Способы анализа прогнозной области развития электроэнергетики Текст научной статьи по специальности «Экономика и бизнес»

СПОСОБЫ АНАЛИЗА ПРОГНОЗНОЙ ОБЛАСТИ РАЗВИТИЯ ЭЛЕКТРОЭНЕРГЕТИКА

В статье предлагается методический подход к анализу и инструментарий для сужения прогнозной области, формируемой из множества сценариев внешних условий, требований к развитию энергетики и рациональных вариантов их удовлетворения. Он основан на оценке вероятности реализации прогнозируемых проектов, их рискованности для потенциальных инвесторов. На примере прогнозов ввода мощностей электростанций показано влияние величины приемлемого риска на границы прогнозной области.

Основная проблема повышения качества и значимости долгосрочных прогнозов -существенный рост неопределенности внешних и внутренних условий развития объекта прогнозирования. Очевидно, что чем протяженнее рассматриваемая перспектива, тем больше неопределенность условий развития энергетики и неоднозначность прогнозных оценок. Это подтверждается анализом прогнозов развития энергетики США и Европы на перспективу до 2030-2035 гг. [1]. Он убедительно демонстрирует увеличение интервала неопределенности с отдалением горизонта прогнозирования. Так, диапазон неопределенности (разброс значений в сценариях) потребностей в первичных топливно-энергетических ресурсах увеличивается с примерно 5-10% для временного интервала 5 лет, до 13-23% для 15 лет и до 22-38% - для 25 лет.

Принципиальные возможности снижения неопределенности обусловлены: объективными закономерностями и тенденциями; подчинением развития топливно-энергетического комплекса страны (ТЭК) требованиям экономики; взаимозависимостью функционирования формирующих его систем; корректирующим влиянием их развития и изменения стоимости энергоносителей на макроэкономические показатели (отрицательными обратными связями); а также инерционностью ТЭК, препятствующей быстрым изменениям в его структуре. Однако, реализация этих возможностей - серьезная методическая проблема.

В России значительные результаты в учете фактора неопределенности при прогнозных исследованиях систем энергетики были получены в 1970-1980 гг. (см., например, [2; 3]). Подводя итоги развития методологии долгосрочного прогнозирования энергетики в этот период, академик А. А. Макаров [4] заключил, что на данном этапе познания можно объективно определять только быстро расширяющийся во времени «конус» возможных стратегий развития энергетики, причем это удается сделать лишь для основных характеристик - общих масштабов и структуры производства и потребления энергоресурсов. Была отмечена необходимость привносить в долгосрочный прогноз четкие целевые установки, позволяющие выбирать из размытого «конуса» научно обоснованных возможностей приемлемый для практических целей узкий «пучок» траекторий, т.е. определенную стратегию развития энергетики.

В условиях растущей неопределенности развития экономики, большой вола-тильности цен на энергоносители, принципиальных изменений в технологиях количество вариантов, требующих анализа, растет. Поэтому сужение прогнозной области развития электроэнергетики и других систем энерго- и топливоснабжения

1 Статья подготовлена при финансовой поддержке Российского фонда фундаментальных исследований (проект № 16-06-00091 «Влияние рассматриваемой перспективы и роста неопределенности на выбор приемлемых методов решения задач долгосрочного прогнозирования ТЭК»).

остается важной и сложной методической проблемой. Она является составной частью проблемы принятия решений в условиях неопределенности.

Анализ и сужение прогнозной области показателей, характеризующих динамику развития электроэнергетики или других отраслевых систем, включает: определение ее границ; выделение инвариантов; оценку вероятности реализации вариантов (значений показателей), формирующих прогнозную область.

Формирование прогнозной области возможного развития рассматриваемой системы может происходить как путем анализа имеющихся прогнозов из разных источников (разных организаций), так и путем обобщения результатов многовариантных расчетов одной организации, использующей оригинальный методический инструментарий.

Для определения адекватных способов обеспечения спроса при возможном росте потребностей в электроэнергии в России и за рубежом широко используются оптимизационные модели (например, [5, 6]). Основными искомыми показателями в них являются: динамика величины и структуры ввода мощностей электростанций разного типа, объемы производства электроэнергии в разных регионах страны, межрегиональные перетоки энергии, объемы потребления топлива, требуемые капиталовложения. Эти модели детерминированные: неопределенность исходных данных (спроса на электроэнергию, цен на топливо, технико-экономических показателей электростанций) и их влияние на результирующие показатели учитывается посредством многовариантных расчетов. Обобщение этих результатов позволяет определить область возможной динамики прогнозируемых показателей.

С увеличением горизонта прогнозирования представление результатов прогноза в виде расширяющегося во времени «конуса неопределенности» становится более предпочтительным по сравнению с однозначной динамикой прогнозных показателей.

Из анализа имеющихся прогнозов легко выделить инварианты, т. е. стабильные, наиболее вероятные решения, устойчивые к изменению условий развития рассматриваемого объекта (системы). По существу, инварианты образуют нижнюю границу прогнозной области, если ее формировать из минимальных значений рассматриваемого показателя во многих вариантах. В прогнозных исследованиях электроэнергетики и ТЭК выделение инвариантов относится как к поиску устойчивых структур в топливно-энергетическом балансе, так и к определению минимально необходимого ввода новых мощностей в электроэнергетике и в топливной промышленности. Выделение инвариантных решений облегчает определение так называемых гарантированных стратегий развития [7].

Решения и объекты, попадающие лишь в некоторые из множества имеющихся вариантов (сценариев) формируют зону нестабильности прогнозной области. В эту зону, например, попадают новые электростанции, мощность которых выходит за пределы нижней границы конуса неопределенности. Чем больше значение этой мощности отличается от инвариантной, тем выше риски и ниже вероятность ввода станций данного типа с такой мощностью в рассматриваемый период. Верхнюю границу прогнозной области формируют мощности и объекты с максимальным риском.

Из данных приведенного в качестве иллюстрации рис. 1 видно, например, что минимальный (инвариантный) ввод атомных электростанций (АЭС) на территории России в 2015-2040 гг. равен 20 ГВт (среднегодовой ввод - около 0,8 ГВт). Их доля в общей структуре генерирующих мощностей к концу этого периода будет не меньше 14% (в 2015 г. - 11%), а минимальные среднегодовые темпы прироста за период составят около 1,5%. Очевидно, что среди прогнозов развития ТЭК России большую прогностическую ценность и большую вероятность реализации имеют сценарии Энергетической стратегии.

Установленная мощность, ГВт

(заштрихованная область включает прогнозы ЭС-2035 [8])

Источник: авторское обобщение известных прогнозов, разработанных в 2009-2014 гг.2

Способы анализа прогнозной области и качество его результатов во многом зависят от количества и обоснованности рассматриваемых вариантов развития. Но в любом случае нельзя обойтись без экспертных оценок.

Способы сужения прогнозной области. Одним из наиболее важных и широко используемых способов уменьшения неопределенности будущих условий и повышения качества долгосрочных прогнозов является привязка прогнозов ТЭК к сценариям развития экономики и конъюнктуры мировых энергетических рынков.

В международной практике прогнозных исследований энергетики прослеживается тенденция увеличения количества изучаемых сценариев. Например, в первых, ежегодно публикуемых с 1979 г. Министерством энергетики США, прогнозах рассматривались только три сценария и перспектива на 15 лет, а в настоящее время их количество иногда доходит до 30 при горизонте прогнозирования 25 лет.

Для оценки неопределенности приходится проводить многовариантные расчеты с анализом чувствительности решений к изменению исходных данных каждого сценария. При этом каждому сценарию соответствует своя прогнозная область. Следует отметить, что при использовании для этих расчетов обычных детерминированных оптимизационных моделей трудно учесть взаимозависимость (корреляцию), например, таких ключевых факторов, как спрос и цены на энергоносители.

2 Источники прогнозов, отраженных на рис. 1 :

Макаров А.А. Перспективы развития атомных электростанций до середины XXI века /А.А. Макаров, А.С. Макарова, А.А. Хоршев; ИНЭИ РАН. М, 2011. 210 с.

Министерство энергетики РФ. Агентство по прогнозированию балансов в электроэнергетике. Сценарные условия развития электроэнергетики на период до 2030 г. [Электронный ресурс] /Мин-во энергетики РФ; Агентство по прогнозированию балансов в электроэнергетике. Режим доступа: http://ranipool.ru/images/ data/gallery/1_8337_usloviya_elektroenergetiki_na_period_ do_2030_goda.pdf.

Министерство энергетики РФ. Генеральная схема размещения объектов электроэнергетики до 2020 г. с учетом перспективы до 2030 г. [Электронный ресурс] /Министерство энергетики РФ. Режим доступа: http://www.minenergo.gov.ru.

Министерство энергетики РФ. Энергетическая стратегия России на период до 2035. Основные положения [Электронныйресурс]/Министерство энергетики РФ. Режим доступа: http://www.energystrategy.ru/projects/docs/ OP ES-2035.doc.

Снижению неопределенности и повышению обоснованности прогнозов развития ТЭК также способствует: представление их как иерархически построенной системы; совершенствование методов моделирования и учета взаимосвязей энергетики и экономики на разных иерархических уровнях; уточнение в ходе итерационных расчетов требований, условий и ограничений каждого уровня.

Во всех известных системах моделей и модельно-информационных комплексах, используемых для прогнозных исследований ТЭК (например, [9; 10]), оптимизация развития электроэнергетики играет ключевую роль. Учет ее взаимосвязей с топливной промышленностью, энергетическими рынками, макроэкономикой позволяет в ходе итеративных расчетов по всем моделям уменьшить неопределенность численных значений ограничений и основных показателей, характеризующих условия и возможности развития электроэнергетики.

Представляется, что состав моделей и степень их агрегирования должны зависеть от рассматриваемой перспективы, принимая во внимание, что с увеличением горизонта прогнозирования, с одной стороны, растет неопределенность исходных данных, а с другой - снижается требуемая точность прогнозов. Такой подход к конструированию систем моделей описан в [1] и показан на рис. 2. Нужно отметить, что в прогнозах развития электроэнергетики на перспективу до 10-15 лет в схему расчетов приходится включать дополнительные модели, учитывающие особенности режимов работы электростанций, развитие системообразующих сетей и другие факторы.

Основные исходные данные

/ Л

Сценарий развития экономики. Конъюнктура мировых рынков, экспорт топлива, внутренний спрос на энергоносители, цены самофинансирования, НТП, потенциальные возможности развития топливных баз, атомной генерации, новых источников энергии

V У

Рис. 2. Система взаимосвязей между блоками (моделями), используемыми в ИСЭМ СО РАН для исследования вариантов долгосрочного развития ТЭК: 1 - ТЭК; 2 - электроэнергетика и другие отрасли ТЭК; 3 - конъюнктура региональных энергетических рынков (спрос и цены); 4 - барьеры и угрозы; 5 - энергетические компании;

6 - макроэкономика

Важное достоинство комплекса экономико-математических моделей для использования в прогнозных исследованиях энергетики - возможность корректировать задаваемые в каждой модели ограничения в ходе итерационных расчетов за счет реализации не только прямых, но и обратных связей между моделями. Осо-

Перспектива до 15-20 лет

Перспектива 20-30 лет

6 >-:

Фг

2

3

"И"

—I

! 4

1 хч---

АЛ 1 |

г 2 " _ ■ 1 ¡-.11

1 1 ¡«4-

1 1

3 __:

бую роль при этом играет включение в прогнозную схему моделей региональных энергетических рынков и учет в них ценовой эластичности спроса - влияния изменения стоимости энергоносителей на потребности в них.

При рассмотрении перспективы до 15-20 лет включение в схему прогнозных исследований блока энергетических компаний - потенциальных инвесторов -предполагает оценку инвестиционных рисков. Это позволяет уточнять задаваемые ограничения на возможный ввод новых мощностей при оптимизации развития электроэнергетики, учитывая возможную динамику цен и спроса на электроэнергию.

Анализ достаточно представительного набора вариантов (сценариев) развития электроэнергетики или других отраслевых систем ТЭК позволяет определить частоту попадания того или иного объекта со значением (мощностью) X в прогнозную область. По доле вариантов с данной или большей мощностью в общем числе рассматриваемых вариантов можно, в первом приближении оценить вероятность его (объекта) реализации. Чем меньше эта вероятность, тем выше инвестиционные риски.

Сами рассматриваемые варианты, как правило, получаются при условиях и сценариях, не одинаковых по достоверности. Если представляется возможность экспертно или другим способом придать веса этой сравнительной достоверности и нормировать их, то вероятность реализации в прогнозе рассматриваемого объекта со значениемX, равна:

у(?) = п- м- / п,

где п - общее количество вариантов; п - количество вариантов, в которых значение (мощность) рассматриваемого объекта не меньше X-; - сумма нормированных весов таких вариантов. Чем выше вероятность реализации данного объекта, тем меньше инвестиционные риски.

Предлагаемый подход ниже иллюстрируется на примере оценки вероятностей ввода мощностей парогазовых установок (ПГУ) в США. Анализировались 30 сценариев развития американской энергетики, опубликованных в 2013 г. [11]. Прогнозная область динамики ввода мощностей ПГУ в 2015-2040 гг. показана на рис. 3. Видно, что уже к 2025 г. разница между максимальным и минимальным значениями введенных за период мощностей превышает 100 ГВт.

Ввод мощностей (нарастающим итогом с 2012 г.), ГВт

300

250

100

Год

200

150

50

0

2015

Рис. 3. Прогнозируемая динамика ввода мощностей ПГУ в США при разных сценариях развития энергетики: ш базовый сценарий

Источник: данные [11].

Из имеющейся характеристики этих сценариев видна их неоднородность, неоднозначная достоверность и значимость. Поэтому естественно экспертно присвоить им разные веса. При этом «базовому сценарию» даны максимальные 10 баллов, а минимальную оценку (1-2 балла) получили маловероятные сценарии, разработанные только для оценки влияния на развитие электроэнергетики отдельных, маловероятных факторов (например, сценарий сохранения энергоэффективности на современном уровне).

Анализ прогнозной области, показанной на рис. 3, позволил определить ее вероятную верхнюю границу и оценить ее зависимость от сравнительной рискованности сценариев и вероятности их реализации (табл. 1).

Таблица 1

Вероятное значение верхней границы прогнозной области суммарного ввода мощности ПГУ в США, ГВт

Вероятность Период

2012-2020 гг. 2012-2030 гг. 2012-2040 гг.

70 13 50 90

50 18 65 118

40 25 75 150

30 28 90 175

10 38 125 210

Источник: Авторский анализ 30 сценариев развития энергетики США.

Следует отметить, что при вероятности реализации прогноза в 50% и таком же допустимом для инвесторов значении риска, расчетная верхняя граница прогнозной области развития ПГУ близка к динамике базового варианта, рис. 3. Вероятность же достижения к 2030 г. 130-140 МВт - менее 10%.

Поэтапное построение долгосрочного прогноза развития ТЭК и электроэнергетики в ходе итерационных расчетов сверху-вниз и снизу-вверх предусматривает последовательное разагрегирование и агрегирование моделей систем энергетики [12]. При этом на уровне отдельных регионов и электроэнергетических систем возрастает неопределенность исходной информации, поскольку помимо сценариев развития экономики страны и ТЭК приходится учитывать региональные особенности. Становится целесообразным использовать в прогнозных исследованиях наряду с оптимизацией метод статистических испытаний ( Монте-Карло) [13].

В ИСЭМ СО РАН этот метод реализован в модели и программном пакете МИСС-ЭЛ [14]. В них основные исходные данные задаются интервалами возможных значений с указанием характера распределения их вероятных значений внутри этих интервалов.

Множество расчетов (сотни испытаний методом Монте-Карло) позволяют определить количество (частоту) попаданий каждого типа электростанций (с определенной мощностью) в оптимальные для разных условий решения. Отношение этого показателя к общему количеству решений (испытаний) дает представление о вероятности реализации проектов отдельных станций.

Наиболее приемлемая структура новых электростанций в рассматриваемой энергосистеме определяется как средняя из всех испытаний или по одному из известных критериев принятия решений в условиях неопределенности. Для этого выбранного варианта рассчитывается вероятность (риски) ввода всех электростанций данного типа и разной мощности. Станции с неприемлемым для эксперта (инвестора) риском могут быть удалены из прогнозной области развития электроэнергетики, уменьшив тем самым ее размеры.

В табл. 2 в качестве иллюстрации приведен пример использования модели МИСС-ЭЛ для оценки инвестиционных рисков ввода мощностей электростанций в Европейской части РФ в прогнозируемых условиях в период 2020-2025 гг. [15].

Учитывались особенности шести выделенных в модели регионов: цены на топливо, ограничения на ввод отдельных типов электростанций, их технико-экономические показатели. При этом задаваемые интервалы неопределенности исходных данных составляли: по ценам на топливо: 10-15% для каждого региона; по приросту потребности в электроэнергии: 10%; по другим показателям: 5-15%. Рассматривались два варианта распределения вероятных значений всех этих показателей внутри задаваемых диапазонов: нормальное (близкое к средним) и равновероятное (интервальная неопределенность).

Таблица 2

Влияние неопределенности исходных данных на инвестиционные риски новых мощностей

Характер неопределенности Средние риски, %

электростанций всех станций наименее эффективных

мощностей

Газовые 4 16

Нормальное распределение Угольные 4,5 49

ВИЭ 10 38

Газовые 9 39

Интервальная неопределенность Угольные 12 69

ВИЭ 21 68

Источник: Авторский расчет одного из прогнозов развития электроэнергетики Европейской части РФ.

В заданных прогнозом условиях наиболее экономически эффективными и наименее рискованными оказались газовые электростанции (преимущественно ПГУ ТЭЦ). Их доля в суммарном вводе мощностей составила 53% при нормальном распределении и 51% при интервальной неопределенности, а средний риск вариантов их ввода изменяется от 4 до 9%. Доля угольных станций колеблется от 44 до 46% с увеличением среднего риска от 4,5 до 12%. Удельный вес электростанций на возобновляемых источниках энергии (ВИЭ) не превышает 3%, а среднее значение их риска в зависимости от характера неопределенности лежит в диапазоне 10-21%.

Если из каждой группы однотипных электростанций выделить наименее эффективные (8-10% от вводимых мощностей), то их инвестиционные риски могут оказаться значительно выше средних. Из данных таблицы видно, что при большой неоднозначности будущего, особенно при интервальной неопределенности исходных данных, рискованность капиталовложений в такие объекты может оказаться неприемлемой (особенно в группе угольных станций и ВИЭ).

* * *

Анализ прогнозной области развития энергетики предполагает выделение в ней инвариантных решений и зоны нестабильности (при разных условиях и критериях). Предлагаемый способ анализа этой зоны основан на оценке рискованности формирующих ее объектов. При этом значение риска определяется по частоте попадания этих объектов в совокупность рассматриваемых вариантов. Чем реже данный объект встречается в этих вариантах, тем выше инвестиционные риски. Необходимое для анализа большое количество испытаний при разной комбинации исходных данных можно получить, сочетая оптимизацию с методом Монте-Карло.

Очевидно, что выбор способов анализа прогнозной области и сужения ее размеров зависит от рассматриваемой перспективы, неопределенности исходной информации и важности результатов прогноза для принятия стратегических решений.

Литература

1. Кононов Ю.Д. Пути повышения обоснованности долгосрочных прогнозов развития ТЭК. Новосибирск: Наука, 2015. 147 с.

2. Макаров А.А., Мелентьев Л.А. Методы исследования и оптимизации энергетического хозяйства. Новосибирск: Наука, 1973. 274 с.

3. Фактор неопределенности при принятии оптимальных решений в больших системах энергетики. В 3 т. /Под ред. Л.С. Беляева, А.А. Макарова. Иркутск: СЭИ СО РАН СССР, 1974.

4. Макаров А.А. Методы и результаты прогнозирования развития энергетики России // Изв. РАН. Сер. Энергетика. 2010. № 4. С. 26-40.

5. Воропай Н.И., Труфанов В.В. Математическое моделирование развития электроэнергетических систем в современных условиях // Электричество. 2000. № 10. С. 6-12.

6. Zheng G., Linwei M., Pei L. и др. A Multi-Regional Modelling and Optimization Approach to China's Power Generation and Transmission Planning //Energy. 2016. № 116. Pp. 1348-1359.

7. ШевчукЛ.М., Лукьянов А.С., Кудрявцев А.А. Риск-анализ в задачах стратегического планирования для крупных энергетических компаний //Изв. РАН. Сер. Энергетика. 2000. № 2. С. 52-64.

8. Министерство энергетики РФ. Энергетическая стратегия России на период до 2035 года. Основные положения. Режим доступа: http://www.energystrategy.ru/projects/docs/OP_ES-2035.doc.

9. SCANER. Модельно-информационный комплекс /Под ред. А.А. Макарова. М.: ИНЭИ РАН. 2011. 72 с.

10. The National Energy Modeling System: An Overview [Электронный ресурс] // US Energy Information Administration. Режим доступа: http://www.eia.gov/oiaf/aeo/overview/

11. Annual Energy Outlook (2013) // US Energy Information Administration. Режим доступа: http://www.eia.gov/forecasts/aeo/

12. Кононов Д.Ю., Кононов Ю.Д. Рациональное агрегирование территории при долгосрочном прогнозировании цен на электроэнергию //Проблемы прогнозирования. 2016. № 6. С. 56-64.

13. Ермаков С.М. Метод Монте-Карло и смежные вопросы. М.: Наука, 1975. 472 с.

14. Кононов Ю.Д., Тыртышный В.Н. Оценка влияния неопределенности исходных данных на эффективность вариантов энерго- и топливоснабжения регионов в прогнозных исследованиях // Проблемы прогнозирования. 2013. № 1. С. 90-94.

15. Кононов Ю.Д., Кононов Д.Ю. Оценка инвестиционных рисков при выявлении стратегических угроз энергетической безопасности //Надежность и безопасность энергетики. 2016. № 2(33). С. 9-13.