© Василий Ключарев, группа э622, ЭФ МГУ
Моделирование процесса ценообразования на рынках электроэнергии является крайне сложным как из-за физических ограничений производства и передачи электроэнергии, так и из-за особенностей рыночных взаимодействий. Одним из возможных подходов к моделированию рассматриваемого процесса являются агент-ориентированные модели. Несмотря на то, что многие из них оказались успешными, мало кто применял данный подход к работе с реальными данными. Основной целью исследования [Young D. et al, 2014] является применение агент-ориентированного подхода к прогнозированию цен на рынке электроэнергии в Новой Зеландии, путём создания модели, которая позволяла бы сравнивать полученные модельные значения с реальными ценами для проверки эффективности применяемого алгоритма.
В настоящей работе авторы разрабатывают SWEM модель, которую впоследствии применяют к новозеландскому рынку электроэнергии. В результате, модель позволяет имитировать краткосрочные (в рамках недели) цены на электричество в 19 (из 244) узлах рынка, основываясь на таких фундаментальных данных, как: затраты на топливо, характеристики сети, спрос. Также, авторы приходят к выводу, что рыночные агенты в рамках данной модели могут манипулировать своей рыночной властью.
Прежде чем переходить к рассмотрению моделей, стоит выделить основные особенности новозеландского рынка электроэнергии. В рамках рынка розничные продавцы и крупные промышленные потребители могут делать ставки на покупку электроэнергии, однако, большая часть спроса в Новой Зеландии приходится на розничных потребителей, которые заключают контракты с фиксированной ценой. Что касается стороны предложения, на рынке существуют 5 крупных генерирующих фирм и ряд небольших фирм. В рамках модели данные фирмы разделяются, согласно предпосылкам небольшие фирмы предлагают цены по предельным издержкам и в силу своих размеров не могут использовать свою рыночную власть, в то время каждая из крупных фирм имеют задачу по максимизации прибыли и в рамках модели рассматриваются как агенты. Кроме того, стоит отметить преобладающую роль гидроэнергетики в энергосистеме Новой Зеландии.
Также, в модель включены данные по обязательным к исполнению долгосрочным контрактам на поставки электроэнергии и станциям, работающим непрерывно или в зависимости от природных условий (ветровые и геотермальные станции, ГЭС), запланированным отключениям генерационных объектов с целью технического обслуживания. Учтена поправка на возможность реализовать резервы электроэнергии.
Для моделирования процесса ценообразования авторы применяют модифицированный обучающий алгоритм Рота-Эрева. Изначально, данный алгоритм предполагает, что каждая фирма владеет одним генерирующим объектом, алгоритм скорректирован с учётом возможности наличия более чем одного объекта у фирм. В рамках модели каждая генерирующая установка имеет определённую мощность и может предлагать цену за эту мощность в рамках ограниченного множества ставок.
В процессе моделирования алгоритм повторяется 1200 раз, каждый раз называется игрой, каждая игра повторяется 5 раз, а цена определяется как средняя цен по каждому узлу для 100 последних повторений. Такое количество повторений позволяет получить необходимые изменения с учётом ограничений по вычислительным мощностям.
Стоит отметить также ключевые поведенческие гипотезы в рамках применяемого алгоритма. Первая заключается в том, что единая реализация алгоритма (с фиксированными всеми параметрами) должна одинаково точно прогнозировать цены для любой конфигурации сети и любого уровня спроса. Вторая заключается в том, что при одинаковой сетевой конфигурации и спросе между двумя периодами, оставшееся изменение спотовых цен на электроэнергию как раз определяется решениями 4-5 ключевых рыночных трейдеров, за счёт небольших отклонений в их стратегиях и получасовых рыночных изменений приводят к колебаниям цен в среднем. В рамках алгоритма данные изменения генерируются путём задания 5 случайных значений и их усреднения в рамках получаса, после чего вычисляется среднее за неделю и сравнивается с реальными ценами.
Далее модель калибруется по ключевым параметрам и верифицируется с использованием фактических исторических данных для новозеландского рынка электроэнергии (за 2006 год) с целью оценки прогностических способностей. Используя модель, авторы предсказывают цены для рассматриваемых 19 узлов на 4 периода года для каждого дня. На рисунке 1 отражены средние за неделю цены, полученные в результате моделирования, и фактические показатели 2006 года для 5 ключевых узлов.
Рисунок 1. Сравнение модельных расчётов с реальными ценами
По данному графику авторы отмечают, что, за исключением провала в июле-августе, модель отслеживает цены в течение всего года. Однако, по результатам углублённого рассмотрения, было отмечено, что для Северного острова (рисунок 2) смоделированные цены значительно превышают реальные, в то время как для Южного острова разница не столь значительна (рисунок 3). Но различие между островами значимо, и может указывать на ошибку в данных или калибровке. В качестве возможных источников ошибки авторы указывают недостаточность данных и ошибку в расчётах такого показателя, как альтернативная стоимость воды, который включается в расчёт издержек на производство электроэнергии гидроэлектростанциями. В силу высокой доли энергетики данного типа в энергосистеме Новой Зеландии, ошибка в данных расчётах может оказывать сильное влияние на конечный результат.
Кроме того, приток воды определяется природными условиями, а настоящая модель не учитывает изменение ожиданий рыночных агентов относительно данного показателя. Иными словами, если бы участники рынка ожидали высокого притока воды в следующем периоде, вода бы ценилась меньше, чем это предсказывается моделью, и это смещает смоделированные цены в сторону увеличения.
Рисунок 2. Сравнение модельных расчётов с реальными ценами для Северного острова
Рисунок 3. Сравнение модельных расчётов с реальными ценами для Южного острова
По результатам анализа, авторы отмечают, что модель оказалась действенной для прогнозирования средних за неделю цен для Южного острова. В целом, модель имитирует цены для 5 ключевых узлов, что является отличным результатом в силу сложности системы. Несмотря на различия в значениях, особенно для Северного острова, разница в ценах не столь велика, что позволяет использовать модель в дальнейшем для анализа влияния той или иной энергетической политики.
Более подробно: [Young D., Poletti S., Browne O., 2014, «Can agent-based models forecast spot prices in electricity markets? Evidence from New Zealand electricity market», Energy Economics, 45, pp. 419-434]