comercialización de instalaciones descentralizadas en el

COMERCIALIZACIÓN DE INSTALACIONES
DESCENTRALIZADAS EN EL MERCADO DE REGULACIÓN
ELÉCTRICO
Autor: Fernández de Villavicencio, Lorenzo.
Director: Bruns, Tobias.
Entidad Colaboradora: Enwida GmbH.
RESUMEN DEL PROYECTO
Introducción
En Alemania, el cambio conocido como “Energiewende” (revolución energética), está
cambiando el actual sistema eléctrico y el reparto de poderes entre las grandes
compañías y los nuevos y habitualmente pequeños productores, que están accediendo
al mercado. Los grandes productores están viendo disminuida su fuerza en el
mercado, y nuevos retos por resolver están apareciendo a la vez que el mercado cada
vez está mas liberalizado y aparecen nuevas posibilidades.
El mix energético está cambiando en Alemania debido al cierre de las centrales
nucleares hasta 2020, y el fuerte incremento de las renovables entre otros cambios, y
es por ello que las instalaciones o plantas de generación descentralizadas están viendo
incrementada su importancia. En gran parte gracias a los avances en IT y a nuevas
regulaciones del mercado, este tipo de plantas pueden ahora ofrecer servicios
secundarios como puede ser ofertar potencia de reserva o de regulación a la red.
La energía comercializada en este mercado, garantiza la estabilidad de la red durante
fluctuaciones imprevistas, debidas por ejemplos a variaciones de los pronósticos de
carga de la red o de generación de una central. Esta potencia de reserva es ofertada
normalmente por centrales con flexibilidad para adaptar su carga, como pueden ser
centrales de carbón o de gas, estaciones de bombeo, plantas de ciclo combinado o
“cargas desenchufables”.
Este estudio pretende aclarar y aportar luz a nuevos participantes de este mercado,
acerca de cómo comercializar instalaciones descentralizadas en el mercado de
regulación terciaria, ya que muchas veces no es fácil conocer los posibles beneficios,
o calcular la estrategia óptima para cada central.
Objetivos y marco del trabajo
El objetivo de esta tesis es aportar una visión general acerca del proceso de
comercialización de instalaciones descentralizadas en el mercado de regulación, más
concretamente en la Reserva de Regulación Terciaria (RRT) y analizar la forma
económicamente más ventajosa de hacerlo. El trabajo está dividido en 5 secciones:
1. Análisis de instalaciones de generación descentralizadas
2.
3.
4.
5.
Comprensión del mercado de regulación
Análisis de los precios y selección del modelo matemático
Optimización del modelo
Aplicación del modelo y resultados
Metodología
Análisis de instalaciones de generación descentralizadas
Antes de comenzar este trabajo, tres plantas fueron seleccionadas. Un sistema de
baterías, una pequeña central de ciclo combinado y un generador de emergencia.
Dadas sus diferencias, estas 3 plantas conforman una muestra representativa de
posibles aplicaciones descentralizadas y pueden ser utilizadas para modelar otras.
Sus características son analizadas, siendo la que más varía entre ellas los costes de
generación, debido a diferentes precios del combustible y a distintas eficiencias.
También se comprueba que técnicamente son aptas para ofrecer potencia de
regulación, considerando las restricciones individuales que pueda tener cada una.
Gracias a los avances en telecomunicaciones y a nuevas regulaciones, estas plantas
pueden ahora entrar a formar parte de pools y ofrecer así potencia de regulación
uniéndose a otras pequeñas centrales. De esta forma, el número de posibles ofertantes
de este mercado aumente considerablemente.
Comprensión del mercado de regulación
Para poder participar y operar de forma rentable en la RRT, los mecanismos que rigen
el mercado y su comportamiento han de ser analizados. La RRT está dividida en dos
submercados, el positivo (demanda superior a la generación, hay que añadir potencia)
y el negativo (demanda inferior a la generación, sobra potencia). Primero se explican
los aspectos técnicos y cómo funcionan los mecanismos de regulación, y a
continuación los procedimientos de la subasta y del mercado.
Es importante mencionar que la subasta a través de la cual la potencia de reserva es
adjudicada a un determinado ofertante, tiene dos partes o productos, que son el precio
por capacidad (PC, pagado para compensar la reserva de una parte de la potencia para
ofrecer potencia de regulación) y el precio de la energía (PE, pagado cuando se genera
electricidad porque se da una demanda real de potencia de regulación). La
combinación de estos dos precios, condiciona fuertemente el éxito a la hora de
participar en la subasta. Es por ello que este trabajo se centra posteriormente en
entender y obtener las mejores combinaciones.
Los diferentes factores que pueden influir en el mercado son también analizados. Los
más importantes son los costes de generación, las desviaciones de los pronósticos y la
correlación de los precios con los del mercado eléctrico.
Análisis de los precios y selección del modelo matemático
Antes de crear un modelo para predecir los resultados de la subasta, las curvas de los
precios son analizadas gráficamente. Se puede apreciar una cierta correlación entre
valores consecutivos, así como también estacionalidad, dependiendo del día de la
semana o del momento del día. Para verificarlo, se lleva a cabo un análisis de
autocorrelación. Los resultados muestran altos valores de autocorrelación entre días
consecutivos y también entre los mismos días de la semana.
Estos resultados indican, que los valores históricos pueden ser un buen punto de
partida para modelar los resultados de la subasta. Una serie de distintos modelos,
basados en las series temporales de los precios, son simulados y evaluados a través de
indicadores estadísticos (MAPE, MAE y RMSE). El modelo que obtiene las
predicciones más acertadas es un modelo autoregresivo, basado en los resultados de
los dos días anteriores, y ajustando la tendencia creciente o decreciente de los precios
a través del aprendizaje en un período de tiempo anterior.
También son explicados otros posibles modelos de predicción, para futuras
ampliaciones de este trabajo.
Optimización del modelo
Una vez obtenidos las primeras predicciones de los precios, se pueden empezar a
simular los resultados de comercializar una planta descentralizada en el mercado de
regulación. Se elige una planta de ciclo combinada como modelo, y se prueban
diferentes estrategias en ella, o diferentes combinaciones de PCs y PEs durante un
período de un año (2013). Los resultados son analizados y se observa que por ejemplo
pujar con precios marginales (de los predichos por el modelo), tiene el riesgo de no
resultar admitido en la subasta en un gran porcentaje de los casos. La mejor
combinación se obtiene pujando con PCs medios y PEs bajos, generando una mayor
aceptación en la subasta y tasa de activación, y los beneficios más altos.
La mejor combinación es posteriormente mejorada, logrando la combinación óptima
de los dos precios (PC y PE) para cada planta, considerando el coste de generación, a
través de una función de optimización desarrollada para tal efecto. Esta función
obtiene coeficientes que ajustan las curvas de precios, para obtener los mayores
beneficios. De nuevo esta optimización es lograda mediante el aprendizaje durante un
período de tiempo anterior.
Mas concretamente, esta función simula en un período de tiempo pasado, generando
las diferentes combinaciones de PCs y PEs y obtiene diferentes ingresos por
capacidad (PC) y por generación (PE más el coste/ahorro de generación). En
mercados que de media suceden un gran número de activaciones, los costes/ahorros
de generación serán más importantes que en otros donde rara vez la reserva de
potencia es activada. Por regla general, para altos precios de combustible será
preferible ser pocas veces activado y tener bajos costes de generación, o por el
contrario si estamos hablando del mercado de regulación negativo, ser cuantas más
veces posible activado para incrementar los ahorros por generación. En el caso
contrario, con precios de combustible bajos, los ahorros/gastos por generación pierden
importancia y pasa a tener más importancia la combinación de los ingresos por PCs y
PEs, por lo que se buscará optimizar la combinación de ambos independientemente de
los gastos.
Aplicación del modelo y resultados
La función de optimización se aplica a cada instalación teniendo en cuenta sus costes
de generación y se derivan las mejores estrategias de subasta para cada una. Los
resultados para 2013 son simulados, representados y comparados entre las distintas
plantas. Para cada planta, especialmente en función de sus costes de generación, se
dan recomendaciones acerca de la manera óptima de participar en la subasta para
maximizar los beneficios.
Resultados y conclusiones
Se puede concluir que para comercializar de una manera rentable instalaciones
descentralizadas en la RRT, hace falta primero un análisis del mercado y un modelo
para predecir los precios y segundo un modelo para subastar, que considere la
relación entre el precio pagado por capacidad, el precio pagado por la energía
suministrada y los costes de generación.
Después de analizar numérica y gráficamente las series temporales de los precios de
la RRT, se confirma que los valores históricos proporcionan una valiosa información
para predecir resultados de futuras subastas, ya que estas series muestran altos valores
de autocorrelación entre ellas (entre 0.6 y 0.8). El mejor modelo para predecir estas
series y con los indicadores de error más bajos (MAPEs entre 10 y 50%), resulto ser
un modelo autoregresivo. Este modelo se basa en los dos días anteriores, ajusta las
tendencias de los precios y diferencia entre días laborables y festivos.
Estas predicciones de los precios son a continuación combinadas, creando diferentes
estrategias de subasta. La mejor estrategia es la que utiliza los PC medios ponderados,
y los PE mínimos, obteniendo así los beneficios más altos en ambos mercados (pos. y
neg.). Utilizar este modelo autoregresivo en comparación con un modelo basado
simplemente en los valores del día anterior, ofrece un incremento de la aceptación en
la subasta, y de los beneficios de entre un 10 y un 15%.
El punto de la optimización clave, es considerar las relaciones entre los PCs, los PEs y
los costes de generación. Para hacer esto, las curvas estimadas de los PCs y de los PEs
son optimizadas teniendo en cuenta los costes de generación, los cuales condicionan
fuertemente la estrategia optima de subasta.
Esta optimización de los costes, muestra resultados un 16% mejores en la RRT
negativa, y de hasta un 60% en la positiva, en comparación con una estrategia
utilizando los valores de ayer. Recomendaciones acerca de la oferta ideal se pueden
encontrar en el capítulo 6.
Utilizando estas recomendaciones, una planta de ciclo combinado como la estudiada,
podría en 2013 haber obtenido 21.300 €/MW en la RRT positiva, y hasta 78.700
€/MW en la RRT negativa.
MARKETING OF DECENTRALIZED ENERGY DEVICES ON
CONTROL RESERVE MARKETS
Introduction
The in Germany so called “Energiewende” (Energy revolution) is changing how the
power market used to be. While big companies have started to lose their power and
control over the market, new and often smaller players have gained access to it. In any
case, the outlook is intriguing for both current and future players as market
possibilities are increasing but also new challenges will need to be navigated.
Against the background of a changing market distribution, which includes the nuclear
phase-out and an expansion of renewable energies, decentralized generation is
becoming more and more important. Thanks to IT advances and new market
regulations, small and decentralized power plants have started to provide ancillary
services, and may now also provide control reserve power.
The energy traded in the control reserve market ensures frequency stability during
unforeseen events such as outages of power stations or generation / load forecast
deviations. Control reserve is provided foremost by flexible power devices such as
coal / gas power plants, pumped storage power plants, combined heat and power
plants or by interruptible loads.
This work aims to shed light on the way of commercializing decentralized devices on
the Tertiary Control Reserve, as new market entrants often lack clarity, regarding
revenue opportunities or the most appropriate way to commercialize their power
plants.
Research Goals and Outline of the Thesis
The goal of this thesis is to draw the outline of the whole marketing process of
different decentralized power plants on the control reserve market, more exactly on
the Tertiary Control Reserve (TCR) and to provide recommendations on the process.
In accordance to the scope of this thesis, the work was divided into the following five
sections:
1. Analysis of decentralized power plants
2. Control Reserve Market comprehension
3. Price analysis and mathematical model selection
4. Model optimization
5. Application of the model and results.
Methodology
Analysis of decentralized power plants
Prior to the beginning of this work, three different decentralized power plants were
selected, namely a battery system, a small Combined Heat and Power (CHP) plant
and an emergency power system. Due to their differences, this 3-device sample is
very representative and it is possible to use these 3 power plants to model a wide
spectrum of other plants. Their characteristics are analysed, being their most
important difference their generation costs, attending to different fuel prices and
efficiencies. It is also technically verified that all of them are able to provide control
power, considering the restrictions that each of them might face. Thanks to IT
improvements and new market regulations, these decentralized devices are since very
few years allowed to join pools and provide control power jointly with other power
plants, considerably increasing in this way the amount of possible providers of this
ancillary service.
Control reserve market comprehension
In order to be able to operate on the TCR, a deep understanding of the market
mechanisms and how it behaves is needed. The TCR is divided into two submarkets,
a positive and a negative one, differencing between the two types of possible control
power, positive (electricity demand higher as generation) and negative (demand lower
as generation). First, the different regulation mechanisms are technically explained
and later are the market and auction’s procedures studied and analysed. It is important
to mention that the auction, through which control power is allocated, consists of two
different products, a capacity fee (CF) and an energy price (EP). This means that
emitted bids have two different prices (CF and EP), and that the outcome of the
auction strongly depends on the combination of these two prices. Therefore this work
later focuses on understanding these combinations.
Also different possible market drivers that could have an influence upon prices are
analysed. Here the most important are generation costs, forecast deviations and the
correlation with spot-market prices.
Price analysis and mathematical model selection
Prior to building a model to predict future auction results, the price curves of the
auction results are graphically analysed. Correlation between consecutive days could
be observed, the same as seasonality depending on the weekday and the hour of the
day. Therefore an autocorrelation analysis is carried out and shows strong
autocorrelation results between consecutive values and also between values one week
before. These results indicate that historical data could be a good starting point for
modelling the prices. A series of different models based on the price historical time
series are then created and evaluated through the use of statistical indicators (such as
MAPE, MAE and RMSE) and the best one is selected. The best model, is an
autoregressive model, which forecasts future prices by observing the previous two
days and adjusting the up going or down going price-trend, through an analysis of the
previous period of time.
Other possible forecasting options are also listed, for future extensions of this work.
Model optimization
Once having the first price forecasts, it is possible to use them for evaluating different
strategies with the selected power plants. The CHP plant is used as test power plant.
Different combinations of CFs and EPs are simulated for 2013 and the results are
analysed. Not all forecasted values provided good results when simulating, as bidding
for example with predicted marginal (highest accepted) prices, results in normally
falling out of the auction. The combinations of medium (or weighted average) CFs
with low EPs obtained the best results.
This combination is then further improved, by obtaining the optimum combination of
both prices (CF and EP) for each power plant, considering the generation costs,
through the use of a self-developed optimization function. This function defines
coefficients multiplying each price curve, which obtain the highest incomes by
observing a previous period of time. In this way, the optimal bidding strategy for each
power plant is obtained.
Very concisely, what this optimization function exactly does. Observing a period of
time already passed, the different combinations of CFs and EPs are tried and produce
different CF’s incomes and different generation results (EP’s income plus fuel
costs/savings). On markets or time periods with on average high number of
activations, the fuel costs/savings will be given more importance as on others where
activations seldom happen. On a general case, high fuel prices will prioritize few
activations and low fuel costs, or high activation’s frequency and high fuel savings if
being on the negative TCR. The opposite case, low fuel prices, will give more
flexibility to the optimized combination of the CF and EP’s incomes.
Application of the model and results
The best strategy is adapted to the different power plants attending to their generation
costs and the auction is simulated for the last year. Results are represented and
compared between the different power plants. Conclusions are drawn on what the best
system-specific marketing strategy for each plant is and marketing recommendations
are given.
Results and conclusions
A way to profitably market decentralized energy devices on the tertiary control
reserve, needs first from a market analysis and a price forecasting model, and
secondly, of a bidding model which considers the relation between capacity fee,
energy price and generation costs.
After a numerical and graphical analysis of the TCR auction’s results time-series, it is
proven that historical data can provide valuable information for estimating future
prices, since values exhibit a strong autocorrelation between them (values between 0.6
and 0.8). An autoregressive model proved to be the best way to forecast auction
results, as it delivered the lowest error results. The model considers the previous two
days to the forecasted values, adjusts the up and down going trends through the
observation of a previous period of time, and differentiates between working days and
weekends.
The best forecast results show MAPE values varying from 10-50%, depending on the
time series. These forecast are then combined to create different bidding strategies,
resulting the combination of the weighted average CFs with minimum EPs the one
that yields higher profits, on both markets. The use of this autoregressive model,
compared to one using only yesterday’s values/prices, delivers acceptance frequencies
and overall profits between 10% and 15% higher.
The “key” optimization step is then, to consider and evaluate the relation between CF,
EP and the generation costs. To do this, the combinations of the estimated CF and
EP’s curves are optimized taking into account the fuel price, which strongly
determines the optimum bidding strategy.
This cost-optimization achieved results up to 16% higher on the negative TCR and
60% on the positive TCR, compared to a yesterday’s values strategy. A series of
recommendations on best bidding practices are given on chapter 6.
Making use of this recommendations, marketing an average CHP plant in 2013 could
have obtained 21,300 €/MW on the positive TCR and up to 78,700 €/MW on the
negative TCR.