Poznaj nasze rozwiązania dla spółek obrotu energią elektryczną.
Wspieramy spółki obrotu różnymi algorytmami. Począwszy od klastrowania odbiorców, predykcji poboru lub produkcji energii z OZE po analizę danych pochodzących od OSD z PPE oraz analitykę danych z planu koordynacyjnego PSE i poprawianie prognoz na dzień kolejny. Wspieramy też spółki obrotu oraz ich wytwórców energii z OZE analizami techniczno-inwestycyjnymi posadowienia magazynów energii przy źródle OZE.
Dla danej farmy PV lub wiatrowej dostarczamy predykcję produkcji energii na dzień kolejny. Robimy to przez wcześniejsze skalibrowanie historycznych prognoz pogody względem rzeczywistej produkcji. To nas wyróżnia względem wielu serwisów internetowych.
Budujemy algorytmy klastrowania i uczenia maszynowego do automatycznego kategoryzowania odbiorców na różne typy. Tak tworzymy predykcje profilu poboru w PPE na następną dobę oraz całego profilu rocznego.
Wspieramy spółki obrotu i wytwórców posiadających źródło OZE analizami opłacalności posadowienia magazynu energii przy danym źródle. Docelowo możemy sterować takim magazynem algorytmami, które wyznaczają optymalną strategię na każdy dzień.
Wykorzystywaliśmy sieci neuronowe do dokładniejszego niż PSE prognozowania planu koordynacyjnego (w szczególności pracy jednostek węglowych oraz źródeł OZE w skali kraju).
Rozwinęliśmy algorytmy, które pozwalają automatycznie dokonać klasteryzacji odbiorców energii na różne kategorie z wykorzystaniem danych pobieranych zdalnie przez operatora sieci dystrybucyjnej (OSD) z liczników w punktach poboru energii (PPE). Dla każdej z kategorii określamy reprezentatywny tygodniowy profil poboru energii, który jest kalibrowany wielkością zużycia oraz sezonowością i powtarzalnością danych z tygodnia na tydzień. Jest to punkt wyjścia do tego, by z dużą dokładnością robić predykcję poboru energii w całym portfolio odbiorców spółki obrotu. Predykcja ta może być dostarczana zarówno na najbliższą dobę handlową (w celu kontraktacji na rynku energii), jak również w ujęciu sezonowym oraz rocznym (do celów bilansowania rocznego profilu wszystkich dostaw energii oraz poborów energii).
Zbudowaliśmy model neuronowy, który dokonuje dokładniejszych niż PSE predykcji mocy przez węglowe jednostki wytwórcze oraz działania źródeł OZE w polskim systemie elektroenergetycznym. Model cyklicznie analizuje dane prognostyczne z planu koordynacyjnego i wyznacza skorygowane, dokładniejsze predykcje poszczególnych parametrów krajowych sieci elektroenergetycznych. Dokładniejsza predykcja pozwala spółce obrotu dokonać własnymi algorytmami prognozy cen na rynku energii i dokonać bardziej opłacalnej kontraktacji.
We współpracy ze spółkami obrotu dostarczamy analiz technicznych i inwestycyjnych dla wytwórców zainteresowanych posadowieniem magazynu energii przy źródle OZE. Wykonujemy analizy finansowe z ukierunkowaniem na arbitraż, rynek mocy, sprzedaż energii z OZE w godzinach wysokich cen w szczycie poboru energii.
Pokazujemy spodziewany przychód w trzech scenariuszach wykorzystania różnych strategii sterowania ładowaniem i rozładowaniem magazynu. Jako spółka software’owa jesteśmy w stanie zadbać o realne wdrożenie tych strategii na docelowym magazynie, gdy już zostanie zbudowany.
Trenowaliśmy oparte o sieci neuronowe modele, które na bazie informacji z planu koordynacyjnego PSE dokonywały predykcji ceny na każdą godzinę następnej doby na Rynku Dnia Następnego. Nasze najdokładniejsze modele neuronowe potrafiły osiągnąć dokładność 78% procent predykcji ceny z błędem mniejszym niż 7,20 zł/MWh, zaś 92% predykcji mieściło się w przedziale +-20 zł/MWh.
Budowaliśmy zarówno bardzo proste, wielomianowe, regresyjne modele do wstępnego oszacowania cen lub godzin porannego i wieczornego piku cen energii, jak również trenowaliśmy neuronowe modele, których zadaniem było wzięcie pod uwagę wielu czynników.
Rozwinęliśmy algorytmy regresyjne, neuronowe oraz bazujące na równaniach do prognozowania produkcji energii ze źródeł odnawialnych. Wiarygodne prognozowanie produkcji energii z OZE powinno składać się z kilku elementów: kalibracji historycznych prognoz pogody dla danej lokalizacji względem rzeczywistych obserwacji (prognozy pogody zawierają bowiem nie tylko oczywisty błąd losowy, ale i systematyczny – systematyczny należy w pełni wyzerować). Drugim elementem modelu jest charakterystyka obiektu. Może być oparta o dane techniczne paneli PV lub turbiny wiatrowej. Lepiej, gdy jest wykreślona z chmury punktów pochodzących z systemu SCADA lub podobnego – daje się bowiem zaobserwować wpływ odcięcia na falownikach np. w wyniku działania strażnika mocy itp. Dla zainteresowanych spółek obrotu lub wytwórców kalibrujemy takie modele i dostarczamy prognoz każdego dnia rano.
dr inż. Bartosz Górecki – Założyciel QuickerSim
Telefon: +48 503 444 886
E-mail: b(kropka)gorecki(malpa)quickersim.com