MODELLI e STRATEGIE PREVISIONALI della DOMANDA e del PREZZO a confronto

Programma

16 Ottobre

9.00 QUALI SONO LE VARIABILI CHE INCIDONO SULL’EFFICACIA DELLE PREVISIONI

 

Settore GAS

• Valutare gli effetti della riforma del Mercato del Bilanciamento

• Identificare e approfondire gli attuali rischi e trend del Mercato

- com’è strutturata la domanda e come si sta evolvendo

• Quali sono le esigenze di forecasting

• Che cosa serve sapere per la Previsione della Domanda

- le criticità legate al punto prelievo gas: che cosa si prospetta per le previsioni a fronte della telelettura dei contatori

- i profili standard

- quali sono le ripercussioni sui fornitori

• Cosa serve sapere per la Previsione del Prezzo

- valutare andamento e variabilità dei prezzi

- l’influenza delle formule di indicizzazione del prezzo del gas sul prezzo finale

 

11.30

 

Settore ELETTRICO

• I mercati dell’energia elettrica:

- Mercati a pronti (MGP, MA, MSD)

- Mercati a termine

• Gli impatti delle regole dell’Autorità sul forecasting nel settore elettrico

- Per il Lungo termine: Previsioni del carico di TERNA

- Per il Breve Termine: Previsione del carico di TERNA, previsione delle produzioni intermittenti (Terna, GSE, Produttori…)

- Le scelte per l’Italia a confronto con altri paesi Europei

• Scenari di Previsione della Domanda

- Approccio basato sulle intensità elettriche

- Approccio Bottom Up

- Scenari di sviluppo della domanda elettrica ed energetica per l’Italia – Scenario PRIMES 2016 Reference nuovi scenari verso gli obiettivi 20130

• Le variabili per le previsioni del prezzo a breve e medio termine

-Esempio di modello di previsione i previsione della domanda elettrica (breve-medio periodo)

• Relazione variabili meteorologiche e domanda elettrica

• Esempio di metodologia per la previsione a breve (giornaliera)

-Esempio di metodologia per la previsione mensile

 

Docenza a cura di
Alberto Gelmini
Project Manager – Ricerca Sistema Energetico
RSE

 

14.00

 

Forecasting delle Temperature e delle variabili meteo-climatiche a supporto della previsione della domanda

» Variabili meteo-climatiche e previsione della domanda: introduzione

» Impatto della variabilità meteoclimatica

» Impatto su Mercato del Gas e Mercato Elettrico

» Stato dell’arte della previsione

» Disponibilità e tipologia dei dati di osservazione e di previsione

» Variazione delle stime e delle metodologie in relazione alle finestre temporali

» Utilizzo dei dati di osservazione e di previsione meteo-climatica a supporto della domanda

 

Docenza a cura di

Raffaele Salerno

Ph.D. e Direttore Generale

Centro EPSON meteo

 

16.00

Variabili e tendenze Macro-Economiche in base a cui prevedere Domanda e Prezzo

 

Settore ELETTRICO

» I fattori causa del rischio prezzo

• l’evoluzione del sistema elettrico e la congiuntura economica

• l’effetto materia prima

• l’impatto delle Fonti Rinnovabili

• le politiche ambientali e i mercati esteri

• le reazioni dei player alle nuove condizioni del mercato

• gli effetti del “Market coupling” sul mercato italiano

» L’elaborazione di scenari previsionali con modelli di simulazione deterministici

» La previsione del prezzo all’ingrosso nel breve termine

 

Settore GAS

» I fattori rilevanti

• andamento economico e temperature

• domanda e import di energia elettrica

• piovosità e produzione idroelettrica

• crescita delle Fonti Rinnovabili

• il ruolo degli stoccaggi

• le relazioni tra prezzi dei combustibili

• i prezzi agli hub e le relazioni tra hub

» Il Target Model Europeo

» La previsione della domanda di breve e lungo periodo

• Modelli econometrici

» La previsione del prezzo

• Modelli econometrici e simulazioni deterministiche

 

 

17 ottobre

Previsione di domanda e prezzo di elettricità e gas per mezzo di modelli econometrici

» Modelli puramente regressivi

  • Le componenti delle serie storiche orarie e giornaliere
  • Metodi per approssimare le componenti stagionali (sinusoidi, splines)
  • Metodi di approssimazione del trend (splines)
  • Dipendenza non-lineare dalla temperatura (splines)
  • Applicazioni usando R

» Modelli di serie storiche classici

  • Processi stazionari vs. integrati
  • Autocorrelazioni e autocorrelogramma
  • Processi ARMA
  • Applicazioni usando R

» Modelli a componenti non osservabili (UCM)

  • La versione stocastica delle componenti deterministiche
  • La forma state-space
  • Porre gli UCM in forma state space
  • Inizializzazione delle componenti e dei parametri da stimare
  • Previsore, filtro e smoother
  • Individuazione e trattamento dei valori anomali
  • Applicazioni usando R

» Confronto tra modelli

  • Confronto in-sample e out-of-sample
  • Test di equivalenza predittiva
  • Applicazioni usando R

» Estensione non-lineari

  • Modelli per la volatilità
  • Modelli regime-swiching (Markov e threshold)
  • Applicazioni usando R

» Modelli multivariati

  • Componenti principali
  • Regressione a rango ridotto
  • Cointegrazione tra prezzo dell’elettricità e fuels
  • Applicazioni usando R

» Previsioni a lungo termine

  • Scenari
  • Metodo Monte Carlo

 

Docenza a cura di
Matteo Pelagatti
Professor of Economic and Business Statistics
Università degli Studi Milano-Bicocca

 

 

 

18 ottobre

 

Previsione di domanda e prezzo di elettricità e gas per mezzo di modelli di machine learning

» La creazione di features per la previsione di serie storiche di domanda e prezzo di elettricità e gas orarie e giornaliere.

» Distorsione vs. varianza e selezione del modello di ML

  • Overfitting
  • Cross-validation
  • Train set vs. test set

» Reti neurali

  • Single-layer perceptron
  • Multi-layer perceptron
  • Recurrent networks
  • Applicazioni usando R

» Support Vector Machines

  • Idea di base per la classificazione
  • Estensione al problema della regressione
  • Applicazioni usando R

» Alberi decisionali e foreste casuali

  • Alberi e loro problemi
  • Il bagging e le foreste casuali
  • Applicazioni usando R

» Esplorare i modelli ML

  • Importanza delle variabili
  • Relazione tra le variabili
  • Applicazioni usando R

 

Docenza a cura di
Matteo Pelagatti
Professor of Economic and Business Statistics
Università degli Studi Milano-Bicocca