中国石油需求模型分析

中国石油需求模型分析（精选四篇）

中国石油需求模型分析 篇1

按照著名学者Welch和Luostarinen的定义, 企业国际化是“在国际 (市场) 经营中增加投入的过程” (Welch和Luostarinen, 1988) 。因此, 企业国际化实质上就是企业国际化经营的过程或进程, 或者说是企业由国内企业向国际企业转变的过程。国际化阶段模型研究始于Johanson和Wiedersheim-Paul (1975) 、Johanson和Vahlne (1977) 等对北欧企业国际化行为的研究。这一理论的实质是“企业国际化是一个发展过程, 且这一发展过程表现为企业对外国市场逐渐提高投入的连续形式。” (鲁桐, 2000)

企业在国际化过程中会表现出在市场范围上的由近及远, 以及在投入上的由少到多的阶段性特征, 北欧学派用“心理距离”和企业国际化动态模型进行了阐释。“心理距离”模型仅仅能解释企业为何会由近及远进行国际化步伐, 并不能解释企业卷入国际化的程度即投入的增加。为此, Johanson和Vahlne构建了一个企业国际化动态模型 (Johanson and Vahlne, 1990) , 通过对国际化“状态”和“变化”方面的变量进行区分而得出了国际化卷入程度的变化结论。一个基本的理论假设是:市场知识和市场投入会对投入决策和当前的经营活动产生影响, 同时, 投入决策和当前的经营活动的变化反过来也会对市场知识状态和市场投入产生影响

北欧学者对于企业国际化的四个阶段分类都处在外向国际化阶段, 没有论述内向国际化的阶段。后续学者在此基础上进行了研究, 比较著名的是Anderson (1998) 国际化五阶段模型。Anderson定义了国际化的五个阶段和每一阶段的关键特征, 即:愿望阶段、议程阶段、行动阶段、国际化阶段和思想转变阶段。该研究以小型企业集团为样本, 并对每一阶段的特征、学习与启示进行了概括。一个重要的结论是, 学习被认为可以支持一个成功的国际化经营所需要的知识和能力的发展。该理论在某种程度上弥补了对外直接投资主流理论的内在缺陷, 而将企业对外直接投资动态化, 对当今企业尤其是中小企业的国际化行为有很强的解释力。但是, 该理论也具有内在缺陷, 由于过分强调企业国际化过程中市场知识的重要性, 而忽略了企业国际化的其它动因, 没有能吸收对外直接投资主流理论的合理成份。

企业的国际化过程可划分为内向国际化和外向国际化两个阶段 (Lawrence S.Welch&Reijo K.Luostatinen, 1993) 。研究发现获取资源与市场是中国企业初期进行国际化的动因, 而获取战略资产和效率是企业后期国际化的主要驱动力 (田志龙和邓新明, 2007) 。国际化发展阶段理论对“市场寻求”跨国公司的国际经营行为有较强的解释力, 而对于其他投资动机的公司并不明显 (Petersen and Pedersen, 1996) 。

二、中国石油企业国际化发展阶段研究框架

企业选择进入海外市场模式会因为国别、产业的不同而迥然相异 (Tunbull, 1987) 。在分析中国石油企业国际化模式时, 本文主要基于优势理论和国际化阶段理论, 认为是由于石油企业所具有的优势不断变化, 相应的能力不断积累, 导致了石油企业采取不同的国际化发展阶段。

一个完全的国内石油企业第一次面临不断变化的国际环境时, 公司的能力通常难以应对纷繁复杂的国际市场, 这时公司通过引进先进勘探技术、资金等方式加强与国外公司的合作, 不断提高自身的国际化能力, 也就是从完全的国内企业发展成为内向型国际化企业。随着公司能力的不断提升, 公司将形成邓宁所说的三种优势。

区位优势是对外直接投资的充分条件, 而所有权优势和内部化优势只是企业对外直接投资的必要条件, 跨国企业所拥有的所有权特定优势、内部化特定优势和区位特定优势的不同组合, 决定了它所从事国际经济活动的不同阶段 (邓宁, 1981) 。1邓宁的理论能够解释中国石油企业的跨国直接投资区位选择。由于石油资源分布的不均衡性, 包括中东、中亚、俄罗斯、南美在内的少数地区拥有丰富的石油资源, 拥有生产石油的区位优势, 所以我国不得不在这些地区进行投资而解决我国的石油资源缺乏问题。

当中国石油企业具有了所有权优势, 中国石油企业尝试以契约形式进入海外石油输出国, 投资模式为国际通行的产品分成、许可证和服务合同等多种模式, 也就是实现外向型国际化的初级阶段。

当中国石油公司具有内部化优势, 针对石油输出国的区位优势, 我国石油企业较多采取参股或收购的方式进入海外石油资源市场, 海外并购也逐渐参与海外石油竞争的重要方式, 投资模式也由单一的合作开采向跨国并购、风险勘探和上下游一体跨越, 实现外向型国际化的成长阶段。

当中国石油企业同时具有所有权优势和内部化优势后, 继续寻求和实施大中型低风险石油开发项目, 并开始涉足风险较大的勘探领域, 积累资金和实力以获得更多的权益油, 参股投资及海外并购, 已成为我国石油企业的海外投资常用模式。石油企业跨国经营形成了集油气勘探开发、管道运营和炼油化工与销售上下游一体化的完整产业链, 实现外向型国际化的完全本地化阶段。

基于以上的分析, 中国石油企业的国际化历程可总结为, 前国际化阶段———初步国际化阶段———国际化成长阶段———完全本地化阶段四个阶段, 这一过程是动态的, 连续的, 如图1所示。

三、中国石油企业国际化进程

中国石油企业的海外投资体现为渐进式国际化进程, 从风险较低的合作方式 (技术服务) 逐渐过渡到风险较高的投资方式 (风险勘探、并购) , 中国石油企业国际化阶段模型, 如下所示:

(一) 第一阶段———前国际化阶段。

使命任务:成为母国市场一流品牌, 借助引进外国雄厚的资本、先进的勘探、开采、石油化工技术、先进的企业管理技术等实现技术的积累, 为进军海外市场做准备。

母国环境和国内市场 (如资源和市场条件) 对企业国际化进程十分重要 (Edvardsson、Edvinsson and Nystrom, 1993) 。2为促进石油产业的国际化, 我国制定了一系列的制度与产业政策。这一阶段的主要问题是资本与技术的短缺。到上个世纪80年代末90年代中期, 发展资金的缺乏, 国家有效投入不足就成为早期阶段石油产业发展面临的重要问题之一 (张春娣, 1994;寿核成, 1997) 。

在前国际化阶段, OEM、合资经营、引进外部经验丰富人才是主要的战略行动 (Mecum&Goldstein, 2000) 3, 有些学着认为前两者是公司进入国际市场的普遍策略 (Park、Gowan&Hwang, 2002) 4。对于中国石油产业而言, 在引入外部合作的过程中, 主要是在我国石油公司难以独立完成石油勘探、开采作业的一些油气田重点引入外国石油企业的资本和技术。

1. 与发达国家企业展开OEM合作, 获得生产技术、提升产品品质。

1988年, 宁波镇海石化成为中国第一个为海外客商承接国外原油来料加工业务的企业, 获取外国利润。

2. 合资经营:

海洋石油作为中国第一个全面对外合作的行业, 积极加强与外国石油公司的合作。通过引入风险勘探、联合经营等方式 (明轩, 1999) , 海洋石油工业实现了从无到有, 从小到大的快速发展。

通过内向国际化的石油合作战略, 中国的三大国有石油公司获得了向外国石油公司学习的机会, 尤其是在一些先进的勘探、生产、施工技术, 以及企业、项目的作业管理方面实现了较好的借鉴。

(二) 第二阶段———初级国际化阶段。

使命任务:在前国际化的基础上, 公司会利用在本国市场建立的竞争优势开拓海外市场。越来越深入的国际化, 海外投资区域的扩大, 使得海外市场品牌知名度提升越来越可行 (Gurau, 2002) 。5本阶段中国石油企业尝试以契约形式进入海外石油输出国, 逐步由小到大、由点到面, 境外投资的区域不断扩大, 积累投资经验、培养国际人才。

进入初级国际化阶段, 中国石油企业面临许多新问题:缺少海外扩张、品牌提升的知识经验和资源;进入海外市场的程度、步骤失当;海外开发油田多数规模小、构造复杂并且产量较低。

这一时期的战略行动体现为, 由巩固国内市场优势转为进入海外战略性目标市场, 主要是石油资源丰富的海外国家。投资模式主要为当时国际上通行的合作开发、产品分成、服务合同和许可证 (矿税协议) 。由于不刻意追求高效益使得我国石油企业在这一阶段的海外投资对国内的石油的供应局面帮助不大。

(三) 第三阶段———国际化成长阶段。

使命任务:在前期积累的市场经验基础上, 较多采取参股或收购的方式进入海外石油资源市场, 建立几个稳定的海外石油生产基地, 并且逐步形成了覆盖中东、北非、俄罗斯、中亚、东南亚、拉美等区域的海外石油投资带 (舒先林、李代福, 2004;童莉霞, 2004) 。

进入国际化成长阶段, 中国石油企业首先面临的并购风险加大。2005年中海油试图收购美国尤尼科 (UNOCAL) 公司, 收购失败。此外, 20世纪70年代以来, 以“七姐妹”为代表的石油巨头控制着全球范围内的石油生产、运输、分配和销售, 使石油消费国和产油国都难以与其抗争。

战略行动较多采取参股或收购的方式进入海外石油资源市场。投资模式也由单一的合作开采向跨国并购、风险勘探和上下游一体跨越。从海外获得的份额油并不算多, 但却显示出投资数量和规模迅速增长的大好势头, 海外原油作业量平均每年增长50%以上, 海外天然气作业量虽也以每年20%以上的速度增长 (杨铁良, 2008) 。

(四) 第四阶段———完全本地化阶段。

使命任务:利用前期积累的资本优势和技术优势, 涉足风险较大的勘探领域, 开展大规模资本运作, 形成了集油气勘探开发、管道运营和炼油化工与销售上下游一体化的完整产业链, 实现外向型国际化的完全本地化阶段。

在本地化阶段, 中国石油企业海外投资的政策风险与安全风险较高。随着石油价格的不断走高, 各石油输出国纷纷加大对资源合作项目的控制力度, 给石油企业海外项目盈利前景带来不确定因素。如委内瑞拉规定外资持股比例上限、厄瓜多尔调整政府分成比例、哈萨克斯坦征收外国公司超额利润税、澳大利亚计划面向全部非可再生能源领域征收高达40%的超额利润税等。此外, 由于文化的差异性, 本地雇员忠诚度低、组织层级过多和效率低下。制约了海外项目的人才引进。

2005年之后, 中国石油产业海外扩展实现了合作参与方式的巨大转变, 开始实施大规模的资本运作, 通过兼并与收购的方式实现对资源国石油市场的进入, 海外并购模式已成为应用最多的投资模式。本地化是主要战略行动, 包括本地化营销、雇员本地化和本地化生产。2011年, “中国石油制造 (昆仑品牌) ”出口到71个国家和地区、年签约额30亿美元, 海外项目中方员工近2万人, 外籍雇员7.8万人, 员工本土化率近80%, 从而使公司的跨国指数达到21%。6

四、结语

中国石油企业的海外投资体现为渐进式国际化进程, 从风险较低的合作方式 (技术服务) 逐渐过渡到风险较高的投资方式 (风险勘探、并购) , 国际化发展阶段为前国际化阶段———初步国际化阶段———国际化成长阶段———完全本地化阶段四个阶段。需要注意的是, 不是所有的企业都要经过所有的阶段, 中国石油企业应根据自身资源的培育、国际化的起点和国际化进程, 动态地调整国际化战略。

参考文献

[1]鲁桐.企业国际化阶段、测量方法及案例研究.世界经济[J].2000, 3.

[2]梁波.中国石油产业发展范式变迁的组织社会学分析[D].上海大学博士学位论文, 2010.

[3]Anderson, V., Graham, S., &Lawrence, P.Learn-ing to internationalize[J].The Journal of ManagementDevelopment.1998, 17, 7:492-502

[4]Johanson, J., &Wiedersheim-Paul, F.The interna-tionalization of the firm-four Swedish cases[J].Jour-nal of Management Studies.1995, 12, 3, 305-322

石油需求预测的人工神经网络模型 篇2

石油作为能源和化工原料,对国民经济发展具有重大影响。是社会经济发展的支柱之一。进入21世纪,随着城市化和工业化进程的加快,中国石油消费步入快速增长时期。2000~2004年中国石油消费量年均增长8.6%,明显高于90年代7%的增长水平,特别是在2003~2004年,由于钢铁、化工、建材、冶金等高能耗产业的大规模投资和发展,能源消费出现前所未有的快速增长,致使全国许多地区发生“电荒”、“煤荒”、“油荒”,形势十分紧张。因此,准确预测我国石油未来的消费需求量,分析其需求趋势,针对性地采取有效措施并提出相应的发展目标和战略,对我国石油工业实现可持续发展有很重要的意义[1]。

时间序列分析是系统辨识与系统分析的重要方法之一,其应用范围越来越广泛[2]。对于石油消费系统而言,存在大量时间序列,由于系统的复杂性,各因素的关联性很难用一个准确的数学解析式来描述,神经网络预测模型能较精确的描述因素之间的映射关系而不需要确定的函数形式,因此,神经网络预测方法为石油系统的预测提供了一个新的途径。本文以中国未来石油消费量为研究对象,搜集了1985~2007年的历史数据,运用时序—神经网络进行建模分析,预测中国未来的石油消费。

1 人工神经网络原理与技术简介

人工神经网络(Artificial Neural Network)是由大量处理单元广泛互联而成的网络[3],是对人脑信息处理功能的模拟和延伸,是一种动态学习系统。人工神经网络具有非线性静态映射功能,能以任意精度逼近任意给定的非线性关系;能够学习和适应未知不确定系统的动态特征,并将其隐藏存储于网络内部的连接权中,需要时可通过信息前馈处理再现系统的动态特性[4]。

在人工神经网络的实际应用中,近90%的神经网络模型是采用BP网络(Back Propagation Network,前馈神经网络)和它的变化形式,是目前应用最为广泛的网络模型,是由Rumelhart等人于1986年提出的前馈网络模型,即BP网络模型。BP神经网络是基于误差反向传播的多层次前向神经网络,实现了Minsky多层网络的设想。BP网络属于多层状型的人工神经网络,由输入层、输出层和一个或若干个隐含层构成,每一层包含若干神经元,层与层间神经元通过连接权重及阈值互连,同层的神经元之间无联系。BP神经网络采用的传递函数通常是Sigmoid型可微函数,所以可实现输入和输出间的任意非线性映射,图1为三层的BP神经网络结构示意图[3,5]。

2 时间序列神经网络预测模型建立

时间序列是按时间顺序的一组数字序列。时间序列分析就是利用这组数列,应用数理统计方法加以处理,预测未来事物发展。利用BP神经网络进行时间序列预测分析,是通过动态调整网络神经元的互连权值来拟合时间序列数据内在的映射关系。与传统参数建模法相比,BP网络的非参数建模方法具有建模费时较少、泛化能力高、容错能力强、模型结构简单的优点。一般,时间序列预测BP算法构造步骤如下:

(1)样本的预处理。由于各种神经网络的激活函数和学习规则等不同,为了在MATLAB软件中计算方便,增加网络训练的速度,所以在输入之前需对输入样本作归一化处理。

(2)对输入样本进行分组。设x(i)为一时间序列,i=1,2,…,n,预测阶数为k,即用x(i-1),x(i-2),…,x(i-k)的信息来预测i时刻值。将x(i-1),x(i-2),…,x(i-k)作为输入信息,x(i)的值作为预测期望值,如此,把输入样本x(1),x(2),…,x(n)分成m组,每组有k+1个值。如表1所列。

(3)选用神经网络训练算法,训练网络的连接强度,使训练误差达到最小。

(4)当网络训练达到预期效果后,输入x(n-k+1),x(n-k+2),…,x(n),此时网络的输出即为n+1期的预测值。

(5)还原处理。由于神经网络预测时首先对样本进行预处理,运算得出结果后进行反归一化处理,才能得到有效的预测值。

在上述BP预测算法中,输入节点k的确定可采用由小到大的方法进行训练,当输入节点数增大到一定程度后,误差没有明显减小,则此时的k值即取为网络输入的节点数,本文取k=5。而如何确定BP神经网络隐层节点数,也很重要,关系到模型是否能够有效完成映射。隐层节点数太多会导致学习时间过长,隐层节点数太少,容错性差,识别能力低。根据前人经验,并经过多次试算,根据误差和运算量最小的原则,本文确定隐层节点数为13个[6,7,8,9]。

3 石油需求预测的神经网络模型

本模型将我国1985~2007年石油消费量数据分成两部分,用1985~2004年数据进行拟合,并对2005~2007年数据进行预测,以判断模型拟合度与预测性一致性。利用网络进行训练,得到拟合值如表2和图1。

在网络训练达标后,为了验证训练结果的可应用性,我们利用训练好的模型,预测2005~2007年我国石油消费量数据,如表3。

得出2005~2007年预测值与实际值的最大误差为2.68%,说明模型的建立比较成功,可以用于下一步对2008~2010年的能源需求的预测,见表4。

具有Sigmoid隐层函数的三层BP神经网络能够以任意精度逼近任何一个具有有限间断点的非线性函数[1]。因此,选择Sigmoid函数的三层BP神经网络作为石油需求预测模型,预测精度较高,预测误差仅为2.68%,表明该模型具有很好的应用价值。

预测误差主要来源于:①历史数据有限,模型训练过程中存在一定误差。如果添加更多历史数据,预测能力和网络可信度将会进一步提高;②数据来源可能存在一定误差,不能完全反映经济结构和石油消费量;③影响石油需求的变量没有完全包括在输入数据中。

4 对策分析及建议

多年来,我国经济的快速发展过多地依赖资源能源的消耗,但是我国资源相对不足。由以上预测可知,我国对石油的需求量逐年提高,为了抑制我国石油消费,提出以下建议:

(1)一是加快转变经济增长方式,大力调整产业结构,采取强制性措施,重点抓好高耗能和高耗油行业的节能、节油工作,逐步形成“低投入、低消耗、低排放、高效率”的增长方式;

(2)发展公共交通和轨道交通,加快铁路和水运的发展,适度限制私人轿车发展,使交通运输业发展与石油资源供应相适应;

(3)采取有效措施,提高汽车的燃油经济性,着力搞好汽车节油。大力提倡节能,逐步降低石油消费与GDP之比;

(4)加快地方土炼油、小炼油关停并转,提高石油资源利用率。同时,立足国内石油勘探,积极拓展企业海外勘探,实现多元化战略;

(5)加快研发和推广石油替代技术,做好石油资源替代工作。优化能源消费结构,加快天然气利用;

(6)完善价格和财税调节机制,促进节能节油。

通过上述措施的实施,抑制石油消费过快增长,实现节能降耗的目标,推动国民经济又好又快地发展。

摘要：2007年中国经济高速增长推动了石油产量和消费量双双攀升。石油作为重要的战略物资,在国家安全与国民经济发展中占有举足轻重地位。自20世纪70年代石油危机以来,石油越来越多为世人关注。根据我国石油消费历史数据,对未来我国石油供需状况进行预测,采用BP神经网络预测方法,利用MATLAB软件的神经网络功能,建立合理的训练模型,进行数据测试和预测,最终得到2007～2011年石油需求预测结果,并对我国现阶段石油安全问题进行分析。

关键词：石油需求,预测,BP神经网络,MATLAB

参考文献

[1]徐平、王本、范莹:《基于BP神经网络的我国石油需求预测》[J];《大庆石油学院学报》2007(2):82-84。

[2]冯述虎、侯运炳:《基于时序分析与神经网络的能源产量预测模型》[J];《辽宁工程技术大学学报》2003(4):168-171。

[3]周振民、刘荻:《基于Matlab的人工神经网络用水量预测模型》[J];《中国农村水利水电》2007(4):45-49。

[4]徐明德、李维杰:《线性回归分析与能源需求预测》[J];《内蒙古师范大学学报》(自然科学版)2003(1):17-20。

[5]韩涛、李怀恩、彭文启:《基于MATLAB的神经网络在湖泊富营养化评价中的应用》[J];《水资源保护》2005(1):24-26。

[6]刘映、张岐山:《能源消费的——时序神经网络预测模型》[J];《能源与环境》2006(5):26-28。

[7]匡胤:《基于人工神经网络的预测原理及MATLAB实现》[J];《内江师范学院学报》2007(2):38-45。

[8]余良晖、贾文龙、薛亚洲、陈甲斌:《MATLAB实现BP神经网络的煤炭需求预测》[J];《理论探索》2007(10):34-36。

浅析中国石油钻井技术的现状及需求 篇3

关键词：中国,石油钻井技术,需求

石油钻井技术是一项很难的技术, 在石油开采中的波折很多, 但是相应的也取得了一些成就。我国采用科学钻井技术是在五十年代初, 从那时起, 我国石油开采技术就取得了显著的成就, 并成为世界上使用钻井技术第二大国, 但是我国的钻井技术与发达国家相比, 仍比较逊色。再加上受我国地形条件的限制, 更加剧了石油钻井工程的难度。如何改进石油钻井技术, 加快石油开采的进程, 已经成为石油开采业关注的重点。

1 我国石油实行科学钻进技术概况

五十年代的时候, 我国就发展了喷射式钻井技术、丛式井钻井技术及高效钻头技术、井控技术、保护油气层技术等先进技术。然而这些只是些单一的技术。二十世纪八十年代到至今一直采用的都是科学的钻井技术。随着科学技术的发展, 及网路化、智能化的发展, 为这一时期的钻井技术带来了新的动力不仅发展了井下信息实施检测技术, 实现了钻井过程中的地址参数、钻井参数和井参数的实时测量、分析和控制, 也开发了惊吓导向和闭环钻井系统, 业发展了有利于新发现新油气层和提高油田采收率新钻井技术和方法, 如欠平衡压力钻井、水平井钻井等。虽然我国在钻井技术上取得了一些成就, 但是随着我国钻井地域及井深的不断变化, 现有的钻井技术出现了一些难度, 特别是在深口井钻井技术上。这一钻井技术是在五十年代才逐渐成型的, 与发达国家相比还是有一定的差距的。这种钻井技术是代表着一个国家钻井技术水平, 是钻井技术的标志。这种钻井技术是极为复杂的, 其适用性及配套方面的问题, 影响着可持续发展, 同时其也是制约着我国钻井技术发展的限制性条件。

2 深井钻井技术现状

深井钻井技术如果不能将其复杂性处理好, 就不能将此更好的运用到实际应用中去。这种技术区别于传统的钻进技术, 深井钻井技术并不是单一的, 受钻井目标及新执行因素及学科归属等多方面的影响;钻井技术不具备有序性, 常会受到不均匀性、非线性及非连续性的限制, 在钻底层及岩石、井眼等方面的钻速及成本上都有所展现, 从客观上来讲, 利用分形几何学、混沌学进行据分析的话, 对平均设计法和辨证思维等高新技术又具有可行性;如果用黑箱子理论进行研究, 其不确定性及相关的测量因素很闪实现惊吓闭环控制;有很多时候还具有风险性、随机性或是偶然性等不确定因素;地形的特质和钻头的类型也会影响钻井技术的实施;有的时候钻具会因某种客观原因突然停止工作或是出现任意加深及县官套管的影响, 也会影响深层钻井技术的使用。在众多的复杂性因素中, 起着重要的作用的是地层的复杂性与钻具配合工作, 在钻地层的时候是需要钻头和钻具进行配合的, 很可能会因为高温、高压、高密度及井喷、井塌、井漏及钻具的突然磨损, 加剧钻头和地层复杂性之间的不确定性, 发生不可避免的事故。如在塔里木盆作业时就出现过此类事故。塔里木盆地的地形复杂, 其倾斜角较大, 要想将井眼打直, 就需要对其进行倾轧吊打, 在这种情况下, 就影响了其钻速, 最后导致了套管和钻具的严重磨损。地要想对这类事故进行控制, 就需要将失去重心的钻具恢复运行, 由于是在深井中作业, 要想使其快速的恢复, 其难度将是很大的, 甚至会出现难以控制的局面。在用系统工程技术思想对深井进行控制的时候, 最好对进内压力、井眼轨迹、稳定性进行整体控制, 最好能将这些问题看成是井下控制问题。井内压力控制是对地层孔隙进行控制, 而井眼控制则是控制地层坍塌压力的。对于钻井技术的对象来说, 并不能真正的确定其是多套地层, 由于不能确定其地层的性质, 很可能会增加钻井技术的难度。

3 中国石油钻井技术发展需求

(1) 深井钻井技术作为钻井领域最重要的技术, 要想使深井钻井技术更好的发展, 应该加快对垂直钻进技术的研究, 并将其应用到地形比较都的地区, 来解决井斜问题;只能对井漏问题应该采用非常规的套管技术来解决相应的问题。钻井技术的发展, 在深井钻井技术领域将会出研究出更多解决深井钻井复杂性问题的技术, 以保证深井钻井技术的发展。就目前国际上国际石油工业发展趋势来看, 石油钻井发展技术将会想更高层次发展, 将会以提高勘探开发为主要目标的, 逐渐向新油气藏和提高采油效率上发展。受网络化普及的影响, 石油钻井技术也将向信息化、智能化方向发展。就目前的石油产业的发展趋势, 要想找到更多的石油, 是比较困难的, 石油作为非可再生资源, 开发一点就少一点, 石油产量正在不断的递减。针对这一问题, 一些石油公司加大了对石油的科研投入, 想通过新的油藏来满足人们的需求。现在一些石油开采公司及相关的服务公司正在以智能化、信息化为基础的前提下对新的油气藏进行勘探, 以保证提高其开采率。平衡压力钻井、水平井、分支水平井钻井、小井眼钻井技术和连续油管钻井技术等都赋予了新的内涵。只有对油气藏进行勘探并最大限度的利用油气藏, 才能更好的实现社会利益和经济利益。

(2) 随着对国际石油钻井技术使用随钻测量、随钻测井、随钻地震等技术实现以来, 为我国石油钻井技术提供了新的动力。在这些技术中主要采用了信息数字化钻井技术, 信息化钻井技术的发展不仅能对井下的地质参数、钻井参数、流体参数进行预测、分析和执行, 还能对不合理的地方进行及时的反馈和修正。钻井技术正在向数字化领域发展, 在不久的将来将会研究出对石油开采更有效率的石油钻井技术;石油开采工具及相关作业的智能化为石油开采带来了巨大的方便。特别是美国自动化控制导向的工具及及相应评价系统的开发, 为现代化石油钻井技术的发展提供了保证。

4 结束语

随着科技不断的进步与发展, 石油钻井技术也在不断的发展中。钻井地域发生了改变, 又远离的陆地渐渐的过度到沙漠和海洋, 钻井的深度也逐渐由浅向深过度, 钻井的井型也发生了变化。这一系列的变化无一不在说明钻井技术的进步。然而, 随着钻井地域、深度的变化, 现有的钻井技术已经不能更好的满足石油开采的需要。要想更好的满足石油开采的需要, 还需要钻井技术的领域的继续研究。

参考文献

[1]王晓方.国内外采油工业的现状分析及发展趋势研究[J].中国矿业.2005. (05) .[1]王晓方.国内外采油工业的现状分析及发展趋势研究[J].中国矿业.2005. (05) .

[2]孙丙伦.深部找矿组合钻探技术研究[D].吉林大学.2009.[2]孙丙伦.深部找矿组合钻探技术研究[D].吉林大学.2009.

[3]吕开河.钻井工程中井漏预防与堵漏技术研究与应用[D].中国石油大学.2007.[3]吕开河.钻井工程中井漏预防与堵漏技术研究与应用[D].中国石油大学.2007.

基于SVM模型的中国电力需求预测 篇4

电力供需预测十分复杂,影响因素众多,而且因素之间的变化及相互影响关系也较难确定,具有随机变化的复杂非线性系统特性。因此预测往往表现为对一组(多维)相关随机变量的动态过程同时进行观测,并将其作为整体加以研究的多元时序分析[1,2]。传统的多元回归统计分析预测模型、GM(1,N)模型等线性预测模型似乎都很难解决这种多因子时间序列间的复杂非线性关系,而人工神经网络技术可以较好地解决该问题。但是神经网络也存在一些缺陷,如训练速度慢、易陷入局部极小点和全局搜索能力弱等。支持向量机能够在有限样本情况下,求得全局最优解,且将算法复杂度保持在一个合适的范围内。因此,本文运用支持向量机方法建立电力供需预测的模型,对未来的中国电力供需形势进行预测。

1 支持向量机(SVM)的基本原理及其算法

1.1 支持向量机(SVM)的基本原理

支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,其基本思想是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间,在这个高维空间中寻找输入变量和输出变量之间的一种非线性关系[3~5]。设样本为n维向量,某区域的k个样本及其所属类别表示为;超平面表示为(ω.x)+b=0,显然,ω和b乘以系数后仍满足方程。不失一般性,设对所有样本xi满足下列不等式:

点到超平面的距离为:根据最优分类超平面的定义,则分类间隔为:

要使分类间隔最大,就是使最大。因此构造最优分类超平面的问题可转化为在满足式(2)条件下最小化的问题。同时考虑到可能存在一些样本不能被超平面正确分类,因此引入松驰变量,当分类出现错误时,,是分类错误数量的一个上界,为此引入错误惩罚分量,因此构造广义最优分类超平面问题就转化为最小化函数:

其中C>0是一个常数,它控制对错分样本惩罚的程度。式2折衷考虑最大分类间隔和最少错分样本,第1项使分类间隔尽量大,从而提高泛化能力;第2项使误差尽量小。

1.2 基于RS理论数据预处理的SVM预测模型框架

本文结合粗集属性归约和支持向量机针对有限样本能够实现全局最优的特点,提出了基于RS数据预处理的SVM预测模型。首先用粗集方法来归约条件属性,从条件属性中去掉对于决策属性而言冗余的属性;采用约简得到的最小条件属性集及相应的原始数据重新形成新的训练样本集,该样本集仅保留了影响预测精度的重要属性;用约简后形成的训练样本对SVM进行学习和训练,最后输入按照最小条件属性集及相应的原始数据重新形成的测试样本集,对模型进行测试,最终得到条件属性和决策属性之间的映射关系,以获得预测结果,过程如图2所示。

2 基于SVM回归算法的中国电力供需预测

我们将全社会用电量和年最高负荷的历史数据分别作为决策属性;将供需影响因素{GDP、第一产业产值、第二产业产值、第三产业产值、能源效率改进、产业结构变动、人口、城镇居民可支配收入、农村居民可支配收入、电价(燃料价格指数)}的历史数据作为条件属性,并运用粗集属性归约方法进行指标筛选,将筛选出最重要的供需影响因素和决策属性进行基于支持向量机的电力供需预测建模型。

2.1 建立电力供需预测决策信息表

本文用电力平衡指数和电量平衡指数来表示电力供需警情,其中用系统容量备用率来代表电力平衡情况,计算电力平衡指数;用发电设备利用小时数来代表电量平衡情况,计算电量平衡指数。根据发电设备利用小时数和系统容量备用率计算公式,二者的计算与全社会用电量及年最高负荷密切相关。

根据本文建立电力供需预测决策信息表T=(U,A,V,f)其中:U称为论域,C={c1,c1,...,cm},是条件属性,包括GDP、第一产业产值、第二产业产值、第三产业产值、能源效率改进、产业结构变动、人口、城镇居民可支配收入、农村居民可支配收入、电价(燃料价格指数)等指标;D={d1,d1,...,dm}是决策属性,包括全社会用电量和年最高负荷;,Va是属性的值域,f是一个信息函数,它指定U中每一对象的属性值。

2.1.1 数据规范化处理

根据最小-最大规范化方法,用公式及将原始数据映射到区间。

2.1.2 连续型数据离散化

本文采用等分法的等宽度区间法对条件属性集{GDP、第一、二、三产业产值、能源效率改进、产业变动、人口数量、城镇居民可支配收入、农村居民可支配收入、电价(燃料价格指数)}进行离散化,用等频度区间法对决策属性集{全社会用电量、年最高负荷}进行离散化,并对离散后的属性值用进行编码。则条件属性数据离散结果如下(显示的数据采用的是经过规范化处理后的数据):

1)GDP离散结果如下:(0:[0,0.1386],1:[0.1386,0.3882],2:[0.3882,0.5731],3:[0.5731,0.7543],4:[0.7543,1])

2)第一产业产值离散结果如下:(0:[0,0.2385],1:[0.2385,0.5192],2:[0.5192,0.6640],3:[0.6640,0.7458],4:[0.7458,1])

3)第二产业产值离散结果如下:(0:[0,0.1841],1:[0.1841,0.3615],2:[0.3615,0.6017],3:[0.6017,0.7196],4:[0.7196,1])

4)第三产业产值离散结果如下:(0:[0,0.1612],1:[0.1612,0.3770],2:[0.3770,0.5996],3:[0.5996,0.7494],4:[0.7494,1])

5)能源效率改进离散结果如下:(0:[0,0.0182],1:[0.0182,0.0458],2:[0.0458,0.2925],3:[0.2925,0.6231],4:[0.6231,1])

6)产业变动离散结果如下:(0:[0,0.1159],1:[0.1159,0.4002],2:[0.4002,0.5878],3:[0.5878,0.7981],4:[0.7981,1])

7)人口数量离散结果如下:(0:[0,0.1429],1:[0.1429,0.3514],2:[0.3514,0.5800],3:[0.5800,0.7834],4:[0.7834,1])

8)城镇居民可支配收入离散结果如下:(0:[0,0.1483],1:[0.1483,0.3175],2:[0.3175,0.17894],3:[0.17894,0.7049],4:[0.7049,1])

9)农村居民可支配收入离散结果如下:(0:[0,0.11722],1:[0.11722,0.3244],2:[0.3244,0.6022],3:[0.6022,0.77176],4:[0.77176,1])

10)电价(燃料价格指数)离散结果如下:(0:[0,0.1878],1:[0.1878,0.2604],2:[0.2604,0.17179],3:[0.17179,0.6984],4:[0.6984,1])

决策属性数据离散结果如下(显示的数据采用的是经过标准化后的数据):

1)全社会用电量离散结果如下:(0:[0,0.07017],1:[0.07017,0.18917],2:[0.18917,0.3663],3:[0.3663,0.17306],4:[0.17306,1])2)年最高负荷离散结果如下:(0:[0,0.0901],

2)年最高负荷离散结果如下:(0:[0,0.0901],1:[0.0901,0.2228],2:[0.2228,0.4242],3:[0.4242,0.17849],4:[0.17849,1])

2.1.3预测指标约简

根据属性归约算法,本文将条件属性集{GDP、第一、二、三产业产值、能源效率改进、产业变动、人口数量、年人均可支配收入、电价(燃料价格指数)}与决策属性{全社会用电量}、{年最高负荷}分别进行属性归约,由此得到的关于全社会用电量的最优归约属性集为{GDP、第二产业产值、第三产业产值、能源效率改进、产业结构变动、城镇居民可支配收入};关于年最高负荷的最优归约属性集{GDP、第二产业产值、能源效率改进、产业结构变动、城镇居民可支配收入}。

2.2 支持向量机电力供需预测分析

将筛选出的关于全社会用电量的最优归约属性集{GDP、能源效率改进、产业变动、年人均可支配收入}和关于年最高负荷的最优归约属性集{GDP、第二产业产值、能源效率改进、产业变动、年人均可支配收入}分别建立基于SVM回归算法的电力供需预测模型。

选取高斯核函数,即在本文中然后利用matlab6.5进行程序设计。

2.2.1 决策属性为全社会用电量

将表1数据作为训练样本输入程序,通过控制参数c和ε及核参数σ2,就可以控制支持向量机模型对训练样本的决策属性的拟合程度。

研究发现,σ2和c对数据的拟合程度起着非常重要的作用,当分别把c和ε固定在20和0.05时,训练集的标准差随着σ2的增大而增大。另一方面,测试集的标准差随着σ2的增大而刚开始减小,随后增大。这表明σ2的值太小(0.5-5),会对训练集造成过学习现象,σ2的值太大(≥50),会对训练集造成欠学习现象。σ2的适合值应在5-50之间。由此可见,σ2对SVM的泛化性能起着关键作用。当分别把σ2和ε固定在25和0.05时,c的值从10增大到50,测试集的标准均方差逐渐减小;试集的标准均方差逐渐减小;当c的值从50增大到200时,测试集的标准差几乎保持为一常量;当的值超过200时,测试集的标准差开始增大。综上分析,本文取c=90,σ2=35,ε=0.05。通过程序运算得到,ω=228.176,b=228.176支持向量个数nsv=10

输入测试样本,得到2001-2004年全社会用电量的拟合结果:143347383.1,160787053.1,192622351.5,224188208.3。

2.2.2 决策属性为年最高负荷

将1985-2007年的年最高负荷、GDP、第二产业产值、能源效率改进、产业结构变动、城镇居民可支配收入的历史数据作为训练样本输入程序。如前所述,通过控制参数c和ε及核参数σ2,以获得最优的支持向量机模型对训练样本决策属性的拟合程度。

综合分析,本文取c=100,σ2=28,ε=0.12。通过程序运算得ω=228.176,b=228.176,支持向量个数nsv=12。

输入测试样本数据,得到2001-2004年最高负荷的拟合结果:18425.6,22289.2,24240.86,29307.44。利用已训练好的的支持向量机模型,并输入2004-2007的全社会用电量和年最高负荷值的实际值,对2008-2011的全社会用电量和年最高负荷进行预测,得到如下结果,如表2所示:

从表2不难看出在近几年里我国的电力供需平衡日趋平衡,电力供给略有富余;基本改变了2003年后的两年里我国的电力供需的严峻形势,电力供需矛盾有所缓和,预计今后几年我国电力供需能基本达到平衡。

3 结论

电力需求预测所涉及的因素众多,彼此之间的关系错综复杂,我国电力数据的记载也不很完整。这些因素制约着电力需求预测的准确性。支持向量机较好的解决了这个问题。本文使用支持向量机来分析电力需求预测,得到了很好的预测结果,经过训练的支持向量机的性能仍超过了神经网络的性能。通过支持向量机分别得到了未来几年的全社会用电量和年最高负荷的预测数据,找出了其发展趋势,为制定相关规划提供了依据。

参考文献

[1]张前进.基于支持向量机回归的电力负荷预测研究[J].航空计算技术,2006,4.

[2]赵文霞.电力需求的经济预测与周期波动分析[J].电力情报,2001,(4):14-16.

[3]王晓红,吴德会.基于WLS-SVM回归模型的电力负荷预测[J].微计算机信息,2008,2.

[4]张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,1.