پیش بینی بار و نیاز مصرف
پیش بینی بار و نیاز مصرف
موفقیت در بازار رقابتی برق مستلزم داشتن مهارت قابل قبول درکارحدس، براساس معیارهای علمی میباشد.
عوامل بازار انرژی از میزان کسب سود حاصل از قراردادهای بلندمدت تحویل انرژی در آینده مطمئن نیستند زیرا ممکن است میزان تولید ، تقاضا و نرخ رایج نسبت به فرضیات زمان عقد قرارداد تغییر نماید . در نتیجه معامله گران انرژی وقتی خوب عمل می نمایند که پیش بینی درست و خوبی بکار برده باشند .
به همین علت شرکتهای برقی در جهت بهبود دقت پیش بینی نیاز مصرف کارهائی را شروع کرده اند . یکی از این شرکتها ، شرکت برق آمریکا (AEP) واقع در کلمبوس اوهایو می باشد . پیش بینی بار در این شرکت بر اساس پالایش و بروزرسانی دائمی توسط گروه خبره های ریاضی و آمارگران بخش جدید آنالیز بازار انجام می یابد . بخش جدید چند سال قبل از آغاز کار بازار آزاد برق با هدف رقابتی نمودن آن تاسیس گردیده بود .
آنچه AEP و دیگر شرکتهای مشابه ، به آن توجه دارند ، اینست که قیمت قرارداد فروش برق برای تحویل در آینده بر اساس پیش بینی ضعیف نیاز مصرف می تواند بجای استفاده بردن، منجر به ضرر شود . بعنوان یک مثال جالب برای مشکلات ناشی از عدم پیش بینی مناسب تقاضا ، تولید و قیمت ، می توان به آنچه در سال قبل در انگلستان ، با تاسیس NETA اتفاق افتاد اشاره نمود که برای مدتی ، قیمت بازار شدیدا بی ثبات شده بود . تیم انرژی و برق شرکت کاپ جمینی ارنست و یانگ محاسبه نمود که بهبود 4 درصدی در دقت پیش بینی تقاضای مصرف ، می تواند 29 میلیون دلار از مخارج تولیدکنندگان برق را بکاهد . اگرچه دقت پیش بینی بار کوتاه مدت بدلیل وجود تکنیکهای بسیار پیشرفته برای مدلسازی در سالهای اخیر بطور قابل توجهی بهبود یافته است ، لیکن وجود عوامل غیر منتظره از دقت آنها میکاهد . برای مثال در 14 سپتامبر 2001 ، سه دقیقه سکوت برای بزرگداشت قربانیان 11 سپتامبر باعث یک افت نیاز مصرف بسیار بزرگ به میزان 2700 مگاوات معادل 7 % نیاز سیستم در تاریخ برق انگلستان شده است .
پیش بینی دراز مدت در مقابل بار کوتاه مدت
پیچیدگی وظیفه معامله گران انرژی بخاطر این حقیقت است که پیش بینی نیاز مصرف بلندمدت و کوتاه مدت ، هر کدام ، مهارتها و داده های گوناگونی را نیاز دارند . پیش بینی مصرف بلند مدت مورد نیاز یک شرکت برق به منظور برنامه ریزی سناریوهای مختلف می باشد . مثلا اگر زمستان آینده گرمتر از معمول باشد، چه جایگاه و سهمی از معامله انرژی در آینده به آنها تعلق خواهد گرفت و چقدر رقابت وجود خواهد داشت. از طرف دیگر پیش بینی بار کوتاه مدت راحت تر و نسبتا صحیح تر بدست می آید برای اینکه هر کمپانی می تواند اطلاعات دقیقتری درباره رفتار مشتری و گزارشات هواشناسی در کوتاه مدت را داشته باشد . با وجود این دقت پیش بینی بار کوتاه مدت هنگام حوادث مهم مانند برنامه های تلویزیونی خاص نظیر پخش فوتبال جام جهانی کاهش می یابد .
اهمیت پیش بینی نیاز مصرف در شرایط خصوصی سازی صنعت برق بیشتر از شرایط قبل بوده و ضمنا پیش بینی کننده نیز در شرایط جدید تغییر کرده است . موقعیکه پخش برق تابع قوانین و مقررات باشد شرکتهای برق منحصر بفرد ، پیش بینی کوتاه مدت را برای اطمینان از پایائی منابع تولیدی خود بکار می برند و پیش بینی نیاز مصرف بلندمدت را اساس برنامه ریزی و سرمایه گذاری طرحهای توسعه خود در زمانهای یک تا 5 سال قرار می دهند . اهمیت پیش بینی بار چه بلندمدت و چه کوتاه مدت و اینکه رقابت در تولید و فروش برق آغاز شده و یا در حال شروع باشد تفاوتی نداشته و یکسان است . بعنوان مثال اکنون در برزیل شرکت برق ملی علاقمند است بداند که نیاز مصرف 10 تا 20 سال آینده چه خواهد بود و پیش بینی نیاز مصرف کوتاه مدت در اختیار رقابت کنندگان در بازار می باشد . متشابها در انگلستان قبل از تاسیس NETA ، شبکه ملی ( NG ) مسئولیت پیش بینی را بعهده داشت و هرکسی بازای هر نیم ساعت استفاده از حوضچه ( Pool ) انگلستان قیمت یکسانی می پرداخت . اگرچه پیش بینی بار در ساختار قراردادهای تجاری تامین انرژی استفاده می شده لیکن تا قبل از تشکیل NETA ، تامین کنندگان، انگیزه مالی برای پیش بینی بار بر اساس مقررات دولتی نداشته اند .
دقت پیش بینی بار چیست ؟
در بحث فوق الذکر با توجه به مشکلات فراروی پیش بینی بلند و یا کوتاه مدت، پاسخ به پرسش زیر فاقد صراحت است :
چقدر این پیش بینیها دقیق هستند ؟ آنچه می توان به جرات درباره پیش بینی بار بیان کرد اینست که پیش بینی ها حتما با واقعیت تفاوت دارند . بهترین آن در انگلستان در فاصله زمانی نیم ساعت دارای دو درصد خطا بوده است ، بعبارت دیگر اگر بار واقعی 100 مگاوات باشد، بهترین پیش بینی 98 یا 102 مگاوات و نه نزدیکتر است . اگر کیفیت ورودی ها به مدل پیش بینی کننده ضعیف باشد ، علیرغم داشتن بهترین مدل ، تقریبا غیر ممکن است نتیجه خوبی از آن بیرون بیاید . همچنین دقت پیش بینی بار بستگی به نوع مشتری که همان مصرف کننده است دارد . مشاهده شده که بارهای خانگی خیلی ساده تر قابل پیش بینی هستند بخاطر اینکه تعداد واقعی و درست مصرف کننده خانگی قابل دسترس است و اگر مصرف یکی از مشتریها بطور غریبی تغییر کند اثر چندانی نخواهد داشت . از طرف دیگر مصرف یک مشتری صنعتی بزرگ می تواند خارج از حوزه قابل پیش بینی بار آن رفتار نماید مثلا با تولید الکتریسیته توسط نیروگاه اختصاصی خود و یا با اضافه کردن یک شیفت کاری دیگر شرایط پیش بینی بار تغییر می کند .
فاکتورهای کوچک و بزرگی نیز هستند که در پیش بینی بار و تقاضای مصرف، تاثیرگذارند که از جمله آنها می توان به فروش نرفتن کالای کارخانه که منجر به تعطیلی آن می شود اشاره کرد .
دنبال نمودن شرایط هوا ( در پیش بینی بار)
در میان اینهمه مشکلات ، بازاریابهای توان الکتریکی این امیدواری را دارند که پیش بینی بار آنها خیلی دقیق باشد . به جرات می توان گفت که ارتباط واقعی یک به یک بین هوا و مصرف توان خانگی وجود دارد و بهمین دلیل آنها دنبال پیش بینی دقیق هوا هستند ، بطوری که بعضی از آنها حاضرند برای پیش بینی کوتاه مدت یک روز بعد مبلغ 15000 دلار بپردازند .
ولی معمولا از خطاهای ذاتی موجود در محاسبات آماری در هر پیش بینی حتی در پیش بینی کمیت بی ثباتی مثل هوا، صرف نظر می کنند . بعنوان مثال درجه حرارت و سایر اطلاعات عددی که بایستی بدون اصلاح و هرگونه فیلتر به مدل داده شود ، انجام نمی گیرد . در این ارتباط می توان به یک پیش بینی اشاره کرد که می گوید : “ احتمال و شانس 30 درصدی برای باریدن باران با درجه حرارت 5 درجه سانتی گراد وجود دارد ” ، که در مدل پیش بینی خلاصه شده و تنها 5 درجه سانتی گراد آن وارد می شود . یک پیشنهاد برای برطرف کردن این مشکل ، بجای استفاده از روش نقطه به نقطه درجه حرارت ، بکاربردن روش اثر جامع هوا در پیش بینی است که از طریق شبکه های عصبی قابل دسترسی می باشد و بمقدار خیلی زیادی دقت پیش بینی بار را افزایش می دهد . قابل لمس ترین پیش بینی بار ، بکاربردن آنالیز و تجزیه و تحلیل بر اساس روز مشابه در گذشته می باشد که در این روش یک روز با شرایط هوائی مشابه در گذشته در نظر گرفته می شود و اطلاعات بار آن روز بخصوص در طرح ریزی اطلاعات روز مورد نظر بکار می رود .
با خطاها زندگی کردن
اگر هیچ پیش بینی کامل نیست ، پس چه کاری درباره اصلاح خطاها می توان انجام داد . در این ارتباط توصیه شده است که بازاریابها خودشان با یک سیاست انضباطی سعی کنند خطاها را سد نمایند . یک راه برای این کار بکاربردن سیاست تشویقی برای مصرف کننده هائی است که دارای قابلیت گزارش پیش بینی هرچه دقیقتر مصرف خودشان می باشند . هر روز شرکت کنندگان بیشتری در بازار رقابتی بدنبال راه حل بهتری برای این موضوع هستند . بجای صرف کردن زمان برای تولید مدل پیش بینی بهتر آنها ، معاملات را با فرض اینکه مقادیر پیش بینی صحیح نیستند انجام میدهند .
پیش بینی بار و نیاز مصرف نه بعنوان جعبه سیاه در نرم افزار بوده و نه علم موشکی لازم دارد . بعضیها اعتقاد دارند پیش بینی را بایستی با مدل ساده شروع نمود و بعد آنرا توسعه داد .