KONCEPCJA BUDOWY MODELU PROGNOSTYCZNEGO DLA CEN ENERGII ELEKTRYCZNEJ NA RYNKU POLSKIM

Transkrypt

1 KONCEPCJA BUDOWY MODELU PROGNOSTYCZNEGO DLA CEN ENERGII ELEKTRYCZNEJ NA RYNKU POLSKIM Autorzy: Anna Sobotka, Piotr Sobotka, Krzysztof Badyda ( Rynek Energii 1/2019) Słowa kluczowe: prognozowanie cen energii elektrycznej, prognozowanie długoterminowe Streszczenie. Skuteczne przewidywanie przyszłości ma decydujące znaczenie dla osiągania przewagi konkurencyjnej przez przedsiębiorstwo. W tym kontekście konieczne jest prognozowanie pewnych zachowań i zmiennych danego rynku, takich jak ceny energii elektrycznej. Prognozy cen energii elektrycznej są jednym z kluczowych narzędzi, z jakich korzystają spółki energetyczne, jak również inne jednostki przemysłu. Stanowią cenny wsad modeli techniczno-ekonomicznych służących do podejmowania decyzji biznesowych. Pomagają wyznaczyć kierunki działań, strategię przedsiębiorcy, dając przybliżony obraz przyszłości. W artykule przedstawiono koncepcję budowy modelu prognozy cen energii elektrycznej w długim terminie dla przypadku rynku polskiego, dopasowaną do potrzeb firmy energetycznej. Zaprezentowany algorytm obejmuje budowę modelu wyjściowego z wykorzystaniem technik statystycznych/ ekonometrycznych w oparciu o analizę determinant cen energii elektrycznej. Kolejne kroki koncentrują się na takich kwestiach jak: uwzględnienie wpływu ryzyka, implementacja cen przyszłych kontraktów terminowych oraz określenie kierunków zmian na rynku energii i ich wpływu na zmianę cen energii elektrycznej. 1. WPROWADZENIE Głównym celem firmy jest maksymalizacja zwrotu z posiadanych aktywów. Aby osiągnąć ten cel należy nieustannie identyfikować ryzyko i możliwości biznesowe. Z kolei aby to było możliwe, konieczne jest prognozowanie pewnych zachowań i zmiennych danego rynku, takich jak ceny energii elektrycznej. Prognozy cen energii elektrycznej są jednym z kluczowych narzędzi z jakich korzystają spółki energetyczne, jak również inne jednostki przemysłu. Umożliwiają oszacowanie znaczących kosztów i przychodów związanych z produkcją, sprzedażą, zakupem i zużyciem energii elektrycznej, co jest istotne z punktu widzenia podejmowania długoterminowych decyzji inwestycyjnych. Decyzje te są tym trudniejsze w sektorze energetyki ze względu na dużą dynamikę zmian, niespotykaną na innych rynkach. W artykule zaprezentowano koncepcję budowy modelu prognozy cen energii elektrycznej w długim terminie, dopasowaną do potrzeb firmy energetycznej, która pozwoli m.in. na: dobór zmiennych do modelu, mających rzeczywisty wpływ na zmienne objaśniane w rozumieniu statystycznym, odpowiedni wybór założeń i sterowanie nimi, ujęcie w sposób scenariuszowy kierunków możliwych zmian, implementację wiedzy eksperckiej dotyczącej przyszłych zmian rynku energii, uwzględnienie niepewności wpływu przyszłych zdarzeń, przejrzyste ukazanie czynników wpływających na poszczególne scenariusze wynikowe.

2 2. KLASYFIKACJA PROGNOZ CEN ENERGII ELEKTRYCZNEJ ZE WZGLĘDU NA HORYZONT CZASOWY W zależności od tego, jak długi okres czasu uwzględnia dana prognoza cen energii elektrycznej, różne rodzaje modeli są brane pod uwagę. Wyróżniamy tutaj prognozowanie: krótko-, średnioi długoterminowe [6][16][23][27]. Jednakże w literaturze w różny sposób definiowane są przedziały czasu. Prognozowanie krótkoterminowe dotyczy głównie planowania okresu od kilku godzin (lub nawet kilku minut) do kilku dni. Ponieważ takie modele dotyczą bardzo bliskiej przyszłości muszą być bardzo szczegółowe. Stopień niepewności jest tu też zazwyczaj mniejszy ze względu na możliwości precyzyjniejszego prognozowania. Dla jednostki wytwarzania prognozowanie krótkoterminowe wiąże się z produkcją poniżej kosztu krańcowego, czyli codzienną decyzją, ile produkować danego dnia. W przypadku prognozowania średnioterminowego horyzont prognozy wynosi od kilku dni do kilku miesięcy. Często dotyczy planowania sezonowego bądź w skali roku, ewentualnie kilku najbliższych lat. Są wykorzystywane m.in. w zarządzaniu ryzykiem oraz przy wycenie instrumentów pochodnych. Mogą być związane z efektywnym zarządzaniem alokacją zasobów oraz planowaniem operacyjnym i rozwojowym. Dla prognozowania długoterminowego horyzont prognozy obejmuje kilka do kilkudziesięciu lat. Planowanie w tym zakresie musi uwzględniać podejście strategiczne związane z inwestycjami w danym sektorze, takimi jak: budowa nowych mocy/wycofywanie mocy, wprowadzenie nowych rynków, ekspansja sieci przesyłowych, itd.. Związane jest z określaniem celów oraz kierunków i perspektyw długofalowego rozwoju danej organizacji, bowiem wykorzystywane jest m.in. do analizy opłacalności inwestycji. Tabela 1. Klasyfikacja prognoz cen energii elektrycznej ze względu na okres objęty przewidywaniem, wg [6][16][23][25][27] Rodzaj prognozy Horyzont czasowy Cechy prognozy syntetycznie Krótkoterminowa Kilka godzin kilka dni Szczegółowa, jest podstawą planowania operacyjnego, dotyczy zmian ilościowych* Średnioterminowa Kilka dni kilka miesięcy Mniej szczegółowa, jest bazą planów zarządzania zasobami i rozwoju na okres kilku miesięcy/lat, wykorzystywana m.in. w zarządzaniu ryzykiem, dotyczy zmian ilościowych i śladowych zmian jakościowych** Długoterminowa Od kilku do kilkudziesięciu lat Planowanie perspektywiczne, podejście strategiczne, określanie długofalowych celów, dotyczy zmian ilościowych oraz poważnych zmian jakościowych

3 *Zmiany ilościowe dla prognosty wyrażają się zwiększeniem lub zmniejszeniem wartości zmiennej prognozowanej, występującym zgodnie z wykrytą, dotychczasową prawidłowością, np. trendem lub funkcją regresji [6]. ** Zmiany jakościowe polegają na zmianie istotnych cech zjawiska, znajdują wyraz w odejściu od dotychczasowej prawidłowości, np. w zmianie postaci trendu, zmianie charakteru związków, objawiającej się w zmianie wartości parametrów funkcji regresji lub wręcz zaniku dotychczasowych związków i pojawieniu się nowych, tj. w zmianie czynników wpływających na zmienną prognozowaną [6]. W tabeli 1 przedstawiono podział prognoz ze względu na horyzont czasowy wraz z syntetyczną charakterystyką danego rodzaju przewidywania. 3. PRZEGLĄD TECHNIK SŁUŻĄCYCH PROGNOZOWANIU CEN ENERGII ELEKTRYCZNEJ Prognozowanie i modelowanie cen w ogólnym ujęciu od wielu lat jest intensywnie badane w kontekście rynków towarowych bądź finansowych. Zostały rozwinięte różne metody w zależności od celów poszczególnych analiz. Z biegiem czasu wiele z tych metod zostało zaadaptowanych na potrzeby rynku energii elektrycznej. Przy prognozowaniu cen energii elektrycznej zatem korzysta się z technik modelowych stosowanych w innych dziedzinach. Na poziomie akademickim rozliczne techniki zostały rozwinięte w zakresie przewidywania cen energii elektrycznej. W dostępnej literaturze klasyfikowane są w różny sposób. Poniżej krótko zaprezentowano podział modeli zaproponowany przez [23], klasyfikując je do pięciu grup. Modele typu multi-agent (modele symulacyjne, równowagi, kosztów produkcji) symulują one działanie systemu heterogenicznych uczestników rynku, takich jak jednostki wytwarzania, wpływających na siebie. Wynikiem modelu jest cena uzyskiwana poprzez równoważenie popytu i podaży. Większość modeli typu multi-agent koncentruje się raczej na wynikach w kontekście jakościowym niż ilościowym. Kalkulacje są kształtowane poprzez kompleksowe procedury optymalizacyjne, które są czasochłonne. Modele tego typu wymagają zdefiniowania wielu komponentów rynku: graczy, ich potencjalnych strategii, sposobów interakcji pomiędzy uczestnikami czy kwestii kosztów. W odniesieniu do co raz to większej złożoności i liberalizacji rynku energii problem identyfikowania wspomnianych komponentów staje się większym i bardziej złożonym wyzwaniem, jak również rodzi pytania o adekwatność takiego podejścia w kontekście jego precyzji. Modele fundamentalne (strukturalne) opisują zmiany cen poprzez modelowanie istotnych czynników fizycznych i ekonomicznych związanych z ceną energii elektrycznej. Funkcjonalne powiązania pomiędzy fundamentalnymi czynnikami, takimi jak zapotrzebowanie na energię, czy warunki pogodowe [5] są zakładane i dalej zasadnicze parametry wejściowe są niezależnie modelowane, często z wykorzystaniem technik statystycznych, ekonometrycznych bądź nieparametrycznych. Część z rozwiniętych modeli fundamentalnych było produktami zastrzeżonymi prawnie, w związku z czym szczegóły stosowanych podejść nie zostały ujawnione. Większość

4 publikowanych wyników dotyczy rynków, w których dominuje energetyka wodna [12][21]. Wiele z modeli zaprezentowanych w literaturze to rozwiązania hybrydowe stosujące szeregi czasowe, modele regresji, czy sieci neuronowe z uwzględnieniem z fundamentalnych zmiennych (takich jak ceny paliw, zapotrzebowanie na energię czy temperatura) jako zmiennych wejściowych [13]. Modele o zredukowanej formie (ilościowe, stochastyczne) charakteryzują statystyczne właściwości ceny energii elektrycznej w czasie z uwzględnieniem wyceny instrumentów pochodnych oraz zarządzania ryzykiem. Wspólną cechą tych modeli jest to, że ich zasadniczą intencją jest raczej odtworzenie dziennych charakterystyk cen energii elektrycznej, takich jak marginalne rozkłady w przyszłych punktach czasowych czy korelacje pomiędzy cenami poszczególnych rynków. Wśród modeli o zredukowanej formie można wyróżnić podejścia dyfuzji skokowej oraz zmienności reżimu Markova. Zaś w zależności od typu rozważanego rynku, techniki stochastyczne można podzielić na dwie klasy: modele cen spot oraz kontraktów terminowych. Większość przypadków podanych w literaturze wskazuje na niską wydajność tego typu modeli dla prognozowania cen energii elektrycznej [24]. Modele statystyczne (ekonometryczne, analizy techniczne) oznaczają bezpośrednie zastosowanie technik statystycznych wykorzystywanych m.in. przy prognozowaniu obciążenia lub wdrożenie modeli ekonometrycznych dla rynku energii. Za pomocą tych metod prognozuje się ceny energii modelując matematycznie algorytmy wykorzystujące kombinacje historycznych cen energii oraz/lub historycznych i/lub obecnych wartości czynników zewnętrznych, takich jak zapotrzebowanie na energię, zmienne produkcyjne czy pogodowe. Dwie podstawowe grupy modeli statystycznych obejmują podejścia addytywne oraz multiplikatywne. W pierwszym wypadku (bardziej popularnym w użyciu) cena prognozowana jest sumą pewnej liczby składników, w drugim produktem wielu czynników. Atrakcyjność metod statystycznych wynika z możliwości przypisania pewnej fizycznej interpretacji do komponentów prognozy, co pozwala na lepsze zrozumienie ich zachowań. Główną wadą zaś jest zazwyczaj ograniczona zdolność do modelowania nieliniowych zachowań cen energii elektrycznej oraz powiązanych zmiennych fundamentalnych. Jednakże okazuje się, że w praktycznym zastosowaniu wydajność modeli statystycznych jest porównywalna z alternatywnymi podejściami nieliniowymi [1]. Do technik statystycznych zaliczamy m.in. modele dni podobnych, wygładzania wykładniczego, modele regresji, modele szeregów czasowych typu AR (ARMA, ARIMA, AFRIMA, SARIMA) oraz ARX (ARX, ARMAX, ARIMAX, SARIMAX), znanych też pod nazwą dynamicznej regresji, modele autoregresyjne, modele typu GARCH.

5 Rys. 1. Taksonomia modelowania cen energii elektrycznej, wg [23] Modele wykorzystujące inteligencję obliczeniową (oparte na sztucznej inteligencji, nieparametryczne, nielinearne statystyczne) łączą elementy uczenia maszynowego, sieci neuronowych, algorytmów ewolucyjnych (algorytmy genetyczne, programowanie ewolucyjne) i logiki rozmytej czy techniki data mining, by kreować podejścia zdolne do adaptacji do kompleksowych systemów dynamicznych. Jest to bardzo zróżnicowana grupa technik obliczeniowych [14] inspirowanych naturą rozwiązujących problemy, gdzie zastosowanie tradycyjnych metod nie jest efektywne. Modele tego typu są elastyczne, wykorzystywane dla zadań złożonych i nielinearnych, co czyni je obiecującymi zwłaszcza dla obszaru przewidywania krótkoterminowego. Najczęściej stosowane rozwiązania z tego zakresu oparte są o sztuczne sieci neuronowe. Wiele z modeli prognozowania cen energii elektrycznej w krótkim terminie przedstawionych w literaturze, to rozwiązania hybrydowe, łączące w sobie techniki z różnych grup wymienionych powyżej. Rysunek 1 przedstawia taksonomię proponowaną przez [23]. Ostatnie trzy grupy modeli cechują rozwiązania wykorzystywane w literaturze najczęściej w zakresie prognozowania w krótkim lub ewentualnie średnim terminie, rzadziej dla prognoz długoterminowych [23][25]. Co ciekawe natomiast według wyników przeglądu dotyczącego prognozowania cen energii elektrycznej w długim terminie zrealizowanego przez [8] ponad 70% modeli opisanych w artykułach objętych przeglądem wykorzystywało techniki statystyczne oraz inteligencji obliczeniowej. Ogólnie ujmując, w literaturze o charakterze naukowym zaobserwowano obszerne przykłady modelowania i prognozowania cen energii elektrycznej w krótkim terminie. Natomiast wkład

6 literaturowy w zakresie prognozowania cen w długim terminie na poziomie akademickim jest znacząco mniejszy, pomimo dużej atrakcyjności takich badań dla inwestorów, firm energetycznych czy organów państwowych. 4. KONCEPCJA BUDOWY MODELU PROGNOSTYCZNEGO CEN ENERGII ELEKTRYCZNEJ W DŁUGIM TERMINIE DLA PRZYPADKU RYNKU POLSKIEGO Celem prowadzonej pracy jest kompleksowe podejście do problematyki prognozowania cen energii elektrycznej w długim terminie, które pozwoli na: dobór zmiennych do modelu, mających rzeczywisty wpływ na zmienne objaśniane w rozumieniu statystycznym, odpowiedni wybór założeń i elastyczne sterowanie nimi, ujęcie w sposób scenariuszowy kierunków możliwych zmian, wykorzystanie dostępnych informacji tak, by nie ograniczać myślenia o przyszłości, uwzględnienie niepewności wpływu przyszłych zdarzeń oraz przejrzyste ukazanie czynników wpływających na poszczególne scenariusze wynikowe, implementację wiedzy eksperckiej obejmującej przyszłość zmian dotyczących rynku energii, elastyczną konstrukcję mechanizmów przyczynowo-skutkowych wpływających na wyniki modelu. W toku pracy wyodrębniono niżej opisane etapy budowy modelu oraz zidentyfikowano główne czynniki wpływające na realizację poszczególnych kroków. Podsumowano także podstawowe kwestie mające wpływ na adekwatność oraz jakość zaprezentowanej metody. Algorytm budowy modelu przedstawiony jest na schemacie zamieszczonym na rysunku 2. Sposób ujęcia (zdefiniowania) zmiennej prognozowanej (objaśnianej) można określić jako elastyczny. Natomiast istotnym jest sprecyzowanie tej kwestii na potrzeby danej analizy. W dyskutowanym przypadku jest to średnia roczna cena energii elektrycznej na rynku hurtowym w Polsce, liczona jako wypadkowa cen giełdowych rynku dnia następnego oraz kontraktów terminowych. Bazowo planowany jest wybór technik statystycznych/ekonometrycznych do budowy modelu wyjściowego, z uwzględnieniem czynników fundamentalnych. Następnie kolejne kroki powinny koncentrować się na takich kwestiach, jak: uwzględnienie wpływu ryzyka, implementacja cen przyszłych kontraktów terminowych oraz określenie kierunków zmian na rynku energii i ich wpływu na zmianę cen energii elektrycznej.

7 Etap 0 analiza determinant cen energii elektrycznej oraz dobór zmiennych do modelu zawiera: analizę determinant cen energii elektrycznej, zebranie spójnych danych historycznych, walidację zgromadzonych danych, wybór narzędzia i metody doboru zmiennych, ustalenie zbioru zmiennych wejściowych do modelu. Dostępna literatura, m.in. [2-5][9][11][15][17-20][23][25-26] pozwala wyodrębnić następujące główne czynniki determinujące hurtowe ceny energii elektrycznej w perspektywie długoterminowej : ceny paliw pierwotnych (jako główny komponent kosztów zmiennych wytwarzania), tj. ropy, węgla i gazu, koszty środowiskowe (i polityka klimatyczna Unii Europejskiej), tj. ceny uprawnień do emisji CO2, ceny świadectw pochodzenia energii odnawialnej, MIX energetyczny i inwestycje w sektorze energetycznym wpływające na zużycie paliw energetycznych, koszty stałe elektrowni, wolumeny generacji energii z poszczególnych źródeł wytwarzania, zapotrzebowanie na energię - wolumen zużycia energii elektrycznej netto, rozwój połączeń transgranicznych i polityka integracji rynków Unii Europejskiej, a tym samym ceny energii elektrycznej na rynkach państw sąsiednich oraz wolumeny importu i eksportu energii elektrycznej do/z Polski, tempo wzrostu gospodarczego - zmiany PKB Polski, warunki atmosferyczne. Ceny energii elektrycznej na rynku hurtowym kształtowane są w oparciu o koszty produkcji jednostek wytwarzania. Głównym czynnikiem determinującym koszty zmienne są ceny paliw pierwotnych. Ze względu na specyfikę rynku polskiego i dominującą rolę węgla, obecnie znaczną część kosztów zmiennych obejmuje zakup węgla. Z kolei polityka klimatyczna Unii Europejskiej wyznacza rosnący udział kosztów środowiskowych w działalności energetyki. Stąd oparcie systemu na paliwach kopalnych oznacza wysoką emisyjność, co przekłada się na duże koszty związane z zakupem uprawnień do emisji CO2. W kontekście istniejącej struktury wytwarzania w Polsce czynnikiem cenotwórczym są również koszty stałe, które są pozycją znaczącą zwłaszcza w przypadku dużych elektrowni węglowych. Postępujące zmiany mixu energetycznego związane z rozbudową mocy oraz zwiększeniem generacji źródeł odnawialnych przekładają się na zmiany punktu ciężkości zarówno w zakresie ponoszonych nakładów inwestycyjnych, jak i kosztów operacyjnych (praca przy zerowym lub minimalnym koszcie zmiennym). Poza tym funkcjonowanie systemu wsparcia zielonej energetyki wiąże się z dodatkowymi obowiązkami zakupu świadectw pochodzenia.

8 Rys. 2. Algorytm konstrukcji modelu prognostycznego hurtowych cen energii elektrycznej w długim terminie dla rynku polskiego Warunki pogodowe (takie jak temperatura, wietrzność) związane z sezonowością w praktycznym zastosowaniu są raczej zmiennymi wejściowymi określanymi na potrzeby modelowania krótko- i średnioterminowego. W perspektywie długoterminowej potencjalnie można uwzględniać wpływ długofalowych tendencji zmian klimatu, jeśli takowe są prognozowane przez ekspertów ( jednakże w innym charakterze niż to ma miejsce przy obecnie wykorzystywanych technikach prognozowania krótkoterminowego).

9 Etap 1a budowa modelu wyjściowego: wykorzystanie technik statystycznych/ ekonometrycznych w oparciu o analizę determinant cen energii elektrycznej zawiera: wybór metody (spośród technik statystycznych/ ekonometrycznych) i narzędzia do budowy modelu prognostycznego, wykorzystanie danych historycznych dla zbioru zmiennych ustalonych podczas etapu 0, zgromadzenie (lub budowa własnych) prognoz zmiennych objaśniających, opracowanie algorytmów modelu wyjściowego. Etap 1b uwzględnienie wpływu kosztów stałych jednostek wytwarzania, wyodrębniono jako podejście alternatywne do modelowania za pomocą metod opartych na kosztach produkcji. Etap ten zawiera: zebranie danych historycznych i bieżących dotyczących kosztów stałych elektrowni, zgromadzenie prognoz mixu energetycznego oraz prognoz przyszłych kosztów elektrowni, opracowanie sposobu uwzględnienia wpływu kosztów stałych elektrowni na wyniki modelu. Etap 2 implementacja cen przyszłych kontraktów terminowych pozwala uwzględnić przewidywania uczestników rynku co do ceny energii elektrycznej w perspektywie kilku przyszłych lat oraz ich postawę wobec ryzyka [11]. Zawiera on: zebranie danych dotyczących zakontraktowanych pozycji giełdowych dotyczących przyszłych lat, uwzględnienie wpływu cen przyszłych kontraktów terminowych na wyniki modelu. Etap 3 uwzględnienie wpływu przyszłych zmian rynku energii na wyniki modelu, polega na: zebraniu dostępnych planów, opinii ekspertów i prognoz przyszłego kształtu rynku energii, w szczególności w obszarach takich jak: mix energetyczny, rozwój nowych technologii, inwestycje, zapotrzebowanie na energię; regulacje, polityka rządu i UE, kwestie środowiskowe (subsydia i systemy wsparcia, podatki i opłaty, wprowadzanie nowych rynków (rynek mocy), ceny paliw, implementacji w modelu założeń dotyczących przyszłych zmian i niepewności oraz ich wpływu na ceny energii elektrycznej. Opinie ekspertów, plany rządowe i organów regulacyjnych czy inne dostępne prognozy energetyczne stanowią bardzo ważny i cenny wsad konieczny do prognozowania cen energii elektrycznej [11][19][20]. O przyszłości należy myśleć ostrożnie i szeroko, rozpoznając wysoki stopień niepewności związany z rozwojem technologii oraz zmianami regulacji [11].

10 Przykładowe obszary wymagające analizy w kontekście wpływu przyszłych zmian na rynku energii na zmiany cen energii elektrycznej przedstawiono poniżej. Są to: spadek cen technologii odnawialnych (mocy wiatrowych i solarnych) decyduje o coraz większej ich dostępności, kwestią czasu pozostaje także przełom związany z technologiami magazynowania energii, tworzone regulacje i mechanizmy prawne kreują rynek w perspektywie długoterminowej, istotna jest analiza wpływu wprowadzenia rynku mocy na zmiany cen energii elektrycznej, polityka klimatyczna Unii Europejskiej wymusza zmianę modelu rynku wytwarzania, ścieżki ewoluowania kształtu mixu energetycznego są wielorakie i konieczne jest podejście scenariuszowe. Trzeci etap konstrukcji modelu jest najistotniejszym, a zarazem najtrudniejszym zadaniem. Zbudowanie modelu opartego jedynie na danych historycznych poprowadziłoby do błędnych wniosków, dlatego też kluczowym jest konstrukcja modelu hybrydowego z mocnym akcentem położonym na niepewności przyszłych zmian. Etap 4 to ocena prognozy i konkluzje zawierające: wybór metod oceny prognozy, weryfikację całego procesu prognozowania, sformułowanie wniosków. Wiele czynników decyduje o adekwatności i jakości modelu. Wśród nich możemy wyróżnić m.in.: dostępność oraz jakość zebranych/zbudowanych prognoz zmiennych objaśniających, poprawność założeń [16], adekwatność dobranych metod [16] i narzędzi prognozowania, poprawność zastosowanych algorytmów. 5. PODSUMOWANIE Wymogi rynku i potrzeby biznesowe firm energetycznych (m.in. przygotowanie materiałów strategicznych, budowa modeli techniczno-ekonomicznych, analiza opłacalności inwestycji, planowanie perspektywiczne), jak również obserwowana dynamika zmian rynku energii stanowią motywację dla kompleksowej analizy prognozowania cen energii elektrycznej w długim terminie (większość prac naukowych w tematyce prognozowania cen energii elektrycznej jest skoncentrowana na modelowaniu krótko- i średnioterminowym). Podejście zaprezentowane w artykule to punkt wyjścia do dalszej budowy i rozwoju koncepcji modelu dopasowanego do potrzeb firmy energetycznej, która pozwoli m.in. na odpowiedni

11 wybór założeń i sterowanie nimi, uwzględnienie niepewności wpływu przyszłych zdarzeń oraz przejrzyste ukazanie czynników wpływających na poszczególne scenariusze wynikowe. Konstrukcja takiego modelu jest interesująca zarówno z perspektywy akademickiej, jak i biznesowej. Bazowo planowany jest wybór technik statystycznych/ekonometrycznych do budowy modelu wyjściowego, z uwzględnieniem czynników fundamentalnych. Następnie kolejne kroki powinny koncentrować się na takich kwestiach, jak: uwzględnienie wpływu ryzyka, implementacja cen przyszłych kontraktów terminowych oraz określenie kierunków zmian na rynku energii i ich wpływu na zmianę cen energii elektrycznej. Prognozowanie cen energii elektrycznej w długim terminie jest zadaniem niezwykle istotnym i jednocześnie trudnym, głównie ze względu na niepewności przyszłych zmian dotyczących rynku energii ogółem. Dlatego też ważne jest ujęcie w sposób scenariuszowy kierunków możliwych zmian oraz wykorzystanie dostępnych informacji tak, by nie ograniczać myślenia o przyszłości. Budowa modelu to proces wieloetapowy i wymagający dużej rzetelności.

12 LITERATURA [1] Azadeh A., Moghaddam M., Mahdi M., Seyedmahmoudi S. H.: Optimum long-term electricity price forecasting in noisy and complex environments, Energy Sources, Part B: Economics, Planning and Policy, 2013, 8(3): [2] Balaguer J.: Cross-border integration in the European electricity market. Evidence from the pricing behavior of Norwegian and Swiss exporters, Energy Policy, 2011, 39(9): [3] Bencivenga C., Sargenti G., D Ecclesia R.: Energy markets: crucial relationship between prices, Mathematical and Statistical Methods for Actuarial Sciences and Finance, 2010: [4] Bosco B., Parisio L., Pelagatti M., Baldi F.: Long-run relations in European electricity prices, Journal of Applied Econometrics, 2010, 25: [5] Burger M., Graeber B., Schindlmayr G.: Managing energy risk: an integrated view on power and other energy markets, Wiley, (rozdział 4) [6] Cieślak M. (red.): Prognozowanie gospodarcze. Metody i zastosowanie, Wydawnictwo Naukowe PWN, Warszawa, [7] Czerwiński Z.: Matematyczne modelowanie procesów ekonomicznych, PWN, Warszawa, [8] Esteves G.R.T., Bastos B.Q., Cyrino F.L, Calili R.F., Souza R.C.: Long Term Electricity Forecast: A Systematic Review, Procedia Computer Science, 2015, 55: [9] Góra A., Strzała S.: Prognozowanie ceny energii na TGE SA analiza empiryczna, Zarządzanie i finanse, 2013, R. 11, nr.3, cz.2: [10] Grabiński T., Wydymus S., Zeliaś A.: Metody doboru zmiennych w modelach ekonometrycznych, PWN, Warszawa, [11] Hamm G., Borison A.: Forecasting long-run electricity prices. The Electricity Journal, 2006; 19(7): [12] Johnsen T. A.: Demand, generation and price in the Norwegian market for electric power, Energy Economics, 2001, 23(3): [13] Karakatsani N. V., Bunn D. W.: Forecasting electricity prices: the impact of fundamentals and time-varying coefficients, International Journal of Forecasting, 2008, 24(4):

13 [14] Konar A.: Computational intelligence: principles, techniques and applications, Springer, [15] Łabinowicz K., Bujalski W.: Wyodrębnienie głównych czynników kształtujących ceny energii elektrycznej na rynku dnia następnego z wykorzystaniem metod statystycznych, Rynek Energii, 2015, 6: [16] Nazarko J. (red.): Prognozowanie w zarządzaniu przedsiębiorstwem, cz. 1, Wprowadzenie do metodyki prognozowania, Wydawnictwo Politechniki Białostockiej, Białystok, 2004 [17] Papież M.: Wpływ cen surowców energetycznych na ceny spot energii elektrycznej na wybranych giełdach energii w Europie, Ekonometria, 2012, 4: [18] Pieczarko R., Sołtysik M.: Analiza wpływu generacji źródeł wiatrowych na poziom kształtowania się cen energii elektrycznej na rynku SPOT, Przegląd Elektrotechniczny, 2017, 4. [19] Sisodia G.S.: Methodology for Electricity Price Forecasting in the Long Run, Energy Procedia, Wrzesień 2016, 95: [20] Sisodia G.S., Soares I., Banerji S., Poel D.: The status of Energy price modeling and its relevance to marketing in emerging economies, Energy Procedia, 2015, 79: [21] Vahviläinen I., Pyykkönen T.: Stochastic factor model for electricity spot price the case of the Nordic market, Energy Economics, 2005, 27(2): [22] Ventosa M., Baíllo Á., Ramos A., Rivier M.: Electricity market modeling trend. Energy Policy, 2005, 33(7): [23] Weron R.: Electricity price forecasting: A review of the state-of-art with a look into the future. International Journal of Forecasting, 2014; 30: [24] Weron R., Misiorek A.: Forecasting spot electricity prices: a comparison of parametric and semiparametric time series models, International Journal of Forecasting, 2008, 24: [25] Weron R., Modeling and Forecasting Electricity Loads and Prices A Statistical Approach,Wiley, [26] Zachmann G.: Electricity wholesale market prices in Europe: convergence?, Energy Economics, 2008, 30 (4): [27] Zeliaś A.: Teoria prognozy, Państwowe Wydawnictwo Ekonomiczne, Warszawa, 1984.

14 A CONCEPT OF CONSTRUCTION OF A FORECASTING MODEL FOR ELECTRICITY PRICES ON THE POLISH MARKET Key words: electricity price forecasting, long run forecasting, electricity price modelling Summary. Successful prediction of the future is crucial for achieving a company's competitive advantage. In this context, it is necessary to forecast certain behaviors and variables of the market, such as electricity prices. Forecasts of electricity prices are one of the key tools used by energy companies as well as other industry units. They constitute a valuable input of technical and economic models for making business decisions. They help determine the directions of activities, the entrepreneur's strategy, providing an approximate picture of the future. The article presents the concept of building a forecasting model for electricity prices in the long run for the Polish market case, tailored to the needs of an energy company. The presented algorithm includes the construction of an output model using statistical / econometric techniques based on the analysis of electricity price determinants. Next steps focus on such issues as: taking into account the impact of risk, implementing prices of future contracts (forwards) and determining the directions of changes on the energy market as well as their impact on the change in electricity prices. Anna Sobotka, mgr inż., doktorantka w Instytucie Techniki Cieplnej, Wydział Mechaniczny Energetyki i Lotnictwa Politechniki Warszawskiej; Specjalista w Biurze Bilansowania i Zarządzania Efektywnością Energetyki, PKN ORLEN SA, anna.sobotka@orlen.pl Piotr Sobotka, dr inż., adiunkt w Zakładzie Optyki i Fotoniki, Wydział Fizyki Politechniki Warszawskiej, Współwykonawca wielu projektów naukowych jak i wdrożeniowych oraz zleceń dla przemysłu. Współpracuje z wieloma ośrodkami naukowymi z Polski i Europy. piotr.sobotka@pw.edu.pl Krzysztof Badyda, prof. dr hab. inż., Dyrektor Instytutu Techniki Cieplnej, Wydział Mechaniczny Energetyki i Lotnictwa Politechniki Warszawskiej; autor i współautor ponad 250 prac opublikowanych drukiem w monografiach, czasopismach naukowych i technicznych oraz materiałach konferencji krajowych i międzynarodowych; badyda@itc.pw.edu.pl