a knowledge company supporting your smarter decision · determinar precios spot en un mercado ......

Your Smarter Decision

[email protected]

Bogotá D.C., Lima, Madrid, México D.F.

A Knowledge Company Supporting

OPCHAINOPTIMIZING THE VALUE CHAIN

Para capitalizar toda su experiencia en proyectos de optimizaciónmatemática, DW ha creado la marca OPCHAIN por medio de la cual sereúne coherentemente todas las soluciones informáticas desarrolladas porDW, en diferentes aéreas de aplicación de las metodologías y tecnologíasde la denominada Investigación de Operaciones (Operations Research).

En 2016, OPCHAIN acumula experiencia de mas de cuarenta (40) añosresolviendo problemas de ingeniería y de negocios utilizando modelosde programación matemática. Acorde con los estándares de lastecnologías informáticas modernas, los modelos de OPCHAIN sontotalmente parametrizables, fáciles de personalizar para cada cliente, yse integran fácilmente con otras soluciones informáticas de lasorganizaciones.

OPCHAINOPTIMIZING THE VALUE CHAIN

EPE

Energy ProjectsEvaluation

La revolucionaria idea que define la frontera entre los tiempos modernos y el pasado es la maestría en el manejo del riesgo: la noción que el futuro es

más que un capricho de los dioses y que los hombres y las mujeres no son

pasivos ante la naturaleza.

La esencia de la gerencia del riesgo yace en maximizar las áreas donde

tenemos algún control sobre el resultado, mientras minimizamos las

áreas sobre las cuales no tenemos absolutamente ningún control y el

vínculo entre causa y efecto es deESOnocido.

Peter L. BernsteinAgainst the Gods

The Remarkable Story of Risk

Energy Evaluation Projects

El mercado de la energía está cambiando de forma acelerada:

redes inteligentes + generación distribuida + fuentes no convencionales

+ suministro de combustibles térmicos + interconexiones

+ equipos inteligentes+ almacenamiento de energía

+ respuesta de la demanda + …

Riesgo hidrológico determinante en el mercado eléctrico, lo que esmayor si se contempla la exposición a al riesgo del precio de loscombustibles

Marco legal y regulatorio ofrece nuevas posibilidades para laautogeneración, la cogeneración y para su mercadeo.

OPCHAIN-ESO-EPE corresponde a un conjunto de modelos matemáticosorientados a soportar de las decisiones de los diferentes agentes interesados eninvertir en proyectos de energía relacionados con la el mercado de electricidad y/odel gas.

Está integrado por los siguientes modelos:

o OPCHAIN-ESO-E&G: Despacho Integrado Electricidad – Gas orientado adeterminar precios spot en un mercado de electricidad y de gas, utilizandomodelos técnico-económicos que simulan el mercado eléctrico y/o el de GAS

o OPCHAIN-ETRM-GARCH-PSPOT: Proyección estadística de precios spotutilizando metodologías ARMAX-GARCH tomando como referencias serieshistóricas del precio spot.

• OPCHAIN-ESO-FIN: Generador de estados financieros corporativos y delnegocio de producción de energía.

OPCHAIN-ESO-EPEEnergy Evaluation Projects

SISTEMA

DE

INFORMACIÓN

OPCHAIN-E&G

0

20

40

60

80

100

120

140

160

180

200

01/07/2014 01/07/2016 01/07/2018 01/07/2020 01/07/2022

$/K

Wh

PRECIO SPOT

SISTEMA

DE

INFORMACIÓN

OPCHAIN-ESO-FIN

Series Sintéticas Despacho de Plantas

Series Sintéticas Precio Spot

DECISIONES DE INVERSIÓN

STOCHASTIC PROJECT EVALUATION

Series Sintéticas Ingresos/Egresos

Costo Esperado Vs. Rango Costo Esperado

-900000

-600000

-300000

0

300000

600000

-241107 -108007 -37911 -18412 7618 24330 29027 33527

C o sto

Esperado

($ )

R ango

($ )

RISK MANAGEMENTESTADOS FINANCIEROS

Medición del RiesgoVaR - CVaR


Estados FinancierosSimulados• Balance

• P Y G• Flujo Caja

CONCEPTUALIZACIÓN DEL PROCESO EPE

http://www.decisionware.net/documents/DW-OPTEX-Experience.pdf


OPCHAIN-E&GOPTIMIZING THE VALUE CHAIN

Electricity & Gas Energy Systems Optimization

OPCHAIN-E&G ha sido desarrollado para apoyar los procesosde toma de decisiones de los agentes que participan en dichosmercados.

OPCHAIN-E&G está integrado por un conjunto de modelosde optimización que describen el proceso de oferta deelectricidad y de demanda de gas; desde este punto de vistadetermina el punto de equilibrio electricidad-gas bajocondiciones de eficiencia económica.

OPCHAIN-E&G ARQUITECTURA

INPUTS: TOPOLOGÍA, PARÁMETROS TÉCNICO-ECONÓMICOS

OUTPUTS:VARIABLES PRIMALES (VARIABLES FÍSICAS)VARIABLES DUALES (VARIABLES ECONÓMICAS)

OPCHAIN-E&G

SISTEMA DE INFORMACIÓN

OPCHAIN-ELE OPCHAIN-GAS

MÓDULO HIDRÁULICO

MÓDULO ELÉCTRICO

MÓDULO GAS

CENTRALHIDRÁULICA

CIRCUITODEMANDA

~VE

VC

~

VERTIMIENTOEMBALSE

VERTIMIENTOCENTRAL

RIO

CONEXIÓN

EMBALSE

HAF

BARRADRGO

BARRA 5

BARRA 6

BARRA 2BARRA 1

TERMOELECTRICA

CENTRAL HIDRÁULICA

EMBALSE

PROYECTO INDUSTRIAL

INTERCONEXIÓNCOMERCIAL

DEMANDAVEGETATIVA

Multi Tecnología (Gas - Fuel Oil)

~

BARRA 3BARRA 4

BARRA 1

TERMOELÉCTRICA

EMBALSE

YACIMIENTO

REFINERÍAINDUSTRIA

NODO DEMANDAGAS-ELECTRICIDAD

NODO GAS 1

NODO GAS 2

NODO GAS 3

BARRA 2

~

CENTRAL HIDRÁULICA

MÓDULOS DE OPCHAIN-E&G

http://www.google.com.co/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&docid=Yxpd23anmqTTwM&tbnid=BdoVcogOdgDvpM:&ved=0CAUQjRw&url=http://www.lamarihuana.com/noticias/chile-figura-como-el-tercer-pais-de-sudamerica-que-mas-consume-marihuana-despues-de-brasil-y-uruguay/&ei=bpdzUpHkLsS0kQeTiYGwBg&psig=AFQjCNFabuvKtrOQz_qcXXSXiuElWq5JkA&ust=1383393495844101

Criterios de Decisión (Funciones Objetivo):

• Valor Esperado

• Mean-Variance

• Maximo Arrepentimiento

• Value-at-Risk

• Valor esperado con Var restringido

Solución vía Optimización Estocástica No-Anticipativa:

• Integrada

• Técnicas de Partición y de DeESOmposición

• Teoría de Benders

• Relajación Lagrangeana

Optimización Paralela

OPTIMIZACIÓN ESTOCÁSTICA

• Ejemplos de Dimensiones de Incertidumbre:

o Demanda

o Parámetros Hidro-climáticos

o Demanda – Hidrología

o Precio Combustibles

o Plan de Expansión

o Costo de Infraestrutura

o …

MANEJO DE MÚLTIPLES DIMENSIONES DE INCERTIDUMBRE CONFIGURABLES POR EL USUARIO

DIMENSIONES DE INCERTIDUMBRE

Cargo por Confiabilidad: específicamente las asignaciones de las OEFs(Opciones de Energía Firme) de cada una de las plantas durante los periodosdel horizonte dado.

Contratos de Venta de Electricidad a Largo Plazo: Contratos bajo formasespecíficas para garantizar entrega a futuro de electricidad.

Contratos para Suministro y Transporte de Gas: contratos ‘take or pay”,u otro tipo de contrato estándar o bilateral, para suministro de gas a diferentesagentes del mercado.

ASPECTOS REGULATORIOS

IMPLEMENTACIÓN DE ASPECTOS ESPECÍFICOS DEL MERCADO DE ELECTRICIDAD EN CADA PAÍS.

(EJEMPLO COLOMBIA)

MODELO

DESPACHO

ECONOMICO-FÍSICO-

NIVELES DE ACTIVIDADDE LA INFRAESTRUCTURA

MODELO DE DESPACHOECONOMICO TRADICIONAL

ENERGÍAGENERADA

DESPACHO A MÍNIMO COSTO CON RESTRICCIONES DE MERCADO

MODELO

DESPACHO

ECONOMICO-FÍSICO-



ENERGÍAGENERADA

Minimizar f(x)

sujeto a

G(x) = b

x R

x variables de despacho


MODELO

DEL

MERCADO

REGLAMENTADO


CANTIDADES TRANSADAS EN EL MERCADO


=

MODELO

DESPACHO

ECONOMICO-FÍSICO-


ENERGÍAGENERADA

ENERGÍANEGOCIADA

MODELO

DEL

MERCADO

REGLAMENTADO

MODELO

DESPACHO

ECONOMICO-FÍSICO-

Minimizar f(x,y)

sujeto a

G(x) = bd

F(x,y) = bm

x Rd

y Rm


y variables de mercado



MODELO

DEL

MERCADO

REGLAMENTADO

MODELO

DESPACHO

ECONOMICO-FÍSICO-

Minimizar f(x,y)

sujeto a

G(x) = bd

F(x,y) = bm

x Rd

y Rm


y variables de mercado

DESPACHO IDEAL

PRECIO DE LA ESCASEZ

CONTRATOS SUMINISTRO DE ELECTRICIDAD

CONTRATOS SUMINISTRO DE COMBUSTIBLE

CARGO POR CONFIABILIDAD

OPCIONES DE ENERGÍA FIRME

ARRANQUE/PARADA DE PLANTAS

MODELO

DEL

MERCADO

REGULADO


CANTIDADES TRANSADAS EN EL MERCADO


=

MODELO

DESPACHO

ECONOMICO-FÍSICO-


ENERGÍAGENERADA

ENERGÍANEGOCIADA

OPCHAIN-E&G-PSPOTOPTIMIZING THE VALUE CHAIN

Forecast of Long/Medium Term Spot Prices

En el proceso de proyección del precio spot es necesario para realizar los análisis financieros relacionadoscon : Inversión en activos del sector eléctrico; y/o Compra venta de electricidad y/o de gas.

En el proceso de proyección se debe tener en cuenta las diferencias entre un: Mercado Controlado Centralmente, que es despachado siguiendo los lineamientos de un modelo

matemático, que utiliza parámetros auditados de los aspectos técnico-económicos de los generadoresy, que determina las variables físicas (despacho de plantas) y las variables económicas (costosmarginales como un “proxy” de los precios de la electricidad), y un

Mercado libre, que es operado teniendo en cuenta las ofertas de precios realizadas por los agentesgeneradores, las cuales se derivan de las percepciones que cada uno de ellos tienen del estado delsistema.

En el primer caso el proceso a seguir es bien conocido: se simula el mercado con un modelo que seaapropiado para emular al proceso que seguirá el operador del mercado y a partir de los resultados dedicho modelo se estima el precio spot y se determina el despacho de plantas; normalmente la formacióndel precio spot se basa en una función de los costos marginales de la(s) restricción(es) de demanda delsistema.

En el caso de un mercado libre la situación es más compleja ya que la “ley” de formación de precios nosiempre puede explicarse con base en reglas matemáticas explícitas, claras y universales, como las queintegran un modelo matemático de despacho económico.

ESTUDIO DEL PRECIO SPOT

Adicionalmente, se debe tener la longitud del periodo que deben cubrir las proyecciones. En esteaspectos se debe tener en cuenta dos situaciones:

Largo/Mediano Plazo (del orden de los meses, de los años), en este caso la teoría indica que elmodelo a seguir debe ser del tipo tecno-económico que permita explicar el proceso de formación delprecio spot como consecuencia de multiples variables que afectan el sistema eléctrico durante todo elperiodo de proyección; y

Corto Plazo (del orden de los días, las semanas), en este caso la teoría indica que se puede utilizarun: Modelo tecno-económico que permita explicar el proceso de formación del precio spot con base

en el despacho de plantas y los costos asociados, ya sean oferta de los generadores, oparámetros técnico-económicos auditados), y/o un

Modelo de tipo estadístico soportados en metodologías de estudio de procesos estocásticos.

A continuación se presentan las alternativas presentadas.


SISTEMA

DE

INFORMACIÓN

OPCHAIN-E&G

0

20

40

60

80

100

120

140

160

180

200

01/07/2014 01/07/2016 01/07/2018 01/07/2020 01/07/2022

$/K

Wh

PRECIO SPOT

SISTEMA

DE

INFORMACIÓN

OPCHAIN-ESO-FIN







-900000

-600000

-300000

0

300000

600000

-241107 -108007 -37911 -18412 7618 24330 29027 33527

C o sto

Esperado

($ )

R ango

($ )






CONCEPTUALIZACIÓN DEL PROCESO EPE



PROYECCIÓN DE PRECIOS SPOTEN

MERCADOS DESPACHADOS POR UN MODELO

0

20

40

60

80

100

120

140

160

Fe

b/0

8

Ag

o/0

8

Fe

b/0

9

Ag

o/0

9

Fe

b/1

0

Ag

o/1

0

Fe

b/1

1

Ag

o/1

1

Fe

b/1

2

Ag

o/1

2

[US

D/M

Wh

]

COLOMBIA

ECUADOR

PANAMA

COSTOS MARGINALES PROMEDIO

PROYECCIÓN DE PRECIOS SPOTEN

MERCADOS DESPACHADOS POR LOS AGENTES

PRECIO SPOT Y COSTOS MARGINALES

0

50

100

150

200

COSTO MARGINAL (MAX,MIN,PROMEDIO) y PRECIO SPOT($/Kwh)

CMN_MED CMN_SUP CMN_INF PM_SPOT

0

20

40

60

80

100

120

140

160

180

200

01/07/2014 01/07/2016 01/07/2018 01/07/2020 01/07/2022

$/KW

h

PRECIO SPOT

“FORECAST” DEL PRECIO SPOT

Fuente: Estudio “DESEMPEÑO DEL MERCADO ELÉCTRICO COLOMBIANO EN ÉPOCAS DE NIÑO: LECCIONES DEL 2009-10” realizado por Fernando Barrera y Alfredo García para ACOLGEN


0

50

100

150

200

01/01/2009 01/01/2010 01/01/2011 01/01/2012 01/01/2013

P.Spot/P.Esc = f(ENOS,Embalses, Carbon, C, Marginal, P. Spot(t-1)/P.Esc(t-1))

Precio SPOT Pronostico SPOT

P-SPOT(t) = f (variables del SIN, variables del entorno)

P-SPOT(t) = f (hidrología, precios de combustibles, niveles de contratación, nivel del embalse agregada, …)

0

50

100

150

200

250

01/01/2008 01/01/2009 01/01/2010 01/01/2011 01/01/2012 01/01/2013

PROYECCION MODELOS

P_SPOT Proy_Modelo 1 Proy_Modelo 2 Proy_Modelo 3

Teniendo en cuenta los resultados obtenidos con varias versiones de modelos, OPCHAIN-E&G utiliza comomodelo “del precio spot”, la combinación bayesiana de varios modelos que representan diferentesregímenes y que por lo tanto tienen una mayor capacidad de reflejar las colas de la distribuciónprobabilística del precio spot. El enfoque se basa en la combinación de modelos especialmente calibradospara cada uno del estados en que se producen las colas, valores extremos, del precio spot, utilizando comopredictor del estado un modelo estadístico PROBIT.

ESTUDIOCOMPORTAMIENTO

HISTÓRICO

PRECIO-SPOT

OPCHAIN-E&G

0

50

100

150

200

250

01/01/2008 01/01/2009 01/01/2010 01/01/2011 01/01/2012 01/01/2013

PROYECCION MODELOS


FORECAST DE PRECIOS SPOT

SISTEMA

DE

INFORMACIÓN

Series Históricas de: Variables del SIN Variables del entorno

Ecuaciones Modelo Matemático Precio Spot P-SPOT(t) =

f (variables del SIN, variables del entorno)

Ecuaciones Modelo Matemático

Precio Spot

Parámetros Modelo MatemáticoPrecio Spot


ESTUDIOMACRO-ECONÓMICO

PROYECCIÓNPARÁMETROS

SIN - MEM

ECONÓMICOSDEMANDA

REVISIÓN

REGLAMENTACIÓN DEL

MERCADO

Ajustes Modelamiento SIN-MEM

REVISIÓN

ESTUDIOSENTIDADES

GUBERNAMENTALES

SISTEMA

DE

INFORMACIÓN


HISTÓRICO

PRECIO-SPOT

OPCHAIN-E&G



Series de Tiempo Sintéticas Demanda – Precios Energéticos

Series de Tiempo Sintéticas Aportes Hídricos – Índice ENOS

ESTUDIO HIDRO-CLIMÁTICO

ÍNDICE ENOSAPORTES HÍDRICOS

Oferta Energéticos BásicosExpansión Generación

Expansión Gas

0

20

40

60

80

100

120

140

160

180

200

01/07/2014 01/07/2016 01/07/2018 01/07/2020 01/07/2022

$/KW

h

PRECIO SPOT

Series de Tiempo Sintéticas Precio Spot

Series de Tiempo Sintéticas Variables Macroeconómicas



ESTUDIOMACRO-ECONÓMICO

PROYECCIÓNPARÁMETROS

SIN - MEM

ECONÓMICOSDEMANDA

REVISIÓN

REGLAMENTACIÓN DEL

MERCADO

Ajustes Modelamiento SIN-MEM

REVISIÓN

ESTUDIOSENTIDADES

GUBERNAMENTALES

SISTEMA

DE

INFORMACIÓN


HISTÓRICO

PRECIO-SPOT

OPCHAIN-E&G



Series de Tiempo Sintéticas Demanda – Precios Energéticos

Series de Tiempo Sintéticas Aportes Hídricos – Índice ENOS

ESTUDIO HIDRO-CLIMÁTICO

ÍNDICE ENOSAPORTES HÍDRICOS

Oferta Energéticos BásicosExpansión Generación

Expansión Gas

0

20

40

60

80

100

120

140

160

180

200

01/07/2014 01/07/2016 01/07/2018 01/07/2020 01/07/2022

$/KW

h

PRECIO SPOT

Series de Tiempo Sintéticas Precio Spot

0

50

100

150

200

250

01/01/2008 01/01/2009 01/01/2010 01/01/2011 01/01/2012 01/01/2013

PROYECCION MODELOS


Series de Tiempo Sintéticas Variables Macroeconómicas



SISTEMA

DE

INFORMACIÓN

OPCHAIN-E&G

0

20

40

60

80

100

120

140

160

180

200

01/07/2014 01/07/2016 01/07/2018 01/07/2020 01/07/2022

$/KW

h

PRECIO SPOT

USO DEL FORECAST DE PRECIOS SPOT

SISTEMA

DE

INFORMACIÓN

OPCHAIN-ETRM




-900000

-600000

-300000

0

300000

600000

-241107 -108007 -37911 -18412 7618 24330 29027 33527

C o sto

Esperado

($ )

R ango

($ )

DECISIONES DE PORTAFOLIO

ENERGY TRADING


RISK MANAGEMENT



SISTEMA

DE

INFORMACIÓN

OPCHAIN-E&G

0

20

40

60

80

100

120

140

160

180

200

01/07/2014 01/07/2016 01/07/2018 01/07/2020 01/07/2022

$/K

Wh

PRECIO SPOT

SISTEMA

DE

INFORMACIÓN

OPCHAIN-ESO-FIN







-900000

-600000

-300000

0

300000

600000

-241107 -108007 -37911 -18412 7618 24330 29027 33527

C o sto

Esperado

($ )

R ango

($ )









OPCHAIN-GARCH-PSPOTOPTIMIZING THE VALUE CHAIN

Forecast of Short Term Spot Prices

MODELO ESTADÍSTICO DE PREDICCIÓN DE PRECIOS SPOT

Input Serie de Datos.xls

Output Precio Spot.xls

Fuente Externa

Modelos de Optimización

Pronósticos eInformación de Modelos Modelo Estadístico

ARMAX-GARCH

PronósticosPrecios

Series de Tiempo

Serie de Preciospor hora

Para el análisis se utilizan los conceptos de modelos ARIMA (Autoregressive IntegratedMoving Average) y de los modelos GARCH (Generalized Autoregressive ConditionalHeteroskedasticity).

La lógica básica de los modelos ARIMA reside en identificar el tipo de proceso estocásticoque genera la serie de tiempo de una variable dinámica estacionaria sin recurrir a variablesexplicativas externas. Se parte de una formulación general: un modelo ARMA(p,q)(Autoregressive Moving Average) donde figuran tanto p rezagos de la variable estacionaria(componente autorregresivo) y q rezagos de sus errores estocásticos (componente depromedios móviles), matemáticamente se expresan como:

yt = a + Si=1,p i yt-i + Si=1,q i mt-i + mt

mt N(0,s2)

donde yt representa la variable endógena y los parámetros del modelo son a el valorpromedio, y i y i los coeficientes asociados a los rezagos de la variable en estudio y mt a laserie de errores.

MODELOS ARMAX-GARCH

Si existen patrones estacionales, el pronóstico tiene una mayor dificultad debido a que,además del patrón entre período y período, existe un patrón repetitivo más largo que ocurrecada s-ésimo período, en donde s es la longitud de la estacionalidad. Para la modelización deeste tipo de series surge el concepto de los modelos SARIMA (Seasonal AutoregressiveIntegrated Moving Average), que se definen como modelos ARIMA que además consideranel efecto de la estacionalidad. La expresión matemática de un modelo SARIMA(p,d,q) x(P,D,Q)s es la siguiente:

wt = Si=1,p i wt-i + Si=1,q i mt-i + Si=1,P i wt-i.s + Si=1,Q i mt-i.s + mt

mt N(0,s2)

En términos de operadores wt puede definirse como

wt=dsD(yt)

donde, yt es la serie observada, d es el operador diferencia regular de orden d, sD es el

operador diferencia estacional de orden D, i y i son los coeficientes asociados al polinomioautorregresivo de orden p (parte ordinaria) y P (parte estacional) de la serie,respectivamente, i y i son los coeficientes asociados al polinomio de medias móviles deorden q (parte ordinaria) y Q (parte estacional) de la serie, respectivamente, y mt a la serie deerrores

MODELOS ARMAX-GARCH

El modelo GARCH (Generalized Autoregressive Conditional Heteroskedasticity) surge de lamano de Robert Engle en 1982, y constituye el primer método formal para determinar unpatrón de comportamiento variable en el tiempo para la varianza. El planteamiento básicoreside en modelizar la varianza de una variable dependiente en función de los valorespasados de la propia variable y de las variables independientes (exógenas) que se incluyanen el modelo. Esta familia de modelos ha sido comúnmente utilizada para modelar seriestemporales de rendimientos de instrumentos financieros, divisas, tasas de interés y otrosactivos financieros similares.

Consideremos un modelo univariado para representar el rendimiento de un activo financierocon base en un sistema de dos ecuaciones que representen simultáneamente la evolución dela media de los rendimientos y su volatilidad, es decir:

yt = + mt

s2t = g + Si=1,p bi m

2t-i + Si=1,q j s

2t-j

mt N(0,s2t)

donde yt representa la variable de interés (el rendimiento o el precio para el caso financiero)en el período t y st el desvío estándar asociado a dicha variable. Los parámetros del modeloson el valor promedio, g la varianza mínima, los coeficientes bi asociados a los p rezagos deet definen la parte ARCH del modelo, en tanto que los coeficientes j asociados a los qrezagos de st definen la parte GARCH de la volatilidad. El anterior modelo se denominaGARCH(p,q).

MODELOS ARMAX-GARCH

La generalización de los modelos ARIMA y GARCH da origen a la familia de modelosARMAX-GARCH (Autoregresive Moving Average Model with Exogenous Variables andGeneralized Autoregressive Conditional Heteroskedasticity) que tienen la siguiente estructura:

yt = a + Si=1,p i yt-i + Si=1,q imt-i + Si=1,m k xt,k + mt

s2t = g + Si=1,p bi m

2t-i + Si=1,q j s

2t-j

mt N(0,s2t)

en la que se integran los modelos ARMAX con los GARCH.

MODELOS ARMAX-GARCH

OPCHAIN-GARCH-PSPOTOPTIMIZING THE VALUE CHAIN

Forecast of Short Term Spot Prices

CASO:MERCADO COLOMBIANO DE ELECTRICIDAD

SERIE PRECIOS SPOT EN PESOS COLOMBIANOS($/KWH)

HORA: 01H00JULIO-2008 A NOVIEMBRE-2008

Luego del análisis de las autocorrelaciones, se efectuó la calibración de modelos ARIMA (AutoregressiveIntegrated Moving Average) que tienen la siguiente estructura

wt = Si=1,p i wt-i + Si=1,q i mt-i + mt

mt N(0,s2)

Finalmente, mediante criterios estadísticos para la elección del modelo que mejor se ajusta a la serie, setrabajó con un ARIMA(3,1,2). Así se obtuvo el siguiente análisis de los coeficientes:

Serie Precios Spot en Pesos Colombianos ($/KWh)HORA: 01:00

Modelo: ARIMA(3,1,2)Periodo de Calibración: Jun08-Nov08

Coeficiente Valor Estimado Error Estándar

1 1.1098 0.2278

2 -0.2697 0.1455

3 0.0823 0.0962

1 -1.6127 0.2201

2 0.6127 0.2196

Según estos resultados, todos los coeficientes son estadísticamente significativos. La ecuación depredicción queda de la siguiente manera:

wt = 1.1098 wt-1 - 0.2697 wt-2 + 0.0823 wt-3 - 1.6127 mt-1 + 0.6127 mt-2 + mt

s2 = 155.3748mt N(0,s2)

GRAFICAS MODELOS CALIBRADOS PARA LAS HORAS: 01:00 – 12:00 Serie Precios Spot en Pesos Colombianos ($/KWh)

Periodo de Calibración: Jun08-Nov08


HORA: 01H00MODELO: ARIMA(3,1,2)

PERIODO DE CALIBRACIÓN: JUNIO-2008 A NOVIEMBRE-2008

Serie Ajustada

Serie Real




Serie Ajustada

Serie Real




Serie Ajustada

Serie Real




Serie Ajustada

Serie Real




Serie Ajustada

Serie Real




Serie Ajustada

Serie Real


HORA: 07H00

MODELO: SARIMA(2,1,1)(2,1,1)7.


Serie Ajustada

Serie Real


HORA: 08H00

MODELO: SARIMA(2,1,1)(2,1,1)7


Serie Ajustada

Serie Real


HORA: 09H00MODELO: SARIMA(2,1,1)(1,1,1)7.


Serie Ajustada

Serie Real


HORA: 10H00



Serie Ajustada

Serie Real


HORA: 11H00MODELO: SARIMA(1,1,2)(1,1,1)7.


Serie Ajustada

Serie Real


HORA: 12H00



Serie Ajustada

Serie Real

OPCHAIN-ESO-FINOPTIMIZING THE VALUE CHAIN

ENERGY SYSTEMS OPTIMIZATIONAND

FINANCIAL ANALYSIS

OPCHAIN-ESO-FINOPTIMIZING THE VALUE CHAIN

ENERGY SYSTEMS OPTIMIZATIONAND

FINANCIAL ANALYSIS

OPCHAIN-ESO-FIN corresponde a un modelo matemático financieroorientado a integrarse con los módulos de planificación del sistema ESO(Energy System Optimization):

OPCHAIN-EPE (Energy Project Evaluation)

SISTEMA

DE

INFORMACIÓN

OPCHAIN-E&G

0

20

40

60

80

100

120

140

160

180

200

01/07/2014 01/07/2016 01/07/2018 01/07/2020 01/07/2022

$/K

Wh

PRECIO SPOT


SISTEMA

DE

INFORMACIÓN

OPCHAIN-ESO-FIN







-900000

-600000

-300000

0

300000

600000

-241107 -108007 -37911 -18412 7618 24330 29027 33527

C o sto

Esperado

($ )

R ango

($ )








ENTRADAS

Variables Simuladas por E&G: Ingresos y Egresos Operacionales

Ingresos por Ventas Energía Largo Plazo Ingresos por Ventas Energía Spot Otros Ingresos Operacionales Otros Egresos Operacionales Costos Operacionales Costos de Mantenimiento

Datos Exógenos: Gastos Administrativos Otros Ingresos/Egresos Depreciación Gastos de Inversión Impuestos

Estado de Resultados (PyG) Indicadores

EBITDA EBIT

SALIDA

ERP

“ON-LINE”

OPCHAIN-ESO-FIN

OPCHAIN-ESO-FINPYG

PERDIDAS Y GANANCIAS

ENTRADAS

Variables Exógenas

Activos del Proyecto Otros activos corrientes/no corrientes Otros pasivos corrientes/no corrientes Otros Patrimonios Pago de Pasivos

Variables optimizables: Dividendos Repatriaciones de capital

• ESTADO DE SITUACIÓN FINANCIERA

• INDICADORES DE LIQUIDEZ Y SOLVENCIA:

• Razón Corriente• Capital de trabajo• Prueba ácida

SALIDA

ERP

“ON-LINE”

OPCHAIN-ESO-FIN

OPCHAIN-ESO-FINBALANCE

ENTRADAS

Flujos de efectivo netos procedentes de operaciones

Flujos de efectivo netos procedentes de actividades de inversión

Flujos de efectivo netos procedentes de actividades de financiación

Flujo de Efectivo

SALIDA

ERP

“ON-LINE”

OPCHAIN-ESO-FIN

OPCHAIN-ESO-FINFLUJO DE EFECTIVO

S&OPSimulación

Ventas & Operaciones

E&GDiseño Óptimo

Cadena Abastecimiento

PlanesExpansión

PLANIFICACIÓN ESTRATÉGICA

Ingresos - CostosOperaciónSimulados

INTEGRACIÓN INVERSIÓN – OPERACIONES - FINANZAS

PRESENTE

FUTURO

Costo Futuro Operación

Costo Presente Inversión

“DETERMINÍSTICO”

ALEATORIOEstados Financieros

Simulados• Balance


InversiónPrestamos

FINSimulación Financiera

La conexión de los modelos financieros con los modelos matemáticos de“ENERGY SYSTEMS” dan como mínima ganancia la generaciónautomática de estados financieros bajo las Normas Internacionales deInformación Financiera (NIIF) ya que reducen el tiempo y el esfuerzode los planificadores para realizar los informes financieros y su posterioranálisis de riesgos.

Los resultados a generar son: Estado de Resultados (pérdidas y ganancias), en función del gasto Flujo de efectivo, método indirecto Estado de la situación financiera (balance)

GENERACIÓN DE ESTADOS FINANCIEROS


Como mejora sustancial al proceso de toma de decisiones, la vinculación delmodelo financiero con los modelos de ESO: “Energy Systems Optimization”permite:

Optimizar: Manejo fiscal (dividendos, repatraciones de capital, pago/pre-pago de

pasivos, …) Estructura de capital Precios de transferencia

Realizar: Análisis de riesgos financiero corporativo

de forma tal de obtener decisiones “solidas” que protejan a la organización anteeventuales eventos inesperados.

OPTIMIZACIÓN DE DECISIONES FINANCIERAS


-40

0

40

80

120

160

200

240

01/01/2014 01/01/2015 01/01/2016 01/01/2017 01/01/2018 01/01/2019 01/01/2020 01/01/2021 01/01/2022 01/01/2023 01/01/2024

MU

SD

INGRESOS NETOS VENTAS LARGO PLAZO- ESCENARIOS DEMANDA-COMBUSTIBLES-HIDROLOGIA

0

10000000

20000000

30000000

40000000

50000000

60000000

70000000

01/07/2014 01/07/2016 01/07/2018 01/07/2020 01/07/2022

INGRESOS BRUTOS MEDIOS SPOT (MUSD)

AMOYA CALDERAS JAGUAS MIEL1 SANCARLO SOGAMOSO TERCENTR

0

20

40

60

80

100

120

140

160

180

01/01/2014 01/01/2016 01/01/2018 01/01/2020 01/01/2022 01/01/2024

FLUJO DE CAJA MERCADO SPOT(MUSD)

INGRESOS EGRESOS NETO.

0

20

40

60

80

100

120

140

160

180

200

01/01/2014 01/01/2016 01/01/2018 01/01/2020 01/01/2022 01/01/2024

FLUJO DE CAJA POLITICA DE MERCADO LARGO PLAZO ISAGEN(MUSD)

INGRESOS EGRESOS NETO.

FLUJO DE INGRESOS/EGRESOS OPERACIONALES – MERCADEO LARGO PLAZO (MUSD)

AÑO

INGRESOS (VENTAS) EGRESOS (COSTOS)

NETO SPOT RECONCILIACIÓN OEFS

LARGO

PLAZO TOTAL GAS SPOT AOM AGC F99 CERE CONX

ASIC

CND TOTAL

01/01/2014 72.61 0 12.46 38.82 123.89 42.83 1.17 1.15 2.52 16.25 9.91 0.18 74.02 49.88 01/02/2014 73.02 0 12.42 38.14 123.58 47.85 1.04 1.10 2.23 14.36 9.91 0.18 76.66 46.92 01/03/2014 87.44 0 12.56 38.74 138.74 53.10 1.14 1.27 2.44 15.75 9.91 0.18 83.78 54.96 01/04/2014 91.69 0 12.54 38.44 142.67 51.48 1.22 1.34 2.62 16.88 9.91 0.18 83.63 59.04 01/05/2014 82.53 0 12.57 49.03 144.13 59.00 1.22 1.26 2.63 16.96 9.91 0.18 91.16 52.97 01/06/2014 58.80 0 12.56 49.28 120.63 51.75 0.99 0.95 2.14 13.79 9.91 0.18 79.71 40.92 01/07/2014 66.86 0.003 12.57 49.34 128.76 4.67 52.78 1.02 0.39 14.96 14.96 9.91 0.18 98.86 29.90 01/08/2014 76.25 0.000 12.57 49.40 138.22 62.48 1.12 0.53 16.91 16.91 9.91 0.18 108.05 30.17 01/09/2014 75.13 0.005 12.57 47.85 135.55 64.96 1.22 0.62 18.57 18.57 9.91 0.18 114.02 21.53 01/10/2014 93.54 0.007 12.57 48.09 154.20 64.66 1.23 0.66 19.57 19.57 9.91 0.18 115.77 38.43 01/11/2014 83.96 0.033 12.57 47.66 144.16 60.28 1.22 0.61 19.60 19.60 9.91 0.18 111.40 32.75 01/12/2014 101.40 0.009 12.38 43.67 157.45 47.64 1.56 0.63 24.99 24.99 13.00 0.23 113.03 44.42 01/01/2015 98.72 0.000 12.56 42.73 154.01 45.85 1.48 0.62 23.72 23.72 13.00 0.23 108.63 45.39 01/02/2015 90.92 0 12.56 42.25 145.72 44.80 1.48 0.61 23.65 23.65 13.00 0.23 107.41 38.31 01/03/2015 105.13 0 12.56 42.73 160.42 46.81 1.65 0.70 26.41 26.41 13.00 0.23 115.21 45.21

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

01/02/2022 85.68 0 29.95 0.00 115.62 0.00 1.44 0.54 23.09 23.09 0.00 0.16 48.31 67.31 01/03/2022 104.16 0 32.26 0.00 136.43 0.00 1.76 0.64 28.19 28.19 0.00 0.16 58.95 77.48 01/04/2022 97.69 0 29.62 0.00 127.31 0.00 1.84 0.63 29.42 29.42 0.00 0.16 61.47 65.85 01/05/2022 91.66 0 31.20 0.00 122.86 0.00 1.86 0.55 29.78 29.78 0.00 0.16 62.13 60.73 01/06/2022 85.97 0 30.64 0.00 116.61 0.00 1.69 0.50 27.12 27.12 0.00 0.16 56.59 60.03 01/07/2022 88.67 0 32.19 0.00 120.85 0.00 1.80 0.59 28.89 28.89 0.00 0.16 60.33 60.52 01/08/2022 94.53 0 32.61 0.00 127.14 0.00 1.78 0.66 28.51 28.51 0.00 0.16 59.62 67.52 01/09/2022 101.25 0 32.53 0.00 133.78 0.00 1.89 0.79 30.33 30.33 0.00 0.16 63.50 70.27 01/10/2022 116.71 0 33.47 0.00 150.19 0.00 1.90 0.81 30.38 30.38 0.00 0.16 63.63 86.56 01/11/2022 95.79 0 32.48 0.00 128.27 0.00 1.39 0.55 22.22 22.22 0.00 0.16 46.53 81.74 01/12/2022 80.22 0 32.52 0.00 112.74 0.00 1.14 0.40 18.19 18.19 0.00 0.15 38.07 74.67 01/01/2023 63.82 0 31.53 0.00 95.34 0.00 1.15 0.35 18.40 18.40 0.00 0.15 38.45 56.89 01/02/2023 63.65 0 30.01 0.00 93.66 0.00 1.32 0.41 21.12 21.12 0.00 0.15 44.11 49.55 01/03/2023 79.20 0 30.64 0.00 109.84 0.00 1.64 0.52 26.22 26.22 0.00 0.15 54.75 55.09 01/04/2023 74.74 0 30.19 0.00 104.93 0.00 1.73 0.47 27.72 27.72 0.00 0.15 57.79 47.14 01/05/2023 77.22 0 31.88 0.00 109.09 0.00 1.81 0.45 28.97 28.97 0.00 0.15 60.34 48.75 01/06/2023 77.76 0 31.04 0.00 108.80 0.00 1.55 0.40 24.88 24.88 0.00 0.15 51.86 56.94 01/07/2023 80.33 0 32.26 0.00 112.58 0.00 1.58 0.49 25.35 25.35 0.00 0.15 52.93 59.65 01/08/2023 88.32 0 33.03 0.00 121.35 0.00 1.58 0.60 25.32 25.32 0.00 0.15 52.97 68.37 01/09/2023 93.42 0 32.65 0.00 126.06 0.00 1.82 0.81 29.17 29.17 0.00 0.15 61.12 64.94 01/10/2023 110.17 0 33.34 0.00 143.50 0.00 1.70 0.77 27.18 27.18 0.00 0.15 56.99 86.51 01/11/2023 109.45 0 32.35 0.00 141.79 0.00 1.66 0.72 26.61 26.61 0.00 0.15 55.74 86.05 01/12/2023 103.02 0 32.99 0.00 136.01 0.00 1.47 0.60 23.54 23.54 0.00 0.14 49.29 86.72 01/01/2024 82.41 0 32.06 0.00 114.48 0.00 1.23 0.48 19.74 19.74 0.00 0.14 41.33 73.14 01/02/2024 78.41 0 28.94 0.00 107.35 0.00 1.31 0.49 21.00 21.00 0.00 0.14 43.94 63.41 01/03/2024 93.17 0 31.66 0.00 124.82 0.00 1.54 0.61 24.68 24.68 0.00 0.14 51.65 73.17 01/04/2024 97.27 0 31.38 0.00 128.65 0.00 1.70 0.65 27.23 27.23 0.00 0.14 56.94 71.71 01/05/2024 87.46 0 32.80 0.00 120.26 0.00 1.57 0.58 25.16 25.16 0.00 0.14 52.62 67.64 01/06/2024 82.29 0 31.69 0.00 113.97 0.00 1.53 0.58 24.45 24.45 0.00 0.14 51.15 62.83

TOTAL 11936 1.49 3298 1764 16999 4.67 2005 197 83 3064 3144 745 23 9270 7729

-50

0

50

100

150

200

250

01/01/2014 01/01/2016 01/01/2018 01/01/2020 01/01/2022 01/01/2024

MU

SD

INGRESO NETO - VENTAS A LARGO PLAZO

MEDIO MAX MIN DESV.EST

0.0000

0.2000

0.4000

0.6000

0.8000

1.0000

2000 4000 6000 8000 10000 12000 14000

Funcion Probabilidad Acumulada Ingresos TotalesPolitica Mercadeo: ISAGEN + DW (MUSD)

0.0000

0.2000

0.4000

0.6000

0.8000

1.0000

2000 4000 6000 8000 10000 12000 14000


ESCENARIOS HIDROLÓGICOS

INGRESO NETO (MUSD)

ESCENARIOS DEMANDA

INGRESO NETO (MUSD)

ESCENARIOS PRECIOS

COMBUSTIBLES

INGRESO NETO (MUSD)

81 8,142 DALT 8,893 CALT 12,811 82 7,853 DBAJ 7,085 CBAJ 3,514 86 7,962 DREF 7,978 CREF 7,632

MEDIA 7,986 MEDIA 7,986 MEDIA 7,986

0

50

100

150

200

250

01/01/2014 01/01/2016 01/01/2018 01/01/2020 01/01/2022 01/01/2024

MU

SD

INGRESO BRUTO PROMEDIO - ESCENARIO PRECIO COMBUSTIBLE ALTO

DALT - 81

DALT - 82

DALT - 86

DBAJ - 81

DBAJ - 82

DBAJ - 86

DREF - 81

DREF - 82

DREF - 86

-40

-20

0

20

40

60

80

01/01/2014 01/01/2016 01/01/2018 01/01/2020 01/01/2022 01/01/2024

MU

SD

INGRESO BRUTO PROMEDIO - ESCENARIO PRECIO COMBUSTIBLE BAJO

DALT - 81

DALT - 82

DALT - 86

DBAJ - 81

DBAJ - 82

DBAJ - 86

DREF - 81

DREF - 82

DREF - 86

-40

-20

0

20

40

60

80

100

120

140

160

01/01/2014 01/01/2016 01/01/2018 01/01/2020 01/01/2022 01/01/2024

MU

SD

INGRESO BRUTO PROMEDIO - ESCENARIO PRECIO COMBUSTIBLE MEDIO

DALT - 81

DALT - 82

DALT - 86

DBAJ - 81

DBAJ - 82

DBAJ - 86

DREF - 81

DREF - 82

DREF - 86

0.0

0.2

0.4

0.6

0.8

1.0

2000.00 4000.00 6000.00 8000.00 10000.00 12000.00 14000.00

Funcion Probabilidad Acumulada Ingresos TotalesPolitica Mercadeo: ISAGEN +DW - (MUSD)

BAJO

MEDIO

ALTO

0.0000

0.2000

0.4000

0.6000

0.8000

1.0000

2000 4000 6000 8000 10000 12000 14000


BAJO

Medio

ALTO

INGRESOS NETOS (MUSD) ESCENARIOS DE LOS COMBUSTIBLES

ESCENARIO ALTO MEDIO BAJO

11196 6593 2936 11423 6796 3050 11665 7020 3089 12632 7348 3360 12657 7568 3450 13028 7580 3786 14113 8476 3855 14211 8543 3920 14376 8761 4178

MEDIA 12811 7632 3514 MÁXIMO 14376 8761 4178

ALTO 11196 6593 2936 DESVIO ESTANDARD 1228 795 441

"the computer-based mathematical modeling is the greatest invention of all times"

Herbert SimonPremio Nobel en Economía (1978)

"for his pioneering research into the decision-making process within

economic organizations"

Your SmarterDecision

A Knowledge Company Supporting

www.decisionware.net

Bogotá D.C., Lima, Madrid, México D.F.

[email protected]

a knowledge company supporting your smarter decision · determinar precios spot en un mercado ......

Documents