Whitepaper Previsione del Prezzo dell’Elettricità Nazionale e Zonale Perché fare previsioni di prezzo? Lo sviluppo dei mercati Over The Counter dell’energia elettrica porta sempre più operatori a prendere posizioni su contratti derivati a breve termine piuttosto che comprare o vendere volumi sulla borsa elettrica IPEX. In particolare in Italia prodotti giornalieri cominciano ad avere sufficiente liquidità da renderne il trading possibile, soprattutto ai fini della copertura di posizioni fisiche derivanti da contratti di vendita. Parallelamente, la possibilità di prevedere l’esito del Mercato del Giorno Prima, segnatamente per quello che riguarda i prezzi zonali, è una necessità primaria per i produttori di energia che devono programmare l’accensione o lo spegnimento degli impianti tradizionali oppure ottimizzare l’esercizio di impianti di cogenerazione. Inoltre, la conoscenza dei prezzi zonali è fondamentale anche per coloro il cui business è il cross-border trading, ovvero l’esercizio ottimale dell’opzionalità derivante dal possesso di contratti di capacità.
Figura 1: PUN e Prezzo Nord orario
Volendo sintetizzare quindi, le previsioni a breve termine del prezzo spot dell’energia elettrica sono alla base di qualsiasi strategia di hedging e di ottimizzazione che possa essere messa in atto da operatori del mercato elettrico.
Come si fanno le previsioni di prezzo? Tradizionalmente esistono due approcci (più complementari che mutuamente esclusivi) alla previsione del prezzo. L’approccio fondamentale mira a riprodurre il più fedelmente l’ordine di merito degli impianti di produzione e tramite una previsione precisa della domanda a individuare il prezzo marginale. Questo approccio però rischia di essere molto complesso e di richiedere costante aggiornamento e manutenzione. Inoltre non dice nulla sui mark up ai prezzi marginali imposti da strategie di bidding. Viceversa anche in letteratura si tende a preferire un approccio di tipo statistico, in cui tecniche di time series modeling vengono applicate alla serie storica dei prezzi. La suite di prodotti BelVis della Kisters, in particolare con i moduli BelVis Pro e l’Enhancement Package (EHP) permette di implementare rapidamente modelli statistici anche molto avanzati ed è ideale per modellare la complessa dinamica dei prezzi. L’approccio proposto si basa sulla combinazione dei tre seguenti modelli a reti neurali distinti: 1. un modello autoregressivo con variabili di tipo calendario; 2. un modello a cascata su due livelli; 3. un modello di tipo cluster in cui le 24 ore sono modellate separatamente.
www.ifs-italia.it
infoline@ifs-italia.it pagina 1-3
Whitepaper
Figura 3: Training modelli con BelvisPro
Figura 2: Modellizzazione con BelVis Pro
In tutti i modelli sono considerate sia variabili autoregressive, sia variabili esogene quali: • Variabili di calendario; • Variabili meteo; • Variabili di mercato. Per quanto riguarda le variabili di mercato, quali la domanda, la generazione da fonti rinnovabili ecc. queste sono a loro volta previste tramite modelli a reti neurali. Nel caso del modello zonale, poi, si tiene conto anche dei vincoli di transito e del risultato delle aste di capacità su CASC. Dai tre modelli, si ottengono le previsioni a breve termine dei prezzi fino a 4 giorni in avanti. La previsione finale viene poi calcolata con una combinazione pesata delle tre previsioni. La combinazione è stata costruita con un approccio dinamico: i pesi dipendono dall'errore di previsione, e vengono calcolati tramite una finestra mobile di sette giorni. L’errore di previsione viene poi modellato separatamente per costruire gli intervalli di confidenza.
Figura 4: Previsione del PUN a 4 giorni e intervallo di confidenza al 90%
Quali risultati possiamo aspettarci? Per valutare la bontà della Previsioni del PUN possiamo considerare sia Key Performance Indicators (KPI) classici quale l’Errore Medio Assoluto orario, sia simulare un business case. Nel primo caso, l’Errore Medio Assoluto sulle previsioni per il giorno dopo, sul periodo gennaio – aprile 2014, è uguale • Nel caso del PUN, a 4.76 €/MWh; • Nel caso del prezzo Nord, a 4.57 €/MWh. www.ifs-italia.it
infoline@ifs-italia.it pagina 2-3
Whitepaper Inoltre, l’errore assoluto è nel 90% dei casi minore di 10.33 €/MWh (rispettivamente 11.33 €/MWh).
Figura 6: Distribuzione errori orari prezzo Nord
Figura 5: Distribuzione errori orari PUN
Questi errori sono da paragonare alla variabilità del prezzo, che in alcune ore supera anche 50 €/MWh con probabilità 90%.
Figura 7: PUN orario, la riga rossa indica la mediana, il box il 50% dei casi e la linea verticale il 90%
Per quanto riguarda il business case: supponiamo di dover coprire un contratto di vendita di 50 MW con profilo baseload a prezzo fisso P0 = 60 €/MWh (il prezzo medio a dicembre 2013 del 2014 su IDEX è 62.69 €/MWh). Possiamo farlo comprando ogni giorno: A. in borsa, correndo il rischio di accettare il prezzo spot S, B. oppure Over the Counter al prezzo quotato per il day ahead F. Possiamo però anche scegliere tra le due strategie a seconda di cosa ci suggerisce il modello: se la previsione di S < F compriamo in borsa, altrimenti compriamo OTC (strategia C). Per confrontare le strategie usiamo il RAROC, ovvero dividiamo il P&L medio per il 5-percentile dei P&L. Considerando sempre il periodo gennaio – aprile 2014 si ottiene: Strategia RAROC
A 3.02
B 4.15
C 5.50
Ovvero la strategia migliore (in termini di rischi-benefici) è quella suggerita dal modello, che tra l’altro ha una correttezza direzionale nel prevedere i movimenti dei prezzi del 77%. www.ifs-italia.it
infoline@ifs-italia.it pagina 3-3