Charakterystyka i klasyfika ja arzędzi wykorzystywanych w procesie prognozowania zapotrze owa ia a e ergię

Transkrypt

1 ZARZĄDZANIE ENERGETYKĄ PROSUMENCKĄ Stowarz sze ie Klaster, Polite h ika Często howska Często howa, Charakterystyka i klasyfika ja arzędzi wykorzystywanych w procesie prognozowania zapotrze owa ia a e ergię Marcin Zawada

2 bardzo trudno jest zapropo ować odpowied ią klas fika ję modeli arzędzi wykorzystywanych do opisu i prognozowania na gruncie energetyki. wpł w na to ma ich duża róż orod ość w: zapisie matematycznym, zmiennych endogenicznych i egzogenicznych, założe ia h stawianych estymacji ich parametrów, włas oś ia h prognostycznych oraz zadaniach (celach) stawianych pod nimi.

3 Klasyfikacji odeli arzędzi w korz st wa h do opisu i prognozowania na gruncie energetyki: rozmiar badanego systemu horyzont czasowy prognozy rodzaj źródła e ergii rodzaj uczestnika rynku prognozowane zjawisko zastosowany model

4 ROZMIAR BADANEGO SYTEMU prognozowanie zapotrzebowania pojedynczego odbiorcy zespołu od ior ów grup tar fowej określo h o szarów systemu elektroenergetycznego kraju systemów ponadnarodowe

5 HORYZONT CZASOWY PROGNOZY (25 lat) - globalne zapotrzebowanie energii, w celu planowania inwestycji w bazie paliwowo-energetycznej i źródła h energii elektrycznej 1-10 lat - iesię z e zapotrzebowanie energii, śred ie i ekstremalne wartoś i iesię z h o iążeń charakterystycznych doby, - w celu planowania inwestycji sieciowych, planowania remontów i współpra iędz arodowej 3-12 iesię y - wartoś i o iążeń charakterystycznych dla wszystkich dni okresu - w celu korygowania planów remontów, korygowania planów produkcji mocy i energii oraz współpra z zagra i ą

6 HORYZONT CZASOWY PROGNOZY (cd.) 1 doba -3 iesią e - wartoś i godzinowe zapotrzebowania mocy dla wszystkich dni w okresie - w celu skorygowania planu eksploatacji systemu, zakupów energii poprzez giełdę 6-24 godz. - godzinowe wartoś i zapotrzebowania mocy, korygowane z uwzględ ie ie parametrów meteorologicznych - w celu ustalenia programu pracy systemu do 6 godz. - skorygowanie wartoś i zapotrzebowania mocy z uwzględ ie ie funkcji korelacyjnej procesu zapotrzebowania - do ieżą ego sterowania pra ą systemu.

7 Rodzaj źródła e ergii odelowa ie i prog oz e erget ki węglowej energetyki wiatrowej e erget ki jądrowej energetyki solarnej e ergii po hodzą ej ze źródeł od awial h

8 Rodzaj uczestnika rynku wytwórców energii operatorów s ste u przes łowego i dystrybucyjnego r ku ila sują ego r ku giełdowego finalnego odbiorcy

9 Prognozowane zjawisko wolumen zuż ia, sprzedaż ceny energii e isja za ie z sz zeń wycena instrumentów pochodnych zasoby energetyczne

10 ZASTOSOWANY MODEL MATEMATYCZNY Modele oparte na analizie szeregów czasowych Modele ekonometryczne Modele zuży ia koń owego end-use) Modele przepływów iędzygałęziowy h inputoutput) Nowe kieru ki odelowa ia

11 Modele wyrównywania wykład i zego Metoda ta została rozwi ięta iezależ ie przez Browna i Holta w latach 50-tych i 60-tych XX wieku. Zastosowanie: Chen G.J., Li K.K., Chung T.S., Sun H.B., Tang G.Q., Application of an innovative combined forecasting method in power system load forecasting, Electric Power Systems Research 59 (2001) prognozy zapotrzebowania na moc dla jednego z hiński h miast Taylor J.W., Menezes L.M., McSharry P. E., A comparison of univariate methods for forecasting electricity demand up to a day ahead, International Journal of Forecasting 22 (2006) 1 16 wykorzystanie modelu do prognozowania zuż ia energii na kolejne godziny doby dla dwóch duż h miast Ameryki Pół o ej Cadenas E., Jaramillo O.A., Rivera W., Analysis and forecasting of wind velocity in chetumal, quintana roo, using the single exponential smoothing method, Renewable Energy 35 (2010) wykorzystanie w modelowaniu i prognozowaniu na rynku energii odnawialnej.

12 Modele stacjonarnych i niestacjonarnych szeregów czasowych (Boxa-Jenkinsa, ARMA, ARIMA) Zastosowanie: Jamal H., ARIMA and regression models for prediction of daily and monthly clearness index, Renewable Energy, Volume 68, (2014), zastosowanie do budowy prognoz dziennych i iesię z h w energetyce solarnej Chavez S., G., Bernat J., X., Coalla H., L.: Forecasting of energy production and consumption in Asturian (northern Spain). Energy 24 (1999) Estymacja i prognozy krótkookresowe ałkowitego oraz sektorowego prze sł zuż ia energii elektrycznej w regionie Asturian w Hiszpanii w oparciu o dane roczne i iesię z e z lat Swider D.J.,Weber CH., Extended ARMA models for estimating price developments on day-ahead electricity markets, Electric Power Systems Research 77 (2007) gdzie autorzy doko ują modelowania zmian cen spot energii elektrycznej na Europejskiej Giełdzie Energii (EEX) w latach oraz dwóch innych niemieckich rynkach RWE i E.ON.

13 Modele wektorowej autoregresji (vector autoregression, VAR) Zastosowanie: Galindo L.M., Short- and long-run demand for energy in Mexico: a cointegration approach, Energy Policy 33 (2005), na podstawie danych z lat dokonano estymacji popytu na e ergię elektr z ą w Meksyku w podziale na prze sł, transport, rolnictwo, gospodarstwa domowe w korz stują jako zmienne egzogeniczne indeksy cen energii oraz ich poziomy. Garcia-Ascanio C., Carlos Mate C., Electric power demand forecasting using interval time series: A comparison between VAR and imlp, Energy Policy 38 (2010), analiza porównawcza dwóch modeli VAR oraz imlp (multi-layer perceptron model) wykorzystanych do prognozowania popytu na e ergię elektr z ą dla Hiszpanii (dane godzinowe)

14 Modele nieliniowe Zastosowanie: Haldrup N., Nielsen F. S., Nielsen A.O., A vector autoregressive model for electricity prices subject to long memory and regime switching, Energy Economics 32 (2010,) modelowanie i prognozowanie zmian cen spot na obszarze funkcjonowania giełd Nord Pool Janczura J., Weron R., An empirical comparison of alternate regime-switching models for electricity spot prices, Energy Economics 32 (2010), wykorzystanie modeli regresji przełą z ikowej do modelowania cen energii elektrycznej na europejskiej i angielskiej giełdzie energii Zawada M., Włodar zyk A., Przełą z ikowe modele Markowa dla cen energii elektrycznej na giełdzie energii w Polsce, W: Dynamiczne Modele Ekonometryczne. red. nauk. Zygmunt )ieliński. Wyd. Uniwersytetu Mikołaja Kopernika, Toruń 2007 badania zmian cen spot energii elektrycznej na Towarowej Giełdzie Energii w Polsce

15 Dekompozycja widmowa (analiza spektralna) analiza spektralna szeregu czasowego opisują ego zapotrzebowanie na moc (odczyt co 30 minut z lat co daje obserwacji) dla jednego z regionów połud iowej Polski, wybór do opisu zjawiska zaledwie 16 składow h harmonicznych z zestawu 8760 ożliw h dał ożliwość w jaś ie ia badanego zjawiska w 95%. Zawada M., Modelowanie i prognozowanie zapotrzebowania na e ergię elektry z ą w aspekcie rozwoju rynku energii elektrycznej w Polsce, Wydawnictwo WSZiM w Sosnowcu, Sosnowiec 2002

16 Sztuczne sieci neuronowe (modele ate at z e, które swoje wzor e w wodzą z iologii i o serwa ji ludzkich komórek nerwowych) Zastosowanie: Mandal P., Senjyu T., Funabashi T., Neural networks approach to forecast several hour ahead electricity prices and loads in deregulated market, Energy Conversion and Management 47 (2006), odelowa ie i prog ozowa ie e e ergii elektr z ej i wolu e u sprzedaż a rynku australijskim Pao H.T., Forecasting electricity market pricing using artificial neural networks, Energy Conversion & Management 48 (2007), prognozowanie krótkoterminowe cen na europejskiej giełdzie energii w Niemczech Jorjeta G. J., Neural network model ensembles for building-level electricity load forecasts, Energy and Buildings Volume 84 (2014), prog ozowa ie krótkoter i ow dzień do przodu zapotrze owa ia a e ergię elektr z ą a pozio ie pojed zego ud ku Łyp J., Prognozowanie cen energii na rynku ila sują y z uży ie sztucznych sieci neuronowych, w: Prognozowanie w elektroenergetyce, Wydawnictwo Politechniki Często howskiej, Często howa 2004, s prog ozowa iu e e ergii a r ku ila sują w Pols e

17 Modele ARCH (GARCH,, IGARCH, F-GARCH, TARCH, APARCH, NARCH, AARCH) modele przeniesione z rynków finansowych na grunt energetyki, z ajdują szerokie zastosowanie w modelowaniu i prognozowaniu popytu na e ergię elektr z ą oraz cen tej energii (szczególnie na rynku giełdow. Koopman, S.J., Ooms, M., Carnero, M.A., Periodic seasonal Reg- ARFIMA-GARCH models for daily electricity spot prices, Journal of the American Statistical Association 102 (2007), Yudong W., Chongfeng W., Forecasting energy market volatility using GARCH models: Can multivariate models beat univariate models? Energy Economics, Volume 34, Issue 6 (2012), Zawada M., Włodar zyk A., Analiza cen spot energii elektrycznej. Przegląd wybranych modeli szeregów czasowych., Energetyka 7 (2008), Aloui Ch., Mabrouk S., Value-at-risk estimations of energy commodities via long-memory, asymmetry and fat-tailed GARCH models, Energy Policy 38 (2010),

18 Klasyczne ekonometryczne modele przyczynowo-skutkowe oparte a poszukiwa iu związków iędz zuż ie e ergii a wskaź ika i makroekonomicznymi (demograficznymi, technicznymi, pogodowymi), takimi jak: produkt krajowy brutto i jego struktura, liczba lud oś i, długość sieci przes łow h i dystrybucyjnych, struktura zatrudnienia, postęp techniczny, ceny oś ików energii elektrycznej i ceny alternatywnych oś ików energii, emisja CO2, temperatura powietrza, prędkość wiatru, zachmurzenie, opady itp.

19 Pardo A., Meneua V., Valor E., Temperature and seasonality influences on Spanish electricity load, Energy Economics 24 (2002), Mohamed Z., Bodger P., Forecasting electricity consumption in New Zealand using economic and demographic variables, Energy 30 (2005), Bessec M., Fouquau J., The non-linear between electricity consumption and temperature in Europe: A threshold approach, Energy Economics 30 (2008), Goghan A., Modeling of energy consumption based on economic and demographic factors: The case of Turkey with projections, Renewable and Sustainable Energy Reviews, Volume 35 (2014), July 2014, Pages Zawada M., Włodar z k A., : The Use of Weather Variables in the Modeling of Demand for Electricity in One of the Regions in the Southern Poland, Dynamic Econometric Models Vol.9/2009, Toruń 2009, s

20 Ekonomiczne modele rynku energii model WILMAR (Wind Power Integration in Liberalised Electricity Markets) Model COMPETES (COmprehensive Market Power in Electricity Transmission and Energy Simulator) EMELIE (The Electricity Market Liberalisation in Europe) Model SFE (Supply Function Equilibra) EPC-MACRO AURORAxmp EMCAS PLEXOS GTMax UPLAN WASP MAED

21 Logika rozmyta Lau H.C.W., A fuzzy logic approach to forecast energy consumption change in a manufacturing system, Expert Systems with Applications, Volume 34, Issue 3, (2008), Podejś ie logiki rozmytej do prognozowania zuż ia energii w procesach produkcyjnych Kucukali S., Baris K., Turkey's short-term gross annual electricity demand forecast by fuzzy logic approach, Energy Policy (2010), Krótkoterminowe zapotrzebowanie na e ergię elektr z ą dla Turcji przy uję iu aspektów ekonomicznych i politycznych Arciniegas Al., Arciniegas Rueda IE., Forecasting short-term power prices in the Ontario Electricity Market (OEM) with a fuzzy logic based inference system, Utilities Policy, Volume 16, Issue 1,(2008), Prognozowanie ceny szczytowej dzień do przodu) na rynku Ontario w Kanadzie

22 I e owe? arzędzia prog osty z e modele hybrydowe modele skoku-dyfuzji data mining (MARS -Multivariate Adaptive Regression Splines, algorytm lasów losowych, algorytmy genetyczne odele korekt łęde modele przestrzeni stanów

23 Wnioski: Zaproponowana klasyfikacja modeli arzędzi wykorzystywanych w procesie tworzenia prognoz wykorzystywanych w energetyce zapewne nie w zerpują omawianego tematu Wykorzystywane w energetyce modele ulegają modyfikacjom w zależ oś i od posiadanego zbioru danych, celu konstrukcji prognoz, rozwoju systemów obliczeniowych oraz zmian na rynku energii (np. powiąza ie z o hro ą środowiska, poszukiwanie nowych źródeł energii, działal ość giełd energii) Często proste modele matematyczne dają prognozy porównywalne (co do łędów do tych uzyskiwanych z modeli bardzo złożo h