PREGLED OPTIMIZACIJSKIH METODA U EES-U

SVEUILITE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAUNARSTVA
ZAVRNI RAD br. 1377
PREGLED OPTIMIZACIJSKIH METODA U EES-U

Perica Ilak
Zagreb, lipanj 2010
SADRAJ 1. UVOD ............................................................................................................................................................ 4 2. PUTANJE ELEKTRANE U POGON ...................................................................................................... 6 2.1. PREGLED RAZLIITIH METODA MODELIRANJA CIJENE ELEKTRINE ENERGIJE ............. 7 2.1.1. MODELI TROKOVA PROIZVODNJE ....................................................................................... 8 2.1.2. EKVILIBRIJSKI MODELI ............................................................................................................. 9 2.1.3. FUNDAMENTALNI MODELI .................................................................................................... 10 2.1.4. KVANTITATIVNI MODELI ....................................................................................................... 12 2.1.5. STATISTIKI MODELI............................................................................................................... 15 2.1.6. MODELI BAZIRANI NA UMJETNOJ INTELIGENCIJI (ANN) ............................................... 17 2.1.7. ARMA MODEL ............................................................................................................................ 18 2.2. PREGLED STOHASTIKIH METODA MODELIRANJA CIJENE ELEKTRINE ENERGIJE .... 20 2.2.1. SIMULACIJA CIJENE ELEKTRINE ENERGIJE POMOU STOHASTIKIH PROCESA . 21 2.3. ULOGA I UTJECAJ OPTEREENJA NA CIJENU ELEKTRINE ENERGIJE .............................. 23 2.3.1. PREGLED METODA MODELIRANJA OPTEREENJA .......................................................... 25 3. PLANIRANJE PROIZVODNIH KAPACITETA ................................................................................... 26 3.1. PROBLEM PLANIRANJA KAPACITETA ELEKTRANE ................................................................ 26 3.1.1. MONTE CARLO METODA...................................................................................................... 26 3.2. PROBELEM ISPLATIVOSTI ELEKTRANE...................................................................................... 29 3.2.1. REAL OPTION APPROACH ...................................................................................................... 29 4. EKOLOKI I ENERGETSKI PROBLEMI, REDUCIRANJE EMISIJE CO2 .................................... 32 4.1. MARKAL MODELI ............................................................................................................................ 33 4.2. PREGLED MARKAL MODELA ........................................................................................................ 34 5. PROGNOZIRANJE OPTEREENJA .................................................................................................... 37 5.1. PREGLED METODA MODELIRANJA OPTEREENJA ................................................................. 38 5.2. STATISTIKE METODE ................................................................................................................... 39 5.3. METODE BAZIRANE NA UMJETNOJ INTELIGENCIJI ............................................................... 40 6. ZAKLJUAK ............................................................................................................................................. 40 7. LITERATURA ........................................................................................................................................... 41 8. SAETAK ................................................................................................................................................... 42 KLJUNE RIJEI ........................................................................................................................................... 46 BIBLIOGRAFIJA ............................................................................................................................................ 49
1. UVOD Elektrina energija ima ogroman utjecaj na nae drutvo i danas je teko zamisliti ivot bez nje. Tradicionalna, centralizirana regulacija opskrbe elektrinom energijom je smatrana nunom da bi se osigurala pouzdana opskrba i uinkovita proizvodnja. Uinkovitost je ostvarena kroz ekonomiju razmjera. Energetski sektor je vertikalno integrirana struktura s malom ili nikakvom konkurencijom. Meutim tijekom posljednja dva desetljea monopolistika situacija je zamijenjena s dereguliranim, konkurentnim tritem, gdje su potroai, u principu slobodni pri odabiru posluitelja energije. Da bi se olakala trgovina na ovim novim tritima, organizirane su burze za trgovinu elektrinom energijom. Na konkurentnom tritu elektrina energija moe biti kupljena ili prodana po trinoj cijeni kao svaka druga roba. Kao rezultat visina rizika koju trpe elektrina postrojenja, proizvoai elektrine energije i trgovci je znatno porasla. Uspjeno upravljanje kompanijom u takvim tritima zahtijeva dosta statistike analize i profesionalnog pristupa. Kao rezultat toga razvijene su statistike metoda za upravljanje velikim koliinama podataka radi modeliranja, prognoziranja cijene elektrine energije ili prognoziranja optereenja. Kada je energetski sektor bio reguliran, monopolisti su koristili kratkorono prognoziranje optereenja da bi osigurali pouzdanost opskrbe i dugorono prognoziranje optereenja kao osnovu za planiranje i investiranje u nove kapacitete. To vie nije sluaj tamo gdje postoji konkurencija. Troak ugovaranja prevelike ili premale koliine energije, te kasnije prodaje na balansiranom tritu je toliko visok da stvara velike financijske poremeaje postrojenja. Minimizacija volumetrijskog rizika nije nikada bila od tolike vanosti kao danas. Kao rezultat, prognoziranje optereenja je postalo vano u procesu planiranja i rada energetskih postrojenja, proizvoaa, operatora i drugih trinih sudionika. Drugi problem liberaliziranih trita su ekstremne oscilacije cijena, to je natjeralo proizvoae i velike potroae da se osiguraju ne samo od volumetrijskog rizika nego i od velikih oscilacija cijena. Prognoziranje cijena je postalo strateki vano prilikom odluivanja i stratekog razvoja. Ono to e takoer biti tema ovog seminara je planiranje novih kapaciteta. Pri stratekom odluivanju i planiranju novih kapaciteta potrebno je koristit optimizacijske metode prilikom donoenja odluka. Problem odabira kapacitete elektrana i isplativost elektrane biti e rijeeni pomou optimizacijskih metoda.
Takoer dotaknut e se problem reduciranja staklenikih plinova te MARKAL modela koji predstavljaju skup alata za analizu energetskih rijeenja i utjecaj istih na okoli. Na problem reduciranja CO2 emisija moe se odgovoriti primjenom MARKAL modela, koji moe prepoznati najjeftinije rijeene.
2. PUTANJE ELEKTRANE U POGON OPENITO: Posljednjih desetljea, postoji tendencija liberalizacije trita elektrine energije s ciljem postizanja jeftinijih i pouzdanijih usluga za korisnike elektrine energije. Povrh svega, proizvoai elektrine energije su izloeni razliitim rizicima liberaliziranog trita elektrine energije. Rizici odnosno neizvjesnosti koje ih zahvaaju podrazumijevaju; oscilacije cijena elektrine energije i cijena goriva poput nafte, plina, ugljena i urana te rizici politikih odluka, tehnolokog razvoja, konkurencije itd. Predmet rasprave ovog poglavlja biti e kretanje cijena elektrine energije. Radi maksimiziranja dobiti elektrane, potrebno je optimizirati dostupnost generatora za vrijeme viih cijena te provoditi redovito odravanje generatora za vrijeme niskih cijena elektrine energije. Zbog toga se pojavila potreba za alatima koji e pomoi pri odluivanju odnosno optimiziranju dostupnosti generatora s obzirom na cijenu elektrine energije i potronju elektrine energije. Osim predvianja cijene elektrine energije, drugi parametar pri naem odluivanju u optimiziranju dostupnosti generatora je prognoziranje optereenja (eng. load forecast). Ovo poglavlje daje kratki uvid u metode modeliranja potronje elektrine energije. Opirnije o prognoziranju optereenja, biti e u poglavlju 4, gdje e prognoziranje potronje biti promatrano kao zaseban problem. OPTIMIZACIJSKE METODE: pregled razliitih metoda modeliranja cijene elektrine energije, pregled stohastikih metoda modeliranja cijene elektrine energije, ANN, ARMA, pregled metoda modeliranja optereenja LITERATURA: Weron, R. Modeling and Forecasting Electricity Loads and Prices: A Statistical Approach. West Sussex England: John Wiley & Sons Ltd, 2006 Mst, D; Keles, D. A survey of stochastic modelling approaches for liberalised electricity markets. European Journal of Operational Research, 2009 Sansom, D.C; Saha, T. K. Neural Networks For Forecasting Electricity Pool Price In A Deregulated Electricity Supply Industry. Department of Computer Science and Electrical Engineering University of Queensland, 1999 Xu, Z; Dong, Z. Y; Liu, W. Q. Neural Network Models For Electricity Market Forecasting. School of Information Technology and Electrical Engineering The University of Queensland, 2005
2.1. PREGLED RAZLIITIH METODA MODELIRANJA CIJENE ELEKTRINE ENERGIJE OPENITO: Razvijene su razliite metode modeliranja cijena elektrine energije, koje nam pomau u analiziranju i prognoziranju cijena, te ih moemo podijeliti u est kategorija1 (Tablica 1).
Tablica 1. Pregled razliitih metoda modeliranja cijene elektrine energije Naziv MODELI TROKOVA PROIZVODNJE (eng. Production cost or cost based models) Objanjenje Modeli koji simuliraju rad proizvodnih jedinica s ciljem zadovoljavanja potranje uz minimalne trokove. Metode koje kreiraju proces cijena elektrine energije preko ekvilibrijskih metoda za trite elektrine energije. Metode koje opisuju dinamiku cijena modeliranjem utjecaja vanih fizikih i ekonomskih faktora na cijenu elektrine energije. Modeli koji uzimaju u obzir statistika svojstva cijena elektrine energije tijekom vremena. Svrha ovih modela je evaluacija financijskih izvedenica (terminski ugovori, ronice odn. forward i futures ugovori) te upravljanje rizicima. (Tablica 2.) STATISTIKI MODELI (Tablica 2.) (eng. Statistical or tehnical analysis) Statistike metode koje su izvorno primjenjivane u predvianju potronje (eng. load forecast). (Tablica 2.) Metode koje modeliraju proces kreiranja cijena putem neuronskih mrea, fuzzy logika (eng. neural networks, fuzzy logic).
EKVILIBRIJSKI MODELI (eng. Equilibrium or game theoretic)
FUNDAMENTALNI MODELI (eng. Fundamental or structural)
KVANTITATIVNI MODELI (eng. Quantitative or stochastic, econometric)
MODELI BAZIRANI NA UMJETNOJ INTELIGENCIJI (eng. Artificial intelligence-based or non parametric)
Tablica 2. Pregled Statistikih i Kvantitativnih metoda modeliranja cijena elektrine energije STATISTIKI MODELI ARMA-type MODELS TIME SERIES MODELS WITH EXOGENOUS VARIABLES Literatura
(Weron, 2006), (Cuaresma, 2004), (Weron and Misiorek, 2005), (Contreras, 2003), (Conejo, 2005a), (Carnero, 2003) (Weron, 2006), (Nogales, 2002), (Contreras, 2003), (Conejo, 2005a), (Weron and Misiorek, 2005)
Imena metoda e biti navedene i na engleskom jeziku radi lakeg snalaenja i razumijevanja.
7
AUTOREGRESSIVE GARCH MODELS LINEAR MODELS
(Weron, 2006), (Karakatsani and Bunn, 2004), (Bystrom, 2005), (Mugele, 2005), (Swider and Weber, 2006)
(Weron, 2006), (Contreras, 2003), (Nogales, 2002) (Weron, 2006), (Tong, 1978), (Tong and Lim,
REGIME-SWITCHING MODELS
1980), (Rambharat, 2005), (Weron and Misiorek, 2005), (Misiorek, 2006)
KVANTITATIVNI MODELI JUMP-DIFFUSION MODELS A MEAN-REVERTING JUMP DIFFUSION MODEL FOR NORD POLL SPOT PRICES HYBRID-MODELS REGIME-SWITCHING MODELS FOR NORD POOL SPOT PRICES
Literatura (Weron, 2006), (Merton, 1976), (Johnson and Bartz, 1999), (Geman and Roncoroni, 2006) (Weron, 2006), ((Weron, 2004) (Weron, 2006), (Barlow, 2002), (Burger, 2004), (Davison, 2002), (Eydeland and Wolyniec, 2003) (Weron, 2006)
2.1.1. MODELI TROKOVA PROIZVODNJE2 Prognoziranje cijena elektrine energije obino je bio teak posao. Openito je obuhvaao srednjorone i dugorone horizonte i ukljuivao je uzajamnu usporedbu potronje elektrine energije koju smo prognozirali s proizvodnjom elektrine energije, koja se dobije slaganjem postojeih proizvodnih jedinica i planiranih proizvodnih jedinica elektrine energije, metoda slaganja proizvodnih jedinica je izvedena na osnovi operativnih3 trokova. Ovi modeli su bazirani na trokovima i zovemo ih modeli trokova proizvodnje (eng. Cost-based or Production cost models - PCM). PCM modeli imaju mogunost prognoziranja cijene svaki sat (eng. hour-by-hour) i prognoziranje cijene po sabirnicama odnosno tokama u EES (eng. bus-by-bus level). Meutim ovi modeli ignoriraju praksu stratekog nadmetanja, kao i kreiranje cijene elektrine energije na osnovi nadmetanja. PCM modeli su prikladni za regulirana trita sa malo neizvjesnosti cijena elektrine energije, ali nisu prikladne za kompetitivno trite. Kako bi se izbjegla ta ogranienja, predloen je model nazvan strateki model trokova proizvodnje (eng. strategic production cost model SPCM). SPCM model je predloen u (Battle and Barquin, 2005). Ovaj model uzima u obzir strategiju nadmetanja agenata bazirane na CV modelu (eng. conjectural variation - CV)4. Svaki agent nastoji maksimizirani dobit, uzimajui u obzir svoju strukturu trokova i oekivano ponaanje svojih konkurenata, koje
2 3 4
Production cost Operativni troak, je svakodnevni, uobiajeni i redovni troak rada elektrane. CV model. Predloen pristup rjeavanja problema o tome kako postii ekvilibrijum u oligopolu.
8
je modelirano kroz parametar koji je odreen nagibom funkcijom rezidualne potranje (eng. residual demand function)5 za svaku razinu potranje generatora. Zakljuak: U usporedbi s ekvilibrijskim metodama, glavna prednost SPCM model je brzina izraunavanja, to je ini pogodnom za analizu u stvarnom vremenu. Meutim ovaj model dijeli zajednike loe osobine s ekvilibrijskim modelima, o ekvilibrijskim modelima e biti reeno u sljedeem poglavlju. 2.1.2. EKVILIBRIJSKI MODELI6 Kao i SPCM modeli, ekvilibrijski modeli ili modeli teorije igara mogu biti promatrani kao generalizacija modela trokova proizvodnje (eng. cost based models), ali koji su dopunjeni sa stratekim nadmetanjem. Ovi modeli su korisni pri prognoziranju cijena na tritima bez povijesnih cijena, ali poznatim trokovima proizvodnje i poznatom koncentracijom na tritu (eng. market concretation)7. Generalno gledajui, dva pristupa se koriste za modeliranje stratekog ponaanja (Ventosa, 2005). Prvi primjenjuje Cournot-Nash pristup u kojem je elektrina energija tretirana kao homogena roba i gdje je trini ekvilibrijum8 postignut kroz postavke proizvodnih kapaciteta proizvoaa. Ovi modeli obino kao izlaz daju viu cijenu od onih dobivenih kasnije u stvarnosti. Zbog toga je uveden koncept CV (eng. conjectural variations) koji govori da konkurenti na povienje cijena reagiraju poveanjem proizvodnje. Drugi pristup teorije igara modelira cijenu elektrine energije kao ekvilibrijsku cijenu (eng. equilibrium price)9 gdje se kompanije nadmeu sa svojim krivuljama ponude na tritu. Raunanje ekvilibrijuma krivulja ponude (eng. supply function equilibrium) (Rudkevich, 2009) zahtjeva rjeavanje diferencijalnih jednadbi , umjesto tipinih algebarskih jednadbi potrebnih u Cournot-Nash pristupu.
Funkcija rezidualne potranje. Krivulja rezidualne potranja neke firme je dio trita koji nije opskrbljen sa drugim firmama na tritu. Odnosno to je funkcija potranje minus koliina koja je opskrbljena od strane drugih firmi na svakoj razini cijena.
6 7
Equilibrium models
Trina koncentracija je funkcija broja firmi i njihovih udjela u ukupnoj proizvodnji (ili ukupnom kapacitetu, ukupnim rezervama) na tritu. Vezano uz industrijsku koncentraciju odn. distribuciju proizvodnje unutar industrije.
8
Trini ekvilibrijum. Situacija u kojoj je ponuda (proizvodnja) jednaka potranji (potronji). Budui da ne postoji viak niti manjak na tritu, pa ne postoji tendencija promjene cijene.
9
Ekvilibrijska cijena je cijena robe ili usluge na kojoj je ponuda uvijek jednaka potranji. to se temelji na ideju novi klasine kole da trite uvijek ide tamo gdje je ponuda jednaka potranji.
9
Zakljuak: Ekvilibrijski modeli mogu dati dobar uvid hoe li cijene biti iznad ili ispod marginalnih trokova10 i kako e to utjecati na odluke igraa. Ekvilibrijski prorauni su dugotrajni i nisu pogodni za upotrebu u stvarnom vremenu, te je potrebno definirati komponente: igrae, njihove potencijalne strategije, nain na koji uzajamno djeluju. to uzrokuje rizike pri modeliranju tj. greke. Na primjer, na klasinom reguliranom tritu elektrine energije, prodavatelji su proizvoai i njihove karakteristike su direktno
prepoznatljive iz njihove imovine. Za razliku od toga, na dereguliranom kompetitivnom tritu, elektrane ne moraju sudjelovati na tritu, dok neka druga elektrana moe zakljuiti da je ekonominije kupiti struju na tritu negoli koristiti svoje kapacitete za proizvodnju. Zbog toga, identificiranje vanih trinih igraa i njihovih strategija postaje ne trivijalno i zbog toga ekvilibrijski modeli nisu pogodni za dnevne operacije.
2.1.3. FUNDAMENTALNI MODELI Sljedea klasa modela, poznati kao fundamentalni ili strukturni (eng. fundamental or structural), pokuava nai fizike i ekonomske veze izmeu proizvodnje i trita elektrine energije. Elektrina energija kao roba je karakterizirana: Transport elektrine energije zahtijeva fiziku vezu. Elektrina energija ne moe se direktno pohraniti u velikim koliinama, to zahtjeva da ponuda i potranja uvijek bude jednaka. Elektrina energija moe biti zamijenjena samo do odreene razine, zbog toga jer funkcioniranje privatnog, javnog i ekonomskog ivota u razvijenim zemljama ovisi o pouzdanoj opskrbi elektrinom energijom. to se tie kvalitete elektrine energije, neka obiljeja kao stabilnosti napona i frekvencije podlijeu otrim pravilima, to omoguuje da se elektrina energija promatra kao homogena roba. Nadalje, jednom kada je elektrina energija poslana u EE mreu, ona se ne moe vie povezati sa generatorom koji ju je proizveo.
Elektrane su karakterizirane: vremenom trajanja, izmeu 40 i 60 godina, ovisno o tipu elektrane;
10
Marginalni troak (eng. marginal cost MC), troak proizvodnje jo jedne jedinice nekog dobra. Matematiki izraen kao derivacija totalnog troka (TC) po koliini jedinica (Q). MC=dTC/dQ
10
velikim kapitalom potrebnim za investiranje u izgradnju i dugim vremenskim periodom amortizacije; razliite elektrane moraju biti uzete u obzir prilikom investiranja u nove kapacitete, a koje se znatno razlikuju u tehnikom, ekonomskom i ekolokom smislu; koliinom tetnih emisija, poput CO2, praina, plinovi, toplina itd. Ove tehnike karakteristike imaju znaajnu ulogu prilikom odluivanja i odabira razliitih rjeenja u energetskom sektoru, te zbog toga imaju znaajnu utjecaj i pri kreiranju alata koji pomau prilikom odluivanja (eng. decision support tools). Fundamentalni modeli nastoje simulirati prethodno navedene tehnike karakteristike elektrine energije i karakteristike elektrane. Konkretno gledajui, fundamentalni modeli posebno nastoje simulirati utjecaj karakteristika elektrane i njezinog kapaciteta, utjecaj ogranienja u prijenosu elektrine energije i utjecaj varijacija u potronji na cijenu elektrine energije. Ova vrsta modeliranja je veoma popularna te je nekoliko razliitih pristupa razvijeno tijekom naftne krize 1970 ih godina. Bazirani na (deterministikim) linearnim (mixed-integer) optimizacijskim pristupima.
Determinizam, u matematici oznaava sistem u kojem nema sluajnosti prilikom kreiranja buduih stanja sustava. Deterministiki modeli daju jednak izlaz u jednakim uvjetima. Pri jednoj te istoj pobudi, odziv sustava je uvijek jednak i potpuno odreen.
Mixed-integer, matematika metoda za odreivanje naina ostvarenja najpovoljnijeg rjeenja (kao npr. maksimalna dobit ili najnia cijena) u nekom matematikom modelu uz neke uvjete koji su zadani kao linearne jednadbe. Ako je samo jedna od nepoznatih varijabli integer, tada se metoda naziva linear mixed integer.
Originalno fundamentalni modeli su razvijeni zbog nastojanja industrijskih zemalja da obuzdaju ovisnost o uvoznoj nafti i da organiziraju strategije preraspodjele vlastitih izvora energije kako bi se ta ovisnost smanjila. U posljednje vrijeme fundamentalni modeli se koriste u novom dereguliranom tritu elektrine energije, gdje se koristi za prognoziranje cijene elektrine energije te za prognoziranje cijene dozvola za emisiju tetnih plinova (CO2 certifikata). Veina fundamentalnih modela koji se koriste u te svrhe su bazirani na ve poznatim modelima Tablica 3.
Tablica 3. Pregled fundamentalnih modela Model MARKAL11 (Maket Allocation Model) Literatura (Fishbone , 1981)
11
O MARKAL modelu e biti vie reeno u poglavlju Ekoloki i energetski problemi, reduciranje emisije CO2.
11
EFON (Energy Flow Optimization Model) MESSAGE (Model for Energy Supply System Alternatives and their General Enviromental Impact) CEEM (Cogeneration in European Electricity Markets) TIMES (The Integrated MARKAL EFOM system) PERSUS (Program Package for Emission Reduction Strategies in Energy Use and Supply)
(Finon, 1974) (Voort, 1984) (Agnew, 1979) (Messner, 1984) (Messner, 2009) (Starrmann, 2001) (Remme, 2006) (Most, 2006) (Fichtner, 1999)
Zakljuak: Za praktinu implementaciju fundamentalnih modela naziru se dva problema. Prvi je dostupnost podataka. Ovisno o tritu i samom igrau (elektrani, distributeru itd.) vie ili manje informacija o kapacitetima elektrane i trokovima, potronji i kapacitetima prijenosnih mrea e biti dostupno za konstruiranje fundamentalnog modela. Zbog same naravi fundamentalnih podataka (koji se skupljaju tijekom dueg vremenskog perioda), fundamentalni modeli su korisniji za srednjorono (eng. medium-term)12 negoli za kratkorono (eng. short-term)13 prognoziranje. Drugi problem je inkorporiranje stohastikih fundamentalnih pokazatelja (potronja, vremenski uvjeti, sistemski parametri itd.). Pri pravljenju modela mi stvaramo odreene pretpostavke o fizikim i ekonomskim vezama na tritu elektrine energije (npr. moemo analizirajui priljev vode u hidro elektranu, koliine snijega i temperaturne uvjete objasniti kreiranje cijene elektrine energije na tritu, ovo se odnosi na Skandinavske zemlje gdje je veina elektrine energije iz hidroelektrana.). Takvi modeli uspijevaju uhvatiti kretanja cijena elektrine energije koja su uzrokovana kretanjima fundamentalnih pokazatelja. Zbog svega toga, prognozirane cijene elektrine energije je jako osjetljivo na veze koje smo definirali izmeu fundamentalnih pokazatelja i cijene elektrine energije. to je model detaljniji, vie vremena je potrebno za ugaanje parametara te su potrebne vee simplifikacije veza. Zbog toga postoji rizik od greke pri stvarnoj primjeni ovakvih modela. 2.1.4. KVANTITATIVNI MODELI14 Kvantitativni modeli koje jo zovemo financijski matematiki modeli (eng. financial mathematical models) ili ekonometrijski modeli (eng. econometric models) mogu biti
12 13
2 do 10 godina sve krae od 1 godine 14 Quantitative Models

12
koriteni za modeliranje cijene elektrine energije bez da se uzmu u obzir karakteristike elektrane i karakteristike elektrine energije nabrojane u 1.1.3. FUNDAMENTALNI MODELI.
Kvantitativni modeli koriste numerike i kvantitativne metode za modeliranje, ali openito kvantitativni modeli u financijama podrazumijevaju bilo kakvu primjenu matematike u financijama. Kao primjer, dok financijski ekonomist prouava strukturne razloge zbog kojih tvrtka ima odreenu cijenu dionice, financijski matematiar uzima cijenu dionice i pokuava stohastikim proraunima doi do fer cijene derivata (opcije, terminski ugovori itd.) ili dionice.
Originalno su primjenjivani u financijama za procjenu vrijednosti derivata, dok se danas mnogi primijenjeni u energetskom sektoru. Ovi modeli moraju uzeti u obzir karakteristike spot cijena15 odnosno tehnikih karakteristika: dnevni, tjedni i sezonski ciklusi; visoka volatilnost; mean-reversion; iljak (eng. spikes)
Mean reversion je matematika metoda koritena pri ulaganju u dionice, ali moe biti primijenjena i na druge procese. Generalno, ideja je da je najvia i najnia cijena dionice samo trenutna cijena i da se cijena dionice nastoji vratiti u podruje prosjenih vrijednosti. Mean reversion metoda prvo identificira podruje trgovanja (maks. i min. cijena) dionice te zatim raunanje prosjene cijene.
iljak (eng. spike) anomalije cijena, veliki porast cijene.
Glavna osobina kvantitativnih modela dinamike cijena je nastojanje repliciranja statistikih svojstava cijene elektrine energije.
Black-Scholes model, je primjer kvantitativnog modela, koji opisuje financijsko trite te koji se koristi pri ulaganju u derivate (eng. forward, option, swap). Model daje kao rezultat jednadbe parcijalnih derivacija, ije je rjeenje, Black-Scholes forumla koja se koristi pri procjeni vrijednosti opcija europskog tipa (eng. European-style option)
Sa ovim modelima standardno financijsko rasuivanje je uvedeno u modeliranje cijene elektrine energije. to se posebno odnosi na; premiju rizika (eng. risk premium) i razliku izmeu prognoziranja cijene elektrine energije na tritu (eng. spot price forecast) i cijene elektrine energije u terminskom ugovoru (eng. forward price).
Terminski ugovori su standardizirani ugovori izmeu dvije strane kojima se omoguuje da na odreeni datum u budunosti i po unaprijed ugovorenoj cijeni (eng. futures price) kupi ili proda odreena roba standardizirane koliine na organiziranim tritima. Datum na koji e se u budunosti trgovati naziva se delivery date ili final settlement date. Unaprijed ugovorena cijena naziva se cijena terminskog ugovora (eng. futures price). Cijena imovine koja se prodaje na unaprijed dogovoreni datum, tj. delivery date naziva se settlement price. Terminski ugovori razlikuju se od opcijskih ugovora po tome to se terminski ugovori
15
Spot cijena je cijena na tritu elektrine energije

13
moraju izvriti za razliku od opcijskih ugovora kod kojih se moe izbjei izvravanje te se u tom sluaju samo plaa cijena opcije.
Premija rizika, je nagrada za dranje rizine investicije umjesto sigurne investicije. Drugim rijeima, to je minimalna razlika izmeu oekivane vrijednosti investicije koju je ulaga eljan napraviti i vrijednosti sigurne investicije za koju je nezainteresiran. Takoer, razlika izmeu predviene cijene na tritu (previene spot cijene) za elektrinu energiju koju nam trebaju dostaviti u svibnju sljedee godine i cijene terminskog ugovora sa datumom dospijea (eng. delivery date) u svibnju, je takoer premija rizika. Dok je prognozirana spot cijena najbolja procjena cijene elektrine energije za odreeno
razdoblje, cijena terminskog ugovora (engl. futures price) je stvarna cijena koju je kupac spreman platiti za dostavu energije u budunosti, to znai da je: Spot Price Forecast Risk premium = Futures Price16. Premija rizika moe biti negativna. Veza izmeu spot cijene i cijene terminskog ugovora elektrine energije je kompliciranija nego u veini financijskih i robnih burza i zahtijeva dodatnu panju tijekom modeliranja. Od kvantitativnih modela se ne zahtijeva prognoziranje cijena na razini sata, nego da daju osnovne karakteristike cijene, tipino na dnevnoj razini. Alati i metode modeliranja cijene elektrine energije potjeu iz metoda razvijenih za modeliranje kamatnih stopa i ostalih roba. Obzirom na trite koje nas zanima, stohastike metode se mogu podijeliti u dvije glavne skupine: modeli za spot cijene elektrine energije; modeli za cijene terminskih ugovora. Zakljuak: Kvantitativne metode modeliranja daju kvalitetan uvid u dinamiku spot cijene (trinih cijena na burzi) elektrine energije. Uz deregulaciju trita, ove metode postaju nuan alat za potrebe trgovanja. Glavna mana kvantitativnih modela je problem prilikom procjene vrijednosti derivata, to jest identifikacija premije rizika koja povezuje spot cijenu i cijenu terminskog ugovora (Prognoza Spot Cijene Premija Rizika = Cijena Terminskog Ugovora). Meutim umjesto da odreujemo cijenu terminskog ugovora preko premije rizika, na model moemo graditi izravno preko repliciranja statistikih svojstava cijena terminskih ugovora. Meutim i takvi su modeli limitirani; nedostupnost podataka koji mogu biti koriteni za kalibriranje te nemogunost izdvajanja karakteristika spot cijene elektrine energije prilikom analize forward krivulje (eng. forward curve) (Lesniewski , 2008).
16
Prognoza Spot Cijene Premija Rizika = Cijena Terminskog Ugovora

14
Tablica 4. Pregled Kvantitativnih metoda modeliranja cijene elektrine energije KVANTITATIVNI MODELI JUMP-DIFFUSION MODELS A MEAN-REVERTING JUMP DIFFUSION MODEL FOR NORD POLL SPOT PRICES HYBRID-MODELS REGIME-SWITCHING MODELS FOR NORD POOL SPOT PRICES Literatura (Weron, 2006), (Merton, 1976), (Johnson and Bartz, 1999), (Geman and Roncoroni, 2006) (Weron, 2006), ((Weron, 2004) (Weron, 2006), (Barlow, 2002), (Burger, 2004), (Davison, 2002), (Eydeland and Wolyniec, 2003) (Weron, 2006)
2.1.5. STATISTIKI MODELI Metode izvedene direktno iz statistikih metoda za prognoziranje optereenje su preferirane prilikom modeliranja cijene elektrine energije. Zapravo su sve statistike metode modeliranja optereenja potencijalni kandidati za modeliranje dinamike cijena elektrine energije. Statistiki modeli su slini prethodno spomenutim kvantitativnim modelima, zbog toga to takoer primjenjuje statistike metode na povijesne cijene. Ali ove metode se fokusiraju na utjecaj vanjskih (eng. exogenous) varijabli na fluktuacije cijena elektrine energije. Statistiki modeli ne uzimaju u obzir stohastiki proces cijena tj. volatilnost cijena na isti nain kao kvantitativni modeli. Kao i u sluaju prognoziranja potronje, tonost prognozirane cijene elektrine energije ovisni ne samo o numerikoj efikasnosti upotrijebljenog algoritma, nego i o kvaliteti analiziranih podataka i mogunosti da inkorporiramo vane vanjske (eng. exogenous) faktore u modele. Ovo je pogotovo vano za STPF (eng. short term price forecast) ili kratkorono prognoziranje cijena. Vanjske varijable koje treba uzeti u obzir: Povijesna i prognozirana optereenja. Kao rezultat rasporeda elektrana u dijagramu optereenja, fluktuacije u optereenju rezultiraju u varijacijama cijene elektrine energije (Poglavlje 2.2.2. Rafal Weron, 2006). Promatran je i inverzni sluaj. U nekim sluajevima nije lagano utvrditi jeli optereenje utjee na cijene ili obrnuto.
Kako optereenje die cijene elektrine energije? U strukturi optereenja dispeer prvo iskoristi energiju iz hidro i nuklearnih elektrana, onih sa najniim marginalnim trokovima proizvodnje, a zatim se koriste ostale elektrane. Kada optereenje naglo poraste, zbog velikih vruina ili hladnoa tada se pojaano upotrebljava energija iz skupljih izvora energije (plinske turbine, elektrane na naftu i ugljen) tada dolazi do porasta cijene elektrine energije, ali taj porast ne opravdava velike poraste cijena koje se stvarno dese na tritu. Taj veliki porast (eng. spike) se deava zbog toga to na tritu kupci nastoje osigurati sebi potrebnu elektrinu energiju, te zbog licitiranja izmeu kupaca cijene znatno porastu.
Vremenski faktor. Vrijeme u godini, dan u tjednu, sat u danu stvara odreenje uzorke na grafovima cijena. Cijene preko praznika odstupaju od tipinog ponaanja cijena. Iako
15
uzorci nisu tako izraeni kao kod optereenja. (Poglavlje 2.17 i 2.13 Weron, 2006). Svejedno, kvalitetni modeli za prognoziranje cijene elektrine energije uzimaju u obzir i vremenski faktor. Cijene goriva. U kratkoronom razdoblju, varijabilni troak proizvodnje elektrine energije je zapravo cijena goriva. Zbog toga je cijena goriva vaan vanjski faktor koji treba uzeti u obzir prilikom modeliranja cijene elektrine energije.
Varijabilni troak. Trokovi koji se mijenjaju razmjerno s promjenom opsega proizvodnje. Drugim rijeima, varijabilni troak je suma marginalnih trokova.
Drugi faktori poput dostupnosti elektrana, vremenski podaci (iako su ovi podaci ve ukljueni u prognoziranje optereenja) takoer mogu biti uzeti u obzir. Zakljuak: Koliko god je dobar na model za prognoziranje, ako su ulazi u model loi, biti e jako teko ili nemogue doi do dobrih prognoza. Podaci o cijenama su esto nepravilni i ponekad nedostaju vrijednosti. Ono to se isprva moe initi kao abnormalna devijacija to zapravo moe biti prava cijena koja odgovara odreenim specifinim uvjetima na tritu. Neki autori klasificiraju statistike modele kao alate za tehniku analizu, zbog toga to nalikuju na alate za tehniku analizu upotrebljavane od strane ulagaa na financijskim tritima. Tehnika analiza je metoda evaluacije vrijednosnih papira (npr. dionica) ili robe, analizirajui statistiku generiranu od strane burzovnih aktivnosti, povijesne cijene i volumena. Tehniki analitiari ne pokuavaju mjeriti fundamentalnu vrijednost imovine, oni zato prouavaju grafove cijena traei uzorke i indikatore koji e ukazati na budue kretanje cijena. Iako efikasnost i korist tehnike analize u financijskim tritima je esto preispitivana, na tritu elektrine energije ove metode imaju bolju ansu. Razlog tome je pojava sezonskih uzoraka u cjenovnom procesu tijekom normalnih perioda. to znai da su cijene elektrine energije lake za prognoziranje od jako fluktuirajuih cijena vrijednosnih papira i financijske imovine.
Tablica 5. Pregled statistikih metoda modeliranja cijene elektrine energije STATISTIKI MODELI ARMA-type MODELS (Poglavlje 1.1.7. ovog Zavrnog rada) TIME SERIES MODELS WITH EXOGENOUS VARIABLES AUTOREGRESSIVE GARCH MODELS LINEAR MODELS REGIME-SWITCHING MODELS
16
Literatura
(Weron, 2006), (Cuaresma, 2004), (Weron and Misiorek, 2005), (Contreras, 2003), (Conejo, 2005a), (Carnero, 2003) (Weron, 2006), (Nogales, 2002), (Contreras, 2003), (Conejo, 2005a), (Weron and Misiorek, 2005) (Weron, 2006), (Karakatsani and Bunn, 2004), (Bystrom, 2005), (Mugele, 2005), (Swider and Weber, 2006)
(Weron, 2006), (Contreras, 2003), (Nogales, 2002) (Weron, 2006), (Tong, 1978), (Tong and Lim,
1980), (Rambharat, 2005), (Weron and Misiorek, 2005), (Misiorek, 2006)
2.1.6. MODELI BAZIRANI NA UMJETNOJ INTELIGENCIJI (ANN) Meu modelima koji se temelje na umjetnoj inteligenciji (eng. artificial intelligence AI), ANN (eng. artificial neural network) algoritam privukao je najvie panje zbog svoje jednostavne implementacije i relativno dobrih rezultata (Shahidehpour, 2002) (Szkuta, 1999). ANN je sastavljen od jednostavnih procesnih elemenata koje zovemo neuroni koji su meusobno povezani vezama (
Ulazi Vrijeme Veze
) razliitih teina.
Neuron Izlaz-Prognoza
Suma
Aktivacijska funkcija F()
eljeni izlaz T Stvarni izlaz y
Potranja Slika 1. Neuron
Svaki neuron izvodi dvije operacije, prvo zbraja sve ulaze korigirane za teinu, te se zatim suma (v) prosljeuje u aktivacijsku funkciju F(), te nakon toga dobivamo izlaz neurona y = F(v). Generalno postoje tri vrste aktivacijskih funkcija. 1.) Treshold function koja uzima vrijednost 0 ako je suma (v) manja od neke granine (eng. threshold) vrijednosti, a vrijednost 1 ako je suma vea ili jednaka graninoj vrijednosti.
2.) Zatim, postoji Piecewise-Linear funkcija. Ova funkcija moe poprimiti vrijednosti izmeu 0 i 1.
3.) I trea funkcija je, sigmoid funkcija. Poprima vrijednosti izmeu 0 i 1.

17
ANN moemo podijeliti na dvije faze, fazu treniranja i fazu testiranja. U fazi treniranja podaci se prosljeuju ANN i teine veza ( , ) se podeavaju koristei delta pravilo. ) koja smanjuje greku (T-y) Delta pravilo (pr-1 i pr-2) odreuje promjenu teine (
izmeu eljenog izlaza i stvarnog izlaza mree. U fazi testiranja izlaz mree je jednak izrazu pr-4.
Tablica 6.
Delta pravilo treniranja Promjena teine Gdje T je eljeni izlaz Y je stvarni izlaz ANN je brzina uenja, koeficijent koji utjee na W Cilj delta treniranja je promjena teina mree Tako da izlaz bude jednak eljenom izlazu Y=T Jednadba izlaza u ovisnosti o ulazu pr-4 pr-3 pr-1 pr-2
Zakljuak: Metoda prognoziranja cijene elektrine energije koristei neuronske mree prelazi preko problema limitiranosti dostupnosti podataka jer koristi podatke koji su dostupni iroj javnosti. Moe se primijeniti na trite elektrine energije u razvoju i ne zahtjeva strunu osobu za rad. Meutim, u (Conejo, 2005a) usporeeno je nekoliko modela za STPF, ANN model ja dao najloije rezultate od svih modela. Dok je u (Amjady, 2006) model baziran na neuronskoj mrei dao sline rezultate kao i modeli bazirani na statistikim metodama. Modeli bazirani na umjetnoj inteligenciji su fleksibilni i mogu obavljati kompleksne procese i sposobni su modelirati nelinearne sustave. to ih ini pogodnim za kratkorone prognoze (eng. Short Term Price Forecast STPF). 2.1.7. ARMA MODEL ARMA (eng. Autoregressive Moving Average) model je statistiki pristup rjeavanju problema, statistiki pristup obino zahtijeva matematiki model koji e u ovom sluaju, cijenu predstaviti kao funkciju povijesnih cijena. Budui da raspolaemo povijesnim cijenama elektrine energije, ARMA modeli su prihvatljivi za konkretan problem prognoziranja cijene elektrine energije.
18
ARMA (p, q) model izraava trenutnu vrijednost cijene
kao linearnu kombinaciju svojih
p prijanjih vrijednosti (autoregresivni dio) i kao linearnu kombinaciju svojih q prijanjih vrijednosti uma (eng. noise). ARMA modeli se esto zovu i autoregresivni ili AR modeli. Autoregresija oznaava regresiju na samog sebe (auto). Red AR modela govori koliko povijesnih vrijednosti ukljuujemo. Najjednostavniji AR model je model prvog reda ili AR(1):
gdje
oznaava korigiranu vrijednost slijeda podataka . Jednadba se zapisuje u obliku
korigiranog za njegovu srednju . predstavlja korigiranu je um.
vrijednost
vrijednost slijeda podataka iz prethodne godine,
je autoregresivni koeficijent, ,
AR modeli vieg reda ukljuuju vie sljedova podataka iz prolosti AR(2) je zadan izrazom:
. Na primjer,
Gdje su
autoregresivni koeficijenti kanjenja 1 i 2. AR model p-tog reda, AR(p)
ukljuuje kanjenja od t-1 do t-p godine. Pokretni prosjek (eng. moving average) ili MA model je oblik ARMA modela u kojem je slijed podataka pokretni prosjek uma . Pri emu je pokretni prosjek koji smo primijenili nad umom, teinski pokretni prosjek (eng. weighted moving average - WMA). MA model prvog reda ili MA(1) model je dat izrazom:
gdje
oznaavaju um u vremenima t i t-1. Zatim
oznaava koeficijent prvog
reda pokretnog prosjeka. Kao i sa AR modelima i MA modeli ukljuuju vea kanjenja za vei red. MA model drugog reda ili MA(2) je dat izrazom:
Slovo q se koristi za oznaavanje reda MA modela. MA(q), q=2. Upravo smo vidjeli da autoregresivni (AR) model ukljuuje kanjenja slijeda podataka kao to i model pokretnog prosjeka (MA) ukljuuje kanjenja uma. Izjednaavanjem oba tipa kanjenja, dolazimo do izraza koji se zove ARMA model i koji oznaavamo ARMA(p,q), gdje je p red autoregresivne metode, a q red metode pokretnog prosjeka. Najjednostavniji i najee koriten ARMA model je ARMA(1,1) model:
19
Zakljuak: Statistike metode predvianja koristei matematike kombinacije prijanjih cijena elektrine energije (matematike kombinacije mogu osim prijanjih cijena koristiti i neke prijanje ili trenutne vrijednost egzogenih faktora, obino vrijeme i drutvene varijable). Ovi modeli su atraktivni zbog toga to se fizika interpretacija moe pridruiti njihovim komponentama to omoguuje inenjerima da razume ponaanje tih komponenata. Meutim, esto su kritizirana jer imaju ogranienu mogunost modeliranja nelinearnih varijabli. Radi usporedbe, metode temeljene na umjetnoj inteligenciji poput ANN (eng. artificial neural networks) imaju mogunost obrade nelinearnih varijabli. ANN i ostale metode temeljene na umjetnoj inteligenciji nisu do sada bile potpuno uvjerljive, iako postoje podaci institucija koje koriste ANN svakodnevno da imaju prihvatljive rezultate. 2.2. PREGLED STOHASTIKIH METODA MODELIRANJA CIJENE ELEKTRINE ENERGIJE OPENITO: Prvi korak stohastikog modeliranja je analiza vremenskih varijacija
neizvjesnih parametara. Prije liberalizacije glavni izazov je bio prognoziranje optereenja (Hahn, 2009), sada novi neizvjesni parametri moraju biti uzeti u obzir prilikom modeliranja u elektroenergetici. Novi neizvjesni parametri su cijena elektrine energije, cijena robe (npr. goriva, CO2 certifikata), priljev u hidro rezervoare i neizvjesna proizvodnja elektrine energije iz vjetroelektrana. Ovi parametri se analiziraju razliitim stohastikim procesima, poput mean-reversion procesa. Povijesni podaci koji su dostupni sa burze nuni su za procjenjivanje stohastikih parametara poput srednje vrijednosti (eng. mean) i volatilnosti (eng. volatilty).
Mean-reversion process. Mean reversion model je baziran na postotnim povratima (povrat na uloeno) i cijeni elektrine energije, openito baziran je i na kamatnim stopama i P/E omjeru (omjer cijene dionice i dobiti po dionici). Povratak na prosjenu vrijednost je stohastiki proces, to znai da je sluajan, ali kontinuiran proces vremenskog slijeda koji se vraa na prosjenu vrijednost.
Volatilnost u financijama oznaava standardnu devijaciju kontinuirano zbrojenih povrata koje je financijski instrument ostvario tijekom odreenog vremenskog horizonta. Stohastika volatilnost se koristi za procjenu vrijednosti derivata, poput opcija. Volatilnost ne ukazuje na smjer (zbog toga to su sve promjene kvadrirane). Instrument koji je vie volatilan ima veu vjerojatnost da povee svoju vrijednost ili je smanji nego instument manje volatilnosti. Na primjer oroena tednja ima nisku volatilnost, nee ostvariti rast od 50%, ali nee ni izgubit na vrijednosti 50%.
Dalje e biti objanjena procedura simulacije cijene elektrine energije.
20
2.2.1. SIMULACIJA CIJENE ELEKTRINE ENERGIJE POMOU STOHASTIKIH PROCESA Veina postojeih modela se fokusira na cijene elektrine energije koje su neizvjestan parametar na liberaliziranim tritima elektrine energije. Cijene su simulirane ili sa deterministikim ili sa fundamentalnim modelima, jedan primjer deterministikog modeliranja je pomou linearnih optimizacijskih modela (eng. linear optimising model) kojima raunamo dugorone ekvilibrijske cijene (eng. long-term equilibrium prices).
Matematika optimizacija trai odgovor na pitanje to je najbolje? za problem u kojima kvaliteta odgovora moe biti izraena kao numerika vrijednost. Linearna optimizacija je matematika procedura za odreivanje optimalne alokacije oskudnih resursa. Drugi naziv za linearnu optimizaciju je linearno programiranje (eng. Linear Programming LP). Programiranje u linearnom programiranju ne treba mijeati sa programiranjem na raunalima, ovdje to znai organizirati i planirati.
Cijena elektrine energije modelirati se moe i sa stohastikim procesima poput meanreversion modela za srednjorono analiziranje cijena (Gibson, 1990). Dok samo neki stohastiki modeli razdvajaju stohastike i deterministike (trend i sezonalnost) komponente procesa cijena (Karakatsani i Bunn, 2008), ostali modeli i stohastike i deterministike komponente razmatraju u jednoj metodi (Lucia i Scwartz, 2002).
Trend ili u naem sluaju trini trend je tendencija trita da se kree u odreenom smjeru tijekom vremena. Npr. Termini trite bikova i trite medvjeda oznaava rastui i padajui trini trend, naravno ovi termini se koriste ili za cijelo trite, specifini sektor ili vrijednosni papir. Sezonalnost (eng. seasonality). U statistici mnogi sljedovi podataka pokazuju cikline varijacije poznate kao sezonalnost, periodine varijacije ili periodine fluktuacije. Sezonalnost je vrlo esta u ekonomskim sljedovima podataka (npr. cijena-vrijeme vrijednosnog papira). esta je i u prirodi, poznati primjer je koncentracija atmosferskog ugljinog dioksida: minimalna je u rujnu i listopadu, te zatim raste i dosee vrh u travnju/svibnju, te zatim opet opada.
U nekim modelima cijena elektrine energije je opisana samo stohastikim procesom (usprkos postojanju bilo kakve deterministike komponente). Ipak uzimanje u obzir i deterministike i stohastike komponente daje detaljniji i kvalitetniji rezultat. Prvo to emo napraviti ako elimo simulirati cijenu elektrine energije je odrediti i ukloniti deterministike komponente iz originalnih vremenskih sljedova cijene elektrine energije (odnosno cijena-vrijeme slijed). Vremenski slijed bez deterministike komponente se jo naziva stohastiki ostatak (eng. stochastic residue). Stohastiki ostatak se zatim modelira pomou ekonometrijskih modela.
Ekonometrijski modeli su statistiki modeli koriteni u ekonometriji. Ekonometrijski model specificira statistike veze izmeu razliitih ekonomskih dogaaja koji se odnose na razliite ekonomske pojave koje
21
prouavamo. Ekonometrijski model je skup zdruenih raspodjela vjerojatnosti (eng. joint probability distributions) .
Nakon simulacije stohastikih komponenti, deterministike komponente su dodane simuliranim stohastikim komponentama. Simulacija zavrava kada se izvri
transformacija logaritamskih cijena u prave cijene (Slika 2).

Logaritmiranje povijesnog slijeda cijena Uklanjanje trenda i sezonalnosti Simuliranje pomou stohastikog procesa Dodavanje natrag trenda i sezonalnost Transformacija nazad pomou exponenta
Slika 2. Procedura simulacije cijene elektrine energije
Tablica 7. Pregled metoda stohastikog modeliranje cijena elektrine energije i robe Literatura (Tseng i Barz, 2002) Neizvjesni parametar Cijena elektrine energije i goriva Cijena elektrine energije Cijena elektrine energije Cijena elektrine energije Cijena elektrine energije, ugljena i CO2 certifikata. Cijena elektrine energije i robe Cijena elektrine energije i goriva Stohastiki proces (eng. nazivi) MR Process (Eng. Mean-Reversion Process) MR Process With Jump Diffusion, Regime Switching Trend/sezonaln ost Uzeto u obzir Uzeto u obzir pomou sinusoidalne funkcije Uzeto u obzir pomou trigonometrijske funkcije Uzeto u obzir pomou krivulje potranje Nije uzeto u obzir Nije uzeto u obzir Uzeto u obzir pomou dugoronih ekvilibrijskih cijena elektrine energije Uzeto u obzir pomou trigonometrijske funkcije, bez sezonalnosti za ugljen Korelacija
Korelacija izmeu cijene elektrine energije i cijene goriva
(Weron, 2004)
Nema korelacije
Barlow
Nonlinear OU Process AR Process With Fundamental Deterministic Parts MR Process/ARMA Process With Jump Diffusion MR Process
Dependencies from demand Dependencies from demand

Korelacija izmeu CO2 certifikata i cijena elektrine energije
(Karakatsani i Bunn, 2008) (Muche, 2007) (Schwartz, 2007)
Nije uzeto u obzir Korelacija izmeu cijene nafte i drugih cijena goriva
(Weber, 2005)
MR Process
(Schmoller, 2005)
Cijena elektrine energije i cijena goriva, utjecanje u hidro rezervoare
Arima Process And Peak Regime
Korelacija izmeu ugljena i cijena plina
MR process (eng. mean-reversion process). Mean reversion model je baziran na postotnim povratima (povrat na uloeno) i cijeni elektrine energije, openito baziran je i na kamatnim stopama i P/E omjeru (omjer cijene dionice i dobiti po dionici). Povratak na prosjenu vrijednost je stohastiki proces, to znai da je sluajan, ali kontinuiran proces vremenskog slijeda koji se vraa na prosjenu vrijednost. AR process (eng. autoregressive process). Statistiki model za prognoziranje u kojemu su budue vrijednosti raunaju samo na osnovi povijesnih podataka vremenskog slijeda.
22
Jump difusion je stohastiki proces koji ukljuuje skokove i difuziju (pojava u fizici u kojoj estice putuju iz mjesta vie u podruje nie koncentracije). Regime switching je potencijalno korisna metoda za modeliranje nelinearnosti u vremenskim sljedovima na nain da pretpostavimo drugaije ponaanje u pod sljedu (reimu) u odnosu na drugi pod sljed. Nonlinear OU process je OrnsteinUhlenbeck proces poznat pod imenom mean-reverting proces. OU je stohastiki proces. ARMA process (eng. Autoregressive moving average). Biti e detaljnije objanjen u zasebnom poglavlju. ARIMA process je matematiki model koriten za prognoziranje. ARIMA je akronim za (eng. AutoRegressive, Integrated, Moving Average)
2.3. ULOGA I UTJECAJ OPTEREENJA NA CIJENU ELEKTRINE ENERGIJE OPENITO: Problem koji ovdje optimiziramo je putanje elektrane u pogon. Ono to emo mi promatrati je utjecaj optereenja na trenutak putanja elektrane u pogon i to e biti tema ovog poglavlja. Generalno gledajui, elektrane koje posluju u okruenju poveanog optereenja biljee porast marginalnih trokova, iz razloga jer posluju na granici svojih proizvodnih mogunosti, te je za uspjeno planiranje proizvodnje bitno imati i uvid u rashode koje e zadesiti proizvoaa. Predvianje potronje osim to je vano za uspjenu prihodovnu i rashodovnu stranu poslovanja, bitno je i za cijeli elektroenergetski sustav, odnosno ekonominu raspodjelu resursa i pouzdanu opskrbu. Drugi vaan razlog je prisutnost iljaka ili vrhova (eng. spikes), ove anomalije cijena odnosno veliki porast cijena je uzrokovan zbog naina na koji je cijena elektrine energije odreivanja to jest zbog krianja ponude i potranje u odreenom vremenskom periodu. Prvo pogledajmo ponudu, stog ponude (eng. supply stack) se sastoji od rangiranih svih proizvodnih jedinica na odreenom podruju (regiji). Rangiranje se bazira na mnogim faktorima, poput marginalnih trokova proizvodnje te vremena reagiranja. Dispeer e prvo upotrijebiti nuklearnu i hidro energiju ako je dostupna, a zatim slijede proizvodne jedinice na ugljen. Ove elektrane se koriste da podmire baznu potronju, dok se elektrane na naftu, plin i hidroelektrane sa sustavom napumpanog spremnika koriste da podmire vrna optereenja. Elektrane sa niskim marginalnim trokovima esto imaju slabu fleksibilnost, to znai da je vrijeme reagiranja dugo (do nekoliko sati) ili elektrana mora proizvoditi konstantnu koliinu elektrine energije. Potranja (optereenje) u drugu ruku ima sezonalne fluktuacije, koje su uzrokovane klimatskim uvjetima. Optereenje nije ujednaeno ni tijekom tjedna, vrno je tijekom radnih dana, a nisko tijekom vikenda.
23
Slika 3. Dvije hipotetske krivulje optereenja i stog ponude. Spot cijena je dana kao krianje izmeu optereenja (potranje) i ponude (stog). Mala promjena potranje uzrokuje veliku promjenu cijene.
Kada je potranja velika, vei udio energije dolazi iz skupih izvora, ak i malo poveanja potronje uzrokuje da cijena elektrine energije znatno poraste. Kada potranje opadne cijene se vrate na normalne razine zbog toga to skupa postrojenja nisu u pogonu. Meutim ekvilibrijum ponude i potranje ne objanjava zato su anomalije cijena (iljci) tako velike. Jer cijene elektrine energije iz razliitih izvora nisu tako velike. to uzrokuje ekstremne iljke? Odgovor je: zbog strategije nadmetanja koritene od strane sudionika. Zbog toga to je elektrina energija nuna za mnoge sudionike na tritu elektrine energije, neki su spremni platiti gotovo svaku cijenu da osiguraju dovoljnu i kontinuiranu elektrinu energiju. Ovakva strategija sudionika je stvorila uvjete da se kupci moraju zadovoljiti u najgorem sluaju visokim cijenama 24 sata. Sa ovakvim strategijama nadmetanja, uvijek e biti netko tko e platiti odreenu svotu novca da podmiri svoju potrebu za elektrinom energijom. A zbog toga to su proizvoai svjesni ovih strategija oni stavljaju svoje ponude tako da maksimiziranju svoju dobit. U ovom openitom dijelu zavravamo s obrazloenjima vanosti utjecaja optereenja na cijenu elektrine energije i marginalne trokove, odnosno na dobit elektrane.
24
2.3.1. PREGLED METODA MODELIRANJA OPTEREENJA

Tablica 8. Pregled metoda modeliranja i prognoziranja optereenja
METODE BAZIRANE NA UMJETNOJ INTELIGENCIJI Artificial Neural Network Expert System Literatura
Fuzzy Logic
Support Vector Machines
(Weron, 2006), (Khotanzad, 1997), (Khotanzad, 1998), (Hippert, 2005), (Taylor, 2006) (Weron, 2006), (Ho, 1990), (Rahman and Hazim, 1996), (Kim, 1995), (Srinivasan, 1999) (Weron, 2006), (Liu, 1996), (Mori and Kobayashi, 1996), (Mori, 1999), (Wu and Lu, 1999), (Ling, 2003), (Senjyu, 2005), (Song, 2006) (Weron, 2006), (Vapnik, 1995), (Chen, 2004), (Mohandes, 2002), (Li and Fang, 2003b), (Li and Fang 2003a) Literatura
(Weron, 2006)
STATISTIKE METODE
Similar-Day Method
Exponential Smoothing
Regression Methods
Autoregressive Model
Autoregressive Moving Average Model ARMA Model Identification Differencing-Smoothing Model Moving Average With Rolling Volatility Model
(Weron, 2006), (Taylor, 2003), (Taylor, 2006), (Moghram and Rahman, 1989), (Barakat, 1990), (ElKeib, 1995), (Misiorek and Weron, 2005), (Infield and Hill, 1998) (Weron, 2006), (Ruic, 2003), (Haida and Muto, 1994), (Haida, 1998), (Hyde and Hodnett, 1997), (Hyde and Hodnett, 1997), (Charytoniuk, 1998), (Smith, 2000) (Weron, 2006), (El-Keib, 1995), (Huang, 1997), (Soares and Medeiros, 2005) (Weron, 2006), (Fan and McDonald, 1994), (Chen, 1995), (Paarmann and Najars, 1995), (NowickaZagrajek and Weron, 2002), (Huang and Shih, 2003) (Weron, 2006), (Ljung and Box, 1978),
(Weron, 2006) (Weron, 2006) (Weron, 2006), (Box and Jenkins, 1976), (Moghram and
Autoregressive Integrated Moving Average Model
Rahman, 1989), (Cho, 1995), (Taylor, 2006), (Soares and Medeiros, 2005), (Amjady, 2001), (Juberias, 1999)
(Weron, 2006), (Fan and McDonald, 1994), (Yang,
Time Series With Exogenous Variables Modeling Daily Loads with Exogenous Variables
1996), (Yang and Huang, 1998), (Huang, 2005)

(Weron, 2006)
Napomena: Vie o metodama modeliranja i prognoziranja optereenja biti e reeno u poglavlju 4.
25
3. PLANIRANJE PROIZVODNIH KAPACITETA OPENITO: Energetski sektor mora biti ekoloki odriv u isto vrijeme kao to mora biti ekonomski odriv. Energetska postrojenja moraju imati zadovoljavajui povrat i moraju zadovoljiti dioniare, ali moraju imati odgovornost prema iroj zajednici. Neizvjesnost trita elektrine energije se mora uzeti u obzir prilikom planiranja energetskog sustava. Stoga e u ovom poglavlju biti obraene dvije metode koje odgovaraju na dva problema pri planiranju proizvodnih kapaciteta. Prva metoda je metoda Monte Carlo koja se bazira na ponavljanju sluajnog uzorka, te ROA metoda koja pomae pri odabiru investicije (eng. investment decision models) koje openito raunaju neto trenutnu vrijednost postrojenja i daju snanu bazu prije pokretanja velike investicije. OPTIMIZACIJSKE METODE: Monte Carlo Metoda, Real Options Approach (ROA) LITERATURA: Sakalauskas, L; Zilinskas, K. Stochastic Power Plant Investment Planning Problem. University of Siauliai, 2009 Mst, D; Keles, D. A survey of stochastic modelling approaches for liberalised electricity markets. European Journal of Operational Research, 2009 Holtan, M. Using simulation to calculate the NPV of a project. Onward Inc., 2002
3.1. PROBLEM PLANIRANJA KAPACITETA ELEKTRANE OPENITO: U ovom poglavlju problem odabira investicije odnosno planiranja
proizvodnih kapaciteta promatrat emo s energetskog aspekta, promatrat emo problem odabira sistema i tipa elektrane koja e zadovoljiti trenutnu i buduu potranju elektrine energije. Elektrane e u ovom primjeru biti sagraene u prvoj godini i oekuje se da posluju odreeni broj godina pod nekim budetom. Cilj je pronai elektranu koja minimizira sumu investicijskih trokova17 i koja minimizira sumu oekivanih operativnih trokova18 tijekom planiranog vremena postojanja elektrane. Operativni troak je stohastika varijabla zbog neizvjesnosti budue potranje. 3.1.1. MONTE CARLO METODA
17
Investicijski troak, bilo kakvo ulaganje, primarno novanih sredstava, radi stjecanja profita. U naem sluaju ulaganje je u realni oblik imovine odnosno elektranu, radi stjecanja profita kroz poslovne aktivnosti.
18
Operativni troak, je svakodnevni, uobiajeni i redovni troak rada elektrane. 26
Pretpostavimo da oekujemo da elektrane rade 15 godina. Budet za izgradnju elektrana je $10 milijardi dolara, koji e biti rasporeen na razliite vrste elektrana: plinske turbine, ugljen, nuklearna energija i hidroelektrane. Cilj je minimizirati sumu investicijskih trokova i oekivanih operativnih trokova tijekom 15 godina. Tablica 9 prikazuje investicijske trokove po GW kapaciteta za svaku vrstu elektrane.
Tablica 9. Investicijski trokovi po GW kapaciteta Elektrana Plinska turbina Ugljen Nuklearna energija Hidro Cijena po GW $110 miliona $180 miliona $450 miliona $950 miliona
Projicirana potranja za elektrinom energijom je normalno distribuirana sluajna vrijednost D~N(,0.5). Potranja i trajanje tijekom godine prikazano je u Tablici 10.
Tablica 10. Potranja za energijom tijekom godine Demand Block Blok Potranje #1 #2 #3 #4 #5 Potranja (,GW) 26.0 21.5 17.3 13.9 11.1 490 730 2190 3260 2090 Trajanje (sati)
Operativni trokovi za prvu godinu za svaku vrstu elektrane kao i trokovi vanjskog izvora energije su prikazani u Tablici 11, gdje su jedinice centi po kWh. Svake godine trokovi rastu 1%. Budui da hidroenergija ovisi o dostupnosti rijeka, prirodna obiljeja regije ograniavaju hidroenergiju na ne vie od 5.0 GW.
Tablica 11. Operativni troak proizvodnje energije Elektrana Plinska turbina Ugljen Nuklearna Hidro Vanjski izvor Cijena ($) po kWh 3.92 centa 2.44 centa 1.40 centa 0.40 centa 15.0 centa
Problem moe biti modeliran kao dvorazinski stohastiki linearni optimizacijski model (eng. two-stage stochastic linear optimization model):
27
Gdje je vektor, predstavlja kapacitet u GW za svaku pojedinu elektranu, veliina kapaciteta upotrjebljenog za proizvodnju elektrine energije za elektranu tipa i za blok potranje j u godini k u GW, investicijski troak po GW kapaciteta elektrane za elektranu tipa i, operativni trokovi proizvodnje elektrine energije za elektranu tipa i, trajanje bloka potranje j, rast operativnih trokova u godini k, potranja za energijom u godini k u bloku potranje j: Rezultati problema su dani u tablici 12.
Tablica 12. Kapaciteti elektrana, rjeenje problema Elektrana Optimalna konstrukcijska odluka bazirana na stohastikim podatcima Plinska turbina Ugljen Nuklearna Hidro 4.65 GW 4.56 GW 4.70 GW 5.00 GW Optimalna konstrukcijska odluka bazirana na oekivanim podacima 1.87 GW 3.29 GW 4.10GW 5.00 GW
Kako doi do rjeenja problema i objanjenje pristupa rjeavanja stohastikih linearnih problema metodom Monte-Carlo detaljno je objanjen u (Sakalauskas, 2002), (Sakalauskas, 2004),(Sakalauskas i Zilinskas, 2006a), (Sakalauskas and Zilinskas, 2006b), (Sakalauskas and Zilinskas, 2008). Zakljuak : Monte Carlo metode ili Monte Carlo eksperimenti su klasa raunalnih algoritama koji se osnivaju na ponavljanju sluajnih uzoraka da bi izraunali odreene rezultate. Prednost Monte Carlo metode u odnosu na druge metode je u tome to se pouzdanost poveava sa poveavanjem dimenzija (izvora neizvjesnost) problema. Monte Carlo simulacija vrlo brzo postaje tehnologija izbora za procjenu i analiziranje imovine,
28
dali ona bila isti financijski derivat ili investicija u realni oblik imovine ( npr. Elektrana). Dvije glavne osobine Monte Carlo simulacija su fleksibilnost i jednostavnost. Ne postoji ogranienje u odabiru tipa dimenzija (izvora neizvjesnost). Simulacija je laka za implementaciju i modeli se mogu lako konstruirati u proraunskim tablicama. Proirenje proizvodnih kapaciteta, izgradnja novih elektrana, ulaganje u IT su samo neki primjeri iji se financijski uspjeh moe efikasno analizirati sa simulacijom. Tipino, pri investicijama u realni oblik imovine mi imamo ideju gdje bi krajnje vrijednosti trebale biti, ali ne znamo gdje bi trebale biti tone vrijednosti. Konano, planovi investicija se korigiraju prema promjenama procjena buduih cijena i potranje.
3.2. PROBELEM ISPLATIVOSTI ELEKTRANE OPENITO: Modeli za odabir investicija19 generalno izraunavaju vrijednost investicije i daju rezultat prije nego se krene sa velikom investicijom (elektrane, postrojenja za spremanje plina, tehnologije za redukciju tetnih emisija itd.). Tradicionalni modeli za odabir investicija koriste trenutnu neto vrijednost imovine20 i druge metode za procjenu imovine. Meutim postoje i neke naprednije metode, poput metode Real Option Approach21 (nadalje ROA).
3.2.1. REAL OPTION APPROACH22 ROA metoda se posljednjih godina koristi pri planiranjima energetskih postrojenja, tonije koristi se za procjenu vrijednosti investicije, pri emu su u obzir uzeti neki fleksibilni mehanizmi. Recimo, mogunost ili opcija da se investicija odgodi ili zaustavi jo u poetku, ova opcija ili fleksibilnost je jako korisna pri procjeni investicije. Druga opcija je gaenje elektrane, jer cilj je da elektrana kroz svoje vrijeme poslovanja ima oekivani pozitivan marginalan prihod23. Zapravo ova ROA metoda je evoluirala iz stohastikog modela za procjenu investicije elektrane na ugljen (Muche, 2007). U ROA modelu, cijena elektrine energije, cijena ugljena i cijena CO2 su modelirani kao stohastike varijable, te su simulirane pomou Mean Reverting Processes (Poglavlje 3 Msts, 2009). Cijena jedne jedinice elektrine energije (MWh) je modelirana za svaki dan t i oznaavamo ju s ,
19 20
Investment decision model Net present value 21 Zbog daljnjeg lakeg informiranja, koristiti e se engleski naziv 22 Model stvarnih opcija 23 Marginalni prihod je dodatni prihod koji je dodatna jedinica izlaza donijela. 29
to je stohastiki element koji varira svaki dan. Cijena CO2 certifikata je oznaena sa
mora biti pomnoena sa faktorom carb, carb oznaava broj CO2 certifikata potrebnih za proizvodnju jedne jedinice elektrine energije odnosno 1 MWh. Taj produkt oznaava cijenu CO2 emisija tijekom proizvodnje 1 MWh. Pretpostavka je da je elektrana opskrbljena sa dovoljno CO2 certifikata i da investitor ne mora kupovati jo certifikata. Jo jedna vana komponenta je cijena ugljena , koja je pomnoena s konstantom coal, da se dobije procjena trokova goriva (ugljena) za proizvodnju 1 MWh. Cijena CO2 certifikata i cijena ugljena su stohastike varijable i moraju biti procijenjene poput cijena elektrine energije (simulacija pomou Mean Reverting Processes), dok su cijene ostalih komponenti deterministike varijable. Jo imamo varijablu operativni trokovi24 i sumirani su u elementu Fiksni trokovi25 (takoer cijena za 1 MWh) i koji se smatra konstantnim elementom. po 1 MWh i deprecijacija realne imovine po MWh su takoer
konstantni elementi koji su ukljueni u model. Kao pojednostavljenje, porez je dodan kao porezna stopa s u tok novca umanjena za deprecijaciju na dan t rauna se prema: . Konano, tok novca po 1 MWh
(5.01) Nakon simuliranja cijene elektrine energije, CO2 certifikata i cijene ugljena kako je objanjeno (Poglavlje 3 Most, 2009). ROA se moe koristiti za procjenu elektrane na ugljen. Eq(5.01) procjenjuje dnevni tok novca elektrane na dan t imajui na umu da elektrane treba poslovati samo ako je marginalan prihod pozitivan. Da bi izraunali neto trenutnu vrijednost koristimo: (5.01) Eq(5.01) je detaljnije objanjena u (Most, 2009) te za dublje razumijevanje pogledati (Most, 2009) i (Munche, 2007). Zakljuak: U ovom poglavlju procjena neto trenutne vrijednosti (NPV) elektrane na ugljen je izvrena pomou ROA metode, ali sa nekim izmjenama. Ova metoda procjene (eng. Net present value - NPV) elektrane
24
Operativni troak, je svakodnevni, uobiajeni i redovni troak rada elektrane.
25
Fiksni trokovi su trokovi koji ne ovise o aktivnosti koja se obavlja. Ne mijenjaju su sa obujmom posla, konstantni su. 30
moe se primijeniti i na druge vrste elektrana, te je jako pogodna za elektrane na plin, pa ak i za druge investicije u energetici, poput postrojenja za spremanje plina. Kombinacija fundamentalnih modela (Mst, 2009) sa modelima iz financija koji se obino koriste u bankama i drugim investicijskim kompanijama, daje zanimljiv i koristan pristup procjene cijene elektrine energije. ROA metoda potjee iz korporativnih financija26, te se primjenjuje i u odluivanju u neizvjesnom okruenju (eng. decision making under uncertainty)27, prilagoavanjem matematikih tehnika razvijenih za financijske opcije za situacije u stvarnom ivotu. Ogranienja ROA modela je u tome to su razvijeni za financijske opcije i postoji razlika u odnosu na stvarne opcije. Generalno, budui da ROA nastoji predvidjeti budunost, kvaliteta izlaza e biti kvalitetna onoliko koliko su kvalitetni ulazi, koji su po prirodi nepouzdani. to se je jako bitno za izraun NAV-a. Zbog toga je miljenje javnosti podijeljeno, jeli ROA daje stvarno korisne informacije korisnicima pri odlukama u stvarnom svijetu.
26 27
http://en.wikipedia.org/wiki/Real_options_analysis http://en.wikipedia.org/wiki/Decision_theory#Choice_under_uncertainty 31
4. EKOLOKI I ENERGETSKI PROBLEMI, REDUCIRANJE EMISIJE CO2 OPENITO: U ovom poglavlju e se napraviti pregled MARKAL (akronim za MARKet ALlocation) modela. MARKAL skupina modela doprinosi energetsko/ekolokom planiranju od ranih 1980-ih. Pod pokroviteljstvom Meunarodne agencije za energiju (eng. International Energy Agency - IEA) i ETSAP (eng. Energy Technology Systems Analysis Programme) MARKAL model je zaet kao metoda linearnog programiranja (eng. linear programming LP) fokusirana striktno na analizu energetskih sustava. Ova metoda je naslijeena sa nelinearnim programiranjem (NLP).
Linearna optimizacija je matematika procedura za odreivanje optimalne alokacije oskudnih resursa. Drugi naziv za linearnu optimizaciju je linearno programiranje (eng. Linear Programming LP). Programiranje u linearnom programiranju ne treba mijeati sa programiranjem na raunalima, ovdje to znai organizirati i planirati.
Posljednjih godina MARKAL skupina modela je poveana sa: modelom za modeliranje materijalni protoka, modelom za prognoziranjem neizvjesnosti koristei stohastiko programiranje (SP), modelima koji koriste mixed integer progamming (MIP) metode.
Mixed-integer, matematika metoda za odreivanje naina ostvarenja najpovoljnijeg rjeenja (maksimalna dobit ili najnia cijena) u nekom matematikom modelu uz neke uvjete koji su zadani kao linearne jednadbe. Ako je samo jedna od nepoznatih varijabli integer, tada se metoda naziva linear mixed integer.
MARKAL je veinom baziran na linearnom programiranju razvijen od strane ETSAP Meunarodne agencije za energetiku (IEA) (ETSAP, 2001). MARKAL opisuje i opskrbu elektrine energije (ponuda) i optereenje (potronju) energetskog sistema. MARKAL omoguuje regulatorima i planerima u javnom i privatnom sektoru opsean prikaz energetskih proizvoaa i potroaa, takoer prikazuje veze i interakciju izmeu makroekonomije i potranje za energijom. MARKAL modeli su implementirani u vie od 40 zemalja i u vie od 80 institucija. Ovdje emo napraviti kratki pregled razliitih modela ilustriranih sa odabranim rezultatima iz velikog izbora iskustava sa MARKAL modelima diljem svijeta. OPTIMIZACIJSKE METODE: MARKAL skupina modela LITERATURA: Zonooz, M.R.F. A Review of MARKAL Energy Modeling. European Journal of Scientific Research, 2009 Seebregts, J; Goldstein, G.A; Smekens, K. Energy/Environmental Modeling with the MARKAL Family of Models. Energy research Centre of the Netherlands, 2001 Huang, C.B; Ko, F.K. Nuclear Power Generation and CO2 Abatement Scenarios in Taiwan. World Academy of Science, Engineering and Technology, 2009
32
4.1. MARKAL MODELI Kao i sa veinom modela za energetske sustave, sustavi za prijenos u MARKAL modelima spajaju proizvodnju i potronju energije. Mrea potrebna da opskrbi korisnika podrazumijeva sve nosioce energije ukljuene za prijenos od izvora primarne energije (rudarstvo, izvori nafte itd.), zatim mreu za konverziju i proizvodnju (elektrane, rafinerije itd.) i nosioce energije (mreu) do krajnjeg korisnika/troila (grijalice, automobili, klima ureaje itd.). Potranja za energijom je razliita (vremenski i koliinski) ovisno o sektoru (kuanstvo, industrija, transport itd.) i po specifinim funkcijama unutar sektora (klima ureaji, grijanje, osvjetljenje, topla voda itd.). Slika 4. objanjava ovu mreu, koja se zove Reference Energy System (RES).
Slika 4. MARKAL RES
Optimizacijska rutina koritena u modelu odabire od ponuenih izvora, nosilaca energije i transformacijskih tehnologija (proizvodnja) rjeenje koje e imati najnie trokove uz razliita ogranienja. Korisnik modela odreuje trokove tehnologije (nova oprema i sistemi), tehnike karakteristike (npr. faktor korisnosti pretvorbe - Pi/Pu) i potronju. Specifikacija novih tehnologija koje su manje energetski ili CO2 intenzivni, omoguuje korisniku da istrai efekte ovih izbora na: ukupne trokove energetskog sustava, promjene u upotrjebljenom gorivu i razine staklenikih plinova i drugih emisija. Zbog toga je MARKAL jako koristan za razumijevanje utjecaja tehnologije na smanjenje staklenikih plinova i drugih postavki u energetskom sustavu. Razliita ogranienja se mogu primijeniti da bi se postiglo rjeenje s najmanjim trokovima. Ogranienja podrazumijevaju: balansiranje proizvodnje i potronje energije,
33
koritenja
kapaciteta,
zamjena
potroenih
kapaciteta
sa
novim
investicijama,
zadovoljavanje potranje. 4.2. PREGLED MARKAL MODELA Pregled trenutnih MARKAL modela moe se vidjeti u Tablici 13. Sa nekoliko iznimaka, modeli su aditivni, to znai da mogu biti primjenjivani u kombinaciji jedan sa drugim. U nekim sluajevima modeli su iskljuivi jer upotrjebljavaju razliite tehnike modeliranja istog problema. Na primjer, MACRO/MICRO/MED svaki adresiraju promjene u razini optereenja koje su uzrokovane promjenama u cijeni energije. Zbog toga to svaka od njih razvijena na drugi nain odnosno pri razvoju modela je koritena drugaija teoretska podloga, modeli ne mogu biti koriteni zajedno.
Tablica 13. Pregled MARKAL skupine modela Naziv MARKAL MARKAL-MACRO MARKAL-MICRO MARKAL-ED (MED) MARKAL With multiple regions MARKAL With material flows MARKAL With uncertainties MARKAL-ETL Tip modela LP NLP NLP LP NLP LP SP MIP Literatura (Fishbone, 1983) (Hamilton,1992) (Regemorter and Goldstein, 1998) (Loulou and Lavigne, 1996) (Bahn, 1998) (Gielen, 1998) (Ybema, 1998) (Barreto and Kypreos, 1999)
Kako postii redukciju CO2? Trenutno najvie MARKAL modela je namijenjeno za analizu politika redukcije ugljinog dioksida. Velike redukcije CO2 emisija su potrebne kako bi se stabilizirale CO2 koncentracije u atmosferi. Modeli poput MARKAL pomau u odabiru najjeftinijih rjeenja da bi se postigla redukcija CO2 emisija. Slika 5 prikazuje primjer studije (Gielen, 2000). Koji je efekt trino baziranih instrumenata? Kao to MARAL modeli mogu biti koriteni za analiziranje tehnolokih politika, MARKAL moe biti koriten za prouavanje trino baziranih instrumenata (pogledati Slika 5). Puno pekulacija je o interakciji izmeu tehnolokih politika, trinih instrumenata (npr. porezi, CO2-certifikati) i ekonomskog rasta. Kako cijene energetskih usluga padaju s rastom efikasnosti u proizvodnji, postoji mogunost da e redukcije zbog tehnolokih postignua biti ponitena, zbog porasta
34
potranje. Fenomen poznat pod imenom odbijanje (eng. rebound). Zbog toga je vano osim tehnolokih politika u model inkorporirati i trine instrumente (dozvole za emisije tetnih plinova).
Slika 5. Redukcija CO2 emisija kao rezultat poveanja cijena GHG dozvola u 3 sluaja. (Gielen, 2000) GHG dozvola. (eng. Greenhouse Gas Emission Permit) Dozvola za emisiju staklenikih plinova.
Razvoj. TIMES (eng. The integrated MARKAL-EFOM System) je zamjena za MARKAL. Ovaj model je predstavljen 1999, njegove mogunosti su od lokalnog planiranja energetskih projekata do globalnog modeliranja cjelokupnog sustava. Kao i MARKAL, TIMES je optimizacijski model, koji kao rezultat daje najjeftinije rjeenje za smanjenje emisija ili neko drugo ogranienje. Poveana fleksibilnost TIMES modela omoguuje analizu razliitih problema, koji su u MARKAL modelima bili iznad njegovih analitikih mogunosti (Goldstein, 2001). Monte Carlo analiza je metoda za analiziranje neizvjesnih podataka u modelima. Relativno je vremenski zahtjevno za raunanje. Meutim s trenutnim mogunostima raunala, Monte Carlo analiza u kombinaciji sa MARKAL modelima postaje neizbjena (Seebregts, 2001).
35
Slika 6. Specifina cijena razvoja vjetroelektrana. MARKAL-ETL je koriten. Base je scenarij bez redukcije emisija CO2. SL oznaava scenarij redukcije emisije CO2, koji ide u prilog razvijanju vjetroelektrana. R&D (eng. research and development), u ovom sluaju oznaava re-alokaciju resursa iz nuklearne energije u obnovljive izvore energije.
Zakljuak: MARKAL skupina modela je skupina izuzetno monih alata za analizu energetskog planiranja sa mogunosti prikaza utjecaja na okoli. Tijekom vremena model je evoluirao od jednostavnog optimizacijskog modela koritenog samo od strane istraivaa, do sofisticiranog paketa sa mnogo potencijalnih aplikacija za analizu energetsko/ekolokih utjecaja i problema planiranja. MARKAL modeli omoguuju translaciju globalnih tenji za smanjenjem staklenikih plinova u pojedine akcije i projekte. MARKAL modeli omoguuju fleksibilnu, dobro objanjenu, dokazanu, provjerenu i evoluirajui metodologiju koja moe doprinijeti prilikom odluivanja. TIMES je sljedea generacija modela.
36
5. PROGNOZIRANJE OPTEREENJA OPENITO: Na liberaliziranom tritu elektrine energije, elektrina energija se moe kupiti ili prodati po trinim cijenama kao i svaka druga roba. Rezultat je rizik koji imaju proizvodne jedinice, energetska postrojenja i trgovci. Uspjeno upravljanje tvrtkom u dereguliranom tritu elektrine energije zahtijeva dosta statistike analize. Ipak, varijabilnost cijene nije jedini razlog koji poveava rizik. Deregulacija nije uope unaprijedila situaciju; zapravo, uinila je prognoziranje nunim za sve aktivne trine sudionike. Kada su energetski sektori bili regulirani, monopolisti su koristili kratkorono prognoziranje optereenja da bi osigurali pouzdanost opskrbe i dugorono prognoziranje optereenja kao bazu za planiranje i investiranje u nove kapacitete. To vie nije sluaj tamo gdje postoji konkurencija. Trokovi ugovaranja prevelike ili premale koliine elektrine energije te prodaja ili kupnja te energije na balansiranom tritu su tako veliki da mogu dovesti do financijskih poremeaja postrojenja. Minimiziranje volumetrijskih rizika nikada nije bila od takve vanost kao danas. Kao rezultat, prognoziranje optereenja je postalo centrali proces u planiranju i radu energetskih postrojenja, proizvoaa, operatora i ostalih sudionika na tritu. U sreditu interesa je prognoziranje optereenja u intervalu jedan sat (eng. Hourly system load). Meutim prognoziranje optereenja u intervalu sata, dana, tjedna i mjeseca je takoer u interesu. Prognoziranje razliitih vremenskih intervala su bitni za razliite operacije unutar tvrtke, kao to je i priroda prognoza drugaija. Na primjer, mogue je prognozirati optereenje za sljedei dan sa grekom od nekoliko postotaka, ali je nemogue prognozirati vrno optereenje sljedee zime sa istom tonou. Prognoziranje optereenja je klasificirano po vremenskom intervalu prognoziranja. Kao kratkorono (eng. short-term load forecast STLF), srednjorono (eng. medium-term load forecast MTLF) i dugorono (eng. long-term load forecast LTLF). OPTIMIZACIJSKE METODE: pregled metoda modeliranja optereenja LITERATURA: Weron, R. Modeling and Forecasting Electricity Loads and Prices: A Statistical Approach. West Sussex England: John Wiley & Sons Ltd, 2006
37
5.1. PREGLED METODA MODELIRANJA OPTEREENJA STLF pomae prilikom procjene tokova snage i za donoenja odluka za izbjegavanje preoptereenja i kvara opreme. STLF i MTLF su vani i za modeliranje i procjenu spot cijene i terminskih ugovora za elektrinu energiju. Prognoziranje optereenja na razini sata i dana do nekoliko dana unaprijed mogu se klasificirati kao STLF i kratki MTLF. Unato dugoj povijesti aktivnog istraivanja, prognoziranje optereenja je i dalje teak posao. Prvo, zato to optereenje pokazuje sezonalnost na dnevnoj, tjednoj i godinjoj razini. Drugo, zato to postoje mnoge egzogene varijable poput vremenskih uvjeta i socijalnih dogaaja koji moraju biti uzeti u obzir. Puno razliitih metoda i ideja je isprobano prilikom prognoziranja optereenja, sa razliitim razinama uspjeha. Metoda moemo svrstati u dvije kategorije: statistike metode i metode bazirane na umjetnoj inteligenciji.
METODE BAZIRANE NA UMJETNOJ INTELIGENCIJI (eng. nazivi) Artificial Neural Network Expert System Literatura
Fuzzy Logic Support Vector Machines
STATISTIKE METODE
Similar-Day Method Exponential Smoothing
(Weron, 2006), (Khotanzad, 1997), (Khotanzad, 1998), (Hippert, 2005), (Taylor, 2006) (Weron, 2006), (Ho, 1990), (Rahman and Hazim, 1996), (Kim, 1995), (Srinivasan, 1999) (Weron, 2006), (Liu, 1996), (Mori and Kobayashi, 1996), (Mori, 1999), (Wu and Lu, 1999), (Ling, 2003), (Senjyu, 2005), (Song, 2006) (Weron, 2006), (Vapnik, 1995), (Chen, 2004), (Mohandes, 2002), (Li and Fang, 2003b), (Li and Fang 2003a) Literatura
(Weron, 2006)
Regression Methods Autoregressive Model Autoregressive Moving Average Model ARMA Model Identification Differencing-Smoothing Model Moving Average With Rolling Volatility Model Autoregressive Integrated Moving Average Model
(Weron, 2006), (Taylor, 2003), (Taylor, 2006), (Moghram and Rahman, 1989), (Barakat, 1990), (El-Keib, 1995), (Misiorek and Weron, 2005), (Infield and Hill, 1998) (Weron, 2006), (Ruic, 2003), (Haida and Muto, 1994), (Haida, 1998), (Hyde and Hodnett, 1997), (Hyde and Hodnett, 1997), (Charytoniuk, 1998), (Smith, 2000) (Weron, 2006), (El-Keib, 1995), (Huang, 1997), (Soares and Medeiros, 2005) (Weron, 2006), (Fan and McDonald, 1994), (Chen, 1995), (Paarmann and Najars, 1995), (Nowicka-Zagrajek and Weron, 2002), (Huang and Shih, 2003) (Weron, 2006), (Ljung and Box, 1978),
(Weron, 2006) (Weron, 2006) (Weron, 2006), (Box and Jenkins, 1976), (Moghram and Rahman,
1989), (Cho, 1995), (Taylor, 2006), (Soares and Medeiros, 2005), (Amjady, 2001), (Juberias, 1999)
38
(Weron, 2006), (Fan and McDonald, 1994), (Yang, 1996), (Yang Time Series With Exogenous Variables Modeling Daily Loads with Exogenous Variables
and Huang, 1998), (Huang, 2005)

(Weron, 2006)
5.2. STATISTIKE METODE Statistike metode modeliranja prognoziraju trenutnu vrijednost optereenja koristei matematike kombinacije prethodnih optereenja i/ili prethodne ili trenutne vrijednosti egzogenih faktora, tipino vremenske uvijete i socijalne varijable. Ovi modeli su atraktivni jer neka fizika interpretacija moe biti povezana njihovim komponentama, to omoguuje inenjerima i operatorima sustava da razume njihovo ponaanje. Meutim esto su kritizirani zbog njihove ograniene mogunosti da modeliraju nelinearna ponaanja optereenja i fundamentalnih varijabli (vremenski uvjeti, parametri sustava itd.). U praktinoj primjeni ponaaju se dobro i usporedivo u odnosu na njihove nelinearne alternative. Statistiki pristupi esto kriste matematike modele koji reprezentiraju optereenje kao funkciju razliitih faktora. Dvije vane kategorije su: aditivni modeli (eng. additive models) i multiplikativni modeli (eng. multiplicative models). Razlikuju se u tome jeli je prognozirano optereenje suma (aditiv) nekog broja komponenti ili je produkt (multiplikat) nekog broja faktora. Aditivni modeli su daleko popularniji. Aditivni model za prognoziranje ukupnog optereenja Lt moe imati oblik: je osnovni (ili normalni ili vremenskim uvjetima-normaliziran) dio optereenja, reprezentira dio optereenja osjetljiv na
gdje je
to predstavlja skup standardiziranih oblika optereenja za svaki tip dana koji je bio identificiran da se pojavljuje tijekom godine, vremenske uvjete, je komponenta koja predstavlja specijalni dogaaj koji stvara moe biti dalje rastavljeno na trend komponentu
znaajnu devijaciju od normalnog optereenja tijekom praznika i drugih posebnih dana, je um. Osnovno optereenje sezonalnu komponentu , i stohastiku komponentu . Treba obratiti panju da mnoge
tehnike navedene u Tablici 3 modeliraju samo stohastiku komponentu nakon to je izdvojena iz originalnog vremenskog slijeda sa nekom od metoda navedenih u poglavlju 2.4 (Weron, 2006).
39
5.3. METODE BAZIRANE NA UMJETNOJ INTELIGENCIJI Metode bazirane na umjetnoj inteligenciji (eng. artificial intelligence-based, AI based) su fleksibilne i mogu se suoiti sa kompleksnosti i nelinearnosti. Sa razvojem raunalstva poetkom 1990 postale su intenzivnije prouavane i primijenjene na prognoziranje optereenja. Izmeu poznatih algoritama, ANN (eng. artificial neural networks) zaokupila je najvie panje (poglavlje 1.1.6. ovog Zavrnog rada). Popularnost ovih metoda potjee od injenice da nije potrebno prethodno iskustvo sa modeliranjem da bi se dobile prihvatljive prognoze optereenja. Upotrjebljeni algoritam automatski klasificira ulazne podatke i povezuje ih sa pojedenim dijelovima izlazne vrijednosti (poglavlje 1.1.6.). Nije potrebno nadgledanje simulacije. Jednostavnost je u isto vrijeme i nedostatak. U Tablici 4. pogledati pregled razliitih AI modela. ANN metoda modeliranja je zaokupila najvie panje te je ukratko objanjena u poglavlju 1.1.6.
METODE BAZIRANE NA UMJETNOJ INTELIGENCIJI (eng. nazivi) Artificial Neural Network Expert System Literatura
Fuzzy Logic Support Vector Machines
(Weron, 2006), (Khotanzad, 1997), (Khotanzad, 1998), (Hippert, 2005), (Taylor, 2006) (Weron, 2006), (Ho, 1990), (Rahman and Hazim, 1996), (Kim, 1995), (Srinivasan, 1999) (Weron, 2006), (Liu, 1996), (Mori and Kobayashi, 1996), (Mori, 1999), (Wu and Lu, 1999), (Ling, 2003), (Senjyu, 2005), (Song, 2006) (Weron, 2006), (Vapnik, 1995), (Chen, 2004), (Mohandes, 2002), (Li and Fang, 2003b), (Li and Fang 2003a)
6. ZAKLJUAK Prognoziranje optereenja je postalo iznimno vano od uvoenja konkurentnog trita. Trokovi proizili iz ugovaranja prevelike ili premale koliine elektrine energije te prodaje te energije na balansiranom tritu gdje se uspostavlja ekvilibrijska cijena su tako veliki da mogu dovesti do velikih financijskih gubitaka. Minimizacija volumetrijskih rizika pogotovo onih koji se mogu pojaviti u kratkom roku, nikada nije bila od vee vanosti za kompanije kao danas. Statistike metode spomenute u ovom radu su vrlo pogodne za STLF. Razlikuju se u kompleksnosti i performansama prognoziranja. Naalost, ne postoji niti jedan model koji je najbolji u svim pogledima. Svaki proces potronje zahtijeva individualni pristup i optimalan pristup se odabire nakon usporeivanja rezultata razliitih modela. Dostupnost podataka i njihova kvaliteta limitiraju dostupne modele i performanse modela.
40
Prognoziranje cijene elektrine energije je vano za energetske kompanije i razvoj strategija. Dok je efikasnost i korisnost potpuno statistikih modela upitna na financijskim tritima, na tritima elektrine energije ove metode imaju veu ansu. Razlog tome je sezonalnost koja se pojavljuje u procesu cijena elektrine energije tijekom normalnih dana, to ini cijenu elektrine energije predvidljiviju nego cijene jako fluktuirajue financijske imovine. Statistike metode daju toan opis dinamike cijene elektrine energije, dok se kvantitativni modeli ne koriste da tono prognoziraju cijene u intervalu 1 sat, nego da otkriju glavne karakteristike cijene elektrine energije, tipino na dnevnoj razini. Takoer, mnogi modeli bazirani na deterministikom pristupu se mogu nai u modeliranju u energetici jer su sposobni modelirati karakteristike trita elektrine energije dok su stohastiki pristupi posebno korisni za modeliranje neizvjesnih parametara. 7. LITERATURA Weron, R. Modeling and Forecasting Electricity Loads and Prices: A Statistical Approach. West Sussex England: John Wiley & Sons Ltd, 2006 Mst, D; Keles, D. A survey of stochastic modelling approaches for liberalised electricity markets. European Journal of Operational Research, 2009 Sansom, D.C; Saha, T. K. Neural Networks For Forecasting Electricity Pool Price In A Deregulated Electricity Supply Industry. Department of Computer Science and Electrical Engineering University of Queensland, 1999 Xu, Z; Dong, Z. Y; Liu, W. Q. Neural Network Models For Electricity Market Forecasting. School of Information Technology and Electrical Engineering The University of Queensland, 2005 Sakalauskas, L; Zilinskas, K. Stochastic Power Plant Investment Planning Problem. University of Siauliai, 2009 Holtan, M. Using simulation to calculate the NPV of a project. Onward Inc., 2002 Zonooz, M.R.F. A Review of MARKAL Energy Modeling. European Journal of Scientific Research, 2009 Seebregts, J; Goldstein, G.A; Smekens, K. Energy/Environmental Modeling with the MARKAL Family of Models. Energy research Centre of the Netherlands, 2001 Huang, C.B; Ko, F.K. Nuclear Power Generation and CO2 Abatement Scenarios in Taiwan. World Academy of Science, Engineering and Technology, 2009
41
PREGLED OPTIMIZACIJSKIH METODA U EES-U /

OVERVIEW OF OPTIMIZATION METHODS IN POWER SYSTEM
8. SAETAK / ABSTRACT 2. PUTANJE ELEKTRANE U POGON Posljednjih desetljea, postoji tendencija liberalizacije trita elektrine energije s ciljem postizanja jeftinijih i pouzdanijih usluga za korisnike elektrine energije. Povrh svega, proizvoai elektrine energije su izloeni razliitim rizicima liberaliziranog trita elektrine energije. Rizici odnosno neizvjesnosti koje ih zahvaaju podrazumijevaju; oscilacije cijena elektrine energije i cijena goriva poput nafte, plina, ugljena i urana te rizici politikih odluka, tehnolokog razvoja, konkurencije itd. Predmet rasprave ovog poglavlja biti e kretanje cijena elektrine energije. Radi maksimiziranja dobiti elektrane, potrebno je optimizirati dostupnost generatora za vrijeme viih cijena te provoditi redovito odravanje generatora za vrijeme niskih cijena elektrine energije. Zbog toga se pojavila potreba za alatima koji e pomoi pri odluivanju odnosno optimiziranju dostupnosti generatora s obzirom na cijenu elektrine energije i potronju elektrine energije. Osim predvianja cijene elektrine energije, drugi parametar pri naem odluivanju u optimiziranju dostupnosti generatora je prognoziranje optereenja (eng. load forecast). Ovo poglavlje daje kratki uvid u metode modeliranja potronje elektrine energije i cijene elektrine energije. OPTIMIZACIJSKE METODE: pregled razliitih metoda modeliranja cijene elektrine energije, pregled stohastikih metoda modeliranja cijene elektrine energije, ANN, ARMA, pregled metoda modeliranja optereenja 2. RELEASING POWER PLANT IN OPERATION Last decades there is tendention in liberalization of electric power market with goal of reaching cheaper and more reliable services for user. After all producers of electric power are exposed to different risks on liberalized electric power market. Risks or uncertainties are; oscillations of electric prices, fuel prices like oil, gas, coal and uranium. Other risks are political decisions and technological development, competition etc. In this chapter there will be discussed about electric price dynamics. For maximizations of power plant profit, it is necessary to optimize generator availability during high electricity prices and having regular maintain during low electricity prices. Hence of that there is a need for tool which will help in decision making considering generator availability.
42
Except forecasting electricity prices, second parameter in our decision making in optimization of generator availability is load forecasting. This chapter gives short overview of modeling methods for electricity prices and loads. OPTIMISATION METHODS: overview of different modeling methods for electricity prices, overview of stochastic modeling methods for electricity prices, ANN, ARMA, overview of modeling methods for electricity loads. 3. PLANIRANJE PROIZVODNIH KAPACITETA Energetski sektor mora biti ekoloki odriv u isto vrijeme kao to mora biti ekonomski odriv. Energetska postrojenja moraju imati zadovoljavajui povrat i moraju zadovoljiti dioniare, ali moraju imati odgovornost prema iroj zajednici. Neizvjesnost trita elektrine energije se mora uzeti u obzir prilikom planiranja energetskog sustava. Stoga e u ovom poglavlju biti obraene dvije metode koje odgovaraju na dva problema pri planiranju proizvodnih kapaciteta. Prva metoda je metoda Monte Carlo koja se bazira na ponavljanju sluajnog uzorka, te ROA metoda koja pomae pri odabiru investicije (eng. investment decision models) koje openito raunaju neto trenutnu vrijednost postrojenja i daju snanu bazu prije pokretanja velike investicije. OPTIMIZACIJSKE METODE: Monte Carlo Metoda, Real Options Approach (ROA) 3. PLANING PRODUCTION CAPACITIES Energy sector has to be environmentally sustainable in the same time as it must be economically viable. Energy utilities need to have satisfactory return and need to satisfy their share holders in the same time as they have obligation to public interests. Uncertainties of electricity power market must be taken into consideration in planning in power market. In this chapter there will be discussed two methods which answer on two problems when planning production capacities. First method is Monte Carlo, second is ROA method which helps in investment decision making. OPTIMIZATION METHODS: Monte Carlo Metoda, Real Options Approach (ROA) 4. EKOLOKI I ENERGETSKI PROBLEMI, REDUCIRANJE EMISIJE CO2 MARKAL skupina modela je skupina izuzetno monih alata za analizu energetskog planiranja sa mogunosti prikaza utjecaja na okoli. Tijekom vremena model je evoluirao od jednostavnog optimizacijskog modela koritenog samo od strane istraivaa, do sofisticiranog paketa sa mnogo potencijalnih aplikacija za analizu energetsko/ekolokih utjecaja i problema planiranja. MARKAL modeli omoguuju translaciju globalnih tenji za smanjenjem staklenikih plinova u pojedine akcije i projekte. MARKAL modeli
43
omoguuju
fleksibilnu,
dobro
objanjenu,
dokazanu,
provjerenu
evoluirajui
metodologiju koja moe doprinijeti prilikom odluivanja. TIMES je sljedea generacija modela. OPTIMIZACIJSKE METODE: MARKAL skupina modela 4. ENVIRONMENTAL AND ENERGY PROBLEMS, REDUCING EMISSIONS OF CO2 The MARKAL family of models represent a series of extremely powerful tools for the analysis of energy planning with its associated environmental impacts. Through time, the model has evolved from a simple optimization framework used only by researchers, to a very sophisticated package with many potential applications to the analysis of energy/environment policy and planning questions. The MARKAL family provides a means of translating global commitments for the mitigation of GHG (Greenhouse Gas Emission Permit) emissions into specific actions and projects. The MARKAL family of models provides a flexible, well understood, proven, verifiable and evolving methodology that can contribute insights to assist with informed decision-making. TIMES will be the next generation member of the family. OPTIMIZATION METHODS: Monte Carlo Method, Real Options Approach (ROA) 5. PROGNOZIRANJE OPTEREENJA Na liberaliziranom tritu elektrine energije, elektrina energija se moe kupiti ili prodati po trinim cijenama kao i svaka druga roba. Kao rezultat toga je rizik koji imaju proizvodne jedinice, energetska postrojenja i trgovci. Uspjeno upravljanje tvrtkom u dereguliranom tritu elektrine energije zahtijeva dosta statistike analize. Ipak, varijabilnost cijene nije jedini razlog koji poveava rizik. Deregulacija nije uope unaprijedila situaciju; zapravo, uinila je prognoziranje nunim za sve aktivne trine sudionike. Kada su energetski sektori bili regulirani, monopolisti su koristili kratkorono prognoziranje optereenja da bi osigurali pouzdanost opskrbe i dugorono prognoziranje optereenja kao bazu za planiranje i investiranje u nove kapacitete. To vie nije sluaj tamo gdje postoji konkurencija. Trokovi ugovaranja prevelike ili premale koliine elektrine energije te prodaja ili kupnja te energije na balansiranom tritu su tako veliki da mogu dovesti do financijskih poremeaja postrojenja. Minimiziranje volumetrijskih rizika nikada nije bila od takve vanost kao danas. Kao rezultat, prognoziranje optereenja je postalo centrali proces u planiranju i radu energetskih postrojenja, proizvoaa, operatora i ostalih sudionika na tritu.
44
U sreditu interesa je prognoziranje optereenja u intervalu jedan sat (eng. Hourly system load). Meutim prognoziranje optereenja u intervalu sata, dana, tjedna i mjeseca je takoer u interesu. Prognoziranje razliitih vremenskih intervala su bitni za razliite operacije unutar tvrtke, kao to je i priroda prognoza drugaija. Na primjer, mogue je prognozirati optereenje za sljedei dan sa grekom od nekoliko postotaka, ali je nemogue prognozirati vrno optereenje sljedee zime sa istom tonou. Prognoziranje optereenja je klasificirano po vremenskom intervalu prognoziranja. Kao kratkorono (eng. short-term load forecast STLF), srednjorono (eng. medium-term load forecast MTLF) i dugorono (eng. long-term load forecast LTLF). OPTIMIZACIJSKE METODE: pregled metoda modeliranja optereenja 5. FORECASTING ELECTRICITY LOADS In a liberalized power market electricity can be bought and sold at market prices like any other commodity. As a consequence, the amount of risk borne by electric utilities, power producers and marketers has increased substantially. Successfully managing a company in todays deregulated electricity markets takes a fair amount of statistical analysis. Yet, not only price variability leads to risk exposure. Deregulation has not improved the situation at all; in fact, it made forecasting a necessity for all active market players. When electricity sectors were regulated, utility monopolies used short-term load forecasts to ensure the reliability of supply and long-term demand forecasts as the basis for planning and investing in new capacity. That is no longer the case where competition has been or is being introduced. The costs of over- or under-contracting and then selling or buying power on the balancing market have increased so much that they can lead to financial distress of the utility. Minimization of volumetric risk has never been of such importance as it is today. As a result, load forecasting has gradually become the central and integral process in the planning and operation of electric utilities, energy suppliers, system operators and other market participants. The basic quantity of interest is typically the hourly total system load. However, load forecasting is also concerned with the prediction of hourly, daily, weekly and monthly values of the system load. The forecasts for different time horizons are important for different operations within a company. The natures of these forecasts are also different. For example, it is possible to predict the next day load with a few percent error, but it is impossible to predict the next winter peak load with a similar accuracy. Typically load forecasting is classified in terms of the planning horizons duration, as short-term (STLF), medium-term (MTLF) and long-term load forecasting (LTLF). OPTIMIZATION METHODS: overview of modeling methods for electricity loads
45
KLJUNE RIJEI Aditivni modeli - (eng. additive models) Autoregresivni proces (eng. autoregressive process- AR process) Autoregresivni pokretni prosjek (eng. Autoregressive Moving Average- ARMA) Alati koji pomau prilikom odluivanja - (eng. decision support tools) Cijena elektrine energije u terminskom ugovoru - (eng. forward price) Cijena elektrine energije na tritu - (eng. spot price forecast) Cijena terminskog ugovora ili cijena elektrine energije u ugovoru - (engl. futures price) Datum dospijea - (eng. delivery date) Dugorono - (eng. long-term) Dugorone ekvilibrijske cijene - (eng. long-term equilibrium prices) Dugorono prognoziranje optereenja - (eng. long-term load forecast LTLF) Dvorazinski stohastiki linearni optimizacijski model - (eng. two-stage stochastic linear optimization model) Ekvilibrijski Modeli - (eng. Equilibrium or game theoretic) Ekvilibrijska cijena - (eng. equilibrium price) Ekvilibrijuma krivulja ponude - (eng. supply function equilibrium) Ekonometrijski modeli - (eng. econometric models) Fundamentalni Modeli - (eng. Fundamental or structural) Fuzzy logika - (eng. neural networks, fuzzy logic). GHG dozvola - (eng. Greenhouse Gas Emission Permit) Kvantitativni Modeli - (eng. Quantitative or stochastic, econometric) Koncentracijom na tritu - (eng. market concretation) Kratkorono - (eng. short-term) Kratkorone prognoze - (eng. Short Term Price Forecast STPF) Linearni optimizacijski model - (eng. linear optimising model)
46
Linearno programiranje - (eng. Linear Programming LP) Multiplikativni modeli - (eng. multiplicative models) Modeli trokova proizvodnje - (eng. Production cost or cost based models) Modeli bazirani na umjetnoj inteligenciji - (eng. Artificial intelligence-based or non parametric)
MR proces (eng. MR Process - Mean-Reversion Process)
Meunarodna agencija za energiju - (eng. International Energy Agency - IEA) Modeli trokova proizvodnje - (eng. Cost-based or Production cost models - PCM) Neto trenutna vrijednost - (eng. Net present value - NPV) Optereenja u intervalu jedan sat - (eng. Hourly system load) Odluivanju u neizvjesnom okruenju - (eng. decision making under uncertainty) Prognoziranje optereenja - (eng. load forecast) Prognoziranja cijene u intervalu jedan sat - (eng. hour-by-hour) Premija rizika - (eng. risk premium) Pokretni prosjek - (eng. moving average) R&D - (eng. research and development) Statistiki Modeli - (eng. Statistical or tehnical analysis) Srednjorono - (eng. medium-term) Srednjorono prognoziranje optereenja - (eng. medium-term load forecast MTLF) Strateki model trokova proizvodnje - (eng. strategic production cost model SPCM) Srednja vrijednost - (eng. mean) Sezonalnost - (eng. seasonality) Stohastiki ostatak - (eng. stochastic residue) Stog ponude - (eng. supply stack) iljak - (eng. spikes) um - (eng. noise) Teinski pokretni prosjek - (eng. weighted moving average - WMA)
47
Vanjskih - (eng. exogenous) Volatilnosti - (eng. volatilty) Zdruena raspodjela vjerojatnosti - (eng. joint probability distributions)
48
BIBLIOGRAFIJA Amjady, N. Day-ahead price forecasting of electricity markets by a new fuzzy neural network. IEEE Transactions on Power Systems, 2006 Agnew, M; Schrattenholzer, L. A Model for Energy Supply System Alternatives and their General Environmental Impact. IIASA, Laxenburg, 1979 Bahn O; Barreto L; Beler B; Kypreos, S; A Multi-regional MARKALMACRO Model to Study an International Market of CO2 Emission Permits: A detailed analysis of a burden sharing strategy among the Netherlands, Sweden and Switzerland, 1998 Barreto L; Kypreos S; Technological Learning in Energy Models: Experience and Scenario Analysis with MARKAL and the ERIS Model Prototype. 1999 Batlle, C; and Barqun, J; A strategic production costing model for electricity market price analysis. IEEE Transactions on Power Systems, 2005 Bystrom, H.N.E. Extreme value theory and extremely large electricity price changes. International Review of Economics and Finance, 2005 Contreras, J; Espinola, R; Nogales, F.J; Conejo, A.J. ARIMA models to predict next-day electricity prices. IEEE Transactions on Power Systems, 2003 Conejo, A.J; Contreras, J; Espinola, R; Plazas, M.A; Forecasting electricity prices fora day-ahead pool-based electric energy market. International Journal of Forecasting,2005a Conejo, A.J; Forecasting electricity prices for a day-ahead pool-based electric energy market. International Journal of Forecasting, 2005 Chen, B.J; Load forecasting using Support Vector Machines: A study on EUNITE Competition 2001. IEEE Transactions on Power Systems, 2004 Cuaresma, J.C; Hlouskova, J; Kossmeier, S; Obersteiner, M; Forecasting electricity spot prices using linear univariate time-series models. Applied Energy, 2004 Fichtner, W; Strategische Optionen der Energieversorger zur CO2-Minderung: ein Energie-und Stoffflussmodell zur Entscheidungsuntersttzung. Erich Schmidt Verlag, Berlin, 1999 Finon, D; Optimization model for the energy sector. Energy Policy 6, 1974 Fishbone, L.G;Abilock, H. MARKAL: A linear programming model for energy systems analysis: Technical description of the BNL version. International Journal of Energy Research, 1981
49
Geman, H; Roncoroni, A. Understanding the fine structure of electricity prices, Journal of Business, 2006 Gibson, R.G. Stochastic convenience yield and pricing of oil contingent claims, Journal of Finance, 1990 Gielen, DJ; Gerlagh T; Bos AJM , MATTER 1.0 - A MARKAL Energy and Materials System Model Characterisation, 1998 Gielen, DJ; Bos AJM; Feber de MAPC, Gerlagh T , Biomass for greenhouse gas emission reduction task 8 : optimal emission reduction strategies for Western Europe. ECN report ECN-C00-001, ECN, Petten, the Netherlands, 2000 Goldstein GA, MESAP/TIMES Advanced Decision Support for Energy and Environmental Planning, 2001 Hamilton LD, MARKAL-MACRO: An Overview. Brookhaven National Laboratories, 1992 Hippert, H.S., Large neural networks for electricity load forecasting: Are they overfitted? International Journal of Forecasting, 2005 Ho, K.L., Short-term load forecasting of Taiwan power system using a knowledge based expert system, IEEE Transactions on Power Systems, 1990 Arsham, H. Deterministic Modeling: Linear Optimization with Applications, http://home.ubalt.edu/ntsbarsh/opre640a/partviii.htm, 26.svibanj.2010, 1996 Hahn, H. Electric load forecasting methods: Tools for decision making. European Journal of Operational Research, 2009 Johnson, B. and Barz, G. Selecting stochastic processes for modelling electricity prices. In: Energy Modelling and the Management of Uncertainty. Risk Books, London, 1990 Karakatsani, N.V., Bunn, D.W., Forecasting electricity prices: The impact of fundamentals and time-varying coefficients. International Journal of Forecasting, 2008 Khotanzad, A., ANNSTLF A neural-network-based electric load forecasting system, IEEE Transactions on Neural Networks, 1997 Khotanzad, A., ANNSTLF Artificial neural network short-term load forecaster Generation three, IEEE Transactions on Neural Networks, 1998 Karakatsani, N. and Bunn, D.W. (2004) Modelling the volatility of spot electricity prices. EMGWorking Paper, London Business School. Kim, K.-H., Implementation of hybrid short-term load forecasting system using artificial neural networks and fuzzy expert systems, IEEE Transactions on Power Systems, 1995
50
Lucia, J.J. Electricity prices and power derivatives: Evidence from the Nordic power exchange. Review of Derivative Research, 2002 Li, Y; Fang, T. Application of Fuzzy Support Vector Machines in Short-term Load Forecasting. Lecture Notes in Computer Science, 2003 Li, Y; Fang, T. Wavelet and Support Vector Machines for short-term electrical load forecasting, Proceedings of the Third International Conference on Wavelet Analysis and its Applications, 2003a Liu, K., Comparison of very short-term load forecasting, IEEE Transactions on Power Systems, 1996 Lesniewski A. 1. The forward curve, 2008 Loulou, R; Lavigne D. MARKAL model with Elastic Demands: Application to Greenhouse Gas Emission Control. In: C. Carraro, A. Haurie (eds.): Operations research and environmental management. Kluwers Academic Publishers, The Netherlands, 1996 Mohandes, M., Support Vector Machines for short-term electrical load forecasting, International Journal of Energy Research, 2002 Mori, H., Fuzzy inference models for short-term load forecasting with tabu search, Proceedings of the IEEE Systems, Man, and Cybernetics SMC99 International Conference, 1999 Mori, H. and Kobayashi, K., Optimal fuzzy inference for short-term load forecasting, IEEE Transactions on Power Systems, 1996 Muche, T., Investitionsbewertung in der Elektrizittswirtschaft mit dem Realoptionsansatz. Zeitschrift fr Energiewirtschaft, 2007 Mst, D. Zur Wettbewerbsfhigkeit der Wasserkraft in liberalisierten Elektrizittsmrkten eine modellgesttzte Analyse dargestellt am Beispiel des schweizerischen Energieversorgungssystems. Universitt Karlsruhe, 2006 Mst D., Keles D.A survey of stochastic modelling approaches for liberalised electricity markets, 2009 Messner, S. Users Guide for the Matrix Generator of Message II: Model Description and Implementation Guide. IIASA, Laxenburg, 1984 Messner, S., Strugbegger, M. Model-based decision support in energy planning. International Journal of Global Energy Issues, 2009 Merton, R.C.Option pricing when underlying stock returns are discontinuous, Journal ofFinancialEconomics, 1976
51
Misiorek, A.,Truck, S. and Weron, R. Point and Interval Forecasting of Spot Electricity Prices: Linear vs. Non-Linear Time Series Models. Studies in Nonlinear Dynamics and Econometrics, 2006 Mugele, Ch., Rachev, S.T. and Truck, S. Stable modeling of different European power markets, Investment Management and Financial Innovations, 2005 Nogales, F.J., Contreras, J., Conejo, A.J. and Espinola, R. Forecasting next-day electricity prices by time series models, IEEE Transactions on Power Systems, 2002 Regemorter D van, Goldstein G ,Development Of MARKAL Towards a Partial Equilibrium Model. ETSAP Technical Paper, 1998 Rahman, S. and Hazim, O., Load forecasting for multiple sites: Development of an expert system-based technique, Electric Power Systems Research, 1996 Rahman, S. and Hazim, O., Load forecasting for multiple sites: Development of an expert system-based technique, Electric Power Systems Research, 1996 Remme, U. Zuknftige Rolle erneuerbarer Energien in Deutschland: Sensitivitsanalysen mit einem linearen Optimierungsmodell. Universitt Stuttgart, 2006 Rudkevich A. Supply Function Equilibrium: Theory and Applications, 2009 Rambharat, B.R., Brockwell, A.E. and Seppi, D.J. A threshold autoregressive model for wholesale electricity prices, Journal of the Royal Statistical Society, Series, 2005 Swider, D.J. and Weber, C. Extended ARMA models for estimating price developments on day-ahead electricity markets, Electric Power Systems Research (forthcoming), 2006 Sijthoff & Noordhoff, Amsterdam Starrmann, F. Entwicklung der Kraft-Wrme-Kopplung in liberalisierten Elektrizittsmrkten. Oldenbourg Industrieverlag, Mnchen, 2001 Schwartz, E.S., The stochastic behavior of commodity prices: Implications for valuation and hedging. Journal of Finance, 1997 Schmller, H.K., Modellierung von Unsicherheiten bei der mittelfristigen Stromerzeugungs- und Handelsplanung. Klinkenberg Verlag, Aachen, 2005 Srinivasan, D., Parallel neural network-fuzzy expert system for short-term load forecasting: system implementation and performance evaluation, IEEE Transactions on Power Systems , 1999
52
Sakalauskas, L. Nonlinear stochastic programming by Monte-Carlo estimators, European Journal on Operational Research, 2002 Sakalauskas, L. Application of the Monte-Carlo method to nonlinear stochastic optimization with linear constraints, Informatica, 2004 Sakalauskas, L. Application of the Monte-Carlo method to nonlinear stochastic optimization with linear constraints, Informatica, 2004 Sakalauskas, L, and Zilinskas, K. Application of Statistical Criteria to Optimality Testing in Stochastic Programming, Technological and Economic Development of Economy, 2006 Szkuta, B., Sanabria, L. and Dillon, T. Electricity price short-term forecasting using artificial neural networks, IEEE Transactions on Power Systems, 1999 Szkuta, B., Sanabria, L. and Dillon, T. Electricity price short-term forecasting using artificial neural networks, IEEE Transactions on Power Systems , 1999 Sakalauskas, L. and Zilinskas, K. Stochastic B-feasible direction approach for two-stage SLP, The 20th International Conference EURO mini conference Continuous optimization and knowledgebased technologies EurOPT2008: May 2023, 2008, Neringa, Lithuania: selected papers. Vilnius: Tec, 2008 Seebregts, AJ, Monte Carlo uncertainty analysis with MARKAL. In: Proceedings ETSAP Workshop, Venice, Italy, 2001 Tseng, C.L., Barz, G.,Short-term generation asset valuation: A real options approach. Operation Research INFORMS, 2002 Tong, H. On a threshold model. In: Pattern Recognition and Signal Processing, C.H. Chen (ed.), 1978 Tong, H. and Lim, K.S. Threshold autoregression, limit cycles and cyclical data, Journal of the Royal Statistical Society, 1980 Taylor, J.W., A comparison of univariate methods for forecasting electricity demand up to a day ahead, International Journal of Forecasting, 2006 Van der Voort, E., Donni, E., Thonet, C., Bois DEnghien, E., Dechamps, C., Guilmot, J.F.Energy Supply Modelling Package, EFOM-12C Mark I, Mathematical Description, Louvain-La-Neuve, 1984 Ventosa, M., Ballo, A., Ramos, A. and Rivier, M. Electricity market modeling trends, Energy Policy, 2005 Vapnik, V.N., The Nature of Statistical Learning Theory. Springer Verlag, 1995 Weron R. Modeling and Forecasting Electricity Loads and Prices, 2006
53
Weron, R.W. Modeling and Forecasting Electricity Loads and Prices: A Statistical Approach. West Sussex England: John Wiley & Sons Ltd, 2006
Weron, R. and Misiorek, A. Short-term electricity price forecasting with time series models: A review and evaluation, In: Complex Electricity Markets, W. Mielczarski (ed.), 2006 Weron, R. Computationally intensive Value at Risk calculations. In: Handbook of Computational Statistics, J.E. Gentle, W. Hardle and Y. Mori (eds). Springer, Berlin, 2004 Weron, R. Modelling electricity prices: Jump diffusion and regime switching. Physica, 2004 Weber, C. Uncertainty in the Electric Power Industry. Springer, New York, 2005 Wu, H.-C. and Lu, C., Automatic fuzzy model identification for short-term load forecast, IEE Proceedings Generation, Transmission and Distribution, 1999 Ybema, JR, Bos AJM, Seebregts AJ. Incorporating the long term risk for deep emission reduction in near term CO2 mitigation strategies. Journal of Hazardous Materials, 1998
54

PREGLED OPTIMIZACIJSKIH METODA U EES-U - Završni Rad (Perica Ilak)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

PREGLED OPTIMIZACIJSKIH METODA U EES-U - Završni Rad (Perica Ilak)

Uploaded by

Copyright:

Available Formats

SVEUILITE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAUNARSTVA

ZAVRNI RAD br. 1377

Zagreb, lipanj 2010

EKVILIBRIJSKI MODELI (eng. Equilibrium or game theoretic)

FUNDAMENTALNI MODELI (eng. Fundamental or structural)

KVANTITATIVNI MODELI (eng. Quantitative or stochastic, econometric)

MODELI BAZIRANI NA UMJETNOJ INTELIGENCIJI (eng. Artificial intelligence-based or non parametric)

AUTOREGRESSIVE GARCH MODELS LINEAR MODELS

1980), (Rambharat, 2005), (Weron and Misiorek, 2005), (Misiorek, 2006)

Elektrane su karakterizirane: vremenom trajanja, izmeu 40 i 60 godina, ovisno o tipu elektrane;

2 do 10 godina sve krae od 1 godine 14 Quantitative Models

iljak (eng. spike) anomalije cijena, veliki porast cijene.

Spot cijena je cijena na tritu elektrine energije

Prognoza Spot Cijene Premija Rizika = Cijena Terminskog Ugovora

1980), (Rambharat, 2005), (Weron and Misiorek, 2005), (Misiorek, 2006)

Aktivacijska funkcija F()

eljeni izlaz T Stvarni izlaz y

Potranja Slika 1. Neuron

3.) I trea funkcija je, sigmoid funkcija. Poprima vrijednosti izmeu 0 i 1.

ARMA (p, q) model izraava trenutnu vrijednost cijene

kao linearnu kombinaciju svojih

oznaava korigiranu vrijednost slijeda podataka . Jednadba se zapisuje u obliku

korigiranog za njegovu srednju . predstavlja korigiranu je um.

vrijednost slijeda podataka iz prethodne godine,

autoregresivni koeficijenti kanjenja 1 i 2. AR model p-tog reda, AR(p)

oznaavaju um u vremenima t i t-1. Zatim

oznaava koeficijent prvog

Dalje e biti objanjena procedura simulacije cijene elektrine energije.

transformacija logaritamskih cijena u prave cijene (Slika 2).

Slika 2. Procedura simulacije cijene elektrine energije

Dependencies from demand Dependencies from demand

(Karakatsani i Bunn, 2008) (Muche, 2007) (Schwartz, 2007)

Cijena elektrine energije i cijena goriva, utjecanje u hidro rezervoare

Arima Process And Peak Regime

Korelacija izmeu ugljena i cijena plina

2.3.1. PREGLED METODA MODELIRANJA OPTEREENJA

Support Vector Machines

Autoregressive Integrated Moving Average Model

1996), (Yang and Huang, 1998), (Huang, 2005)

Napomena: Vie o metodama modeliranja i prognoziranja optereenja biti e reeno u poglavlju 4.

Operativni troak, je svakodnevni, uobiajeni i redovni troak rada elektrane. 26

Operativni troak, je svakodnevni, uobiajeni i redovni troak rada elektrane.

Slika 4. MARKAL RES

Fuzzy Logic Support Vector Machines

and Huang, 1998), (Huang, 2005)

Fuzzy Logic Support Vector Machines

PREGLED OPTIMIZACIJSKIH METODA U EES-U /

You might also like