Una piattaforma di supporto decisionale

per processi produttivi industriali,

basata su simulazioni di impianti

con acquisto in tempo reale

da mercati energetici

Candidato:

Alberto Minetti

Università degli Studi di Genova Facoltà di Scienze Matematiche Fisiche e Naturali

Tesi di Laurea in Informatica

Relatori:

Prof. Barbara Catania

Prof. Roberto Revetria

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

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

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

Mercato Elettrico Italiano Liberalizzato dal 1991 e regolato da meccanismi per favorire la concorrenza e per evitare cartelli

Mercati spot dell’IPEX Mercato del giorno prima e Mercati infragiornalieri

Derivati

Futures

MSD (TERNA)

MB (TERNA)

differenze:

Apertura

Chiusura

Orari Esiti

Consegna

Offerte sui Mercati Organizzati

Importatori/Produttori

Ogni offerta di vendita

• la fascia oraria

• la quantità MWh

• il prezzo minimo €/MWh

• disponibilità ad aumentare l’offerta

Acquirenti

Ogni offerta di acquisto

• la fascia oraria

• la quantità MWh

• il prezzo massimo €/MWh

• disponibilità a diminuire l’offerta

Le offerte contribuiscono alla generazione di prezzi

Controparte: Gestore del Mercato Energetico (GME)

Algoritmo accettazione offerte In blu le offerte di vendita - in rosso le offerte di acquisto

PUN

Eseguito per ogni fascia oraria e per ogni mercato Acquirenti pagano PUN + servizi di rete + oneri + imposte

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 energia pulita

Le 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

Influenza delle fonti rinnovabili

• 2 e 3 maggio 2012 sul MGP

– Rinnovabili coprono l'intero fabbisogno del SUD

– Prezzo unitario sceso a 0 €/MWh a mezzogiorno

• Impianti termoelettrici spinti fuori dal mercato

Contributo 1

Analisi degli esiti dei mercati

Prevedere i prezzi futuri (breve termine) con il minimo errore attraverso un modello statistico

che descrive al meglio i dati

Metodo Box-Jenkins (1)

• Processo ARMA(p,q)

• Teoria serie temporali e processi stocastici

è l’operatore di Backshift

Processo ARMA(p,q)

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

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

– 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.

Indicatori della bontà del modello

• Indicatore classico dell’errore di previsione:

• Indicatore scelto poiché più stabile ai prezzi bassi

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 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 l'esperienza ad altre acciaierie

Schema del processo siderurgico

Ogni riquadro è un trattamento per il prodotto

EAF: forno

LF: forno siviera

VOD: degasaggio

CCO: colata

continua

Risultato del simulatore

Curva di potenza della simulazione

• Potenza dell’impianto

– dettaglio al minuto

– cumulativa di tutti i processi

Previsione sull’utilizzo di energia

Contributo 2

Piattaforma di supporto decisionale

Sulla base della simulazione del profilo energetico (utilizzo di energia) generato dal

simulatore impiega le previsioni statistiche per stabilire quali acquisti fare sui mercati energetici

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

Backend

• Tecnologie: Java, R, Task Scheduler

Frontend

Interfaccia per l’utente

Interfaccia per l’utente: dettaglio

• Ogni barra rappresenta uno scenario d’acquisto

Costo totale a Contratto Diversi scenari per

ogni mercato Scenario migliore

Dettaglio scenario migliore

Prezzo unitario con etichetta del

mercato in cui acquistare

Prezzo totale per ora

Altri dettagli scenario migliore

Frazione di MWh per mercato

Frazione di spesa per mercato

Consumo per Ora

Report dettagliato

Generazione report formato PDF

Ora per ora: 1) Consumo MWh

2) Mercato più economico 3) Prezzo unitario (previsto)

4) Prezzo totale

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

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 fisso

2. consumo effettivo al PUN ora per ora come se tutti gli acquisti di energia fossero stati fatti sul MGP

3. consumo effettivo al prezzo sul mercato suggerito dalla piattaforma al prezzo reale del mercato che era previsto essere più economico

4. consumo effettivo al prezzo migliore dei cinque mercati

questa soluzione è ideale ed è ovviamente calcolata ex-post

5. consumo previsto (simulaz) valorizzato al prezzo migliore previsto quindi utilizza solo dati di previsione

Valorizzazione per gennaio

Spesa complessiva per gennaio 1. consumo effettivo al PUN medio dello scorso anno

2. consumo effettivo al PUN ora per ora

3. consumo effettivo al prezzo reale

del mercato suggerito dalla piattaforma

4. consumo effettivo al prezzo migliore dei cinque mercati

5. consumo previsto valorizzato al prezzo migliore previsto

Spesa complessiva con diversi scenari per gennaio 2013

(dati in EURO)

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

Conclusioni

• Significativo miglioramento sulla spesa

• Risparmio vicino alla soluzione ottimale

• Estensibile ad ulteriori stabilimenti

– Cambiando simulatore nel Frontend