特高含水水驱油田操作成本组合预测方法研究

吴茜茜侯春华，陈武赵小军余晓钟胡宝明

（1.西南石油大学经济管理学院，成都610500；2.中国石化胜利油田地质科学研究院，东营257015）

项目评价

特高含水水驱油田操作成本组合预测方法研究

吴茜茜1侯春华1，2陈武1赵小军2余晓钟1胡宝明2

（1.西南石油大学经济管理学院，成都610500；2.中国石化胜利油田地质科学研究院，东营257015）

操作成本作为油田生产过程中的主要组成部分，直接影响着油田的开发效益。为了不断降低操作成本以提高经济收益，以特高含水水驱油田为研究背景，通过该类油田操作成本的相关影响因素建立基于多重因素的两种预测模型——线性回归预测模型和非线性误差反传（BP）神经网络预测模型，最后利用组合预测法，将这两种预测模型组合在一起，以提高预测模型的有效性和可操作性，为特高含水水驱油田控制成本提供科学合理的依据。

特高含水水驱油田 操作成本 线性回归预测 BP神经网络预测 组合预测法

我国石油企业正在逐步深化体制改革，油田纷纷利用提高采收率、增加产能、降低操作成本等措施作为实现节能增效的经营策略。目前我国的特高含水水驱油田已经进入高含水后期，油藏操作成本居高不下，该类油田企业整体经营成本随着含水率的增加而逐年增高。在产量递减的情况下，合理有效地进行操作成本预测，已成为实现油田可持续发展的重要手段之一。

目前国内外对组合预测方法的研究日趋成熟，主要集中在组合预测方法本身的剖析和改进，以及实际运用分析，可是针对油田操作成本的预测依然缺乏系统的研究。按照变量与成本之间的函数关系，可以采用线性和非线性预测方法，根据多重变量对成本进行预测。线性回归和误差反传（BP）神经网络分别作为线性和非线性预测方法的代表，因此本文将以这两种预测方法为基础，进行组合预测。

1 特高含水水驱油田开发特点及操作成本影响因素

1.1 特高含水水驱油田开发特点

目前我国含水水驱油田已经进入特高含水期，含水率均已达到90%以上，是典型的开发后期油田。其特点是采用注水开发方式进行驱油，采油成本比注气等方式的成本低，且可采储量采出程度较高。但是特高含水水驱油田所面临的困境也较为突出，除了具有一般老油田所具备的油藏品位低、开发环境日趋恶劣、井网严重老化、产量锐减、成本不断攀升、开发效益差、油田经营困难、管理压力大等一系列普遍存在的问题以外，还存在着油水分布紊乱复杂，耗水量大等特有问题，且由于地质破坏严重、开采技术落后以及含水率的上升，造成许多无效注采循环，采油率下降，从而导致成本控制难度进一步加大。

1.2 操作成本的影响因素

油田的操作成本影响因素有很多，包括油田自身、技术、管理、价格、政策及宏观环境等方面。之前的学者主要从2个方面研究：一是将操作成本先进行分类，然后逐步分析各分项成本的影响因素；二是从油田及成本本身的特点及其环境出发，利用相关分析方法或模型来对影响因素进行研究。文章基于内外环境，综合考虑了以下几个较为重要的操作成本影响因素。

1.2.1 内部环境分析

（1）含水率。作为特高含水水驱油田特性的代表性指标之一，对油田吨油基本运行费有着很大的影响［1］，而吨油基本运行费是油田操作成本中基本运行费的重要组成部分。含水率达到90%，反映了油井所处的开发阶段已经进入特高含水期，作为文章研究的对象，含水率是必不可少的建模参数。

（2）产液量。指产出的油水体积之和，是油田生产控制方面的代表指标之一。产液量是油气处理费的重要影响因素，也间接地对操作成本产生影响。

1.2.2 外部环境分析

（1）工业品购进价格指数作为外部影响因素之一，是油田生产运营中必须考虑的因素。其中，原材料、燃料、动力购进价格指数是反映企业中间投入产品的价格变动趋势和变动幅度的统计指标，同时也是工业产品进入生产、流通领域时的价格指数或生产、流通企业购买价格指数，是油田计算单位生产成本的主要成分。

（2）电力价格作为另一个重要外部影响因素，对动力费用等需要机器设备操作的成本也具有一定的影响力。油田企业中油气提升成本、驱油物注入成本、井下作业成本、稠油热采成本、油气处理成本、轻烃回收成本、测井试井成本、输油输气成本、油区维护费、制造费用等均涉及到电费的变动。

根据以上分析，将含水率、产液量、工业品购进价格指数和电力价格作为接下来操作成本预测模型建立的参数指标。

2 特高含水水驱油田操作成本预测方法

由于操作成本的变动受多方因素共同影响，在基于单一指标对成本进行预测时，会出现预测曲线拟合优度（R2）偏低或者精度检验结果不理想的情况，因此为了增强操作成本预测模型的可操作性，以内外多重影响因素为建模基础，研究特高含水水驱油田的操作成本预测方法。

2.1 多元线性回归模型

在预测油田操作成本的过程中，多元线性回归模型利用了线性回归原理，通过历史成本数据和相关计算工具软件建立多个成本影响因素变量和操作成本的线性关系模型，进而通过未来的计划自变量来计算未来操作成本的预测值。在建立多元线性回归预测模型之前，应该先观察各影响因素及操作成本之间的相关性并检验自变量之间的共线性，当共线性程度较高时，可能会出现预测模型不稳定，以及参数估计值的标准误差偏大等问题。因此，若存在共线性程度较高，应先处理共线性的问题。

岭回归分析法最早是在1962年由A.E.Hoerl针对共线性的问题首次提出［2］，它是一种专门处理共线性有偏估计的回归方法，实质上是最小二乘估计法的改良版，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得更符合实际、更可靠的回归因子的一种回归方法。其核心思想是当遇到多重共线的情况时，即说明的特征根中至少有一个是接近于0，从而使得多元线性回归模型中参数的最小二乘估计值很不稳定，此时若在变量样本相关矩阵（XTX）的基础上增加一个正常数矩阵K I（K＞0，I为单矩阵），这时候的矩阵比之前的矩阵等于零的几率要小得多，而新矩阵的特征根接近0的情况也得到改善。因此，在多元线性回归模型的基础上利用岭回归分析定义偏回归因子的岭估计（K）。

K——岭参数；

X——自变量的矩阵；

Y——因变量的矩阵；

XT——矩阵的转置。

利用统计产品与服务解决方案（SPSS）软件计算出模型参数，即样本回归函数后，还需要进行精度检验，通过R2和显著性的检验以及置信区间估计等进一步确定多元线性回归预测模型的可行性。

多元回归线性预测方法适用于样本数据比较规律的预测，但在油田实际生产运营中，成本及各影响因素的变化并非总是呈现良好的规律性。因此在这种情况下，线性预测方法就有很大的局限性。

2.2 BP神经网络预测法

神经网络是一种人工系统，以神经元为中心进行建模并将其连接，其实质是模拟人脑神经系统的功能，具有学习、联想、记忆等智能信息处理功能。而BP网络是能实现映射变换的前馈神经网络，从结构上讲，三层BP神经网络是一个典型的半线性前馈神经网络，一般的BP神经网络由三层或者三层以上神经元组成，分别是输入层、中间层（或隐含层）和输出层。同层节点间无关联，而异层（前后）节点间是完全连接的。其中，输入层节点数对应于BP网络可感知的输入个数，输出层节点数则与BP网络的输出个数相对应，中间层节点的数目可根据需要设置［3］。

通过BP神经网络方法，可观察到实际操作成本与预测成本之间的差距，也可进行操作成本的精度检验，一定程度上解决了实际成本及相关数据呈非线性规律的问题，但是BP神经网络通过软件编程来实现计算，其结果不能详细说明推理过程和依据，且当数据不充分时，神经网络也不能进行预测。因此，利用组合预测法的优势，可规避多元线性回归预测法和BP神经网络预测法的缺陷，使得预测更加完善。

2.3 组合预测法

组合预测是在各种单一预测模型建立后，利用一定的方式进行组合以求出最优预测结果的方法。通过以上的分析研究，在多元线性回归和BP神经网络的基础上采用组合模型，综合各种方法所提供的有效信息，排除片面性，提高预测精度。

组合预测权重是组合预测法中最为关键的部分，它决定着采取各种预测方法的比例，同时也决定着最终的预测精度。权重的确定一般有方差倒数、线性回归和最优加权法等，方差倒数是对方差较小的方法赋予较高的权重，具有合理性和简易性，因此本节将采用方差倒数法确定组合预测权重，其公式为：

式中：wi——第i种方法的组合预测权重因子；

Di——偏差的方差。

偏差的方差Di的计算公式为：

式中：Yt——操作成本的样本值；

t——时间，a。

3 实例分析

以东部某特高含水水驱油田（A油田）为例，利用上述方法来验证建立的预测模型是否可行有效，表1是A油田2006—2012年的操作成本及相关数据。

表1 A油田多重变量与操作成本的数据统计

3.1 多元线性回归预测

利用SPSS软件以多元线性回归方法来预测操作成本，首先观察各影响因素及操作成本之间的相关性并检验自变量之间的共线性，其结果见表2和表3。

表2 A油田多重因素相关性检验

由表2可知：产液量、含水率、物价指数和电力价格分别与操作成本有较强的相关性，说明这些因素对操作成本的影响程度较高，因此可作为多元线性回归预测模型的自变量参数。

表3 A油田多重因素共线性检验

由表3可知：特征值中大部分都趋近于0，且第3、4、5维的条件索引数值已经超过30，一般情况下条件索引值超过30即代表自变量之间存在很强的共线性，因此这里需要利用岭回归分析法先处理共线性问题。同样通过SPSS软件编程进行岭回归分析，结果见图1。

图1 岭回归分析

图1从上到下的4条趋势线分别代表了电力价格、产液量、含水率和物价指数的岭迹曲线，说明了在岭回归分析中，当K在0.47以后，4个自变量均趋近于平缓，这就表明当K为0.47时，可使得共线性问题得到最优的处理，由此将产生经岭回归分析后的非共线性的自变量因子。

最终通过SPSS软件的计算，建立的多元回归预测模型为：

式中：Y——操作成本，万元；

X1——含水率，%；

X2——产液量，kt；

X3——电力价格，元／kWh；

X4——物价指数，%。

根据式（4）可知：含水率、产液量、电力价格和物价指数与操作成本之间均呈正相关。含水率每上升1个百分点，操作成本就增加2 267.75万元；产液量每上升1 kt，操作成本就增加3.512万元；电力价格每上升0.01元／kWh，操作成本就增加22.01万元；而物价指数每上升1个百分点，操作成本就增加95.53万元。由此可知：对于A油田来说，在这几个影响因素中，含水率的变动对操作成本的影响是最大的。

3.2 BP神经网络预测

将A油田2006—2012年的各项影响因素的数据作为培训样本，操作成本作为输出变量，同样要对初始数据通过激活函数的处理实现量纲归一化，在此基础上建立一个三层的BP神经网络结构，再利用软件计算并确定隐含层的节点数，并对量纲化的矩阵进行网络训练，通过神经网络算法对2006—2012年的操作成本进行基于内外多重变量的预测，其最终预测结果中，实际操作成本与预测操作成本的数据和走向基本一致，证明基于内外多重变量对操作成本预测的结果令人满意。

3.3 组合预测法

为了提高预测模型的精确度，这里将前面的多元线性回归预测和BP神经网络预测组合在一起，预计可以形成线性和非线性预测方法的有效结合，组合预测分析见表4。

表4 A油田操作成本组合预测分析 万元

由表4可知：多元线性回归预测法的偏差明显大于BP神经网络的偏差，这说明对于A油田来说，BP神经网络的非线性预测方法要比多元线性回归预测方法的预测效果好。为了进一步确定未来的操作成本估计值，这里还需通过组合预测法来确定两种方法的权重。采取偏差倒数的方法确定两种模型的权重，结果见表5。

表5 A油田操作成本组合预测权重

表5充分证明了表4的分析结论，由于BP神经网络法的偏差明显小于多元线性回归法的偏差，最终通过方差倒数的计算所确定的权重也相差悬殊。权重确定后，就可以利用组合预测进行未来的预测值计算。这里以A油田2013年的操作成本预测为例，输入计划的含水率、产液量、物价指数和电力价格，预测2013年的操作成本，组合预测最终结果见表6。

表6 2013年A油田成本组合预测最终结果 万元

最终预测A油田2013年的操作成本为38 358.03万元，与两者的预测平均值的相对误差在0.5%左右，说明组合预测效果比较满意，达到了提高预测精度的目标。

4 结语

在基于内外多重变量预测特高含水水驱油田操作成本的前提下，从线性和非线性这两个方面分别建立预测模型，最后通过组合预测法将这两种方法组合在一起对未来的操作成本进行预测，以体现预测方法的全面性并提高预测的精确度。以东部某一特高含水水驱油田为例进行预测方法的演算，结果充分证明了该预测思路可行且效果满意。

［1］ 陈武，钟水清，唐洪俊，等.油气操作成本预测方法研究［J］.钻采工艺，2006，29（5）：73－76.

［2］ 尹康.常用统计软件关于岭回归计算原理的比较分析［J］.统计研究，2013，30（2）：109－112.

［3］ 龚安，王霞，姜焕军.基于遗传算法的BP神经网络在油田措施规划预测中的应用［J］.计算机系统应用，2006（11）：21－24.

［4］ 周超，王秀芝.组合预测在油气操作成本预测中的应用研究［J］.天然气勘探与开发，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。

吴茜茜，女，1990年出生，西南石油大学经济管理学院硕士研究生在读，研究方向为石油工程管理。