FORECASTER. P-2 Sp. z o.o. ul. Bajana Jerzego 31d. tel Warszawa

Transkrypt

1 ul. Bajana Jerzego 31d tel Warszawa FORECASTER Wszystkie nazwy handlowe i towarów występujące w niniejszej publikacji są znakami towarowymi zastrzeżonymi odpowiednich firm odnośnych właścicieli. zastrzega, iż informacje stanowiące tajemnicę przedsiębiorstwa w rozumieniu przepisów o zwalczaniu nieuczciwej konkurencji, nie mogą być udostępniane stronom trzecim.

2 Wersja: 1.0 Strona: 2 z 9 WPROWADZENIE Serwis został stworzony przez grupę zapaleńców o szerokim spectrum zainteresowań biznesowo-technicznych. to kompleksowe narzędzie dla analityków specjalizujących się w handlu energią elektryczną nie tylko na rynku polskim. Specjalnie dla państwa stworzyliśmy platformę prognozy cen energii elektrycznej opartą na skomplikowanych modelach matematycznych. codziennie zasilany jest danymi pobieranymi z TGE oraz ze strony operatora systemu energetycznego. W nieodległej przyszłości planowane jest zasilanie serwisu danymi z takich giełd jak EEX oaz NordPool. Tworząc a chcieliśmy zaprezentować wszelkie możliwe dane rynkowe na jednej stronie internetowej w prosty i klarowny sposób. OPIS FUNKCJONALNY DANE SUROWE W ramach projektu serwis został podzielony na trzy części, pierwsza z nich to praca KSE, czyli dane surowe pobierane ze stron PSE Operator. Aplikacja na podstawie pozyskanych danych z serwisów zewnętrznych generuje wykresy pokazujące: BTHD Bilans Techniczno-Handlowy Dobowy WPKD Wstępny Plan Koordynacyjny Dobowy BTHD-WPKD różnica pomiędzy dwoma planami PKD Plan Koordynacyjny Dobowy BPKD Bieżący Plan Koordynacyjny Dobowy

3 Wersja: 1.0 Strona: 3 z 9 Kolejną częścią są dane pochodzące z giełd energii w jej skład wchodzą: TGE o Fixing I o Fixing II o Fixing III o Notowania ciągłe NoordPool EEX RB o CRO o CRR

4 Wersja: 1.0 Strona: 4 z 9 W aplikacji została także zaimplementowana interaktywna mapa z załączeniami i włączeniami sieci energetycznych w Polsce. Na mapie zostały zaznaczone wszystkie elektrownie i elektrociepłownie przyłączone do KSE, dodatkowo na mapie znalazły się wszystkie rozdzielnie linii wysokiego napięcia oraz obszary pracy poszczególnych dostawców energii.

5 Wersja: 1.0 Strona: 5 z 9 PROGNZOWANIE W ramach projektu wykonane zostały modele prognostyczne wykorzystujące różne podejścia do modelowania matematycznego. Tabela 1 przedstawia rodzaje struktur modeli prognostycznych, które zostaną zaimplementowane w ramach projektu. TABELA 1 KLASY WYKORZYSTYWANYCH MODELI PROGNOSTYCZNYCH Struktura modelu O Opis Modele typu AR, ARMA, ARMAX oraz ARIMAX. Modele, w których zakłada Liniowy się liniową zależność wartości prognozowanej od historycznych wartości procesu prognozowanego, popełnianych błędów oraz sygnałów zewnętrznych (takich jak czynniki pogodowe itp.). Nieliniowe modele prognostyczne, podobnie jak modele liniowe mogą opierać się na tych samych wartościach, ale nie zakładają liniowej Sieć neuronowa Model rozmyty zależności. Struktura w postaci sieci neuronowej odwzorowuje zachowanie komórek nerwowych spotykanych w przyrodzie, a zaawansowane algorytmy uczenia sieci neuronowych potrafią odpowiednio dostosować jej parametry ( nauczyć sieć ) tak, aby uzyskać jak najdokładniejszą prognozę interesujących wartości. Model oparty o teorię zbiorów rozmytych wykorzystywanych do tworzenia kombinacji pozostałych modeli. Aplikacja prognozuje następujące wartości: RDN notowania ciągłe cena/wolumen RDN Fixing I cena/wolumen RDN Fixing II cena/wolumen RDN Fixing III cena/wolumen RB CRO cena/wolumen RB CRR cena/wolumen

6 Wersja: 1.0 Strona: 6 z 9 DEFINIOWANIE SWOICH WSKAŹNIKÓW Aplikacja posiada rozbudowany interfejs użytkownika, w którym to użytkownicy decydują, co i w jaki sposób chcą oglądać. Możliwość definiowania swoich własnych wykresów jest podstawową funkcją systemu, pozwala to użytkownikowi na dość dużą swobodę w wykreślaniu potrzebnych mu informacji. Istnieje też dowolność w definiowaniu godzin szczytów przedpołudniowych oraz popołudniowych. OPIS TECHNICZNY MODEL SAAS Model SaaS (Software as a service) umożliwia rożnym klientom dostęp do tego samego oprogramowania poprzez łącze internetowe. Innymi słowy aplikacja nie jest zainstalowana na komputerze klienta a znajduje się w ogólnie dostępnej chmurze. Korzystanie z modelu SaaS jest bardziej efektywne oraz pozwala zaoszczędzić cenny czas i pieniądze przede wszystkim dla klienta jak również dla dostawcy aplikacji. Do korzystanie z aplikacji wykorzystujących model SaaS nie potrzebne jest zatrudnianie przez klienta pracowników do obsługi aplikacji, nie jest też potrzebny nowy sprzęt komputerowy wystarczy komputer z dostępem do Internetu.

7 Wersja: 1.0 Strona: 7 z 9 Aplikacje SaaS działają na serwerach dostawcy i to dostawca zarządza polityką bezpieczeństwa. Na dostawcy również spoczywa obowiązek dbania o wydajność aplikacji oraz jej dostępność dla klienta. Dobrym przykładem wykorzystania modelu SaaS jest praca banku, który to zapewnia prywatność swoim klientom jednocześnie dbając o niezawodność i bezpieczeństwo na masową skalę. Wszyscy klienci banku korzystają z tej samej technologii oraz systemu finansowego nie martwiąc się o niepożądany dostęp do ich danych osobowych tudzież finansowych. Ponieważ aplikacji znajduje się na centralnym serwerze, do którego dostęp maja wszyscy klienci dostawca oprogramowania może wprowadzać innowacje zdecydowanie szybciej niż w przypadku korzystania z modelu ASP. SaaS daje dostęp do aplikacji z każdego miejsca na świecie, co z kolei daje ogromne możliwości rozwoju przedsiębiorstwa. ŹRÓDŁA DANYCH: System na potrzeby wykonywania obliczeń pobiera z różnych źródeł dane wejściowe. Są one przechowywane przez zdefiniowany okres a następnie usuwane. Wewnętrznie system przechowuje dane w formacie HDF5. Do importu (oraz eksportu) danych można wykorzystać następujące wtyczki.

8 Wersja: 1.0 Strona: 8 z 9 1. CSV System wczytuje pliki zawierające wiersz legendy (nazwy punktów źródłowych) oraz oznaczenie daty w pierwszej kolumnie. Zamiast CSV można użyć dane oddzielone białymi znakami. 2. Baza danych dane do odczytu powinny znajdować się w jednej tabeli z identyfikatorem zapisanym w tej samej tabeli. 3. Pliki HDF5 Jako wejście do obliczeń może zostać użyty plik wyjściowy wykonany przez kogoś innego, lub w innej sesji obliczeniowej. WIDOKI: Dla powyższych obliczeń oraz danych wejściowych można zdefiniować poniższe widoki: Lp Nazwa Widoku Opis 1 Timeseries Seria czasowa danych, możliwe tylko dla danych wyjściowych i obliczeń zwracających serię czasową 2 Histogram Wykres histogramu dla pewnej wartości, z możliwością filtrowania względem dowolnych parametrów. Możliwy dla każdej 1 wymiarowej wartości 3 Wykres rozrzutu (scatter) Wykres przedstawiający częstość występowanie par określonych wartości. Dla każdej pary pokazuje punkt na wykresie 4 Wykres 2D Wykreśla zdefiniowaną poprzez zbiór punktów funkcję. Może zostać pokazany na wykresie 3 i 5. 5 Kolorowy wykres rozrzutu Podobny do 3. Pokazuje gęstość występowania par oznaczoną kolorami. 6 Aproksymacja Umożliwia wyświetlenie aproksymowanej krzywej.

9 Wersja: 1.0 Strona: 9 z 9 PODSUMOWANIE I KORZYŚCI Podsumowując powyższe informacje jest uniwersalnym systemem do wykonywania obliczeń na dużych ciągach danych potrafi także prognozować ceny oraz wolumeny energii nie tylko na rynku polskim. Modele prognostyczne zostały dobrane a następnie skalibrowane tak żeby powodowały jak najmniejszy błąd prognozy. Na korzyści aplikacji przemawia też duża liczba danych o rynku energii dostępna w jednym miejscu, możliwość pobierania ich np. do arkusza kalkulacyjnego jest dodatkowym atutem aplikacji.