w

Zarządzanie magazynem to współpraca zespołowa — rola optymalizatora

Zarządzanie magazynem energii to skomplikowany proces, który wymaga współpracy różnych podmiotów. W jego ramach funkcjonują cztery kluczowe jednostki:
Właściciel magazynu — zapewniający infrastrukturę i inwestujący w rozwój.
Spółka obrotu — odpowiedzialna za handel energią na rynkach hurtowych.
DUB (Dostawca Usług Bilansujących) — podmiot zajmujący się świadczeniem usług systemowych, które w obecnych realiach rynkowych mogą generować 2-3 razy większe zyski niż zwykły arbitraż na rynku energii.
Optymalizator — jednostka zajmująca się algorytmicznym zarządzaniem zleceniami handlowymi na Rynku Usług Systemowych i Arbitrażu Energii
W niniejszym artykule skupimy się na roli optymalizatora, który pełni kluczową funkcję w zarządzaniu magazynem, łącząc aspekty techniczne, ekonomiczne i operacyjne, aby osiągnąć najlepsze wyniki finansowe (o ponad 40% w porównaniu do optymalnego, ale stałego planu pracy).

 

Rola optymalizatora

Optymalizator to podmiot odpowiedzialny za efektywne zarządzanie magazynem energii poprzez inteligentne sterowanie jego pracą. Jego zadaniem jest maksymalizacja zysków poprzez:

  1. Optymalizację zleceń na Fixing 1 i Fixing 2 – czyli rynku dnia następnego, gdzie decyduje się, w jakich godzinach magazyn ma się ładować lub rozładowywać.
  2. Optymalizację zleceń na usługi systemowe – w tym obszarze mamy do czynienia z aukcjami, więc oferta może nie zostać przyjęta. (co też nie musi być rzeczą negatywną, bo właśnie poprzez zlecenie ceny, zapewniamy sobie minimalny przychód w tej godzinie)
  3. Reoptymalizację – podzieloną na dwa przypadki:
    • Wymuszona – gdy PSE aktywuje magazyn lub nie aktywuje go wbrew założeniom planowym, co wymaga dostosowania strategii poprzez dodatkowy handel energią na rynku intraday.
    • Ekonomiczna – gdy warunki rynkowe sprzyjają korekcie harmonogramu pracy magazynu, np. przesunięcie cyklu ładowania o 15 minut może generować dodatkowy zysk.

Dlaczego rola optymalizatora jest skomplikowana?

Rola optymalizatora nie jest łatwa, ponieważ wymaga uwzględnienia wielu czynników technicznych, ekonomicznych i rynkowych, a w dodatku musi być to wykonywane w każdym momencie w czasie.

Parametry techniczne magazynu

Optymalizator musi brać pod uwagę specyfikację techniczną magazynu, w tym:

  • Sprawność ładowania i rozładowania.
  • Minimalny czas aktywacji.
  • Maksymalną pojemność i moc netto.
  • Umowy gwarancyjne z producentem, które mogą ograniczać maksymalną liczbę cykli dziennie.
  • Ciągły monitoring stanu naładowania magazynu, aby unikać jego przeładowania lub nadmiernego rozładowania.

Ograniczenia spółek obrotu i DUB

Optymalizacja wymaga współpracy z podmiotami handlowymi, które mogą mieć własne ograniczenia operacyjne:

  • Jeśli spółka obrotu lub DUB nie mają automatycznych zleceń na rynku intraday, czas reakcji na zmiany rynkowe jest opóźniony.
  • Brak automatyzacji w składaniu ofert na usługi systemowe powoduje utratę elastyczności w reoptymalizacji, szczególnie jeśli spółka obrotu lub DUB, nie są w stanie handlować energią w nocy (z uwagi na brak pracy traderów)

Predykcja cen energii na kolejne dni

Decyzje podejmowane przez optymalizatora muszą uwzględniać prognozy cenowe.

  • Handel odbywa się na dobę do przodu, ale już dziś musimy zdecydować, w jakim stanie chcemy zakończyć dobę. To oznacza konieczność wybiegania o co najmniej jeden dzień w przyszłość, aby zapewnić najlepsze wyniki w kolejnej dobie.

Predykcja cen rezerwacji usług bilansujących

Rynek usług bilansujących jest bardziej złożony niż rynek energii:

  • Ceny rezerwacji w górę i dół są różne – w przeciwieństwie do ceny za energię.
  • Nie istnieje jedna usługa systemowa, czyli tu mamy FCR, aFRR i mFRRd
  • Te dodatkowe wymiary rynku wymagają szczegółowego modelowania i przewidywania różnych scenariuszy.

Działanie w czasie rzeczywistym

Optymalizator musi pracować w trybie rzeczywistym:

  • Algorytm stale monitoruje rynek i stan magazynu.
  • Rekalkuluje optymalne decyzje w odpowiedzi na zmiany.
  • Musi natychmiast reagować na aktywacje i lub brak założonej aktywacji przez PSE oraz na zmieniające się ceny intraday, by nie przeoczyć okazji.
  • Dodatkowo musi uwzględnić ewentualny Okres Przywołania na Rynku Mocy, jeśli magazyn wygrał aukcję, a PSE taki okres ogłosi.

Ilość danych przetwarzanych przez optymalizatora

Każdego dnia optymalizator analizuje ogromne ilości danych, w tym:

  • Ceny energii na rynku dnia następnego i intraday.
  • Aukcje na usługi systemowe i ich wyniki.
  • Stan naładowania magazynu oraz parametry techniczne.
  • Warunki pogodowe (istotne dla OZE, które wpływają na ceny energii).
  • Historyczne wzorce cenowe i predykcje przyszłych wartości.

Liczba możliwych scenariuszy, które musi rozważyć optymalizator, jest porównywalna z liczbą wszystkich możliwych partii szachów, co oznacza, że algorytm optymalizatora rozgrywa codziennie wszystkie możliwe partie szachów i musi wybrać tę najlepszą strategię na czasem nieprzewidywalnego przeciwnika jakim jest rynek.

Podsumowanie

Efektywne zarządzanie magazynem energii nie jest prostą sprawą i wymaga ścisłej współpracy wielu podmiotów i zaawansowanego podejścia do optymalizacji. Kluczową rolę odgrywa tutaj optymalizator, który łączy aspekty techniczne, ekonomiczne i rynkowe, podejmując decyzje w czasie rzeczywistym i maksymalizując zyski z różnych segmentów rynku energii.

Maciej Konieczka

CEO VESS, Ekspert ds. Analityki i Magazynowania Energii. Maciej Konieczka to doświadczony ekspert w sektorze energetycznym, specjalizujący się w wykorzystaniu analityki danych, sztucznej inteligencji oraz uczenia maszynowego (ML) do optymalizacji zarządzania energią. Jest założycielem i CEO VESS (Virtual Energy Storage Systems) – innowacyjnej firmy technologicznej, która opracowuje zaawansowane algorytmy do zarządzania magazynami energii, maksymalizując ich rentowność oraz efektywność operacyjną. Przed założeniem VESS pełnił funkcję Dyrektora Danych i Analityki w Veolia Energy Contracting Poland, gdzie odpowiadał za zarządzanie danymi, analitykę oraz modelowanie strategii optymalizacyjnych dla rynków energii i magazynów energii. Wcześniej pracował także w Grupie Kapitałowej PGE S.A., PKN Orlen oraz TRMEW Obrót (obecnie Respect Energy), gdzie rozwijał strategie oparte na analizie danych i wdrażał rozwiązania Data Science w handlu energią, analizach rynku mocy oraz prognozowaniu technicznym dla elektrowni. Jest wizytującym wykładowcą na Akademii Leona Koźmińskiego oraz doktorantem na Politechnice Warszawskiej, gdzie prowadzi badania nad zaawansowaną analityką danych i modelowaniem procesów w sektorze energetycznym. Posiada certyfikat DAMA CDMP w obszarze zarządzania danymi.