元线性回归模型的预测结果比较表。

从表2可以看到,多元线性预测的准确度相比较油藏模型的准确度要高,比例误差在10%以内,而传统的油藏模型预测误差最大达到24%左右,预测的准确性较低。油气田产量预测的准确度影响着公司预算的安排,从而影响了公司的运营成本。

绝对产量误差比较图和模型误差率比较图如图1和图2所示。图1和图2的横轴为年份,纵轴分别是产量和误差比例。

从图2可以看到,多元线性模型的误差率较小,预测精度较高,误差率最大为7.4%,而传统的油藏模型误差最大率达到24%。误差率过大,将影响生产投资的安排,在资源有限的情况下,将过多的资源投入某个不需要的地方,就会降低经营效率。

五、结论

油气田生产具有严格的计划与管理方式,整个排产计划都是围绕预测产量展开,产量预测的准确性是计划工作得以顺利开展的前提,而油气田产量由于受多种动态因素的影响,其预测的准确性会受到这些因素的干扰。本文从动态的变化规律中,寻找相对固定的成本影响因素,借用多元线性回归方法建立油气田产量的预测模型,从而实现油气田产量的动态预测。

从模型预测的结果来看,拟合的曲线基本上反映了生产实际数据的变化趋势,而且预测效果良好。为了保证模型预测精度,可在不断增大样本量上下功夫,在进行多年预测时,可采用滚动式预测,随着生产数据不断丰富而调整相应的预测模型,能够保证模型的预测精度。预计随着时间的推移,新的样本将不断加入,因此将会有更多的采掘成本产出规律从模型中挖掘出来。

摘要：在“三期叠加”的低油价“新常态”下,油气价格整体下降使得油气公司盈利能力受到严峻挑战,产量预测成为影响油气公司盈利能力的关键因素。本文立足油气开发产量与成本之间的数量关系,借助多元线性回归方法构建盈利能力预测模型,克服传统油藏理论预测方法的局限和不足,以期为油气公司盈利能力的稳步提升以及制定科学合理的发展规划提供参考。

关键词：油气公司,成本,产量,盈利能力预测,多元线性回归

参考文献

蔡齐霖,俞毅.关于油气公司盈利预测信息编制和应用的探讨[J].中国证券期货,2013(5).

王美石,陈祥光.多元线性回归方法在油田产量预测中的应用[J].油气田地面工程,2004(11).

韩荣,祁大晟,吴赞美,闫更平.BP神经网络在预测石南31油田产量变化中的应用[J].内蒙石油化工,2010(10).

李志超,赵正文,钟仪华等.小波神经网络在油田产量预测中的应用[J].大庆石油地质与开发,2008(10).

李留仁,焦李成.给予人工神经网络油田产量多因素非线性时变预测[J].西安石油学院学报,2002(4).

王俊魁.对油气田产量衰减曲线的理论探讨[J].石油勘探与开发,1993(4).

陈元千,胡建国,张栋杰.Logistic模型的推导及回归方法[J].新疆石油地质,1999(2).

王涛,陈祥光,李宇峰.油田产量多变量预测模型的优化[J].计算机仿真,2006(23).

王小舟.稠油油田生产经营特性及产量与成本相关关系分析[J].国际石油经济,2009(8).