ترجمه فارسی عنوان مقاله

اعمال نظریه پرتفولیوی مدرن برای تخصیص دینامیک پرتفولیو یا سبد انرژی بازارهای برق

عنوان انگلیسی

Applying modern portfolio theory for a dynamic energy portfolio allocation in electricity markets

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
94509	2017	13 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Electric Power Systems Research, Volume 150, September 2017, Pages 11-23

فهرست مطالب ترجمه فارسی

چکیده

کلمات کلیدی

1.مقدمه

2- مدل‌های بهینه‌سازی پرتفولیوی ‌روز پیش رو

1-2- مدل معیار واریانس میانگین (MVC)

شکل 1: جبهه پربازده و ریسک.

2-2- مدل ارزش در معرض ریسک شرطی (CVaR)

3- روش پیش‌بینی GARCH

4- الگوریتم‌های تخصیص دارایی: مدل‌های MVC و CVaR

1-4- مرحله مشترک اولیه: وارد کردن مجموعه داده‌ها و اعمال یک مدل GARCH(p,q) برای پیش‌بینی قیمت‌های ‌روز پیش رو

2-4- پرتفولیوی ‌ریسک‌دار بهینه برای مدل MVC. معادله (5) را ببینید

1-2-4- تعیین وزن‌های بهینه پرتفولیوی ‌ریسک‌دار بهینه ‌روز پیش رو

2-2-4- تعیین تخصیص بهینه بین دارایی‌های بدون ریسک و ‌ریسک‌دار. معادله (6) را ببینید

شکل 2: نمودار گردشی الگوریتم MVC برای مسئله تخصیص دارایی پرتفولیو.

3-2-4- اعمال گام‌های 1 تا 3 به هر روز از ماه مورد توجه برای بدست آوردن تخصیص‌های بهینه y*(t)

3-4- پرتفولیوی ‌ریسک‌دار بهینه برای مدل CVaR

1-3-4- بدست آوردن پارامتر‌هایی برای حل مدل بهینه‌سازی CVaR

2-3-4- تعیین تخصیص بهینه بین دارایی‌هاری بدون ریسک و ‌ریسک‌دار. معادله (13) را ببینید

5- مطالعه موردی

شکل 3: نمودار گردشی الگوریتم CVaR برای مسئله تخصیص دارایی پرتفولیو.

جدول 1: تمام ترکیبات (موارد) ممکن برای قرارداد‌ها.

جدول 2: مقادیر میانگین کاروری و نسبت‌های تخصیص میانگین برای موارد 1 تا 7 و ریسک گریزی (A = 2, 3 and 4) مربوط به مدل MVC در آگوست سال 2003.

جدول 3: مقادیر میانگین کاروری و نسبت‌های تخصیص میانگین برای موارد 1 تا 7 مربوط به مدل CVaR در آگوست سال 2003.

شکل 4: تغییر روزانه درصد‌های پروتفولیوی اعمال شده در هر بازار – روش MVC (مورد 7 و ریسک گریزی A = 3).

شکل 5: تغییر روزانه درصد‌های پرتفولیوی اعمال شده در هر بازار – روش CVaR (مورد 7 و ریسک گریزی γ = 0.14).

شکل 6: ناپایداری شرطی روزانه بازار‌ها.

جدول 4: نسبت‌های تخصیص انرژی – مورد 7 (A = 4 برای مدل MVC و γ = 0.14 برای مدل CVaR)-آگوست 2003.

جدول 5: مقدار پرتفولیو اعمال شده در بازار نقدی برای موارد 1، 4 و 7 (31 روز از آگوست 2003).

6- نتیجه‌گیری‌ها

جدول 1. قیمت های پیش بینی شده – اول آگوست تا سی و یک آگوست – مدل گارش

جدول 2. ضرایب مدل گارش برای 27 آگوست ، 2003

ترجمه کلمات کلیدی

تئوری نمونه کارها، بازار برق واریانس متوسط، ارزش شرطی در معرض خطر،

کلمات کلیدی انگلیسی

Portfolio theory; Electricity market; Mean variance; Conditional Value at Risk;

ترجمه چکیده

در بازارهای برق قانون‌زدایی شده، یک شرکت تولید برق (Genco) باید توان تولیدی خود را بطور بهینه در میان بازارهای مختلف از جمله بازارهای نقدی، بازارهای محلی و بازارهای قرارداد دوجانبه تقسیم کند. نظریه پرتفولیوی مدرن (MPT) به یک شرکت Genco اجازه می‌دهد از طریق بیشینه سازی سود و کاهش ریسک به این هدف برسد. ترکیب MPT با یک ابزار مطلوب برای پیش‌بینی قیمت‌های انرژی، شرایط تغییر تخصیص بهینه پرتفولیوی را برای یک Genco حتی بصورت روزانه فراهم می‌کند. این مقاله دو مدل MPT را پیشنهاد می‌کند، یکی معیار واریانس میانگین (MVC) را اِعمال می‌کند و یکی ارزش در معرض ریسک مشروط (CVaR) را اِعمال می‌کند. مدل‌های MPT برای تنوع بخشیدن بهینه به پرتفولیوی انرژی خود با یک تکنیک پیش‌بینی واریانس ناهمگن مشروط رگرسیون تعمیم یافته (GARCH) برای یک Genco ترکیب می‌شوند. دو مدل به یک بازار برق PJM واقعی اعمال می‌شوند. این فرایند هم قابلیت‌های آن‌ها را ثابت می کند و هم به تصمیم‌ گیرندگان بعنوان یک ابزار کمکی برای تصمیم‌گیری کمک می کند.

ترجمه مقدمه

بازار‌های انرژی جدید قانون‌زدایی شده، باعث می‌شوند شرکت کنندگان با رقابت و ناپایداری بیشتری روبرو شوند، یعنی موقعیتی که هدف یک شرکت تولید برق (Genco) بحداکثر رساندن سود خودش و بطور همزمان بحداقل رساندن ریسک مربوطه است. در یک بازار برق، ریسک از عدم قطعیت بعلت فاکتور‌های مختلف از جمله ناپایداری قیمت، قطعی‌های واحد، تراکم انتقال و تغییرات تقاضا ناشی می‌شود. بطور خاص، ریسک نوسانات قیمت می‌تواند بعنوان یکی از مهم‌ترین ریسک‌ها در بازار‌های برق نقدی در نظر گرفته شود. بااین‌وجود، منابع دیگری از ریسک مانند تغییرات در تقاضا و تغییرات در تولید ادواری وجود دارند. این منابع دیگرِ ریسک می‌توانند قطعاً روی نوسانات قیمت تأثیر می‌گذارند که احتمالاً قیمت‌ها را ناپایدارتر می‌کند، و این رفتار بوسیله‌ی مدل GARCH که در این تحقیق بکار گرفته شده است، ثبت می‌شود. بمنظور مدیریت ریسک قیمت، شرکت کنندگان در بازار می‌توانند تکنیک‌های مدیریت ریسک را برای کنترل ریسک اعمال کنند و بطور همزمان سود‌هایشان را بحداکثر می‌رسانند، جایی که متنوع‌سازی یک روش مالی برای کنترل ریسک است. متنوع‌سازی در معامله انرژی یعنی اینکه برای بحداقل رساندن ریسک کل انرژی در میان بازار‌های مختلف معامله می‌شود. در این کار، تکنیک متنوع‌سازی اعمال شده، بهینه‌سازی پرتفولیوی انرژی نام دارد. روش‌های مدیریت ریسم مختلف در بازار‌های برق در گذشته بکار گرفته شد‌ه‌اند. کار‌های قبلی نشان داد‌ه‌اند که قرارداد‌های آتی منابعی را برای بحداقل رساندن ریسک قیمت‌های نقدی برای شرکت کنندگان بازار فراهم می‌کنند [1-4]. سودمندی استفاده از قرارد‌اد‌های آتی در بازار‌های برق و ارزیابی قرارداد‌های مختلف همچنین قبلاً بررسی شده است [5-11]. تحلیل تصمیم‌ و ‌شبیه‌سازی مونت کارلو برای یافتن ترکیب قرارداد بهینه بکار گرفته شد‌ه‌اند [12-15]. در میان مدل‌های موجود که به ریسک در بازار‌های برق می‌پردازند، بهینه‌سازی پرتفولیوی پیشنهادی یک Genco، بعلت نتایج اقتصادی آن یکی از مهم‌ترین مدل‌ها است. هنگام پیشنهاد قیمت، یک Genco تصمیم‌ می‌گیرد پرتفولیوی بهینه آن انرژی خودش را بفروشد، که معمولاً شامل بازار ‌روز پیش رو، بازار آتی و دیگر بازار‌ها است. از این نظر، دو تکنیک وجود دارد که توجهات زیادی را دریافت کرد‌ه‌اند: مدل‌های واریانس میانگین بر اساس پرتفولیوی مارکویتز، و مدل‌های CVaR. اختلاف اصلی بین آن‌ها، روشی است که آن‌ها ریسک را تعریف می‌کنند. مدل‌های واریانس میانگین ریسک را در تابع هدف جریمه می‌کند ، جایی که ‌اندازه‌گیری ریسک، واریانس سود است، و مدل‌های CVaR از تعریف ریسک خودشان بر اساس احتمال رسیدن به یک سود ‌مینیمم استفاده می‌کنند. تکنیک‌های دیگری بر اساس مقدار در معرض ریسک (VaR) وجود دارد که قبلاً در بازار‌های برق بکار گرفته شد‌ه‌اند [16-19]. بااین‌وجود، آن‌ها از خواص مشابه با CVaR بهره نمی‌برند از آنجایی که VaR برای مثال محدب و زیرجمعی نیست. مدل‌های MVC قبلی بر اساس واریانس میانگین، انرژی را بین بازار‌های نقدی و بازار‌های قرارداد در بازار‌های واقعی تخصیص داد‌ه‌اند. یک مثال می‌تواند در کار‌های لیو و وو یافت شود [20]، جایی که ‌مؤلفان از MPT برای تخصیص انرژی دارایی‌های ‌ریسک‌دار و ‌بدون ریسک در بازار PJM استفاده می‌کنند. پیش‌بینی‌های قیمت بر اساس مقادیر میانگین هستند و کوواریانس‌ها در میان بازار‌های نقدی مورد توجه قرار می‌گیرند. مدل‌های مشابه در کار‌های لیو و وو [21] و ماتوریا و ب‌هاکار [22] بررسی شده است. در کار‌های لیو و وو [23، محققان از VaR در بازار PJM استفاده می‌کنند. در کار‌های گولگوز و آتماکا [24]، یک مدل MVC مشابه برای بازار برق ترکیه با تکنولوژی‌های تولید مختلف استفاده می‌شود. یک مدل مرتبط و پیچیده‌تر بنام مدل MVS (چولگی واریانس میانگین) [25] از گشتاور مرتبه سوم منفعت (چولگی) برای اعمال آن به بازار PJM استفاده می‌کند، در بازار PJM همچنین جبهه پارتو ایجاد می‌شود. با در نظر گرفتن مدل‌های CVaR، وانگ و همکاران [26] هم از VaR و هم CVaR در یک مثال نمونه با چهار بازار استفاده می‌کنند: قرارداد نقدی، ‌روز پیش رو، ماهیانه و سالانه. سان و همکاران [27] از یک مدل CVaR برای بهینه‌سازی پرتفولیوی یک Genco در نوردپول استفاده کردند. لورکا و پلینا [28] یک مثال پرتفولیوی کاملتر را برای میان مدت با استفاده از درخت‌های سناریو برای در نظر گرفتن عدم قطعیت‌ها در قیمت‌های نقدی تولید کردند جایی که قرارداد‌ها می‌توانند یا آتی یا CfD (قرارداد برای اختلافات) باشند. دیگر تکنیک‌ها از بهینه‌سازی نیرومند در ترکیب با VaR بعنوان یک معیار ریسک [29] برای پیشنهاد قیمت مزارع بادی و دستگاه‌های ذخیره‌سازی در یک بازار برق استفاده کرد‌ه‌اند. اگرچه تغییرات قیمت تغییرات قابل توجهی را در عملکرد پیشنهاد قیمت Genco‌ها تولید می‌کند، هیچ کدام از مدل‌های MPT ارائه شده یعنی MVC و CVaR، از یک روش دقیق برای تعیین قیمت‌ها بر اساس داده‌های قبلی استفاده نکرد‌ه‌اند. برای در نظر گرفتن این مورد، مدل‌های سری زمانی جایی که ناپایداری قیمت در یک ساخت مشخص به ناپایداری‌های ساعات قبلی بستگی دارد، می‌توانند بکار گرفته شوند. متوان با استفاده از مدل‌های GARCH به این هدف رسید، جایی که ناپایداری‌های شرطی می‌توانند بر اساس مقادیر قبلی ناپایداری‌ها بدست آیند. ناپایداری‌های شرطی شده بوسیله‌ی مقادیر قبلی، اساس یک مدل پیشنهاد قیمت دینامیک واقعی هستند. تا جایی که ما می‌دانیم، این موضوع تا کنون مطالعه نشده است. با توجه به مطالب بالا، این مقاله به مسئله معامله یک Genco می‌پردازد که برای بحداکثر رساندن سود آن با در نظر گرفتن فاکتور‌های ریسک مربوطه یک روش معامله بهینه را ارائه می‌دهد. ما روش‌های MPT [30، 31] را با در نظر گرفتن ریسک گریزی تصمیم‌ گیرندگان و همبستگی آماری میان نتایج مختلف اعمال می‌کنیم. علاوه‌براین، ما روش GARCH را برای پیش‌بینی قیمت‌های بازار برق ‌روز پیش رو اعمال می‌کنیم، که به یک Genco این امکان را می‌دهد پرتفولیوی خودش را هر روز تغییر دهد، که سود را بحداکثر می‌رساند و ریسک را کاهش می‌دهد. مقایسه دو روش MPT یعنی MVC و CVaR، که از GARCH برای پیش‌بینی قیمت‌ها استفاده می‌کنند، هدف اصلی این مقاله است. مطالب این مقاله به ترتیب زیر ارائه می‌شوند. بخش 2 دو روش MPT (MVC و CVaR) را توصیف می‌کند و روش GARCH بکار گرفته شده برای پیش‌بینی قیمت در بخش 3 ارائه می‌شود. بخش 4 الگوریتم‌های دارایی کل را با ترکیب کردن MPT‌ها و مدل‌سازی GARCH ارائه می‌دهد. بخش 5 نتایج عددی را با نشان دادن قابلیت کاربرد مدل‌ها در بازار PJM ارائه می‌دهد. نتیجه‌گیری‌های اصلی در بخش 6 ارائه می‌شوند.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

In deregulated electricity markets, a Generation Company (Genco) has to optimally allocate their energy among different markets including spot, local and bilateral contract markets. Modern portfolio theory (MPT) allows a Genco to achieve their goal by maximizing their profit and decreasing their associated risk. Combining MPT with an adequate tool to forecast energy prices makes it possible for a Genco to vary the optimal allocation of their portfolio even on a daily basis. This paper proposes two MPT models, one applying the Mean Variance Criterion (MVC) and the other one the Conditional Value at Risk (CVaR). The MPT models are combined with a generalized autoregressive conditional heteroskedastic (GARCH) prediction technique for a Genco to optimally diversify their energy portfolio. The two models are applied to a real PJM electricity market showing not only their capabilities but also useful comparisons between them in order to help decision makers to use them as decision-aid tools.