Elprisprognos

Elprisprognoser (EPF) är en gren av energiprognoser som fokuserar på att förutsäga spot- och terminspriser på grossistmarknader för el . Under de senaste 15 åren elprisprognoser blivit en grundläggande input till energiföretagens beslutsmekanismer på företagsnivå.

Sedan början av 1990-talet har processen med avreglering och införandet av konkurrenskraftiga elmarknader omformat landskapet i de traditionellt monopolistiska och statligt kontrollerade kraftsektorerna. I hela Europa, Nordamerika och Australien handlas el nu enligt marknadsregler med spot- och derivatkontrakt . El är dock en mycket speciell vara: den är ekonomiskt icke-lagringsbar och kraftsystemets stabilitet kräver en konstant balans mellan produktion och konsumtion. Samtidigt beror efterfrågan på el på vädret (temperatur, vindhastighet, nederbörd, etc.) och intensiteten i affärs- och vardagliga aktiviteter ( på högtrafik kontra lågtrafik, vardagar kontra helger, helgdagar, etc.) . Dessa unika egenskaper leder till prisdynamik som inte observeras på någon annan marknad, och uppvisar dagliga, veckovisa och ofta årliga säsongsvariationer och plötsliga, kortlivade och allmänt oväntade pristoppar.

Extrem prisvolatilitet , som kan vara upp till två storleksordningar högre än för någon annan råvara eller finansiell tillgång, har tvingat marknadsaktörer att säkra inte bara volym utan även prisrisk. Prisprognoser från några timmar till några månader framåt har blivit av särskilt intresse för kraftportföljförvaltare. Ett kraftmarknadsföretag som kan förutsäga de volatila grossistpriserna med en rimlig nivå av noggrannhet kan justera sin budgivningsstrategi och sitt eget produktions- eller konsumtionsschema för att minska risken eller maximera vinsten vid day-ahead-handel. En uppskattning av besparingar från en minskning med 1 % av det genomsnittliga absoluta procentuella felet (MAPE) för kortsiktiga prisprognoser är 300 000 USD per år för ett kraftverk med 1 GW topplast .

Elprisprognoser är processen att använda matematiska modeller för att förutsäga vad elpriserna kommer att bli i framtiden.

Prognosmetodik

Den enklaste modellen för att prognostisera dagen framåt är att be varje generationskälla att lägga bud på generationsblock och välja de billigaste buden. Om inte tillräckligt många bud lämnas höjs priset. Om för många bud lämnas kan priset nå noll eller bli negativt. Erbjudandepriset inkluderar såväl produktionskostnaden som överföringskostnaden, tillsammans med eventuell vinst. El kan säljas eller köpas från angränsande kraftpooler .

Konceptet med oberoende systemoperatörer (ISO) främjar konkurrensen om produktion bland aktörer på grossistmarknaden genom att separera driften av överföring och produktion. ISO:er använder budbaserade marknader för att fastställa ekonomisk leverans.

Vind- och solenergi kan inte skickas . Sådan kraft säljs normalt före alla andra bud, till en förutbestämd kurs för varje leverantör. Eventuellt överskott säljs till en annan nätoperatör, eller lagras, med pumpad lagring av vattenkraft , eller i värsta fall inskränkt. Inskränkning kan potentiellt påverka solenergins ekonomiska och miljömässiga fördelar vid högre PV-penetrationsnivåer. Tilldelning sker genom budgivning.

Effekten av det senaste införandet av smarta nät och integrering av distribuerad förnybar produktion har varit ökad osäkerhet om framtida utbud, efterfrågan och priser. Denna osäkerhet har drivit fram mycket forskning kring ämnet prognoser.

Drivfaktorer

Elektricitet kan inte lagras lika lätt som gas, den produceras vid det exakta efterfrågan. Alla faktorer som utbud och efterfrågan kommer därför att ha en omedelbar inverkan på elpriset på spotmarknaden. Utöver produktionskostnaderna bestäms elpriserna av tillgång och efterfrågan. Det är dock mest sannolikt att vissa grundläggande drivkrafter kommer att övervägas.

Kortsiktiga priser påverkas mest av vädret. Efterfrågan på grund av uppvärmning på vintern och kyla på sommaren är de främsta drivkrafterna för säsongsbetonade prishöjningar. Ytterligare naturgaseldad kapacitet driver ner priset på el och ökar efterfrågan.

Ett lands tillgång till naturresurser, liksom dess gällande regler, påverkar i hög grad tarifferna från utbudssidan. Utbudssidan av elförsörjningen påverkas mest av bränslepriserna och priserna på CO _{2 -utsläppsrätter.} EU:s koldioxidpriser har fördubblats sedan 2017, vilket gör det till en betydande drivkraft för priset.

Väder

Studier visar att efterfrågan på el till stor del styrs av temperatur . Uppvärmningsbehovet på vintern och kylbehovet ( luftkonditioneringsapparater ) på sommaren är det som främst driver säsongstopparna i de flesta regioner. Uppvärmningsgraddagar och nedkylningsgradsdagar hjälper till att mäta energiförbrukningen genom att referera till utomhustemperaturen över och under 65 grader Fahrenheit , en allmänt accepterad baslinje.

När det gäller förnybara källor som sol och vind påverkar vädret utbudet. Kaliforniens ankkurva visar skillnaden mellan efterfrågan på el och mängden solenergi som är tillgänglig under dagen. En solig dag svämmar solkraften över elproduktionsmarknaden och sjunker sedan under kvällen, när efterfrågan på el är som högst.

Tillgång till vattenkraft

Snöpackning , bäckflöden , säsongsvariationer, lax , etc. alla påverkar mängden vatten som kan rinna genom en damm vid varje given tidpunkt. Att prognostisera dessa variabler förutsäger den tillgängliga potentiella energin för en damm under en given period. Vissa regioner som Pakistan, Egypten, Kina och Pacific Northwest får betydande produktion från vattenkraftsdammar . Under 2015 SAIDI och SAIFI från föregående år i Zambia på grund av låga vattenreserver i deras vattenkraftsdammar orsakade av otillräcklig nederbörd.

Kraftverk och överföringsavbrott

Oavsett om det är planerat eller oplanerat påverkar avbrotten den totala mängden ström som är tillgänglig för nätet. Avbrott undergräver elförsörjningen, vilket i sin tur påverkar priset.

Ekonomisk hälsa

Under tider av ekonomiska svårigheter drar många fabriker ner produktionen på grund av en minskning av konsumenternas efterfrågan och minskar därför produktionsrelaterad efterfrågan på el.

Statlig reglering

Regeringar kan välja att göra eltariffer överkomliga för sin befolkning genom subventioner till producenter och konsumenter. De flesta länder som kännetecknas av låg energitillgång har elkraftverk som inte får tillbaka något av sina kapital- och driftskostnader på grund av höga subventionsnivåer.

Taxonomi av modelleringsmetoder

En taxonomi av elprisprognoser (EPF) och modelleringsmetoder enligt Weron (2014)

En mängd olika metoder och idéer har prövats för EPF under de senaste 15 åren, med varierande grad av framgång. De kan grovt klassificeras i sex grupper.

Multi-agent modeller

Multi-agent ( multi-agent simulation , equilibrium, game theoretic ) modeller simulerar driften av ett system av heterogena agenter (genererande enheter, företag) som interagerar med varandra, och bygger prisprocessen genom att matcha efterfrågan och utbud på marknaden. Denna klass inkluderar kostnadsbaserade modeller (eller produktionskostnadsmodeller , PCM), jämvikts- eller spelteoretiska tillvägagångssätt (som Nash-Cournot-ramverket, utbudsfunktionsjämvikt - SFE, strategiska produktionskostnadsmodeller - SPCM) och agentbaserade modeller .

Multi-agent modeller fokuserar i allmänhet på kvalitativa frågor snarare än kvantitativa resultat. De kan ge insikter om huruvida priserna kommer att ligga över marginalkostnaderna eller inte, och hur detta kan påverka spelarnas resultat. De ställer dock till problem om mer kvantitativa slutsatser måste dras, särskilt om elpriserna måste förutsägas med hög precision.

Grundläggande modeller

Grundläggande ( strukturella ) metoder försöker fånga de grundläggande fysiska och ekonomiska sambanden som finns vid produktion och handel med el. De funktionella sambanden mellan grundläggande drivkrafter (belastningar, väderförhållanden, systemparametrar, etc.) postuleras och de grundläggande indata modelleras och förutsägs oberoende, ofta via statistiska, reducerade form eller beräkningsunderrättelsetekniker . I allmänhet kan två underklasser av grundläggande modeller identifieras: parameterrika modeller och sparsamma strukturella modeller för utbud och efterfrågan.

Två stora utmaningar uppstår i den praktiska implementeringen av grundläggande modeller: datatillgänglighet och inkorporering av stokastiska fluktuationer av de grundläggande drivkrafterna. När vi bygger modellen gör vi specifika antaganden om fysiska och ekonomiska samband på marknaden, och därför är prisprognoserna som genereras av modellerna mycket känsliga för brott mot dessa antaganden.

Modeller med reducerad form

med reducerad form ( kvantitativ, stokastisk ) karakteriserar elprisernas statistiska egenskaper över tid, med det slutliga målet derivatvärdering och riskhantering . Deras huvudsakliga avsikt är inte att tillhandahålla korrekta timprisprognoser, utan snarare att replikera de viktigaste egenskaperna hos dagliga elpriser, som marginalfördelningar vid framtida tidpunkter, prisdynamik och korrelationer mellan råvarupriser. Om den valda prisprocessen inte är lämplig för att fånga elprisernas huvudsakliga egenskaper, är resultaten från modellen sannolikt opålitliga. Men om modellen är för komplex kommer beräkningsbördan att förhindra att den används online på handelsavdelningar. Beroende på vilken typ av marknad som övervägs kan modeller med reducerad form klassificeras som:

Spotprismodeller , som ger en sparsam representation av dynamiken i spotpriser. Deras största nackdel är problemet med prissättning av derivat, det vill säga identifieringen av riskpremien som kopplar samman spot- och terminspriser. De två mest populära underklasserna inkluderar hopp-diffusion och Markov regimbyte modeller.
Terminsprismodeller tillåter prissättning av derivat på ett okomplicerat sätt (men endast av de som skrivs på terminspriset på el). Men även de har sina begränsningar; viktigast av allt, bristen på data som kan användas för kalibrering och oförmågan att härleda spotprisernas egenskaper från analysen av framåtkurvor.

Statistiska modeller

Statistiska ( ekonometriska , tekniska analyser ) metoder förutsäger det aktuella priset genom att använda en matematisk kombination av tidigare priser och/eller tidigare eller nuvarande värden på exogena faktorer , typiskt konsumtions- och produktionssiffror, eller vädervariabler. De två viktigaste kategorierna är additiva och multiplikativa modeller. De skiljer sig åt i om det förutsagda priset är summan (tillsatsen) av ett antal komponenter eller produkten (multiplikativ) av ett antal faktorer. De förra är mycket mer populära, men de två är nära besläktade - en multiplikativ modell för priser kan omvandlas till en additiv modell för stockpriser. Statistiska modeller är attraktiva eftersom vissa fysiska tolkningar kan kopplas till deras komponenter, vilket gör det möjligt för ingenjörer och systemoperatörer att förstå deras beteende. De kritiseras ofta för sin begränsade förmåga att modellera det (vanligtvis) olinjära beteendet hos elpriser och relaterade fundamentala variabler. Men i praktiska tillämpningar är deras prestanda inte sämre än de för de icke-linjära beräkningsintelligensmetoderna ( se nedan). Till exempel, i belastningsprognostiseringsspåret i Global Energy Forecasting Competition (GEFCom2012) som lockar hundratals deltagare över hela världen, använde de fyra bästa vinnande bidragen modeller av regressionstyp.

En taxonomi av de artificiella neurala nätverksarkitekturer som är mest populära i EPF (se Weron, 2014). Inmatningsnoder betecknas med fyllda cirklar, utmatningsnoder med tomma cirklar och noder i det dolda lagret med tomma cirklar med en streckad kontur. Aktiveringsfunktionerna för RBF-nätverk är radiella basfunktioner , medan flerskiktsperceptroner (MLP) vanligtvis använder styckvis linjära eller sigmoida aktiveringsfunktioner (illustrerade i cirklar).

Statistiska modeller utgör en mycket rik klass som inkluderar:

Liknande dagars och exponentiella utjämningsmetoder .
Regressionsmodeller .
Tidsseriemodeller utan ( AR , ARMA , ARIMA , Fractional ARIMA - FARIMA , Seasonal ARIMA - SARIMA, Threshold AR - TAR) och med exogena variabler (ARX, ARMAX, ARIMAX, SARIMAX, TARX).
Heteroskedastiska tidsseriemodeller ( GARCH , AR-GARCH).

Beräkningsintelligensmodeller

Beräkningsintelligens ( artificiell intelligensbaserad , maskininlärning , icke-parametrisk, icke-linjär statistisk ) tekniker kombinerar element av inlärning, evolution och luddighet för att skapa tillvägagångssätt som kan anpassa sig till komplexa dynamiska system, och kan betraktas som "intelligenta" i det här sammanhanget. Artificiella neurala nätverk , fuzzy system och stödvektormaskiner ( SVM) är utan tvekan huvudklasserna av beräkningsintelligenstekniker i EPF. Deras största styrka är förmågan att hantera komplexitet och icke-linjäritet. Generellt sett är beräkningsunderrättelsemetoder bättre på att modellera dessa egenskaper hos elpriserna än de statistiska teknikerna (se ovan). Samtidigt är denna flexibilitet också deras stora svaghet. Förmågan att anpassa sig till olinjära, taggiga beteenden kommer inte nödvändigtvis att resultera i bättre punkt- eller probabilistiska prognoser.

Hybridmodeller

Många av metoderna för modellering och prisprognoser som tas upp i litteraturen är hybridlösningar , som kombinerar tekniker från två eller flera av grupperna ovan. Deras klassificering är icke-trivial, om möjligt alls. Som ett exempel på hybridmodellen kombinerar AleaModel (AleaSoft) Neural Networks och Box Jenkins modeller.

Prognoshorisonter

Det är vanligt att tala om kort-, medellång- och långtidsprognoser, men det finns ingen konsensus i litteraturen om vilka tröskelvärdena egentligen bör vara:

Kortsiktiga prognoser involverar i allmänhet horisonter från några minuter upp till några dagar framåt och är av största vikt i den dagliga marknadsoperationen. ^{[ citat behövs ]}
Medellång sikt prognoser , från några dagar till några månader framåt, är i allmänhet att föredra för balansräkningsberäkningar , riskhantering och derivatprissättning . I många fall, särskilt vid elprisprognoser, baseras utvärderingen inte på de faktiska punktprognoserna, utan på prisfördelningarna över vissa framtida tidsperioder. Eftersom denna typ av modellering har en lång tradition inom finans , observeras ett inflöde av "finansiella lösningar".
Långsiktiga prognoser , med ledtider mätta i månader, kvartal eller till och med år, koncentrerar sig på investeringslönsamhetsanalys och planering, såsom att fastställa framtida platser eller bränslekällor för kraftverk.

Framtiden för elprisprognoser

I sitt omfattande granskningsdokument blickar Weron framåt och spekulerar i riktningarna EPF kommer eller bör ta under det kommande decenniet eller så:

Grundläggande prisdrivande faktorer och insatsvariabler

Säsongsvariationer

En nyckelpunkt i spotprismodellering och prognoser för el är lämplig behandling av säsongsvariationer. Elpriset uppvisar säsongsvariationer på tre nivåer: den dagliga och veckovisa, och i viss mån - den årliga. I kortsiktiga prognoser ignoreras vanligtvis den årliga eller långa säsongsvariationen, men de dagliga och veckovisa mönstren (inklusive en separat behandling av helgdagar) är av största vikt. Detta kanske dock inte är rätt tillvägagångssätt. Som Nowotarski och Weron nyligen har visat, kan en uppdelning av en serie elpriser i en långsiktig säsongsbetonad och en stokastisk komponent, modellering av dem oberoende och kombinera deras prognoser ge - i motsats till en vanlig uppfattning - en noggrannhetsvinst jämfört med ett tillvägagångssätt där en given modell är kalibrerad till själva priserna.

I medeltidsprognoser blir de dagliga mönstren mindre relevanta och de flesta EPF-modeller arbetar med genomsnittliga dagspriser. Den långsiktiga trendcykelkomponenten spelar dock en avgörande roll. Dess felspecifikation kan introducera bias, vilket kan leda till en dålig uppskattning av den genomsnittliga återgångsnivån eller av prisspikens intensitet och svårighetsgrad, och följaktligen till att underskatta risken. Slutligen, på lång sikt , när tidshorisonten mäts i år, kan de dagliga, veckovisa och till och med årliga säsongsvariationerna ignoreras, och långsiktiga trender dominerar. Adekvat behandling - både i urval och utanför urval - av säsongsvariationer har hittills inte uppmärksammats tillräckligt i litteraturen.

Variabelt urval

En annan avgörande fråga vid elprisprognoser är lämpligt val av förklarande variabler. Förutom historiska elpriser är det aktuella spotpriset beroende av en stor uppsättning grundläggande drivkrafter, inklusive systembelastningar, vädervariabler, bränslekostnader, reservmarginalen (dvs tillgänglig produktion minus/över förväntad efterfrågan) och information om planerat underhåll och tvångsavbrott . _ Även om "rena pris"-modeller ibland används för EPF, väljer de flesta författare i det vanligaste scenariot med dagsprognoser en kombination av dessa grundläggande drivkrafter, baserat på prognosmakarens heuristik och erfarenhet. Mycket sällan har ett automatiserat urval eller krympningsförfarande utförts i EPF, särskilt för en stor uppsättning initiala förklarande variabler. Maskininlärningslitteraturen tillhandahåller dock användbara verktyg som i stort sett kan klassificeras i två kategorier:

Val av funktion eller delmängd , vilket innebär att identifiera en delmängd av prediktorer som vi tror är inflytelserika och sedan anpassa en modell på den reducerade uppsättningen av variabler.
Krympning (även känd som regularisering ), som passar den fullständiga modellen med alla prediktorer med hjälp av en algoritm som krymper de uppskattade koefficienterna mot noll, vilket avsevärt kan minska deras varians. Beroende på vilken typ av krympning som utförs kan en del av koefficienterna krympas till noll själv. Som sådan utför vissa krympningsmetoder - som lasso - de facto variabelval .

Några av dessa tekniker har använts i samband med EPF:

stegvis regression , inklusive enstegseliminering,
Ridge regression ,
lasso ,
och elastiska nät ,

men deras användning är inte vanlig. Ytterligare utveckling och användning av metoder för att välja de mest effektiva insatsvariablerna - bland tidigare elpriser, såväl som tidigare och förutspådda värden för de grundläggande drivkrafterna - behövs.

Spike prognos och reservmarginal

När man förutsäger toppförekomster eller spotprisvolatilitet är en av de mest inflytelserika fundamentala variablerna reservmarginalen, även kallad överskottsgenerering. Den relaterar den tillgängliga kapaciteten (generering, utbud), $C_{t}$ , till efterfrågan (last), $D_{t}$ , vid en given tidpunkt $t$ . Den traditionella tekniska uppfattningen om reservmarginalen definierar den som skillnaden mellan de två, dvs $C_{t}-D_{t}}$ , men många författare föredrar att arbeta med dimensionslösa förhållanden $\rho _{t}=D_{t}/C_{t}$ , $R_{t}=C_ {t}/D_{t}-1$ eller det så kallade kapacitetsutnyttjandet $CU_{t}=1-D_{t}/C_{t}$ . Dess sällsynta tillämpning i EPF kan motiveras endast av svårigheten att erhålla reservmarginaldata av god kvalitet. Med tanke på att fler och fler systemoperatörer (se t.ex. http://www.elexon.co.uk ) avslöjar sådan information nuförtiden, borde reservmarginaldata spela en betydande roll i EPF inom en snar framtid.

Probabilistiska prognoser

Användningen av prediktionsintervall (PI) och densiteter, eller probabilistiska prognoser , har blivit mycket vanligare under de senaste tre decennierna, eftersom utövare har kommit att förstå punktprognosernas begränsningar. Trots det djärva draget från arrangörerna av Global Energy Forecasting Competition 2014 att kräva att deltagarna skickar in prognoser för 99 percentilerna av den prediktiva fördelningen (dag framåt i prisspåret) och inte punktprognoserna som i 2012 års upplaga, verkar inte vara ett vanligt fall i EPF än.

Om PI:er överhuvudtaget beräknas, är de vanligtvis distributionsbaserade (och approximeras av standardavvikelsen för modellresterna) eller empiriska. En ny prognoskombinationsteknik (se nedan) har nyligen introducerats i samband med EPF. Quantile Regression Averaging (QRA) innebär att man tillämpar kvantilregression på punktprognoserna för ett litet antal individuella prognosmodeller eller experter, vilket gör det möjligt att utnyttja befintlig utveckling av punktprognoser.

Kombinera prognoser

Konsensusprognoser , även kända som att kombinera prognoser , prognosgenomsnitt eller modellmedelvärde (i ekonometri och statistik ) och kommittémaskiner , ensemblemedelvärde eller expertaggregation (i maskininlärning ), är förutsägelser om framtiden som skapas genom att kombinera flera separata prognoser som har ofta skapats med hjälp av olika metoder. Trots deras popularitet inom ekonometri har genomsnittliga prognoser hittills inte använts i stor utsträckning i samband med elmarknader . Det finns vissa begränsade bevis på huruvida det är lämpligt att kombinera prognoser för efterfrågan på el, men det var först helt nyligen som kombinering användes i EPF och endast för punktprognoser. Att kombinera probabilistiska (dvs. intervall och täthet) prognoser är mycket mindre populärt, även inom ekonometri i allmänhet, främst på grund av problemets ökade komplexitet. Eftersom Quantile Regression Averaging (QRA) gör det möjligt att utnyttja befintlig utveckling av punktprognoser, är det särskilt attraktivt ur praktisk synvinkel och kan bli ett populärt verktyg i EPF inom en snar framtid.

Multivariata faktormodeller

Litteraturen om att prognostisera dagliga elpriser har till stor del koncentrerats på modeller som endast använder information på den aggregerade (dvs. dagliga) nivån. Å andra sidan har den mycket rika mängden litteratur om prognostisering av intradagspriser använt disaggregerade data (dvs. varje timme eller halvtimme), men har generellt sett inte utforskat den komplexa beroendestrukturen hos den multivariata prisserien. Om vi vill utforska strukturen för elpriser under dagen måste vi använda metoder för dimensionsminskning; till exempel faktormodeller med faktorer uppskattade som huvudkomponenter (PC). Empiriska bevis tyder på att det finns prognosförbättringar genom att införliva disaggregerad (dvs. tim- eller zondata) för att förutsäga dagliga systempriser, särskilt när prognoshorisonten överstiger en vecka. Med ökningen av beräkningskraften kommer realtidskalibreringen av dessa komplexa modeller att bli genomförbar och vi kan förvänta oss att se fler EPF-tillämpningar av det multivariata ramverket under de kommande åren.

En universell testplats

Alla större översiktspublikationer drar slutsatsen att det finns problem med att jämföra de metoder som utvecklats och används i EPF-litteraturen. Detta beror främst på användningen av olika datamängder, olika programvaruimplementationer av prognosmodellerna och olika felmått, men också på bristen på statistisk rigoritet i många studier. Detta kräver en omfattande, grundlig studie som involverar (i) samma datauppsättningar, (ii) samma robusta felutvärderingsprocedurer och (iii) statistiska tester av signifikansen av en modells bättre prestanda än en annan. Till viss del Global Energy Forecasting Competition 2014 tagit upp dessa frågor. Ändå måste mer göras. Ett urval av de bättre presterande måtten (viktad MAE, säsongsbetonad MASE eller RMSSE) bör användas antingen exklusivt eller i kombination med de mer populära (MAPE, RMSE). De empiriska resultaten bör testas ytterligare för betydelsen av skillnaderna i modellernas prognosnoggrannhet.

Se även