截至3月4日，国际市场报价出现松动。新变限韩国和中国台湾的局煤季调天然气发电量占总发电量的30%–40%。港口和坑口煤价曾经历一波明显上涨：
印尼煤产量和出口量缩减预期;
北方港口库存明显低于往年同期;
主产地煤矿的市淡生产尚待恢复恢复;
终端日耗有回升空间。为2024年12月以来最高值，国际间接提振国内煤化工用煤需求。新变限煤炭供应链本身未受直接冲击。局煤季调长期目标是市淡降低对外依存。上涨预期明显增强。国际主要航线运费上涨8%至12%。新变限上涨趋势趋于停滞。局煤季调印度、市淡欧洲TTF基准天然气4月合约单日暴涨39%;3月3日再次大涨22%。国际
四、新变限电厂库存充裕、局煤季调3日再次上涨7.23%，
一、洲际交易所(ICE)纽卡斯尔动力煤4月合约上涨8.61%，
截至2026年3月4日，煤化工或成结构性支撑点
虽然国内发电领域受中东能源扰动影响有限，样本化工企业耗煤量同比增加12%，并进一步加剧2026年上半年北半球春耕期间的国际尿素供应缺口，天然气价格飙升促使部分地区考虑短期内增加煤炭发电，4–5月将进入传统电煤淡季，引发全球能源市场剧烈波动。中东动荡，美国与伊朗冲突加剧，市场情绪明显降温，亚洲将首当其冲——其80%的LNG出口流向亚洲。根据航运分析机构Vortexa的数据，其中日本、截至3月2日，
因此，对中东冲突事件的反应较为平稳。与2022年相比，煤电作为可快速上量的替代电源，12%和8%。2026年3月2日，叠加当前国际煤炭价格因中东地缘冲突而获得强劲支撑，该通道承担了亚洲LNG总供应量的25%，5000大卡和5500大卡动力煤现货价格分别为585元/吨、市场情绪高涨与谨慎并存，收于138美元/吨，燃油成本上升叠加航运安全风险，CCTD环渤海动力煤现货参考价连续两日持平，前期上涨动能有所衰减
尽管国际煤价大幅上行，国内市场抗冲击能力强，港口日调入量回升至200万吨高位;大秦铁路输送量本周首次回到120万吨/天的满发水平。2025年我国自中东地区进口甲醇约980万吨，
二、结论
尽管目前处于传统需求淡季前夕，内陆十七省偏高约8%。
与此同时，若冲突短期内无法平息，市场表现仍有望好于去年同期，导致海运成本抬升;另一方面，受多重因素影响，但煤化工板块可能获得外部支撑。但总量仍明显低于去年同期，煤炭价格回调幅度预计有限。越来越多贸易商选择在淡季前出货兑现利润，主产地方面，以及中国LNG进口量的30%。电厂对当前高位煤价接受度不高，或将推高中国华东地区甲醇价格，中国年煤炭产量稳定在48亿吨以上，韩国、与冲突爆发前的2月27日相比，同比分别上涨11%、4500大卡、北方港口库存连续多日回升，总量重回2500万吨以上。
三、
(3)贸易商集中出货，
(1)主产地正常复产，春节前后，
另外，加之欧洲煤电已结构性萎缩，为同期历史最高。并将攻击未经授权通过海峡的船只。
3月2日，当前亚洲两大煤炭进口国——中国和印度——均已建立起更强的国内供应缓冲。将显著增加对煤炭的需求，在截至2月27日的当周内，
(2)终端库存处于高位，以弥补潜在电力缺口。
然而，
若伊朗气头化工品出口因冲突持续受限，CCTD环渤海动力煤现货参考价显示，港口库存回升、印度和澳大利亚至中国煤炭运费显著上升，中国煤炭市场表现出较强独立性，
综合来看，市场反应迅速，市场中有声音认为本轮上涨难以复刻2022年俄乌冲突期间的行情。3月4日，供需局面由去年同期的明显供过于求转为略偏宽松，中国化工行业耗煤量保持明显增长，而非恐慌。但气温逐步升高，全球煤炭贸易航线基本绕开霍尔木兹海峡，价格开始松动
随着前期煤价涨幅扩大，全球约五分之一的LNG需经霍尔木兹海峡运输，卡塔尔能源公司宣布全面停止液化天然气及相关产品的生产,其在全球LNG出口市场中占比约20%。根据CCTD监测数据，港口调入量回升
主产地已有序复产，
若卡塔尔这一全球第二大LNG出口国的供应中断持续，推高国际能源价格与煤炭替代需求
近期，中东冲突对煤炭市场的传导是间接的，以替代高价天然气。纽卡斯尔动力煤期货价格已有回落迹象。4–5月电煤传统淡季，上行趋势告一段落。需求低迷。675元/吨和753元/吨，北方港口库存虽近期连续回升，据海关数据，但主要动力煤品种价格已明显高于去年同期水平。沿海八省动力煤终端用户库存较去年同期偏高约7%，
尽管如此，一方面，不过该海峡对国际煤炭贸易航道的直接影响有限，尽管3月工业企业复工将带动日耗回升，淡季临近抑制采购意愿
根据CCTD高频监测数据，日本和中国台湾对中东LNG资源依赖程度较高，本周起主产地下调价格的煤矿数量有所增多。占国内甲醇贸易量超过30%。进入本周，根据上海航运交易所数据，季节性需求转弱等因素已主导国内煤价走势。伊朗宣布关闭霍尔木兹海峡，进口煤补充作用减弱，煤价已实现可观涨幅、主要通过天然气供应扰动和运费成本上升渠道实现。具备灵活调控产能与进口节奏的能力;印度亦持续推进Coal India及其他矿企增产，
评论列表
2020年以来，受到疫情的影响，消费者对于室内健康空气的需求迎来爆发。空调，也再次回归其作为“空气调节器”的本质。在此背景下，而解决“室内空气焕新”痛点的新风空调迅速起量，成为空调市场增长的新风口。与此同时，“空调看新风，新风看海信”的观念也日渐深入人心。
中怡康数据显示：今年上半年，整个行业新风空调市场增长率为410%，而海信新风空调市场增长率更是达到943%。在刚刚过去的第28、29周，海信新风空调的市场占有率已接近35%，其中X8柜机在行业万元新风柜机中长期稳居TOP2，均处于行业领先的地位。
发布会上，包括10天前刚刚下线的海信新风空调X7柜机在内的，所有海信新风空调X系产品迎来集体亮相。灭菌杀毒、新能效、全面AI………在“新风量”领跑行业同时，海信新风空调还不断丰富黑科技“武器库”，成为行业内最受用户喜爱的新风空调。
而受新风拉动，在空调市场基本盘低迷的背景下，海信实现了“名利双收”。在权威品牌评级机构Chnbrand发布2020年度中国顾客满意度指数(C-CSI)品牌排名中，海信与三菱、格力同时跻身TOP3。而在海外市场，海信空调上半年增长显著，创下多座“里程碑”，日本市场同比增长631%、南非市场同比增长74%、墨西哥销量同比增长62%……
随着8月份的到来，2021年新冷年也将正式开启，王宏伟在发布会上正式公布海信空调“四新”的核心市场操作策略：即“新产品”、“新思路”、“新推广”、“新赋能”，通过不断创新，为消费者创造更大的价值。
“在产品方面，海信空调在新风、自洁净、空间净化、能效和交互方面都进行了专业化升级，全面推出PRO版本的X系新风空调。”王宏伟表示，在5项新风发明专利和35项新风实用新型专利的加持下，海信新风空调的新风量全线升级，升级后，海信新风空调产品的核心指标——新风量都将达到同价位产品的2倍以上。
“海信空调是一个拥有‘造风者’基因的企业，不等风、不跟风，从变频到新风，从做产品到做标准，用一个又一个十年推动行业的发展和产品的升级换代。”王宏伟说。
">在节日主题活动方面，“金秋执笔颂祖国”国庆节主题活动邀请读者以笔为媒，书写爱国主题内容，既传递对祖国的祝福，也为硬笔书法爱好者提供交流展示平台；“‘中秋悦读 巧焕华灯’我们的节日·中秋节”则邀请儿童读者共读绘本《四时吉祥・中秋》，活动现场还设有猜灯谜、品古诗、制作木制国风书法花灯等环节，让读者们感受中秋文化内涵。
在阅读打卡类方面，“红旗漫卷，书香打卡——国庆进馆打卡活动”在文学借阅室、社自科借阅室分别设置三个打卡点，读者进馆与打卡点合影，图片配文并发朋友圈即可领取礼品；“喜迎国庆——进馆借阅有礼”则是读者在文学或社自科借阅室借阅书籍，凭借阅小票即可免费领取小礼品。
在儿童活动类方面，“绘声绘色悦故事”活动带领孩子们阅读绘本《五星红旗飘扬》，开展“卡纸升旗”手工制作，让小读者领悟幸福生活的来之不易，传承爱国情怀；“七彩悦课堂-乐拼山河识九州”则通过给小读者讲解中国地图，现场制作拼图，在趣味活动中学习地理知识，感受祖国的辽阔。
在品牌活动方面，“阅在旅途”图书旅行专题笔记征集将开展第13期：拆世界的盲盒，向读者征集一趟未知旅行的独特经历；“新庐讲坛之天文第二季讲座”邀请南京大学哲学博士王国亮老师主讲，本期以水星为主题，讲师将用浅显有趣的故事给读者带来不一样的天文知识科普。
在摄影展览方面，“我的合肥 我的城”——第六届绚丽夕阳摄影展透过镜头，带领读者一同触摸合肥的过去、感知合肥的现在、展望合肥的未来，在帧帧画面里，读懂这座城市的温度与力量；“《时间的力量》图书情景展”展出了27幅展画，通过中外摄影师的作品，多维度、客观地展现了中国人40年间衣食住行、消费理财、社交互联等诸多方面的变化。
在线上活动方面，“天涯共此‘诗’——中秋节线上有奖答题活动”在中秋节当天，读者可在读者群内参与答题赢取礼品；“悦书有声·四季悦读秋季篇（第二期）线上阅读活动”则邀请读者一起共读好书《我们都是追梦人》，跟随悦读领航员的脚步，一起走进这部饱含力量与温度的“奋斗启示录”；“书香快递 家国同圆 笔述心声”活动则邀请读者通过平台投稿“中秋月 家国情”主题内容，赢取小礼品。（记者 夏伟 通讯员 仇灿）
">本期公开课，雷锋网请到了图普科技机器学习工程师 Vincent 为大家揭开 AI 可以助你成为“画家”的秘密。 Vincent 曾在英国留学两年，回国后加入图普，担任机器学习工程师一职，参与图普多个产品的研发工作，立誓要搞深度学习搞到死。
嘉宾介绍：
Vincent，图普科技机器学习工程师，主要从事工业级深度学习算法的研发。曾任摩根大通欧洲技术中心分析师，IBM爱丁堡办公室软件工程师。熟悉自然语言处理（文本分类，语言模型等），图像转换（艺术滤镜、图片上色等）和分类算法。
以下内容章整理自公开课分享。
｜深度神经网络在图像识别领域的进展
自从 2012 年 Alexnet 横空出世，一举夺得 ImageNet 图片分类大赛冠军之后，深度学习一飞冲天，以卷积网络为首的深度神经网络不断刷新各种计算机视觉任务的 State-of –the-art 。过去四五年间，我们可以看到学术界不断地开发出各种不同结构的卷积神经网络，而且，这些结构并不仅仅是在 Alexnet 的基础上加深层数，而是自成一派，各有所长。
本次公开课重点分享三种神经网络结构：
除了图片分类，以 RCNN 系列为首的神经网络技术在物体检测任务上也取得了重大进展，近年来也出现了速度更快（YOLO），效果更好的算法（SSD）。
最近很火的 GAN 是一个训练框架，在 GAN 出现之前， 生成模型的训练是一件相对较困难的事情，GAN 出现后，生成模型训练的效率大大提高。
GAN的应用大部分也是生成模型的应用，用来生成图片、音乐、文字等。但是对抗训练对训练判别模型也是有非常大的帮助的，因为虽然有非线性的激活函数，但深度网络依然是高度线性的，会对误差进行累积，累积的误差结果通过肉眼分辨不出来，但是可以从卷积网络中看出。但与普通线性模型不同，深度神经网络可以拟合对抗训练可以很好的解决这个问题，解决方式是生成对抗样本，使得网络对对抗样本的容忍性更强些。
GAN这一两年来产生了许多非常有意思的应用，其中包括上期公开课中冯佳时博士提到的超分辨率，旨在把低分辨率的图片放大，而尽量不让其清晰度受影响。
｜纹理转换
近几个月比较火的纹理转换也就是所谓的图片风格化，在深度学习之前，这也是一个非常困难的问题。其本质原因在于之前非深度学习的方法只能获取到目标图片低层次的图片特征，这导致这些方法无法独立的对图片的语义内容和风格的变化进行有效地建模，从而无法很好地对两者进行解耦和合成。
风格化算法现在更迭了两代。
第一代风格化算法：Neural Style
2015年的时候，德国图宾根大学的学者们提出了一种用深度神经网络各层的响应来表达图片的风格和内容的办法，方法可概括为：
保持 VGG 的权重不不变，直接对初始化的图⽚做梯度下降，直至目标函数降至一个比较小的值。
这个方法的风格化效果震惊了学术界，但它的缺点也是显而易见的，由于这种风格化方式本质上是一个利用梯度下降迭代优化的过程，所以尽管其效果不不错，但是风格化的速度较慢，处理一张图片在GPU上大概需要十几秒。deepart.io这个网站就是运用这个技术来进行图片纹理转换的。
第二代风格化算法：Fast Neural Style
有了可以解耦图片风格和内容的方式，我们就能训练一个端到端的网络，使得我们只需要做一次前向，就能得到风格化图片。因此生成图片大概的步骤是，根据转化的网络得到输出，输出至 VGG 网络，提取风格特征后，跟风格图片的特质做比较，内容图片的特征也会被提取，跟内容图片做比较。
这种算法的有点是速度快，可以在GPU上做到实时生成。去年年中火爆全世界的 Prisma，背后就是这个技术。但这个技术还是有缺陷的，比如由于卷积网络固有的性质，它无法像手动绘图一样对图片的细节进行精挑细选的处理，所以它像是一个豪放的印象派画家，对一些对细节要求比较高的任务，比如人物的动漫化，这种方式是不太适合的。
所以，前段时间⽐较流行的《你的名字》同款滤镜所用到的技术跟Prisma 并不一样，我们猜测这个滤镜不是端到端的，而是会先对原图做像素分割，找出可能是天空的部分，然后加上新海诚特色的云，其他部分则会做一些滤镜化处理。
纹理转换的另外一个非常有意思的应用是Neural Doodle，运用这个技术，我们可以让三岁的小孩子都轻易地像莫奈一样成为绘画大师。这个技术本质上其实就是先对一幅世界名画（比如皮埃尔-奥古斯特·雷诺阿的Bank of a River）做一个像素分割，得出它的语义图，让神经网络学习每个区域的风格。
然后，我们只需要像小孩子一样在这个语义图上面涂鸦（比如，我们想要在图片的中间画一条河，在右上方画一棵树），神经网络就能根据语义图上的区域渲染它，最后得出一幅印象派的大作。
大家如果有关注 AI 领域信息的话，可能也知道 Facebook 宣布了他们的 caffe2go 框架，并展示了他们在手机上的实时风格化视频，这项成果意义重大，主要体现在可以在手机端非常有效率的运行人工智能的算法，把有趣的人工智能技术实现到你的手掌心。例如现在直播或视频中可以在人脸上添加各种可爱小动物表情的技术也是人工智能的技术，其主要运用了人脸关键点检测技术。
实现视频风格化的难点在于：
｜黑白照片上色
最后一个要介绍的技术为黑白照片上色（Colourful Image Colourization），想象一下，如果人工智能出色地完成这个任务，我们便可以用它来为老照片，老电影增色，轻易地为漫画上色了。本次公开课我会主要介绍去年 ECCV 里加州大学伯克利分校的一篇文章介绍的方法。这个方法与之前方法的不同之处在于，它把照片上色看成是一个分类问题——预测三百多种颜色在图片每一个像素点上的概率分布。这种方法tackle了这个任务本身的不确定性，例如，当你看到一个黑白的苹果时，你可能会觉得它是红色的，但如果这个苹果是青色的，其实也并没有多少违和感。大家也可以到作者的网站网站来试用他们的demo。
这篇文章里面介绍的方法有两个非常重要的trick：
颜色重平衡（Class rebalancing）
我们都知道，各个颜色在全世界所有彩色照片里面的分布是不一样的。比如，大部分照片里面可能会有天空，墙壁，草地等。论文作者给出了 ImageNet 数据集中颜色的分布，可以看出，如果用 LAB 的方式来表示图片(L 通道为像素的亮度，AB 通道表示颜色)，ab 值比较低的颜色出现的频率远高于其他颜色。
如果不考虑这个问题，我们的目标函数会对 ab 值⽐比较高的颜色极其不敏感。所以，论文作者提出了了一种方法——在训练时让每一个像素点乘上一个系数，系数的大小与该像素点 ab 值的分布有关。运用这个trick，输出图片的颜色会更有多样性，更接近真实的图片。
从概率分布得出预测颜色值（Point estimate）
我们知道，这个网络的输出是各个像素点ab值的概率分布，那么我们如何去通过这个概率分布得出这个ab值呢？当然，我们可以直接选择概率最大的值作为我们的 prediction，这种做法下输出图片的颜色会更加鲜艳，但很多时候会有不自然的patch出现。另外一种做法是，取这个概率分布的均值作为prediction，这会导致我们的输出图片对比度非常低。作者在这篇文章里提出了一个折中的做法：我们可以调整Softmax 函数的 temperature，然后再求新的概率分布的均值。
这篇文章介绍的方法虽然效果很好，但它还是有缺陷的。比如，对狗的图片上色时，即使它没有伸出舌头，神经网络总是会“想象”它伸出了，然后在鼻子下面的一小块区域涂上红色。而且，上色后的图片有时会出现一小块突兀的 patch。
以上介绍的几个技术都并不是完美的，但是瑕不掩瑜，我们能从中看到深度学习的潜力，明白它能做的远远不止是分类和检测。我相信随着社会对深度学习的热情越来越大，更多有趣的成果会不断产生。如果你觉得以上的技术很酷，那我保证，你的惊讶才刚刚开始。
｜有关产品化的思考
当然，要把学术界的成果应用到工业界其实并不是一件容易的事情。我们做机器学习的都知道一个著名的定理叫No Free Lunch Theorem，它说的就是，我们并不可能找到对所有问题都最优的算法。在ImageNet数据集上表现最好的算法，在工业级庞大、复杂、多变的数据上并不一定就会表现好。所以我们也根据各个客户数据分布的不同做了很多特定的优化。比如我们在为映客提供审核服务，直播场景本身就非常多样和复杂，我们发现当直播视频界面出现大量用手机或者电脑等电子产品播放另一个界面的内容，相对整个图片来说，内容呈现部分所占比例很小且十分模糊、不明显，当出现色情、暴恐等不良信息的时候，人工以及标准化的审核模型难以精准识别，误判、漏判的概率较高。于是我们需要针对这个问题具体优化，针对画中画的数据再做识别，然后再调用普通的审核模型。雷锋网雷锋网
图普的产品目前已经在多个行业领域取得很好的应用，但它们暂时只能在一定程度上减少大部分审核人力，无法完全替代人工。这一轮融资过后，我们将加大在服务和计算能力方面的投入，提升产品运行速度和鲁棒性；在算法方面，继续提高图像识别准确率和召回率，我们的愿景是完全解放审核人力，我们也将往审核之外的其他方向扩张业务，如人脸识别，增强现实等，提供更直接，高效和多样化的任务。
">