Università degli Studi di Genova          Facoltà di Scienze Matematiche Fisiche e Naturali    Una piattaforma di supporto...
Obiettivo del lavoro• Migliorare l’approvvigionamento energetico in  fase di pianificazione industriale minimizzando  la s...
Sommario dei contributi• Analisi dei mercati energetici:   – Studio della Borsa Elettrica e analisi degli esiti   – Ricerc...
Breve introduzione al problema• Prezzo dell’energia elettrica varia nel giorno• Fonti rinnovabili producono energia gratis...
Mercato Elettrico ItalianoLiberalizzato dal 1991 e regolato da meccanismiper favorire la concorrenza e per evitare cartelli
Mercati spot dell’IPEXMercato del giorno prima e Mercati infragiornalieri                                              Der...
Offerte sui Mercati OrganizzatiImportatori/Produttori                     AcquirentiOgni offerta di vendita               ...
Algoritmo accettazione offerte In blu le offerte di vendita - in rosso le offerte di acquistoPUN   Eseguito per ogni fasci...
Vincoli di rete Leggere modifiche dell’algoritmo GME
Fonti rinnovabili: 20% in Italia                            dati del 2007
Direttiva CIP6/92   per favorire le fonti rinnovabili• È impossibile immagazzinare grandi quantità• Evitare di sprecare en...
Influenza delle fonti rinnovabili• 2 e 3 maggio 2012 sul MGP  – Rinnovabili coprono lintero fabbisogno del SUD  – Prezzo u...
Contributo 1   Analisi degli esiti dei mercatiPrevedere i prezzi futuri (breve termine) con ilminimo errore attraverso un ...
Metodo Box-Jenkins (1)• Teoria serie temporali e processi stocastici• Processo ARMA(p,q)                             è l’o...
Processo ARMA(p,q)
Metodo Box-Jenkins (2)• Processo ARIMA(p,d,q)            corrisponde alla differenziazione di ordine d• Processo SARIMA(p,...
Processo SARIMA(p,d,q)(P,D,Q)[S]
Ricerca dei parametri per SARIMA
Autocorrelogramma della serie
Previsioni a breve termine• Per ogni mercato un SARIMA(2,1,0)(1,1,1)[24]  – scelto per la bontà di previsione  – coefficie...
Indicatori della bontà del modello• Indicatore classico dell’errore di previsione:• Indicatore scelto poiché più stabile a...
Errori di previsione
Grafici dei risultati di previsione
Grafici per tutti i mercati
Un caso di studio:          Stabilimento siderurgico•   Modello di un impianto altamente energivoro•   Sistema reale molto...
Schema del processo siderurgicoOgni riquadro è un trattamento per il prodottoEAF: fornoLF: forno sivieraVOD: degasaggioCCO...
Risultato del simulatore
Curva di potenza della simulazione• Potenza dell’impianto  – dettaglio al minuto  – cumulativa di tutti i processiPrevisio...
Contributo 2Piattaforma di supporto decisionale     Sulla base della simulazione del profilo   energetico (utilizzo di ene...
Piattaforma di supporto decisionale• Componenti funzionali Backend:  – Recupero dei più recenti esiti di mercato  – Previs...
Backend• Tecnologie: Java, R, Task Scheduler
Frontend
Interfaccia per l’utente
Interfaccia per l’utente: dettaglio • Ogni barra rappresenta uno scenario d’acquistoCosto totalea Contratto        Scenari...
Dettaglio scenario migliore                         Prezzo unitario con                            etichetta del          ...
Altri dettagli scenario migliore        Frazione di MWh          per mercato                          Frazione di spesa pe...
Report dettagliato                 Generazione report                    formato PDF                 Ora per ora:         ...
Contributo 3 – Analisi a posteriori• Consumi previsti e effettivi dell’acciaieria Terni  – per ogni ora del mese di gennai...
Valorizzazione sui mercati (senza servizi di rete, oneri di sistema e imposte)1.   consumo effettivo al PUN medio dello sc...
Valorizzazione per gennaio
Spesa complessiva per gennaio1. consumo effettivo al PUN medio dello scorso anno2. consumo effettivo al PUN ora per ora3. ...
Separazione Backend e Frontend• Più frontend si interfacciano stesso backend  – Manager, analisti, pianificatori (stesso i...
Conclusioni• Significativo miglioramento sulla spesa• Risparmio vicino alla soluzione ottimale• Estensibile ad ulteriori s...
Upcoming SlideShare
Loading in …5
×

Minetti master thesis

1,426 views

Published on

I studied the inner working of spot markets inside Italian Power EXchange and I analysed the results of prices in these ones to look for a stochastic SARIMA model in order to forecast the prices.
I studied the steel industrial domain and the model of a simulator (developped by Iso Sistemi S.r.l.) of the industrial plant of Piombino in order to get the expected energy consumption. Then I design and develop a platform that contains the predictive model and the simulator. The platform is able to generate different scenarios of purchase by the various energy markets, and further to select the best scenario for minimizing overall costs of energy according to the production plan established.
I also analyse ex-post the gain of using this platform using actual datas about consumption of the steel plant of Terni for Genuary 2013. The platform improves the total cost of energy purchase, and the saving is near to the best solution that you can select in retrospect.
Final Mark: 110/110 cum laude

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
1,426
On SlideShare
0
From Embeds
0
Number of Embeds
10
Actions
Shares
0
Downloads
6
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Minetti master thesis

  1. 1. Università degli Studi di Genova Facoltà di Scienze Matematiche Fisiche e Naturali Una piattaforma di supporto decisionale per processi produttivi industriali, basata su simulazioni di impianti con acquisto in tempo reale da mercati energetici Relatori: Candidato:Prof. Barbara Catania Alberto MinettiProf. Roberto Revetria Tesi di Laurea in Informatica
  2. 2. Obiettivo del lavoro• Migliorare l’approvvigionamento energetico in fase di pianificazione industriale minimizzando la spesa in bolletta attraverso: – previsioni dei prezzi orari dei mercati – simulazioni del processo produttivo• Tirocinio presso dove ho acquisito competenze su: – contesto del mercato energetico – dominio siderurgico industriale
  3. 3. Sommario dei contributi• Analisi dei mercati energetici: – Studio della Borsa Elettrica e analisi degli esiti – Ricerca modello statistico predittivo (breve term.) – Osservazione e test dei risultati di previsione• Progettazione e sviluppo: – Studio dell’ambiente produttivo Caso di studio: Acciaieria – Sviluppo piattaforma sw di supporto decisionale• Analisi a posteriori dell’utilità del lavoro – con i suggerimenti della piattaforma – su dati reali di un altro stabilimento
  4. 4. Breve introduzione al problema• Prezzo dell’energia elettrica varia nel giorno• Fonti rinnovabili producono energia gratis (0€)• Negli impianti industriali il 70% del costo del prodotto è dovuto alla spesa dell’energia • Pianificare per risparmiare• Complessità dell’impianto reale• Limitata possibilità di acquisto sui mercati – asta a busta chiusa – rischio di mancato approvvigionamento
  5. 5. Mercato Elettrico ItalianoLiberalizzato dal 1991 e regolato da meccanismiper favorire la concorrenza e per evitare cartelli
  6. 6. Mercati spot dell’IPEXMercato del giorno prima e Mercati infragiornalieri Derivati Futures MSD (TERNA) MB (TERNA) differenze: Apertura Chiusura Orari Esiti Consegna
  7. 7. Offerte sui Mercati OrganizzatiImportatori/Produttori AcquirentiOgni offerta di vendita Ogni offerta di acquisto• la fascia oraria • la fascia oraria• la quantità MWh • la quantità MWh• il prezzo minimo €/MWh • il prezzo massimo €/MWh• disponibilità ad aumentare l’offerta • disponibilità a diminuire l’offertaLe offerte contribuiscono alla generazione di prezziControparte: Gestore del Mercato Energetico (GME)
  8. 8. Algoritmo accettazione offerte In blu le offerte di vendita - in rosso le offerte di acquistoPUN Eseguito per ogni fascia oraria e per ogni mercatoAcquirenti pagano PUN + servizi di rete + oneri + imposte
  9. 9. Vincoli di rete Leggere modifiche dell’algoritmo GME
  10. 10. Fonti rinnovabili: 20% in Italia dati del 2007
  11. 11. Direttiva CIP6/92 per favorire le fonti rinnovabili• È impossibile immagazzinare grandi quantità• Evitare di sprecare energia pulitaLe offerte di vendita da rinnovabili e assimilate• priorità di dispacciamento• prezzo nullo sui mercati (prezzo di produzione) – finanziamento da incentivi (A3 ≈ 90% oneri)GME accetterà sempre le offerte da rinnovabili
  12. 12. Influenza delle fonti rinnovabili• 2 e 3 maggio 2012 sul MGP – Rinnovabili coprono lintero fabbisogno del SUD – Prezzo unitario sceso a 0 €/MWh a mezzogiorno• Impianti termoelettrici spinti fuori dal mercato
  13. 13. Contributo 1 Analisi degli esiti dei mercatiPrevedere i prezzi futuri (breve termine) con ilminimo errore attraverso un modello statistico che descrive al meglio i dati
  14. 14. Metodo Box-Jenkins (1)• Teoria serie temporali e processi stocastici• Processo ARMA(p,q) è l’operatore di Backshift
  15. 15. Processo ARMA(p,q)
  16. 16. Metodo Box-Jenkins (2)• Processo ARIMA(p,d,q) corrisponde alla differenziazione di ordine d• Processo SARIMA(p,d,q)(P,D,Q)[S]: – Stagionale AutoRegressivo-Integrato a Media Mobile
  17. 17. Processo SARIMA(p,d,q)(P,D,Q)[S]
  18. 18. Ricerca dei parametri per SARIMA
  19. 19. Autocorrelogramma della serie
  20. 20. Previsioni a breve termine• Per ogni mercato un SARIMA(2,1,0)(1,1,1)[24] – scelto per la bontà di previsione – coefficienti diversi calcolati sugli esiti del 2012• Previsioni influenzate da fattori esterni: dati atmosferici, ora del giorno, giorno settimanale, prezzi gas precedenti, domanda del giorno prima, temperatura ambientale, stagione, festività, stato dei bacini idrici, guasti in produzione, stato dell’eolico e del fotovoltaico, altre fonti rinnovabili, etc.
  21. 21. Indicatori della bontà del modello• Indicatore classico dell’errore di previsione:• Indicatore scelto poiché più stabile ai prezzi bassi
  22. 22. Errori di previsione
  23. 23. Grafici dei risultati di previsione
  24. 24. Grafici per tutti i mercati
  25. 25. Un caso di studio: Stabilimento siderurgico• Modello di un impianto altamente energivoro• Sistema reale molto complesso• Simulatore fornito da• Acciaieria di Piombino per consumi e dimensioni – con forni elettrici: migliore caso di studio • più moderni, economici, rapidi e dimensioni ridotte – al posto dei convertitori ad ossigeno • più desueti, inquinanti, rari e rigidi – per estendere lesperienza ad altre acciaierie
  26. 26. Schema del processo siderurgicoOgni riquadro è un trattamento per il prodottoEAF: fornoLF: forno sivieraVOD: degasaggioCCO: colata continua
  27. 27. Risultato del simulatore
  28. 28. Curva di potenza della simulazione• Potenza dell’impianto – dettaglio al minuto – cumulativa di tutti i processiPrevisione sull’utilizzo di energia
  29. 29. Contributo 2Piattaforma di supporto decisionale Sulla base della simulazione del profilo energetico (utilizzo di energia) generato dal simulatore impiega le previsioni statistiche perstabilire quali acquisti fare sui mercati energetici
  30. 30. Piattaforma di supporto decisionale• Componenti funzionali Backend: – Recupero dei più recenti esiti di mercato – Previsione dei prezzi orari nel breve termine – Repository di prezzi effettivi e di previsioni• Componenti funzionali Frontend: – Simulazione del consumo dello stabilimento – Generazione degli scenari d’acquisto – Selezione dello scenario migliore – Presentazione all’utente
  31. 31. Backend• Tecnologie: Java, R, Task Scheduler
  32. 32. Frontend
  33. 33. Interfaccia per l’utente
  34. 34. Interfaccia per l’utente: dettaglio • Ogni barra rappresenta uno scenario d’acquistoCosto totalea Contratto Scenario Diversi scenari per migliore ogni mercato
  35. 35. Dettaglio scenario migliore Prezzo unitario con etichetta del mercato in cui acquistare Prezzo totale per ora
  36. 36. Altri dettagli scenario migliore Frazione di MWh per mercato Frazione di spesa per mercato Consumo per Ora
  37. 37. Report dettagliato Generazione report formato PDF Ora per ora: 1) Consumo MWh 2) Mercato più economico 3) Prezzo unitario (previsto) 4) Prezzo totale
  38. 38. Contributo 3 – Analisi a posteriori• Consumi previsti e effettivi dell’acciaieria Terni – per ogni ora del mese di gennaio 2013 – Consumo medio orario ≈ 150 MWh – Consumo medio giornaliero ≈ 4000 MWh – Consumo totale di gennaio ≈ 121’484 MWh
  39. 39. Valorizzazione sui mercati (senza servizi di rete, oneri di sistema e imposte)1. consumo effettivo al PUN medio dello scorso anno (75,48 €/MWh) come se lo stabilimento fosse vincolato da un contratto a prezzo fisso2. consumo effettivo al PUN ora per ora come se tutti gli acquisti di energia fossero stati fatti sul MGP3. consumo effettivo al prezzo sul mercato suggerito dalla piattaforma al prezzo reale del mercato che era previsto essere più economico4. consumo effettivo al prezzo migliore dei cinque mercati questa soluzione è ideale ed è ovviamente calcolata ex-post5. consumo previsto (simulaz) valorizzato al prezzo migliore previsto quindi utilizza solo dati di previsione
  40. 40. Valorizzazione per gennaio
  41. 41. Spesa complessiva per gennaio1. consumo effettivo al PUN medio dello scorso anno2. consumo effettivo al PUN ora per ora3. consumo effettivo al prezzo reale del mercato suggerito dalla piattaforma4. consumo effettivo al prezzo migliore dei cinque mercati5. consumo previsto valorizzato al prezzo migliore previstoSpesa complessivacon diversi scenari per gennaio 2013 (dati in EURO)
  42. 42. Separazione Backend e Frontend• Più frontend si interfacciano stesso backend – Manager, analisti, pianificatori (stesso impianto) – Backend non legato al impianto industriale – Diversi impianti industriali (acciaierie e non)• Per migliorare le previsioni del backend: – Modifiche al modello di previsione – Enorme mole di fattori esterni – Pronto per il cloud
  43. 43. Conclusioni• Significativo miglioramento sulla spesa• Risparmio vicino alla soluzione ottimale• Estensibile ad ulteriori stabilimenti – Cambiando simulatore nel Frontend

×