Daniele Bucovaz. Milano, 08 novembre 2007

Dimensione: px

Iniziare la visualizzazioe della pagina:

Download "Daniele Bucovaz. Milano, 08 novembre 2007"

Geronimo Cocco
7 anni fa
Visualizzazioni

1 L importanza dei dati climatici per uno Shipper nel processo di previsione dei consumi di gas naturale Daniele Bucovaz Milano, 08 novembre 2007

2 ENOI SpA Gas trader indipendente #7 importatore di gas in Italia (1) Solo market-maker kt k sul mercato italiano Opera su base Europea Circa il 40% del fatturato all estero in Europa Ampio portafoglio di contratti tti di Svolge l intero processo di trasporto, stock e vendita trasporto e stoccaggio pluriennali Conta su un proprio portafoglio in Europa Ha una solida base di clientela price oriented Principali clienti in Italia sono municipalizzate, industrie Ha clienti sempre più attivi e flessibili nelle richieste È traders nei nuovi mercati del gas, come il PSV Con un team molto professionale e impegnato Ha contratti attivi con i principali operatori Europei Quota prezzi di acquisto e vendita sul mercato PSV Innovativo background di trading Insieme con le competenze dell industria del gas Propensione ai risultati e soddisfazione del cliente (1) Source : Autorità per l Energia Elettrica e il Gas website.

3 La logistica estero Capacità di transporto in 11 paesi europei, stoccaggio in 4 UNITED KINGDOM NETHERLANDS NORWAY BELGIUM GERMANY CZECH REPUBLIC FRANCE SWITZERLAND AUSTRIA SLOVAKIA ITALY

4 La logistica estero Presenti in 9 trading hubs in tutta Europa NBP TTF E.ON Ruhrgas VEB (BEB System) ZEE GDF Deutschland PEG CEGH PSV

5 La logistica in Italia L attività logistica si occupa di rendere disponibile il gas naturale, acquistato dai vari punti di immissione, ai punti di prelievo in forma compatibile al profilo di domanda garantendo il rispetto del vincolo di bilanciamento ESTATE Importazioni INVERNO Importazioni PSV PSV Stoccaggio (Iniezione) Stoccaggio (Erogazione) REMI REMI Il primo problema per l utente (della Rete) sorge sul divario esistente fra la nomina che egli deve fornire al gestore di rete e la previsione a breve, medio e lungo termine Da quanto esposto sopra il punto critico è la previsione del consumo di gas dei REMI clienti

6 Modello Utilizzato da ENOI Il previsore puntuale al tempo t per il tempo t + τ è dato da: ( c, c..., c ) o ( h, h,..., h, h,..., h, ) τ j t j j j w w w w w Θ Ψ Φ c t + τ t t t K t K t K+ t t+ t+ (,,, ρ ) S g v j J t+ τ t+ τ t+ τ α o

7 Modello Utilizzato da ENOI Il previsore puntuale al tempo t per il tempo t + τ è dato da: ( c, c..., c ) o ( h, h,..., h, h,..., h, ) τ j t j j j w w w w w Θ Ψ Φ c t + τ t t t K t K t K+ t t+ t+ (,,, ρ ) S g v j J t+ τ t+ τ t+ τ α o

8 Modello Utilizzato da ENOI Il previsore puntuale al tempo t per il tempo t + τ è dato da: ( c, c..., c ) o ( h, h,..., h, h,..., h, ) τ j t j j j w w w w w Θ Ψ Φ c t + τ t t t K t K t K+ t t+ t+ (,,, ρ ) S g v j J t+ τ t+ τ t+ τ α o (, ) Φ h c è una funzione di elasticità che associa il consumo c con la temperatura ambientale h Θ ( S, g, v, ρ ) tiene in considerazione: α il periodo dell anno in cui si è posizionati, S il giorno della settimana in cui si sta facendo la previsione, g l appartenenza di t ad un giorno feriale o festivo v la distribuzione, per determinate aree, dell apparato civile e di quello industriale

9 Alimentazione del Modello Media Sigma Temperature registrate Abbiamo fatto ricorso al fornitore specializzato per minimizzare l incertezza sui dati partenza da inserire i nel modello.

10 Alimentazione del Modello CONSUNTIVO Media Sigma Temperature registrate I dati a consuntivo sono forniti da Snam Rete Gas al cliente della rete il giorno 16 del mese successivo (M+1)

11 Alimentazione del Modello TELELETTURA Media Sigma Temperature registrate Snam Rete Gas fornisce la telelettura del REMI giornalmente Vengono elaborate le temperature previste su base giornaliera per i prossimi 5 giorni

12 Day- ahead e Week- ahead Stimare correttamente la capacità massima necessaria ai punti di uscita e ai punti di riconsegna significa: minimizzare i costi contrattuali per i clienti, incluse le penali di supero di capacità agire sui clienti con contratti flessibili Rispetto dei vincoli di erogazione (punta di erogazione) Qualora i consumi risultino più alti di quanto preventivato,,posso acquistare gas al PSV invece di erogare in penale Qualora abbia capacità disponibile, posso aumentare gli import comprando all estero Output del modello

13 Alimentazione del Modello PREVISIONE Media Sigma Temperature registrate Le temperature fornite per il long term possono essere utilizzate insieme a valutazioni di scenario

14 Month- ahead del mese M per il mese M+1 Programma di richiesta di iniezione o erogazione mensile Stima della giacenza di gas a fine mese Posso comprare/vendere gas in stoccaggio Posso acquistare/vendere gas al PSV Output del modello

15 Quarters e Stagione Ottimizzazione dei piani di iniezione ed erogazione con orizzonte stagionale e/o annuale, basato sulla valutazione dei costi legati al verificarsi di determinati scenari termici o commerciali Consente di identificare eccessi di stock destinabili al mercato, integrando i dati di scenario a lungo termine con previsioni di breve Scenari meteo differenziati per zona climatica: Scenario con temperature medie Scenario di punta di freddo eccezionale Scenario di inverno mite Simula il consumo corrispondente agli scenari generati Programma annuale di iniezione Programma annuale di erogazione

16 Un Case sull influenza della Temperatura Case su Gas movimentato nel periodo Nov 05 Mar 06 (Emergenza Climatica) e consumi di tipo civile (quindi molto sensibili alla temperatura) Inizialmente: Sistema di previsione basato sulla settimana tipo La fonte dei dati meteo è stato un sito Internet qualificato In questo periodo, l ammontare delle Penali di scheduling è stato di circa

17 Un Case sull influenza della Temperatura In una seconda fase facendo ricorso: Ad un modello previsionale in luogo dell algoritmo Settimana Tipo. A dati sulle temperature forniti in modo specializzato Miglioramento ottenuto usando dati meteo da Fornitore Specializzato Miglioramento ottenuto usando Modello Previsionale migliore Gennaio 06-52% 0% Febbraio 06-56% -61% Marzo 06-21% -29%

18 Qualità dei dati = Qualità delle Previsioni Miglioramento ottenuto usando dati meteo da Fornitore Specializzato Miglioramento ottenuto usando Modello Previsionale migliore Gennaio 06-52% 0% Febbraio 06-56% -61% Marzo 06-21% -29% Avere buoni dati per la Previsione è molto più importante di avere un miglior metodo previsionale: +50% vs. +5% La bontà dei dati è anche funzione della profondità temporale dei dati storici: Il risultato negativo di Gennaio si spiega con la disponibilità di un set troppo breve di giorni simili (Nov-Dic 05) con temperature più miti rispetto a quelle di Gennaio Per avere dati storici su lunghi periodi è però necessario: Poter gestire la stagionalità : confrontare giorni di inizio Ottobre con quelli di Marzo, caratterizzati da temperature simili ma in condizioni di riscaldamenti spenti/accesi rispettivamente, è fuorviante Poter applicare dei correttivi sulle capacità impegnate a causa delle variazioni del bacino clienti da un anno Poter applicare dei correttivi sulle capacità impegnate a causa delle variazioni del bacino clienti da un anno all altro

19 Grazie per l attenzione daniele.bucovaz@enoi.eu

Documenti analoghi

Previsione della produzione. L esperienza del GSE.

Previsione della produzione. L esperienza del GSE. Gennaro Niglio, Direttore Previsione e Gestione Energia Milano, 8 maggio 2014-1 - CONTENUTI Contenuti La previsione del GSE. L attività di ottimizzazione