Procedure, modelli e strumenti per la rilevazione, gestione e previsione dei dati da parte dei grossisti

Transcript

1 Procedure, modelli e strumenti per la rilevazione, gestione e previsione dei dati da parte dei grossisti Andrea Moratto Head of Portfolio Management and Logistics E.ON Energia SpA Milano, 1/4/2009

2 AGENDA Importanza dell implementazione di sistemi per la gestione dei dati Raccolta dati e gestione Strategie e modelli previsionali Output del processo previsionale e monitoraggio delle posizioni

3 RISCHIO VOLUME PERCHE PREVEDERE Per una società di vendita, costituisce una forte fonte di rischio per quanto riguarda gli approvvigionamenti ed i margini di vendita. In una realtà come quella di E.ON Energia, caratterizzata da un acquisto TOP dei propri fabbisogni, si sostanzia in due elementi: MWh Differenze tra acquisti e scheduling (sbilanciamento ex-ante) PUN TOP PRELIEVO Differenze tra scheduling e prelievo effettivo (sbilanciamento ex-post) SBIL SCHEDULING t

4 LA RIDUZIONE DEL RISCHIO PASSA PER LA RIDUZIONE DEL RISCHIO VOLUME Variazione Volume Dummy Actual Profile Forecast Profile Volatilità prezzo Deviazione tra Profilo Take-or-Pay vs. Consumo Finale Variazione Volume Alta Media senza contromisure con sistemi standard Dummy Differenza tra prezzo forward e prezzo di sbilanciamento Bassa Bassa Media Volatilità prezzo Alta con sistemi best in class Development of Energy prices

5 DEVIAZIONE VOLUME FATTORI DI RISCHIO Industriali Fattori di SME& Rischio Volume Residenziali - Successo campagne commerciali - Churn clienti -Productmix venduto Costruzione Customer Base - Non esistente, in quanto gestito in back-to-back Alto Basso Alto Basso - Cambi misuratore - Load profiling Determinazione Profilo Contrattuale - Mancanza di dati - Varibilità dei prelievi Anno su anno - Aggregazione di Profili per Clienti multisito Alto Basso Alto Basso - Cambi misuratore -Variazioni regolatorie Variazioni sullo Short-term - Linee di produzione e variazione turni - Variazioni di cicli di produzione non forecastabili (es. Commesse) Alto Basso Alto - Guasti agli impianti (specie cogenerazione) Basso -Adeguamento dei prelievi Alto Basso Fattori Macro-economici - Adeguamento delle attività di business - Chiusura o apertura di linee produttive - Chiusure Alto Basso -Adeguamento dei prelievi Condizioni atmosferiche e Clima -Adeguamento dei prelievi Alto Basso Alto basso - Scioperi e festività locali

6 QUALITA DEL FORECAST COMPLESSITA GESTIONALE Qualità del forecast Alta Influenza diversi fattori (temperatura, ecc.) Complessità gestionale Media Solo dati storici Bassa Mensile P/OP Oraria Tipologia del dato

7 GESTIONE DEI FLUSSI DATI QUADRO NORMATIVO: Testo Integrato per la Vendita Testo Integrato per il Load Profiling Testo integrato per la Trasmissione, Distribuzione, Misura e Vendita MODIFICHE STRUTTURALI 2009: Gestione delle nuove zone di mercato Nuova disciplina del Load Profiling per fascia Riduzione soglia sugli sbilanciamenti PROBLEMATICHE RELATIVE AI FLUSSI DATI: Mancanza di un formato standard di comunicazione Ritardi nella fornitura dei dati definitivi di alcuni operatori Tempi limitati per il recepimento delle modifiche normative Più invii del medesimo dato, con formati e livelli di attendibilità differenti (dati storici, giornalieri, mensili 5 m.s., mensili 20 m.s.)

8 NUMEROSITA DELLE INFORMAZIONI Il mercato italiano è caratterizzato da una ampia diffusione dei contatori elettronici con un impatto rilevante sulla mole di dati da gestire. Per effettuare una previsione di lungo termine è necessario gestire in un archivio almeno 12 mesi di curve di carico puntuali e, considerando almeno 3 informazioni per rilevazione (timestamp, valore, informazioni aggiuntive) per 1000 POD con misurazione oraria, si raggiungono facilmente volumi di 26 Mio di informazioni all anno. Inoltre spesso occorre disporre di diverse versioni del dato: Consuntivo Previsionale di BT Previsionale di MT/LT Scambiato con i sistemi aziendali (billing, offerte, pricing, PFM)

9 INTEGRAZIONE CON ALTRI SISTEMI Master Data Management Master Data Management Market Analysis PROFILER PROFILER CRM CRM Billing Billing PRICING PRICING Gas / Power Gas / Power TRADING TRADING CLUSTERING CLUSTERING EDM and FORECASTING (Power) EDM and FORECASTING (Power) EDM and FORECASTING (Gas) EDM and FORECASTING (Gas) Portfolio Portfolio Management System Management System

10 AGENDA Importanza dell implementazione di sistemi per la gestione dei dati Raccolta dati e gestione Strategie e modelli previsionali Output del processo previsionale e monitoraggio delle posizioni

11 IL PROCESSO DI FORECAST E LE SUE FASI Anagrafiche Misure orarie Forecast clienti Profili, profili IP CRP e PRA Variabili: meteo, turni, produzione. FORECAST Il processo è suddiviso per 3 tipologie di POD: Misurati eventualmente con forecast cliente con profili mensili con profili giornalieri Monorari e per fasce IP (Illuminazione Pubblica) Per ciascuna sezione del processo devono essere definiti: Tempi di inizio e fine Responsabili delle diverse attività Strumenti a disposizione per lo svolgimento ed il controllo

12 QUALI DATI DI BASE SONO NECESSARI ANAGRAFICHE: Dinamicità del mercato e gestione dello switch Tipologia di misure da gestire in funzione del misuratore installato e della normativa AEEG CONSUNTIVI DELLE MISURE: Molteplici formati alimentanti Frequenza e delay di disponibilità del dato. Dati più recenti sono funzionali alla previsione ST, ma implicano una maggiore complessità operativa ALTRE INFORMAZIONI RILEVANTI PER LA PREVISIONE: Variabili calendariali Variabili meteo Variabili macroeconomiche

13 AUTOMAZIONE E CONTROLLO DELL ACQUISIZIONE DATI INTERFACCE DIVERSI DISTRIBUTORI: è opportuno un pre-processatore per uniformare i molteplici formati dai diversi distributori DATA LOGGER: per clienti master è importante avere consuntivi di misura più recenti possibili CERTIFICAZIONE DEI DATI: verifica disponibilità dei dati e controllo (opzionale) di congruità dei dati (a fine di individuazione modifiche sostanziali nei omportamenti di consumo dei clienti) PREVISIONE CLIENTI: Chiusure Sviluppo business Modifiche processi e turni Funzionamenti autoproduzioni Profilo orario Livello crescente di collaborazione REPORT DI CONSUNTIVAZIONE: importante per individuare con tempestività margini di miglioramento sia relativi, sia assoluti ed individuare i clienti per i quali occorrono interventi di revisione dei metodi previsionali

14 PREVISIONI CLIENTE MWh Data 01/01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/2009 Energia attiva [kwh] Previsione aggregata [kwh] Previsione breve [kwh] SICI-Scheduling SICI-Stima Consuntivo Errore sulla zona dovuto ad un errato scheduling di un grande cliente, per cui, in assenza di altre informazioni, veniva utilizzata la curva contrattuale. La variazione inserita alla fine di gennaio ha impattato notevolmente sullo scheduling della zona

15 FORECAST CLIENTE E EFFETTO CRISI MWh Data 06/10/ /10/ /10/ /10/ /10/ /11/ /11/ /11/ /11/ /11/ /12/ /12/ /12/ /12/ /12/ /12/ /01/ /01/ /01/ /01/ /01/ /02/ /02/ /02/ /02/ /02/ /03/ /03/ /03/ /03/ /03/2009 Energia attiva [kwh] Previsione aggregata [kwh] Previsione breve [kwh] Forecast concordato con il cliente, con informazione sulla prossima chiusura dell'impianto.

16 REPORT DI CONSUNTIVAZIONE Analisi day-by-day dello scostamento tra dati previsionali e consuntivi ricevuti. Fondamentale l identificazione della fonte per la determinazione dell attendibilità Pre-calcolo costi di sbilanciamento

17 MWh REPORT DI CONSUNTIVAZIONE Data 02/01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/2009 Energia attiva [kwh] Previsione aggregata [kwh] Previsione breve [kwh] Raffineria. Grazie ad un monitoraggio dei dati giornalieri, è stata identificata la diversa schedulazione della manutenzione degli impianti rispetto a quanto inizialmente segnalato dal cliente

18 ANALISI DELLE VARIABILI Variabili meteo (STF) Temperatura Irraggiamento o copertura nuvolosa Specie per residenziali e SOHO Umidità Variabili calendariali (MTF) Tipologia di giorno (lavorativo, festivo, domenica, ponte, post-festivo,...) Stagionalità (definizione stagioni con consumi omogenei) Calendario fabbrica Inizio e fine dell ora legale Variabili macroeconomiche (MTF) PIL trimestrale (da considerare/pesare in funzione del livello di industrializzazione del proprio parco clienti) Ordinativi dell industria Variabili merceologiche (MTF) Analisi di settore

19 ANALISI DELLE VARIABILI: METEO Le variabili meteo più comuni sono: Temperatura Umidità Copertura nuvolosa La granularità dipende dal metodo previsionale prescelto E importante verificare la sensibilità dei consumi alle variabili meteo al fine di selezionare le variabili che garantiscono valore aggiunto al modello previsionale. La sensibilità alla domanda varia a seconda dell ora della giornata. Nella figura di lato si può notare come la banda di tolleranza relativa alla copertura nuvolosa aumenti sensibilmente verso l alba ed in particolare al tramonto.

20 ANALISI DELLE VARIABILI: TEMPERATURA MW Forecast EIT MWh Prelievi EIT MWh Temperatura massima principali citta' Gradi C Data 02/06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ /06/ Milano Firenze Roma Napoli Giorno

21 ANALISI DELLE VARIABILI: CICLICITA DEI CONSUMI Tre livelli distinti di ciclicità: Annuale 8760 ore Mensile 720 ore circa Settimanale 168 ore Giornaliera 24 ore L osservazione e la conoscenza visiva del carattere ciclico della propria clientela è un fattore rilevante nella scelta delle variabili di calendarizzazione La clusterizzazione per giorni simili può automatizzare tale processo

22 ANALISI DELLE VARIABILI: CALENDARIO MWh Data 01/01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/2009 Energia attiva [kwh] Previsione aggregata [kwh] Cluster Polo fieristico. Il forecast è stato determinato con la definizione di un cluster di consumo (da 1 a 4), basato sui periodi fieristici

23 Source: Terna SpA ANALISI DELLE VARIABILI: MACROECONOMICHE

24 TWh CONSUMO 2008 E TREND Source: Terna SpA

25 Source: Terna SpA DATI TERNA SPA VARIAZIONE % SULL ANNO PRECEDENTE

26 AGENDA Importanza dell implementazione di sistemi per la gestione dei dati Raccolta dati e gestione Strategie e modelli previsionali Output del processo previsionale e monitoraggio delle posizioni

27 METODOLOGIA PREVISIONALE La metodologia applicabile differisce sostanzialmente in base a: Tipologia della clientela Livello Cluster Cliente TOP DOWN Load profiling monorari Retail cluster (mis.) Consorzi (mis.) Corporate cluster (mis.) Large customers con profili complessi (mis.) Large industrial customers ed enegivori (mis.) Volume consumi Livello Singolo Cliente - BOTTOM UP Esigenze legate alle attività di forecast in termini temporali (LT, MT, ST, day ahead, intraday)

28 ANALISI PARCO CLIENTI E SCELTA STRATEGIA PREVISIONALE Sui grandi clienti (numero limitato) si segue l approccio bottom up Per tutti i clienti non dotati di misura oraria si calcola il profilo residuo I clienti di piccola e media dimensione si possono aggregare secondo tipologie di utenza (per es. Artigiani, PMI,..) o in gruppi omogenei (clusters) e applicare l approccio top down Previsione P P C P P P

29 IL METODO PREVISIONALE E FUNZIONE DELLE ESIGENZE Top- Down Bottom-up Reference forecast Propoagazione semplice Metodo giorni simili Giorni simili con variabili meteo Reti neurali & reti logico adattative Verifica e correzione Wizard previsione Online-forecast Long-Term Mid-Term Short-Term Day-ahead Intra-day

30 Modello PROPRIETA DEI VARI METODI PREVISIONALI La classificazione è valida in ambito generale ed il metodo di previsione più indicato può esser valutato solo sulla base di una specifica analisi del segnale da prevedere: Flessibilità configuraz. Livello interattività utente Complessità config. del modello Tempo di training e previsione Orizzonte temporale e vincoli Giorni simili Media Basso Semplice Basso/Medio Medio/Lungo Giorni simili filtro meteo Reti Logiche Adattative Reti Neurali Artificiali * Modelli ARIMAX ** Media Basso Semplice Basso/Medio Breve (10 gg) Alta Basso Media Basso Arbitrario (variabili) Alta Medio Media Elevato/Medio Arbitrario (variabili) Alta Elevato Media/Elevata Medio/Elevato Breve/Brevissimo * Le ANN sono indicate per segnali con dinamiche particolarmente elevate (picchi spot in relazione all andamento medio) **I modelli ARIMAX sono particolarmente indicati per la previsione di breve termine (generalmente nelle previsione dei dati on-line) in quanto, basando la previsione sull errore rispetto ai valori immediatamente precedenti, presentano una notevole deriva di errore. In genere sono utilizzate per il brevissimo termine (tipicamente per la previsione on-line dove la rilevazione precedente è immediatamente disponibile). Teoricamente sarebbe opportuno un retraining per ogni singola nuova rilevazione disponibile.

31 FUNZIONAMENTO MODELLI PREVISIONALI GIORNI SIMILI Gli input dei metodi basati su ricalendarizzazioni sono: Calendario stagioni Tipologia giorni simili Calendario delle festività Eventuali filtri su giorni con condizioni meteo paragonabili RETI NEURALI TRAINING PHASE FORECAST PHASE Historical influencing parameters Algorithm server Historical data Historical influencing parameters Algorithm server Historical data Model Model

32 SBILANCIAMENTO PASSANTE Responsabilizzazione del cliente sul forecast dei propri prelievi. Trader Strategia di riduzione del rischio di sbilanciamento Opportuna verifica del profilo fornito dal cliente Cliente Metodologia per ridurre i costi di sbilanciamento forfettariamente applicati Per ottenere un effetto positivo è necessario che: Andamento dei prelievi più stabili della media Maggiori capacità previsionali della norma: risorse dedicate, strumenti, possibilità di pianificazione della previsione almeno al D-2

33 SBILANCIAMENTO PASSANTE MWh Data 03/01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /03/ /03/ /03/ /03/ /03/ /03/ /03/ /03/ /03/ /03/ /03/2009 Energia attiva [kwh] Previsione aggregata [kwh] Previsione breve [kwh] Assenza di dati giornalieri Forecast concordato con il cliente: manutenzione impianti a febbraio e variazione della produzione in marzo

34 AGENDA Importanza dell implementazione di sistemi per la gestione dei dati Raccolta dati e gestione Strategie e modelli previsionali Output del processo previsionale e monitoraggio delle posizioni

35 IL WORKFLOW DEI PROFILI E LA COPERTURA DELLA DOMANDA EDM & Forecast LT forecast Pricing & offering ST forecast Contract detail PFM & risk evaluation Open position Trading contract Trading & Approv. Position monitoring Reporting: P&L Risk Simulation & scenario analysis 1. LT Forecast: previsione dei profili di consumo per la presentazione dell offerta 2. Contract details: comunicazione profili delle offerte chiuse 3. ST forecast: revisione dei profili sulla base della previsione a breve 4. Open position: comunicazione delle posizioni aperte al trading floor per la copertura 5. Trading contract: deal chiusi con il trading floor e dati di mercato

36 DAL FORECAST AL PFM: STRATEGIE DI APPROVVIGIONAMENTO SINGOLO POD AGGREGAZIONI Spostandosi verso il portfolio diventano sempre più rilevanti gli aggregati e sensibile lo STF. La scelta dei criteri di aggregazione è funzionale all organizzazione aziendale: Cluster: Offerta Tipologia/consumi cliente Fidelizzazione cliente Veicolo commerciale N level book: Swimlane BtoB, trading, others Ad-hoc/listino Offerta Geografica

37 ANALISI DI SCENARIO Ensemble forecast basato su un insieme di 10 curve previsioni meteo (previsioni di domanda = gruppo di curve in rosso). Inoltre, sono visualizzati gli intervalli di confidenza tra il 50% al 99,99% (scale di grigio) L ensemble forecast permette di fare analisi per valutare i diversi scenari connessi al richio di volume.