Analisi delle Curve di offerta della Borsa del Mercato Elettrico

notizie dal CINECA
Analisi delle Curve di
offerta della Borsa del
Mercato Elettrico
di Lucia Passamonti*, Stefano Caruggi*, Roberta Turra, Giorgio Pedrazzi
*Autorità per l’Energia Elettrica e il Gas
In collaboration with the Italian Regulatory Authority for Electricity and Gas, CINECA
applied Data Mining methodologies to the analysis of the bidding curves of power producers on the Italian Electricity Market. Liberalization of the electricity sector and the creation of a an electronic marketplace have triggered numerous analyses of the degree of
competitiveness of the electricity market and development of tools for monitoring the
market. The proposed methodologies afford accurate assessment and efficient classification of the bidding curves by using a vectorial representation of the curves, cluster
analysis tools and classification models. Application of the models to different periods
of time and for different aggregations allows investigation of the behaviour of Market
Participants in terms of bidding strategies over time and from different points of view.
L’Autorità per l’energia elettrica e il gas
(AEEG), essendo investita di una specifica
funzione di controllo e di promozione della
concorrenza e dell’efficienza nell’offerta dei
servizi di pubblica utilità nel settore dell’energia elettrica, esercita una funzione continuativa di monitoraggio del mercato elettrico
all’ingrosso e del mercato per il servizio del
dispacciamento, in una prospettiva finalizzata
a controllare e valutare le dinamiche di formazione dei prezzi nel mercato, il grado di concorrenzialità del mercato, nonché l’efficacia
delle regole di funzionamento dei mercati.
Un simile controllo ha, tra l’altro, lo scopo di
consentire al regolatore di accertare se l’esistenza di anomalie nei prezzi siano attribuibili a situazioni contingenti, relative a indisponibilità di elementi di rete (vale a dire scarsità
di capacità di trasporto) o alla motivata indisponibilità di unità di produzione (vale a dire
scarsità di offerta), oppure a condotte strategiche volutamente poste in essere dagli operatori di mercato e finalizzate a sfruttare il loro
potere di mercato.
Analysis of the
Power Stock
Market Offer
Curves
Data l’importanza che questa funzione va
assumendo, soprattutto in un’ottica prospettica in un contesto di mercati liberalizzati, la
Direzione Strategie, Studi e Documentazione
dell’Autorità ha condotto uno studio per valutare le potenzialità di un approccio quantitativo di tipo statistico (la cluster analysis) per Esempio di curva d’offerta
25
notizie dal CINECA
Segmentazione della curva
d’offerta
studiare i comportamenti di offerta degli operatori nella borsa elettrica. Lo studio è stato
effettuato in collaborazione con CINECA, che
ha curato in particolare gli aspetti di metodologia statistica e di data mining e di implementazione delle procedure di analisi. In particolare viene proposto l’utilizzo di un metodo
per la rappresentazione vettoriale delle curve
di offerta che consente la loro classificazione
utilizzando tecniche di clustering. I risultati
della cluster analysis sono il punto di partenza
per creare modelli di classificazione delle
curve di offerta basati sugli alberi decisione.
La metodologia proposta è stata applicata in
due analisi specifiche sui dati relativi al
Mercato del Giorno Prima: la prima in cui si
raggruppano le curve orarie di offerta definite
a livello di operatore - date dall’aggregazione
delle offerte orarie presentate per i singoli
impianti - e la seconda, in cui si raggruppano
le curve di offerta orarie presentate sui singoli impianti. L’applicazione della cluster analysis consente di comprendere alcuni aspetti di
fondamentale importanza relativi al comportamento di offerta degli operatori che vendono
l’energia e relativi alla politica di offerta dei
singoli impianti di generazione.
Aspetti metodologici
La cluster analysis non può essere applicata
direttamente alle curve di offerta: le curve
sono, infatti, definite da un numero variabile
di punti a seconda del numero di offerte presentate. A scopo di confronto è necessario
ricondurle ad un numero omogeneo di punti
26
(dimensione del vettore di rappresentazione),
questa operazione viene detta segmentazione
e consiste nel dividere ciascuna curva in un
numero fisso di intervalli, o segmenti, di
uguale dimensione (lungo l’asse delle quantità) secondo una metodologia proposta da
Hao et al. (2004) [1].
I dati elementari necessari per l’analisi vengono estratti dal database del Mercato Elettrico e
contengono le informazioni relative alle offerte presentate dagli operatori, ai risultati del
mercato nel periodo di riferimento ed agli
impianti.
Le curve di offerta sono generate calcolando
le quantità cumulate per operatore (o per
impianto), data ed intervallo orario sulle offerte ordinate per prezzo crescente, in modo da
permettere la rappresentazione grafica tramite
una funzione a gradini.
Prezzi e quantità sono normalizzati: i primi
considerando il valore massimo di mercato
(pari a 500 /MWh) e i volumi considerando
la quantità cumulata totale offerta nello stesso
giorno e nella stessa ora da ciascun operatore
(punto massimo della curva d’offerta).Questa
normalizzazione implica che i valori delle
quantità non saranno più presi in considerazione e si confronteranno i prezzi a ciascun ventesimo della quantità offerta. Il prezzo di riferimento è il prezzo medio zonale annuale.
Le curve sono segmentate in 20 intervalli in
quanto questo valore consente un rappresentazione efficace delle curve originali [1]. Ogni
segmento rappresenta quindi un ventesimo
della quantità complessivamente offerta.
Come conseguenza di questa segmentazione,
curve generate da una singola offerta saranno
rappresentate da 20 valori, così come curve
generate da centinaia di offerte.
Per ogni segmento è calcolata l’area compresa
tra la curva d’offerta e la retta che rappresenta
il prezzo di riferimento. L’area costituisce infatti un indicatore del prezzo medio di segmento.
Considerare il prezzo medio annuale come
punto di riferimento per il calcolo delle aree
(piuttosto che il prezzo zero) ha il vantaggio di
consentire aree negative. Le aree negative
indicano che la curva d’offerta in quel segmento (per quel ventesimo della quantità
offerta) è sotto al prezzo medio annuale, oppure che interseca l’asse del prezzo medio
notizie dal CINECA
annuale ma l’area negativa è comunque più
ampia di quella positiva.
I valori di area così ottenuti costituiscono la
rappresentazione vettoriale della curva d’offerta e definiscono uno spazio omogeneo, a 20
dimensioni, dove è possibile calcolare le
distanze tra curve e quindi applicare le tecniche di clustering.
I valori di area sono integrati con altre informazioni che, pur non essendo necessarie per il
clustering, sono utili per l’interpretazione dei
risultati (meta-informazione).
Oltre alle informazioni identificative della
curva (operatore, data e ora) sono calcolate
come informazioni descrittive della curva:
• la quantità di energia complessivamente
offerta;
• la percentuale di quantità accettata;
• il numero di offerte presentate;
• il numero di gradini (differenziazione dei
prezzi);
• l’area complessiva della curva.
Come informazioni descrittive della sessione
di mercato (indipendenti dall’operatore):
• il numero di offerte inviate alla sessione;
• il fabbisogno (quantità complessivamente
scambiata, corrispondente alla somma
delle quantità accettate nella zona considerata);
• il prezzo di mercato (orario, zonale);
• il giorno della settimana;
• il tipo di giorno (feriale/festivo);
• la fascia oraria (in 3 intervalli: F1 peak / F2
mid-level / F3 off-peak);
• il mese.
Per l’analisi a livello di impianto, la meta-informazione comprende anche i dati descrittivi dell’impianto (capacità massima, tipologia d’impianto, tecnologia, operatore di riferimento).
Per quanto riguarda la cluster analysis in letteratura è stato proposto l’utilizzo di metodi
gerarchici come, ad esempio, il metodo di
Ward o il metodo Average linkage. Avendo
considerato negli studi effettuati un periodo di
tempo di un anno, pur limitando l’analisi alla
sola Macrozona Nord, si sono generate un
numero elevatissimo di curve di offerta.
Questo ha reso impossibile, dal punto di vista
computazionale, l’applicazione diretta dei
metodi gerarchici. Si applica quindi, preliminarmente, un metodo partitivo di clustering
(k-medie) generando 1000 cluster intermedi.
Il cluster gerarchico viene successivamente
eseguito su questi 1000 cluster. La scelta del
numero ottimale di cluster finali viene effettuata osservando l’andamento, al variare del
numero di cluster, degli indicatori di qualità
(pseudo F e pseudo t2).
I cluster ottenuti definiscono delle tipologie
di comportamento, interpretabili in termini di
strategie d’offerta, e costituiscono la base per
procedere alla creazione di un modello di
classificazione per consentire l’assegnazione
di nuove curve d’offerta alle tipologie di riferimento.
Curve d’offerta che sono state
raggruppate nel cluster 16
(confronto tra le curve originali
e la loro rappresentazione vettoriale)
Un esempio: analisi per
operatore
Il clustering delle offerte per operatore consente di comprendere la strategia tipica di
offerta dei bidders, eventualmente differenziata sulla base di alcune variabili fondamentali di mercato, in primis il livello di domanda
e il periodo temporale di riferimento (ora del
giorno, giorno della settimana, mese).
Questa analisi permette di identificare gli operatori aventi disponibilità di un parco impianti
“omogeneo” ai fini della presentazione delle
offerte in borsa. Con riferimento a questo
aspetto, occorre evidenziare che, in ragione
della modalità di implementazione della cluster analysis che è stata scelta in questo studio,
la quantità in termini assoluti offerta da parte
27
notizie dal CINECA
Rappresentazione grafica dei
centroidi dei clusters
28
di un operatore non è determinante nel definire i raggruppamenti. In questo modo, ai fini dei
raggruppamenti dei cluster per operatore risultano cruciali l’articolazione in gradini delle
curve di offerta e il livello di ciascun gradino.
I dati sono stati estratti dal database del
Mercato Elettrico a livello elementare: singole
offerte di vendita inviate al Mercato del
Giorno Prima da tutti gli operatori per le zone
Nord, Turbigo e Monfalcone, da gennaio a
dicembre 2006 (comprese le offerte a prezzo
zero). La scelta della macrozona Nord scaturisce sia dalla sua importanza relativa in termini di quota di volumi scambiati sul totale degli
scambi a livello di mercato elettrico, sia dalla
volontà di verificare l’effettivo grado di concorrenzialità nell’aggregazione geografica
considerata maggiormente competitiva.
La scelta di un periodo temporale pari ad un
anno deriva dalla necessità di avere una
quantità di dati in termini di offerte di vendita abbastanza ampia per definire dei comportamenti tipici di offerta, indipendentemente
da circostanze di mercato di natura contingente.
I dati estratti (6 milioni di offerte) sono stati
aggregati in 219.926 curve d’offerta, a livello
di operatore (e 2.798.367 a livello d’impianto). Tra queste, le 199.345 curve oggetto di
analisi (1.613.635 a livello d’impianto) sono
state selezionate escludendo gli operatori non
di mercato, escludendo, cioè, le offerte pre-
sentate a prezzo “vincolato”, come le offerte
degli impianti CIP6 e quelle relative a contratti bilaterali.
Si veda nell’immagine della pagina precedente la rappresentazione grafica delle curve che
compongono uno dei clusters ottenuti.
Per una rappresentazione d’insieme possono
essere utilizzati i grafici dei centroidi dei clusters (si veda l’immagine a fianco).
Ogni centroide può essere interpretato come
una “tipologia” di curva d’offerta, in quanto
sintetizza un insieme di curve in una curva
“tipica”. Dall’esame dei centroidi è quindi
possibile individuare le diverse strategie
messe in atto dagli operatori nel periodo e
nella zona considerati.
Per quanto riguarda l’analisi delle curve d’offerta a livello di operatore, la soluzione a 41
clusters ottenuta con il metodo dell’Average
Linkage mette in evidenza le curve “anomale”, mentre quella più sintetica (23 clusters)
ottenuta con il metodo di Ward mostra le
curve “tipiche”.
Questo studio ha consentito l’individuazione
di alcune strategie d’offerta (retta a prezzo
zero, retta inclinata, curva ad S, curva “piatta”), della loro rilevanza numerica (in termini
di n. di curve) ed economica (in termini di
quantità di energia presentata e accettata).
Per l’interpretazione dei risultati sono state
generate le tabelle di incrocio dei cluster (tipologie) con tutte le variabili della meta-informazione. Ciò consente di determinare le caratteristiche di ciascuna tipologia/strategia d’offerta individuata in termini di operatore, fascia
oraria, tecnologia d’impianto, …
Sono così stati individuati operatori che offrono energia a prezzo zero, lasciando che sia il
mercato a determinare il prezzo di vendita,
operatori che generano curve d’offerta inclinate più o meno uguali per ogni sessione /
fascia oraria, operatori che offrono grandi
quantità di energia ad un unico livello di prezzo (curva “piatta”) variabile da sessione a sessione (possibile indice di esercizio di potere di
mercato), operatori che generano curve ad “S”
con diversa distribuzione delle quantità in due
macro livelli di prezzo. In quest’ultimo caso è
notizie dal CINECA
diversa la posizione dello scalino da sessione
a sessione (fascia oraria e giorno).
Questa analisi permette inoltre di individuare
alcune curve anomale, che non rientrano nelle
precedenti categorie, e di monitorare nel
tempo i cambiamenti di strategia da parte degli
operatori (attraverso la classificazione automatica delle nuove curve d’offerta e il confronto
con le originali tipologie di appartenenza).
Conclusioni
Dalle diverse applicazioni finora effettuate si
possono trarre alcune conclusioni sulla bontà
della tecniche di data mining applicate alle
curve di offerta degli operatori. In particolare,
la metodologia:
• consente di sintetizzare e di rappresentare
graficamente le strategie di bidding degli
operatori, anche con riferimento ad estesi
periodi temporali, individuandone i profili
”tipici” di offerta rispetto ad una molteplicità di variabili (es: quantità offerta e
accettata, tipo di tecnologia, presenza degli
operatori, prezzo unico nazionale, caratteristiche temporali); ciò è particolarmente
interessante se si considerano gli enormi
volumi di dati elementari relativi alle transazioni sui mercati borsistici;
• permette di identificare i raggruppamenti
più strategici di offerte per impianto ai fini
della fissazione del prezzo di borsa e di
costruire indicatori che misurano la concentrazione delle offerte dei diversi operatori in tali raggruppamenti, fornendo informazioni aggiuntive rispetto a quelle
espresse da altri indicatori; ad esempio,
mentre l’Indice di Operatore Marginale
pubblicato dal GME misura in un certo
periodo di tempo la quota dei volumi su
cui l’operatore ha fissato il prezzo, questi
ulteriori indici potrebbero misurare l’intensità della condizione di marginalità
(non solo l’informazione dicotomica di
marginalità o non marginalità) con riferimento a qualsivoglia intervallo temporale;
• fornisce informazioni utili a valutare le
interazioni strategiche tra gli operatori;
• consente di evidenziare i cambiamenti
nelle strategie di offerta dei diversi operatori e di individuare eventuali anomalie nel
comportamento degli operatori stessi
rispetto ad un comportamento individuato
come “tipico” o precedente;
• è estremamente versatile potendo essere
utilizzata sia per arricchire l’analisi di
situazioni identificate come “critiche” sia
per costruire procedure e indicatori che
consentano di segnalare tempestivamente
la “criticità” di alcune situazioni. Occorre
evidenziare tuttavia che uno sviluppo in tal
senso richiederebbe un ulteriore approfondimento per passare dalla fase di ricerca
alla fase di messa a punto di strumenti operativi.
In prospettiva sarebbe interessante provare a
definire cluster differenziati in relazione a
variabili che consentano di raggruppare le ore,
come le fasce orarie. Infatti, sia nella formazione dei cluster per operatore sia nella formazione dei cluster per impianto, le fasce orarie si sono rivelate un’importante variabile
discriminatoria. La metodologia potrebbe
essere estesa all’analisi del mercato per il servizio di dispacciamento.
Per ulteriori informazioni:
[email protected]
doi:10.1388/notizie-62-07
La metodologia
permette di
identificare i
raggruppamenti
più strategici di
offerte per
impianto ai fini
della fissazione
del prezzo di
borsa e di
costruire
indicatori che
misurano la
concentrazione
delle offerte
dei diversi
operatori in tali
raggruppamenti,
fornendo
informazioni
aggiuntive
rispetto a quelle
espresse da altri
indicatori
Bibliografia
[1] Haol, Z. Jianhua, C. Zhenxiang, H Dongming, W. Weizhen, S. A Cluster Analysis of Power
Producer’s Bidding Using Average Electricity Price Difference-Integration Model, EEE
International Conference on Electricity Utility Deregulation, Restructuring and Power
Technologies (DRPT2004), Hong Kong, April 2004.
29