Моделирование спотовых цен в постугольной энергосистеме, когда ценообразователями станут большие батареи

Наш анализ показывает, что цены на электроэнергию могут поддерживаться на сегодняшнем уровне на постугольном Национальном рынке электроэнергии (NEM) при нынешней структуре рынка, ориентированного только на энергию.

Но для этого необходима система, в которой солнечная энергия будет структурно поддерживаться, а батареи станут доминирующей технологией формирования цен. Альтернативно, большее количество газа могло бы выполнить ту же самую работу.

Мы проверяем это, моделируя 2040 календарный год, предполагая, что все угольные производства NEM (включая Квинсленд) вышли из системы.

Оптимизатор используется в сочетании с получасовым механизмом диспетчеризации спотовых цен ITK для определения самого дешевого сочетания мощности солнечной энергии, наземных ветроэнергетических установок и аккумуляторных батарей (моделируется 2-часовая и 8-часовая продолжительность), при условии, что эти технологии приносят прибыль на капитал, а средневзвешенная по объему цена на электроэнергию остается ниже определенного потолка.

Оптимизированное сочетание мощностей

Предположения о капитальных затратах взяты из последнего проекта GenCost CSIRO. Более подробная информация включена в методы.

Отчасти из-за продолжающегося снижения капитальных затрат на аккумуляторные системы хранения энергии (BESS), а также их гибкости диспетчеризации по сравнению с ветровыми, оптимизатор отдал предпочтение гораздо более интенсивному сочетанию солнечной энергии и BESS, чем сценарий поэтапного изменения ISP к 2024 году, предложенный Австралийским оператором энергетического рынка (AEMO).

В частности, мощность солнечной энергии в Квинсленде, Виктории и Южной Австралии была намного выше, чем у Step Change. Результаты оптимизатора также показали достаточный инвестиционный стимул для дополнительных мощностей по газу – мы предполагали мощности Step Change для среднеценного и гибкого газа, но это будет обсуждаться в будущих анализах.

В приведенных ниже диаграммах сравнивается наш оптимальный набор мощностей с Step Change.

Солнечная энергия требует внешней поддержки

Значительное развитие солнечной энергетики и BESS необходимо для поддержки отказа от угля к 2040 году и поддержания разумных цен для потребителей. Указанная потребность в значительно более высокой общей мощности переменных возобновляемых источников энергии (ПВИЭ) к 2040 году по сравнению с поэтапным изменением отражает характер двух анализов.

А именно, интернет-провайдер уделяет особое внимание надежности системы, но мы моделируем цены на электроэнергию с помощью оптимизации, которая требует, чтобы они были ниже разумного порога.

Солнечная энергия важна для системы, но в целом она не окупит себя только за счет доходов торговцев. В каждом сценарии, который мы тестировали, коммерческая солнечная энергия демонстрировала низкую рентабельность инвестиций (ROI).

Когда мы заставили оптимизатор достичь минимального уровня рентабельности инвестиций в солнечную энергию, это нарушило кое-что еще: либо цены на электроэнергию выросли за пределы разумного уровня, либо прибыль от ветроэнергетики и хранения энергии была съедена, чтобы компенсировать это. Это отражает тот факт, что ценность солнечной энергии становится все более системной, а не коммерческой.

Благодаря батареям и ветру внутридневные цены стали более стабильными после угля

Основываясь на текущем портфеле проектов ПВИЭ, политических знаниях, работе с промышленностью и моделировании, мы создаем базовый сценарий наращивания мощностей с 2026 года до оптимизированных мощностей к 2040 году. Затем мы используем нашу диспетчерскую систему для прогнозирования получасовой структуры генерации, потоков межсетевых соединений и цен на электроэнергию для этого горизонта.

Внутридневная кривая цен выравнивается по мере изменения ценообразования. Резкие утренние и вечерние скачки, образующие «утиную кривую», характерную для NEM, особенно за последние 3-4 года, сменяются более широкими ценовыми профилями с меньшей амплитудой, и экстремального дневного ценового обвала в значительной степени удается избежать.

Это отражает значительное увеличение мощности, доступной в вечернее время (ветряные и BESS), и существенную потребность в зарядке аккумуляторов в дневное время, которая поглощает излишки солнечной энергии.

На системном уровне совокупный уровень заряда аккумуляторов становится доминирующим фактором цен: высокий уровень заряда всего автопарка увеличивает готовность к отправке и снижает цены, в то время как более низкий уровень заряда (SoC) в периоды среднего и высокого спроса сокращает эффективное предложение.

Примеры такой взаимосвязи SoC и цены уже существуют, и это Статья WattClarity Аллан О’Нил приводит конкретный пример. Результатом является приглушенный традиционный вечерний пик, но цены остаются повышенными еще дольше до вечера, поскольку батареи постепенно разряжаются.

Механизм скачка цен во время ветровой засухи

Диаграмма ниже иллюстрирует общий механизм скачка цен в нашем NEM, смоделированном после добычи угля. Устойчивое снижение мощности ветра первоначально расширяет внутридневные спреды, стимулируя более высокую цикличность BESS.

Поскольку нехватка ветровой энергии сохраняется, глубинные хранилища и насосные гидроэлектростанции постепенно выводятся из эксплуатации, а совокупный парк аккумуляторов существенно истощается. Как только запасенная энергия исчерпана, предельная цена устанавливается за счет пикового и резервного газа, что приводит к резким скачкам цен, вызванным дефицитом.

Цены становятся более сезонными

В периоды низкого спроса со стороны населения и сильной ветровой активности цены остаются стабильно низкими на протяженных участках. Большая часть волатильности и высоких цен приходится на зиму, когда спрос в жилом секторе растет, выработка солнечной энергии падает, а периоды ослабления регионального ветра оказывают большее давление на диспетчерские поставки, гораздо чаще активируя резервный газ, насосные гидроэлектростанции и другие глубокие хранилища.

Ценообразование в условиях дефицита в контексте: частые низкие цены, эпизодические экстремумы.

На рисунке 6 смоделированные результаты изменения цен на уголь представлены в контексте путем разложения средних цен на вклады из разных ценовых диапазонов, а также результаты 2024 года и последних двенадцати месяцев.

Хотя на диапазоны низких и средних цен по-прежнему приходится большая часть средней цены, результаты также показывают, что на цены после добычи угля сильно влияют явления дефицита, особенно в периоды устойчивой слабой ветровой мощности.

Эти интервалы с более высокими ценами играют существенную роль в установлении средних цен, но не доминируют над ними, даже в более зависимой от погоды системе с большим количеством ПВИЭ. Это создает контекст, согласно которому ценовые результаты, подразумеваемые оптимизацией мощностей, отражают структурно иной рынок, но при этом остаются привязанными к частым периодам низких и средних цен, при этом средние цены в целом аналогичны сегодняшним уровням, несмотря на большую роль событий дефицита.

Подход к моделированию (необязательные технические подробности)

Диспетчерский двигатель

Цены на электроэнергию и результаты производства рассчитываются с использованием получасовой системы диспетчеризации и оптимизации мощности ITK, предназначенной для моделирования ценообразования в рамках существующей структуры рынка, ориентированной только на энергию, и ориентированной на высоковозобновляемые постугольные NEM.

В основе анализа цен лежит механизм получасовой диспетчеризации на основе линейного программирования.

Для каждого интервала генерация из солнечной, ветровой, накопительной энергии (включая батареи с разной продолжительностью работы и насосные гидроэлектростанции, такие как Borumba и Snowy 2.0), традиционной гидроэнергетики, угля (в предпенсионные годы) и газа (средней эффективности и гибкого типа) представлена через наборы заявок для конкретных технологий и направляется для удовлетворения регионального спроса с учетом ограничений межсетевых соединений и выбранного набора сетевых ограничений.

Спотовые цены выводятся из предельных затрат на поставку дополнительной единицы энергии в каждом регионе, как это подразумевается в решении по оптимизации, и не обязательно привязаны к одному предельному генерирующему блоку.

Аккумуляторные батареи моделируются явно и рассматриваются как активный участник рынка, а не как пассивный ценополучатель. В большинстве публично документированных моделей долгосрочного планирования NEM батареи представлены как активы, принимающие цену, распределяемые посредством минимизации системных затрат.

Это упрощение было относительно благоприятным, когда уровень проникновения систем хранения данных был низким, но становится все более значимым по мере того, как аккумуляторы выходят на рынок и начинают формировать цены.

В нашей системе состояние заряда батареи отслеживается во времени, а объемы заряда и разряда определяются эндогенно с помощью собственной системы торгов, встроенной непосредственно в оптимизацию диспетчеризации.

Вместо того, чтобы предполагать, что батареи арбитражируют фиксированную цену или применять корректировки волатильности постфактум, мы явно моделируем поведение ставок на батареи. Предполагается, что операторы аккумуляторов будут действовать на основе информации, доступной в реальном мире, включая прогнозы погоды и спроса, а также наблюдаемые пакеты предложений от других участников, и соответствующим образом динамически размещать свои предложения по зарядке и разрядке с учетом физических ограничений энергии.

Таким образом, цены и волатильность возникают эндогенно в результате взаимодействия стратегических торгов, межвременных энергетических ограничений, сетевых условий и спроса, а не навязываются посредством калибровки. В результате поведение батареи существенно влияет как на внутридневную форму цен, так и на ценообразование на системном уровне.

Хотя этот анализ носит перспективный характер, система ценообразования широко применялась в исторических условиях и фьючерсных сценариях и предназначена для выявления доминирующих факторов формирования спотовых цен на рынке, ориентированном только на энергоносители.

Оптимизация структуры мощностей

Оптимизация мощности выполняется для целевого года после угольной системы (2040 г.) по паспортным мощностям солнечной энергии, береговой энергии ветра и аккумуляторных батарей продолжительностью 2 и 8 часов.

Чтобы отразить инвестиционный реализм, мы устанавливаем минимальные и верхние пределы рентабельности инвестиций для конкретных технологий: нижний предел сигнализирует о том, что доходность недостаточна для оправдания дальнейших инвестиций, а верхний предел указывает на то, что дополнительные мощности будут экономически привлекательными. Потолок также применяется к средневзвешенной по объему спотовой цене в рамках всего NEM в 2040 году. Нарушение любого из этих ограничений влечет за собой штраф в рамках оптимизации.

Каждое моделирование оценивается в течение 13 исторических базовых лет, при этом сообщаемые цены и доходы выражаются как средние значения по этим результатам, чтобы обеспечить устойчивость к межгодовой изменчивости ветровой и солнечной энергии. Затем оптимизатор ищет такое сочетание мощностей, которое минимизирует общую стоимость системы, при этом применяются дополнительные штрафы в случае нарушения вышеуказанных инвестиционных и ценовых ограничений.

Этот подход отличается от традиционных моделей планирования, ориентированных на надежность. Оптимизация не предназначена для удовлетворения предписанного стандарта надежности; вместо этого он решает вопросы сочетания мощностей, которые являются экономически жизнеспособными на рынке, основанном только на энергии, сохраняя при этом цены в разумном диапазоне для потребителей.

Упрощающие допущения сделаны намеренно: рынки FCAS не моделируются в явном виде, динамика обязательств по единицам абстрагируется, а тепловая электростанция – мы выделяем уголь, среднеценный газ и гибкий газ – представлена как гибкая резервная мощность для каждого региона, а не как отдельные единицы. Цель состоит в том, чтобы выявить доминирующие факторы ценообразования и инвестиционные стимулы в постугольной системе, а не воспроизводить все операционные детали.

Для этого анализа мы выбираем оптимизатор CMA-ES (стратегия эволюции адаптации ковариационной матрицы), поскольку проблема сочетания мощностей включает в себя множество взаимодействующих технологий и регионов, и каждая внутренняя оценка использует полное моделирование диспетчеризации нашей модели. Такая оптимизация не подходит для простых и надежных градиентов.

См. информацию о доходах продавцов по технологиям и регионам ниже.