Predikce v energetice 3: Získávání vstupních dat a vlastnosti predikčního modelu

Po úvodním náhledu do světa predikcí a jeho následném propojení s energetikou bude dnešní díl zaměřen na samotný predikční model. Konkrétně na predikční model pro obchodníky s plynem a elektřinou. Budou popsány vstupy a zdrojová data využívaná při tvorbě predikcí. Dále budou shrnuty vlastnosti, kterými by měl kvalitní model disponovat. Naznačen bude také způsob, jakým se kvalita takovéhoto modelu ověřuje.

Z minulých dílů série víme, že predikce je tvrzení o tom, co se stane v budoucnosti, které je založeno na přesných vědeckých postupech využívajících historických dat a matematicko-fyzikálních modelů. Model využívaný pro predikce se sestavuje na základě pravidel, která umožňují napodobovat chování a vlastnosti predikovaných hodnot. Výstupem predikčního modelu je vlastní predikce.

Je ovšem nutné si uvědomit, že každá predikce má svá specifika. Jeden model nelze univerzálně použít na predikci ceny energie, její spotřeby a zároveň na predikci vývoje cen akcií nebo kryptoměn. Tento článek se zabývá především predikčním modelem pro obchodníky, jehož výstupem je predikce obchodní spotřeby elektřiny a její výroby, respektive predikce obchodní spotřeby plynu.

Zdroje vstupních dat

Pro obchodníky s elektřinou a plynem jsou pro jejich fungování klíčové informace o budoucí spotřebě a výrobě jejich zákaznického portfolia. Vstupními daty pro predikční modely jsou především spotřeba a výroba portfolia v minulosti, předpověď počasí (teplota, oblačnost, rychlost větru) nebo vývoj ceny energetických komodit na burze.

Kromě vlastních dat o historickém vývoji sledovaných veličin portfolia v minulosti využívají obchodníci jako vstupy pro své predikční modely veřejně dostupná data Operátora trhu (OTE) nebo Energetického regulačního úřadu (ERÚ). Využít je možné také data provozovatele přenosové soustavy (ČEPS), případně informace z informační systému ENTSO-E Transparency Platform shromažďujícího data z elektroenergetiky na celoevropské úrovni. Zajímavým zdrojem dat je mj. i platforma OPSD, kde lze získat podklady pro modelování na celoevropské úrovni.

Standardní zdrojem dat z oblasti vývoje tržní ceny silové elektřiny a plynu je lipská burza EEX, která je majoritním vlastníkem pražské burzy PXE, jejíž data jsou také k predikcím využívána. Jako zdroj meteorologických dat bývá využíván Český hydrometeorologický ústav (ČHMÚ), ze zahraničních zdrojů je pro předpověď velmi populární například norský webu Yr.no.

„Primárně se opíráme o vlastní data o historii spotřeby, změnách dodavatele nebo vlivu nových technologií na spotřebu energií. Externě pořizujeme meteorologická data a to jak skutečná historická měření, tak i předpovědi,“ specifikuje přístup společnosti innogy ke zdrojům dat Petr Průcha, regionální provozní manager útvaru REM.

Vliv počasí na predikci

Nárůst nebo pokles teploty mají nezanedbatelný vliv na spotřebu a výrobu energie v našich zeměpisných šířkách a proto je předpověď počasí velmi důležitým vstupem, který ovlivňuje přesnost predikce. Klesne-li teplota v zimních měsících o 1 °C, dojde k nárůstu spotřeby elektřiny zhruba o 1 %. U plynu způsobí obdobný pokles teploty nárůst spotřeby dokonce o 5 %, protože je ve srovnání s elektřinou více využíván na vytápění.

Naopak nárůst teploty o 1 °C v letních měsících způsobí nárůst spotřeby elektřiny v městských aglomeracích o 2 %, protože se projeví nárůst spotřeby klimatizačních jednotek. Spotřeba plynu nevykazuje citlivost na kladnou změnu teploty v letních měsících a na rozdíl od elektřiny se s tak kladnou změnu teploty o 1 °C takřka nemění.

Podstatným faktorem v souvislosti s teplotou se proto stává normalizace historických dat o spotřebě na dlouhodobý teplotní normál. Normalizace snižuje variabilitu historických hodnot, což umožňuje získávat přesnější predikce.

Specifický je vliv počasí na spotřebu průmyslových podniků, které disponují fotovoltaickou elektrárnou využívanou pro omezování spotřeby ze sítě. Díky státní podpoře se dnes můžeme s tímto řešením běžně setkávat a obchodníci ho musí zahrnovat do svých modelů. S odhadem výroby fotovoltaických elektráren mohou pomoci nástroje jako PV GIS, předpověď počasí a znalost dlouhodobých normálů oblačnosti.

Vlastnosti modelu

Pro obchodníka s elektřinou nebo plynem je zásadní schopnost plně využít výstupy, které predikční model na základě vstupních dat poskytuje. Kvalitní, transparentní a pochopitelný predikční model dává obchodníkům, kteří ho umějí správně využít, velkou konkurenční výhodu. Model musí mít jasně definované vstupy a vztahy jakými jsou ze vstupních hodnot získávány výstupy.

Predikční model musí být také odolný vůči lidské chybě. Přehlednost modelu je zase zásadní pro správnou interpretaci výsledků. Model by měl uživatele informovat o stavech vstupů a výsledku, stejně jako poskytovat informace o věrohodnosti vstupních dat. Komplexnější modely pak také udávají možnou chybu budoucího odhadu.

Kvalita modelu

Obchodníci při svém rozhodování musí spoléhat na predikce, které jim model poskytuje. Je pro ně zásadní to, jak velkou jistotu ohledně budoucího vývoje jim daný predikční model poskytuje. Pro vyhodnocení přesnosti predikčního modelu je třeba též zvolit vhodnou metodiku. Sledované parametry přesnosti modelu musí odpovídat účelu, na který jsou výstupní data obchodníkem používána.

Například v hodinách, kdy obchodník ví, že mu predikce dlouhodobě vychází může být více ochotný riskovat nebo spekulovat. Naopak v časech, kde je přesnost predikce dlouhodobě nižší se dá spíše očekávat, že obchodníci budou chtít mít zabezpečené pozice a budou minimalizovat rizika.

V sektoru energetiky se nejčastěji predikují časové řady, které jsou součtem určitého trendu a zbytkového (reziduálního) procesu. Pro časové řady je jedním z ukazatelů přesnosti modelu kritérium MAPE (Mean Absolute Percentage Error), což je střední absolutní procentní chyba. U kvalitních modelů se standardně pohybuje hodnota denního MAPE pod úrovní 5 %. U predikcí spotřeby elektřiny se sleduje i úspěšnost v jednotlivých obchodních hodinách, případně čtvrthodinách. Přesnost predikce za celý den může být ovšem podstatně snížena jednou jedinou nepovedenou hodinou, která může překlopit obchodní výsledek celého dne do záporných hodnot.

„Máme stanovené cílové hodnoty chyby predikce, které průběžně vyhodnocujeme. Predikce je úspěšná, pokud je její chyba v rámci stanové tolerance. Protože existuje silná korelace mezi chybou predikce a výslednými komoditními náklady, máme cílové hodnoty chyby nastaveny tak, aby se investice do zajištění přesné predikce vracely ve snížených nákladech na komoditu,“ upřesňuje praktické využití Petr Průcha z innogy.

Příští, předposlední, díl této série bude zaměřen na úskalí, která s sebou predikce přináší. Zodpovězeny v něm budou otázky jako například, jak vzdálenou budoucnost má smysl predikovat nebo jak dávná data je vhodné pro predikce využívat. Nastíněn bude také způsob, jak se vypořádat s verifikací dat nebo jak se dá predikovat  portfolio obchodníka, které se vyvíjí v čase.