Διαχείριση ενεργειακών πόρων & συστημάτων Πρακτικά συνεδρίου(isbn: )

Transcript

1 23 ο Εθνικό Συνέδριο Ελληνικής Εταιρείας Επιχειρησιακών Ερευνών Διαχείριση ενεργειακών πόρων & συστημάτων Πρακτικά συνεδρίου(isbn: ) Αθήνα, Σεπτεμβρίου 2012 Αίθουσα Πολυμέσων Κεντρικής Βιβλιοθήκης ΕΜΠ Διοργάνωση: Εργαστήριο Συστημάτων Αποφάσεων & Διοίκησης, ΕΜΠ Χορηγοί: 1

2 Πίνακας περιεχομένων 1. Οικονομοτεχνική ανάλυση και αξιολόγηση μονάδας παραγωγής βιοκαυσίμων από ανακυκλωμένα βρώσιμα έλαια Μ. Κορακάκη, Δ. Γεωργακέλλος Πειραματική εφαρμογή, αξιολόγηση και σύγκριση μεθόδων πρόβλεψης της οριακής τιμής συστήματος της ηλεκτρικής ενέργειας: Μελέτη στην ελληνική αγορά ενέργειας Ε. Μουνταλάς, Γ. Σπιθουράκης, Β. Ασημακόπουλος Design and implementation of BI infrastructure: The case of a DSS for monitoring the past, current and future pricing conditions in a countrywide FMCG market A. Zaras Finding the exact Pareto set in multiple objective integer programming problems using an improved version of the augmented epsilon constraint method G. Mavotas, K. Florios Ανάπτυξη προσχεδίου δράσης για την αειφόρο ενέργεια για το Δήμο Σικυωνίων Π. Μπουρτσάλας, Α. Παπαδοπούλου, Ι. Ψαρράς Αξιολόγηση εναλλακτικών συστημάτων παραγωγής βιοαιθανόλης με πρώτη ύλη λιγνοκυτταρινούχα βιομάζα και παραπροϊόντα Ε. Πέτρου, Κ. Παππής Τεχνικές γραμμικοποίησης μοντέλων μαθηματικού προγραμματισμού για την υποστήριξη αποφάσεων της αγοράς φυσικού αερίου Σ. Ανδρουλάκη, Χ. Δούκας, I. Ψαρράς Στρατηγικός σχεδιασμός και πολυκριτηριακή βελτιστοποίηση: Η περίπτωση της διαχείρισης και ενεργειακής αξιοποίησης αστικών στερεών απορριμμάτων σε περιφερειακό επίπεδο Γ. Μαυρωτάς, Χ. Κατσή, Ρ. Σκουλάξινου, Ν. Γάκης, Β. Κατσούρος, Ε. Γεωργοπούλου, Ν. Γκάργκουλας Διαστασιολόγηση υβριδικού συστήματος ενέργειας στον οικιακό τομέα χρησιμοποιώντας πολυκριτηριακή προσέγγιση Χ. Σμπιλίρης, Β. Δεδούσης Ακριβείς και ευρετικοί αλγόριθμοι μεικτού-ακέραιου διεπίπεδου προγραμματισμού για βέλτιστη υποβολή προσφορών σε αγορές ημερήσιου προγραμματισμού ηλεκτρικής ενέργειας Ε. Κωσταρέλου Γ. Κοζανίδης, Μελέτη της αξιοποίησης και της κατανομής των διατιθέμενων πόρων για την περίθαλψη των δημοσίων υπαλλήλων στην Ελλάδα Ν. Πόθος, Μ. Σκορδούλης, Μ. Χαλικιάς Πρόβλεψη ζήτησης φυσικού αερίου: Ανάλυση και μοντελοποίηση Ν. Μαυροειδής, Β. Ασημακόπουλος Αξιοποίηση της ανάλυσης αποδόμησης στην πολυκριτηριακή ιεράρχηση χωρών της ΕΕ με βάση τις ενεργειακές και περιβαλλοντικές τους επιδόσεις Δ. Κοπίδου, Δ. Διακουλάκη Η τριγωνική παραγοντοποίηση στον αναθεωρημένο αλγόριθμο Simplex Ν. Πλόσκας, Ν. Σαμαράς, Ι. Παπαθανασίου Παράλληλη υλοποίηση αλγορίθμου για το πρόβλημα της χωροθέτησης μονάδων παραγωγής Ν. Πλόσκας, Ι. Παπαθανασίου, Ν. Σαμαράς Πρόβλεψη Παραγωγής και Μακροπρόθεσμης Διείσδυσης των Ανανεώσιμων Πηγών Ενέργειας για τις Χώρες τις Ευρωπαϊκής Ένωσης Ν. Κολέρη, Β. Ασημακόπουλος Ενεργειακά βιώσιμες κοινότητες: Ένα μεθοδολογικό πλαίσιο για την υποστήριξη των τοπικών και περιφερειακών φορέων Ε. Μαρινάκης, Α. Παπαδοπούλου, Ι. Σίσκος, Ι. Ψαρράς. 92 2

3 18. Πρόγνωση του Μελλοντικού Μίγματος Παραγωγής Ηλεκτρισμού υπό Αβεβαιότητα του Ρυθμού Εκμάθησης και των Δικαιωμάτων Εκπομπής Αερίων του Θερμοκηπίου Αθανάσιος Ρεντιζέλας, Ηλίας Τατσιόπουλος Εφαρμογή πολυκριτηριακής μεθόδου για την επιλογή του βέλτιστου συστήματος οδικού φωτισμού Μαδιάς Ευάγγελος-Νικόλαος Εφαρμογή του μοντέλου των ασαφών γνωσιολογικών χαρτών (fuzzycognitive maps) για την ανάλυση κινδύνων σε έργα τεχνικής υποστήριξης μιας μοίρας πολεμικών αεροσκαφών Χ. Καυχίτσας, Β. Γερογιάννης, Β. Καζαντζή Γεωθερμικές εφαρμογές στην ισόρροπη ανάπτυξη του αγροτικού τομέα και πώς χρηματοδοτούνται Ι. Χοτζακιάνης Βελτιστοποίηση Αλγορίθμων Προσομοίωσης Για Μεγάλης Κλίμακας Ανεμογεννήτριες A. Alexiou, P. Vlamos Robust resource constrained project scheduling Έλενα Ρόκου, Κωνσταντίνος Κηρυττόπουλος Η ηλεκτρονική διακυβέρνηση στην Ευρώπη, Μια πολυκριτήρια αξιολόγηση Ελευθέριος Σίσκος, Δημήτριος Ασκούνης, Ιωάννης Ψαρράς Διαμόρφωση κανονισμού έργων ενεργειακής επιχείρησης προσανατολισμένου στις επιχειρησιακές διαδικασίες Ν. Παναγιώτου, Σ. Γκαγιαλή Μεθοδολογική προσέγγιση για τη συγκριτική αξιολόγηση οργανισμών τοπικής αυτοδιοίκησης με τη χρήση ισορροπημένης στοχοθεσίας και περιβάλλουσας ανάλυσης δεδομένων Η. Τατσιόπουλος, Σ. Πόνης, Σ. Γκαγιαλής, Γ. Παπαδόπουλος, Π. Βασιλακοπούλου Investigating the economic viability of electricity generation from intermittent renewable sources under a Virtual Power Plant management scheme in the absence of feed-in tariffs M. Kaninia, C. Papalucas Μελέτη της Αξιοπιστίας του Ευρωπαϊκού Συστήματος Εφοδιασμού Φυσικού Αερίου με τη Μέθοδο Monte Carlo M. Φλουρή, Χ. Κλαδούχου, Χ. Καρακώστα, Χ. Δούκας Decision making in energy market by implementation of Game Theory Tools Ν. Kakogiannis, G. Papavassilopoulos Αλγόριθμος βέλτιστης φόρτωσης εμπορευματοκιβωτίων σε σιδηροδρομικά οχήματα των ελληνικών σιδηροδρόμων E. Μπασέτας, Αθ. Μπαλλής Μεθοδολογία ανάπτυξης ΣΔΑΕ για αγροτικές περιοχές: Μελέτη περίπτωσης για το Δήμο Επιδαύρου Ε. Κομνηνού, Α. Παπαδοπούλου, Ι. Ψαρράς A shortest path algorithm for large unimodal and multimodal transportation networks in GIS environment Τ. Ballis, Ath. Ballis Το στοχαστικό πρόβλημα δρομολόγησης Ε.Χρυσοχόου, Α. Ζηλιασκόπουλος Συγκριτική Ανάλυση και Αξιολόγηση των Εργαλείων Πολιτικής Στήριξης Λ. Σταμέλου Αποτιμηση Του "Σκιωδους" Κοστους Των Ανανεωσιμων Πηγων Ενεργειας Σε Κεντρικα Οργανωμενες Αγορες Ηλεκτρικης Ενεργειας: Η Ελληνικη Περιπτωση Π. Ανδριανέσης, Γ. Λυμπερόπουλος.199 3

4 Οικονομοτεχνική Ανάλυση και Αξιολόγηση Μονάδας Παραγωγής Βιοκαυσίμων από Ανακυκλωμένα Βρώσιμα Έλαια Μαγδαληνή Κορακάκη Πανεπιστήμιο Πειραιώς/ Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων Καραολή & Δημητρίου 80, , Πειραιάς, Ελλάδα Δημήτριος Γεωργακέλλος Πανεπιστήμιο Πειραιώς/ Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων Καραολή & Δημητρίου 80, , Πειραιάς, Ελλάδα Περίληψη Στο παρόν άρθρο εξετάζεται η σκοπιμότητα ίδρυσης μονάδας παραγωγής βιοκαυσίμων από ανακύκλωση βρώσιμων ελαίων, πρακτική που εφαρμόζεται ήδη από αρκετές μονάδες παραγωγής βιοντίζελ, όπου η τροφοδοσία αυτών αποτελεί μίγμα παρθένων και φυτικών ελαίων και απόβλητων μαγειρικών. Η υπό εξέταση μονάδα αφορά στην αποκλειστική χρήση απόβλητων μαγειρικών ελαίων ως τροφοδοσία αυτής. Ταυτόχρονα, συγκρίνονται, βάσει χρηματοοικονομικής αξιολόγησης, δύο τεχνολογίες παραγωγής βιοντίζελ, για διαφορετικές τιμές πώλησης του τελικού προϊόντος. Οι μέθοδοι οι οποίες επιλέχθησαν είναι η αλκαλική μετεστεροποίηση, λόγω της διαδεδομένης χρήσης της ως μέθοδο παραγωγής βιοντίζελ και η υπερκρίσιμη μετεστεροποίηση λόγω της μη ευαισθησίας της μεθόδου στην υγρασία και τα ελεύθερα λιπαρά οξέα της τροφοδοσίας και συνεπώς η μη απαίτηση σταδίου προ επεξεργασίας. Σύμφωνα με τις μεθόδους χρηματοοικονομικής αξιολόγησης που εξετάστηκαν, η ελκυστικότητα του επενδυτικού σχεδίου επηρεάζεται από την τιμή πώλησης του προϊόντος, καθιστώντας το αποδεκτό σε όλο το εύρος των εξεταζόμενων τιμών για την αλκαλική μετεστεροποίηση ενώ για την υπερκρίσιμη μετεστεροποίηση κρίνεται ως αποδεκτό για εύρος τιμών 0,75 0,85 /lt. ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ Εναλλακτικά Καύσιμα, Βιοντίζελ, Απόβλητα Μαγειρικά Έλαια, Μετεστεροποίηση, Οικονομική Ανάλυση 1. ΕΙΣΑΓΩΓΗ Παγκοσμίως, παρατηρείται ολοένα αυξανόμενο ενδιαφέρον και ευαισθησία εκ μέρους των ανθρώπων αναφορικά με τα περιβαλλοντικά ζητήματα και τη διατήρηση των μη ανανεώσιμων φυσικών πόρων. Οι άνθρωποι στρέφονται προς τα προϊόντα εκείνα που ρυπαίνουν κατά το ελάχιστο το περιβάλλον και σε εκείνα που συμβάλλουν με κάποιο τρόπο στην προστασία του. Αδιαμφισβήτητα, τα βιοκαύσιμα έχουν κερδίσει το ενδιαφέρον των ανθρώπων εξαιτίας των πλεονεκτημάτων τους έναντι των ορυκτών καυσίμων, γεγονός που επιβεβαιώνεται από την επένδυση σημαντικών κεφαλαίων στην έρευνα και ανάπτυξη στον τομέα των βιοκαυσίμων και των «πράσινων μεταφορών» γενικότερα. Ωστόσο, είναι ζωτικής σημασίας η παραγωγή των βιοκαυσίμων να γίνει πάνω σε μια βιώσιμη βάση, με γνώμονα την προστασία του περιβάλλοντος, των φυσικών πόρων και της οικονομίας, καθιστώντας έτσι ολοένα σαφέστερη την ανάγκη για ένα βιώσιμο μέλλον. 2. ΤΟ ΒΙΟΝΤΙΖΕΛ ΣΤΗΝ ΕΛΛΗΝΙΚΗ ΑΓΟΡΑ Με την Κοινοτική Οδηγία 2003/30/ΕΚ καθίσταται υποχρεωτική η προαγωγή και βαθμιαία διείσδυση της χρήσης βιοκαυσίμων στην Ελλάδα, ως εναλλακτικών καυσίμων στις μεταφορές για τη μερική υποκατάσταση του ντίζελ και της βενζίνης με καύσιμα προερχόμενα από γεωργικές πηγές (βιοντίζελ, βιοαιθανόλη), με στόχο το 2% των καυσίμων κίνησης από το 2005 και το 5,75% από το 2010 να προέρχεται από ανανεώσιμες πηγές ενέργειας (Κοινοτική Οδηγία 2003/ 30/ ΕΚ). Στην Ελλάδα μέχρι σήμερα το βιοντίζελ θεωρείται το μοναδικό βιοκαύσιμο στον τομέα των μεταφορών καθώς η βιοαιθανόλη δεν χρησιμοποιείται, κυρίως λόγω εμποδίων τεχνικού είδους. (Papageorgiou, 2009). Η μελλοντική ζήτηση για βιοντίζελ στην ελληνική αγορά δύναται να επηρεαστεί από πολλούς παράγοντες ανάμεσα στους οποίους κυρίαρχη θέση έχουν οι πολιτικές της Ευρωπαϊκής Ένωσης που έχουν ήδη θέσει ως στόχο για το 2020 το 10% του συνόλου των καυσίμων για τις μεταφορές στις χώρες της να προέρχεται από βιοκαύσιμα, στόχος για τον οποίο η Ελλάδα έχει δεσμευτεί. Επιπλέον, η θέση της Ελλάδας για τα χρησιμοποιούμενα καύσιμα για τις μεταφορές θα διαδραματίσει σημαντικό ρόλο στην μελλοντική ζήτηση για βιοντίζελ, με την απελευθέρωση της πετρελαιοκίνησης να είναι ένας από τους σημαντικότερους παράγοντες που θα σκιαγραφήσουν την μελλοντική ζήτηση σε βιοντίζελ. Η πρόβλεψη της μελλοντικής ζήτησης σε πετρέλαιο κίνησης για την χρονική περίοδο 4

5 δίνεται στο σχήμα 1, όπως προέκυψε με χρήση του στατιστικού πακέτου MINITAB. Οι απαιτήσεις σε βιοντίζελ που παρουσιάζονται στο ίδιο σχήμα, προκύπτουν ως αποτέλεσμα της εκτιμώμενης κατανάλωσης πετρελαίου κίνησης για χρήση στις μεταφορές και του ποσοστού διείσδυσης του βιοντίζελ, με ετήσια αύξηση της τάξης του 7%, σύμφωνα με τους στόχους που έχει θέσει η Ελλάδα και προκειμένου να επιτευχθεί ο στόχος του 10% σε βιοκαύσιμα για τις μεταφορές μέχρι το Οι τιμές πώλησης αυτούσιου βιοντίζελ διαμορφώνονται από τα ελληνικά διυλιστήρια, καθώς αυτά αποτελούν τους πελάτες των παραγωγών βιοντίζελ, ύστερα από διαπραγμάτευση με καθέναν από τους παραγωγούς ξεχωριστά, λαμβάνοντας υπόψη το κόστος των πρώτων υλών και το συνεπακόλουθο κόστος παραγωγής. Η τιμή πώλησης του βιοντίζελ που διακινείται αυτή τη στιγμή στην ελληνική αγορά εμφανίζει εύρος μεταξύ 0,55 0,85 /lt. Σχήμα 1 Πρόβλεψη Εγχώριας Ζήτησης Πετρελαίου Κίνησης και Βιοντίζελ 3. ΑΠΟΒΛΗΤΑ ΜΑΓΕΙΡΙΚΑ ΕΛΑΙΑ Ως απόβλητα μαγειρικά έλαια νοούνται τα χρησιμοποιημένα έλαια που παράγονται καθημερινά από τις βιομηχανίες τροφίμων, τα εστιατόρια και τα νοικοκυριά και δεν είναι πλέον κατάλληλα για ανθρώπινη κατανάλωση (Groschen, 2002, Gui et al, 2008, Peiro et al, 2008). Οι ιδιότητες των απόβλητων μαγειρικών ελαίων δεν είναι αυστηρώς καθορισμένες καθώς αυτά συνήθως προέρχονται από ένα μίγμα ελαίων ή/ και ζωικών λιπών με διαφορετικά φυσικά και χημικά χαρακτηριστικά (Papageorgiou, 2009, Chherti et al, 2008, Oliveros et al, 2007). Επιπλέον, διαφορετικά έλαια χρησιμοποιούνται κάτω από ίδιες συνθήκες υψηλές και μεγάλης διάρκειας θερμοκρασίες τηγανίσματος που οδηγούν τελικά σε διαφορετικά χαρακτηριστικά (Papageorgiou, 2009). Στον πίνακα 1 συγκρίνονται οι ιδιότητες των απόβλητων μαγειρικών ελαίων, του βιοντίζελ από απόβλητα μαγειρικά έλαια και του εμπορικού καυσίμου ντίζελ (Demirbas, 2009). Η παραγωγή βιοντίζελ από ανακύκλωση βρώσιμων ελαίων θεωρείται ως ένας εμπορικός/ βιομηχανικός τρόπος επαναχρησιμοποίησης των απόβλητων μαγειρικών ελαίων (Tsaietal, 2005, Wangetal, 2006). Σχεδόν όλα τα τριγλυκερίδια, ακόμα και από χαμηλής ποιότητας πρώτες ύλες, μπορούν να μετατραπούν σε υψηλής ποιότητας καύσιμα βιοντίζελ, χωρίς σημαντική προ επεξεργασία (Deshpandeetal, 2009). Βιβλιογραφικά, έχουν καταγραφεί βαθμοί μετατροπής των απόβλητων μαγειρικών ελαίων σε βιοντίζελ της τάξης του 80 90%, ανάλογα με την ποιότητα των απόβλητων μαγειρικών ελαίων, τη διεργασία εξευγενισμού, την τεχνολογία και τις πρακτικές που χρησιμοποιούνται κατά τη διάρκεια της μετεστεροποίησης (Papageorgiou, 2009). Στην παρούσα μελέτη επιλέχθηκε η πιο συντηρητική εκτίμηση, δηλαδή βαθμός μετατροπής 80%, ώστε να μπορεί να καλυφθεί ακόμα και η χείριστη περίπτωση ως προς την ποιότητα της χρησιμοποιούμενης πρώτης ύλης. Πίνακας 2 Σύγκριση Ιδιοτήτων Απόβλητων Μαγειρικών Ελαίων, Βιοντίζελ από Απόβλητα Μαγειρικά Έλαια και Εμπορικό Καύσιμο Ντίζελ (Demirbas, 2009) Ιδιότητα Καυσίμου Απόβλητα Μαγειρικά Βιοντίζελ από Απόβλητα Εμπορικό Καύσιμο Έλαια Μαγειρικά Έλαια Ντίζελ Κινηματικό Ιξώδες (mm 2 /s, στους 40 ο C) 36,4 5,3 1,9 4,1 Πυκνότητα (kg/l, στους 15 ο C) 0,924 0,897 0,075 0,840 Σημείο Ανάφλεξης ( o C)

6 Σημείο Ροής ( o C) (-19) (-13) Αριθμός Κετανίου Περιεχόμενη Τέφρα (%) 0,006 0,004 0,008 0,010 Περιεχόμενο Θείο (%) 0,09 0,06 0,35 0,55 Ανθρακούχο Υπόλειμμα (%) 0,46 0,33 0,35 0,40 Περιεχόμενη Υγρασία (%) 0,42 0,04 0,02 0,05 Ελεύθερα Λιπαρά Οξέα (mg KOH/ g ελαίου) 1,32 0,10 - Δείκτης Σαπωνοποίησης 188,2 - - Ιώδιο 141, ΠΑΡΑΓΩΓΗ ΒΙΟΝΤΙΖΕΛ Στην παρούσα μελέτη, η ετήσια δυναμικότητα της μονάδας ανέρχεται σε χιλιόλιτρα βιοντίζελ/ έτος ενώ για το πρώτο έτος λειτουργίας της μονάδας η παραγωγή υπολογίζεται σε χιλιόλιτρα βιοντίζελ, υψηλής ποιότητας και σύμφωνο με τις προδιαγραφές του προτύπου ΕΝ Οι τρέχουσες διαθέσιμες τεχνικές για τη μετατροπή απόβλητων μαγειρικών ελαίων σε βιοντίζελ είναι οι: 1) όξινη μετεστεροποίηση, 2) αλκαλική μετεστεροποίηση, 3) ενζυμική καταλυτική μετατροπή, 4) μέθοδος υπερήχων και 5) υπερκρίσιμη μετεστεροποίηση (Demirbas, 2009, Fanetal, 2010, Guietal, 2008, Kasteren, 2006, Papageorgiou, 2009), ενώ οι μέθοδοι της αλκαλικής και της υπερκρίσιμης μετεστεροποίησης επιλέχθησαν προς σύγκριση και αξιολόγηση στην παρούσα μελέτη. Σε βιομηχανική κλίμακα η επικρατέστερη χρησιμοποιούμενη μέθοδος είναι η αλκαλική μετεστεροποίηση, όπου αρχικά τα φυτικά έλαια χρησιμοποιήθηκαν ως πρώτη ύλη και τα απόβλητα μαγειρικά έλαια προστέθηκαν στη συνέχεια, σε μικρά κυρίως ποσοστά, με τις απαραίτητες τροποποιήσεις στη διεργασία παραγωγής. Η υπερκρίσιμη μετεστεροποίηση απαιτεί μεγαλύτερο κόστος κεφαλαίου συγκριτικά με την αλκαλική μετεστεροποίηση, εξαιτίας των απαιτούμενων συστημάτων θέρμανσης και άντλησης, γεγονός που αποτελεί σημαντικό μειονέκτημα αυτής της μεθόδου. Ωστόσο, η ποιότητα της πρώτης ύλης φαίνεται να επηρεάζει πολύ λιγότερο την υπερκρίσιμη μετεστεροποίηση, οδηγώντας έτσι σε μείωση του λειτουργικού κόστους καθώς δεν απαιτείται στάδιο προεπεξεργασίας (Ngmprasertsithetal, 2011). Συνεπώς, είναι ζωτικής σημασίας η αξιολόγηση της ανταγωνιστικότητας εφαρμογής της υπερκρίσιμης μεθόδου σε μια μονάδα παραγωγής βιοντίζελ (Castellanellietal, 2007, Demirbas, 2009, Dmytryshynetal, 2004, Guietal, 2008, Helwanietal, 2009, Ngmprasertsithetal, 2011). 5. ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΑΞΙΟΛΟΓΗΣΗ Σε αυτήν την ενότητα παρουσιάζονται τα αποτελέσματα από την ανάλυση που πραγματοποιήθηκε και για τις δύο τεχνολογίες μετατροπής και για εύρος τιμών πώλησης του τελικού προϊόντος 0,55 0,85 /lt. Το απαιτούμενο κόστος κεφαλαίου δίνεται στον πίνακα 2 για την αλκαλική και την υπερκρίσιμη μετεστεροποίηση. Θα πρέπει να αναφερθεί ότι το κόστος παραγωγής εξαρτάται από την τιμή πώλησης του βιοντίζελ. Στα σχήματα 2 4 που παρατίθενται ακολούθως, παρουσιάζονται γραφικά τα κυριότερα αποτελέσματα της χρηματοοικονομικής ανάλυσης και αξιολόγησης. Ειδικότερα, στο σχήμα 2 παρουσιάζεται η περίοδος αποπληρωμής της επένδυσης για τις δύο εξεταζόμενες τεχνολογίες, για διαφορετικές τιμές πώλησης του προϊόντος, από όπου προκύπτει ότι η περίοδος αποπληρωμής στην αλκαλική μετεστεροποίηση είναι μικρότερη της αντίστοιχης στην υπερκρίσιμη μετεστεροποίηση για όλο το εύρος των τιμών πώλησης του προϊόντος. Ομοίως, στο σχήμα 3 παρουσιάζεται η καθαρή παρούσα αξία (ΚΠΑ) της επένδυσης. Από το ίδιο σχήμα προκύπτει ότι η αλκαλική μετεστεροποίηση είναι αποδεκτή για όλο το εύρος των εξεταζόμενων τιμών ενώ η υπερκρίσιμη μετεστεροποίηση είναι αποδεκτή για εύρος τιμών πώλησης του βιοντίζελ 0,75 0,85 /lt. Στο σχήμα 4 παρουσιάζεται ο εσωτερικός συντελεστής απόδοσης της επένδυσης (IRR) και για τις δύο εξεταζόμενες τεχνολογίες μετατροπής, καθώς σημειώνεται επίσης και το επιτόκιο αναφοράς (12%). Για την υπερκρίσιμη μετεστεροποίηση και για τις τιμές 0,55 0,7 /lt δεν υπολογίστηκε ο IRR καθώς η ΚΠΑ προέκυψε αρνητική για τις αντίστοιχες τιμές πώλησης του προϊόντος. Πίνακας 2 Κόστος Κεφαλαίου Επένδυσης για τις Δύο Τεχνολογίες Μετατροπής (σε χιλ. ) Περιγραφή Αλκαλική Μετεστεροποίηση Υπερκρίσιμη Μετεστεροποίηση 6

7 Οικόπεδο 2.030, ,0 Έργα Πολιτικού Μηχανικού 345,0 310,0 Μηχανολογικός Εξοπλισμός 1.056, ,5 Προπαραγωγικές Δαπάνες 80,3 78,2 Κεφάλαιο Κίνησης (*) 784,3 859,7 882,0 940,0 Σύνολο (*) 4.295, , , ,7 (*) Βάσει της τιμής πώλησης του βιοντίζελ Σχήμα 2 Περίοδος Επανείσπραξης συναρτήσει Τιμής Πώλησης Προϊόντος για τις Εξεταζόμενες Τεχνολογίες Σχήμα 3 ΚΠΑ συναρτήσει Τιμής Πώλησης Προϊόντος για τις Εξεταζόμενες Τεχνολογίες Σχήμα 4 Εσωτερικός Συντελεστής Απόδοσης συναρτήσει Τιμής Πώλησης Προϊόντος για τις Εξεταζόμενες Τεχνολογίες Όπως προκύπτει από το σχήμα 4, ο IRR της επένδυσης στην περίπτωση της αλκαλικής μετεστεροποίησης είναι αποδεκτός για τιμές πώλησης του βιοντίζελ 0,75, 0,55, 0,80, 0,65 και 0,85 /lt. Για την περίπτωση της υπερκρίσιμης μετεστεροποίησης, ο IRR της επένδυσης είναι αποδεκτός μόνο για τιμές πώλησης του βιοντίζελ 0,80 και 0,85 /lt. Οι δύο βέλτιστες περιπτώσεις είναι για την αλκαλική μετεστεροποίηση, για τιμή 0,75 /lt (με IRR 19%) και για την υπερκρίσιμη μετεστεροποίηση, για τιμή 0,80 /lt (με IRR 17%). 6. ΣΥΜΠΕΡΑΣΜΑΤΑ 7

8 Σύμφωνα με την ανάλυση που πραγματοποιήθηκε, έγινε φανερή η επίδραση της τιμής πώλησης του τελικού προϊόντος στην επιλεχθείσα τεχνολογία μετατροπής, μέσω της ελκυστικότητας του επενδυτικού σχεδίου. Συνολικά, η εξέταση των παραμέτρων έδειξε ότι η επένδυση είναι αποδεκτή για όλο το εύρος τιμών, όταν ως τεχνολογία μετατροπής επιλέγεται η αλκαλική μετεστεροποίηση. Αντιθέτως, η αποδοχή της υπερκρίσιμης μετεστεροποίησης ως μέθοδο παραγωγής εξαρτάται από την τιμή του προϊόντος, καθώς το επενδυτικό σχέδιο που εξετάστηκε κρίνεται ως αποδεκτό για τιμές πώλησης του βιοντίζελ 0,75 0,85 / lt. ΑΝΑΦΟΡΕΣ Anitescu G., Deshpande A. and Tavlarides L., 2008, Integrated technology for supercritical biodiesel production and cogeneration, pp Apostolakou A., Kookos I., Marazioti C. and Angelopoulos K., 2009, Techno-economic analysis of a biodiesel production process from vegetable oils, pp Canakci M., 2007, The potential of restaurant waste lipids as biodiesel feedstocks, pp Castellanelli C. and Mello C., 2007, Analyzes of the used fried oil under environmental perspective and its possibilities for production of biodiesel. Chherti A., Chris Watts K. and Rafiqul Islam M., 2008, Waste cooking oil as an alternate feedstock for biodiesel production, pp Demirbas A., 2009, Biodiesel from waste cooking oil via base catalytic and supercritical methanol transesterification, pp Deshpande A.m Anitescu G., Rice P. and Tavlarides L., 2010, Supercritical biodiesel production and power cogeneration: technical and economic feasibilities, pp Dmytryshyn S., Dalai A., Chaudhari S., Mishra H. and Reaney M., 2004, Synthesis and characterization of vegetable oil derived esters: evaluation for their diesel additive properties, pp European Parliament, 2003, Directive 2003/ 30/ EC on the Promotion of the Use of Biofuels or Other Renewable Fuels for Transport, Official Journal of the European Union, L. 123/ 42, Luxembourg. Fan X., Wang X. and Chen F., 2010, Two novel approaches used to produce biodiesel from low cost feedstocks, pp Fukuda H., Kondo A. and Noda H., 2001, Biodiesel fuel production by transesterification of oils, pp Georgakellos D.A., 2002, LCA as a tool for environmental management: A life cycle inventory case study from the Greek market, pp Groschen R., 2002, Overview of the feasibility of biodiesel from waste/ recycled greases and animal fats. Gui M., Lee K. and Bhatia S., 2008, Feasibility of edible oils vs. non edible oil vs. waste edible oil as biodiesel feedstock, pp Hellenic Republic, 2005, Law No 3423, Introduction into the Greek Market of Biofuels and Other Renewable Fuels, Government Gazette of the Hellenic Republic, Athens. Helwani Z., Othman M., Aziz N., Fernando W. and Kim J., 2009, Technologies for production of biodiesel focusing on green catalytic techniques: A review, pp Kasteren van J. and Nisworo A., 2007, A process model to estimate the cost of industrial scale biodiesel production from waste cooking oil by supercritical transesterification, pp Kretzschmar J., Majer S. and Kroeger M., 2012, International overview on waste to biofuel options with a focus on waste potentials in Germany and funding incentives in the EC, pp Ngamprasertsith S. and Sawangkeaw R., 2011, Transesterification in supercritical conditions, In: Biodiesel Feedstocks and Processing Technologies. Oliveros M., Baiting A., Lumain M. and Cabaraban M., 2007, Ethanol based biodiesel from waste vegetable oil, pp Papageorgiou P, 2009, Energy crops and waste cooking oil for biodiesel production: Case Study of Greece, MSc Thesis. Peiro L., Mendez G. and Durany X., 2008, Exergy analysis of integrated waste management in the recovery and recycling of used cooking oils, pp Saka S. and Minami E., 2006, A Novel Non Catalytic Biodiesel Production Process by Supercritical Methanol as NEDO, the 2 nd Joint Int. Conf. on Sustainable Energy and Environment (SEE 2006), Bangkok, Thailand. San Miguel G., Servert J. and Canoira L., 2010, Analysis of the evolution in biomass to energy strategies and regulations in Spain, pp Stephenson A., Dennis J. and Scott S., 2008, Improving the sustainability of the production of biodiesel from oilseed rape in the UK, pp Tsai W., Lin C.and Yeh C., 2005, An analysis of biodiesel fuel from waste edible oil in Taiwan, pp Wang Y., Ou S., Liu P. and Zhang Z., 2007, Preparation of biodiesel from waste cooking oil via two-step catalyzed process, pp Zhang Y., Dube M., McLean D. and Kates M., 2003, Biodiesel production from waste cooking oil: 1. Processdesignandtechnologicalassessment, pp

9 Πειραματική εφαρμογή, αξιολόγηση και σύγκριση μεθόδων πρόβλεψης της Οριακής τιμής Συστήματος της ηλεκτρικής ενέργειας: μελέτη στην ελληνική αγορά ενέργειας Εμμανουήλ Κ. Μουνταλάς Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Η/Υ - ΕΜΠ manolismounta@gmail.com Γεώργιος Σπιθουράκης Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Η/Υ - ΕΜΠ geospith@gmail.com Βασίλειος Ασημακόπουλος Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Η/Υ - ΕΜΠ vassim@central.ntua.gr Περίληψη Σκοπός της παρούσας εργασίας, είναι η εφαρμογή και αξιολόγηση διάφορων μοντέλων πρόβλεψης της Οριακής Τιμής Συστήματος της ηλεκτρικής ενέργειας στην Ελληνική Αγορά Ενέργειας. Το συγκεκριμένο εγχείρημα επιτυγχάνεται μέσω του σχεδιασμού κατάλληλης διαδικασίας προσομοίωσης η οποία βασίζεται στη λογική των κυλιόμενων προβλέψεων (rolling forecasting). Στα πλαίσια αυτής της διαδικασίας, εφαρμόζονται 6 διαφορετικά μοντέλα πρόβλεψης τα οποία είναι μοντέλα εκθετικής εξομάλυνσης, το μοντέλο απλής γραμμικής παλινδρόμησης, η συνδυαστική μέθοδος Theta και το μοντέλο αναφοράς Naive. ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ Οριακή Τιμή Συστήματος, Ελληνική Αγορά Ηλεκτρικής Ενέργειας, Μέθοδοι Προβλέψεων, rolling forecasting 1. ΕΙΣΑΓΩΓΗ Το μέγεθος της Οριακής Τιμής Συστήματος (ΟΤΣ), αποτελεί έναν από τους σημαντικότερους παράγοντες στην Αγορά Ηλεκτρικής Ενέργειας. Στην Ελλάδα η Αγορά Ενέργειας είναι δυνατό να χαρακτηρισθεί ως υπό απελευθέρωση, μετατρεπόμενη σταδιακά από τις αρχές της δεκαετίας του Οι συμμετέχοντες στην Αγορά Ενέργειας οφείλουν να πληρούν ορισμένες προϋποθέσεις οι οποίες καθορίζονται από τον Διαχειριστή Ελληνικού Συστήματος Μεταφοράς Ηλεκτρικής Ενέργειας (ΔΕΣΜΗΕ), καθώς και τη Ρυθμιστική Αρχή Ενέργειας (ΡΑΕ). Το εγχείρημα της πρόβλεψης της ΟΤΣ αποτελεί μείζον ζήτημα και επηρεάζει κάθε συμμετέχοντα στην Αγορά Ενέργειας, είτε είναι Παραγωγός είτε Καταναλωτής. Στην παρούσα εργασία, εφαρμόζονται και αξιολογούνται ποικίλα μοντέλα πρόβλεψης, τα οποία χρησιμοποιούνται στα πλαίσια κατάλληλα διαμορφωμένης διαδικασίας προσομοίωσης, με στόχο την εξασφάλιση όσο το δυνατόν ακριβέστερων βραχυπρόθεσμων προβλέψεων. Αρχικά γίνεται παρουσίαση της Ελληνικής Αγοράς Ενέργειας, δίνοντας βάση στον τρόπο λειτουργίας της, καθώς αναλύεται ο ρόλος των σημαντικότερων φορέων (ΔΕΣΜΗΕ, ΡΑΕ, ΔΕΗ κτλ.) που συμμετέχουν στο Σύστημα. Επιπλέον γίνεται αναφορά στη διαδικασία επίλυσης του Ημερήσιου Ενεργειακού Προγραμματισμού (ΗΕΠ), αλλά και στη σπουδαιότητα του μεγέθους της ΟΤΣ. 2. ΠΡΟΒΛΕΨΗ ΟΤΣ Η πρόβλεψη της ΟΤΣ αποτελεί διαδεδομένο αντικείμενο έρευνας και έχουν εκπονηθεί ποικίλες έρευνες σε αυτή την κατεύθυνση. Αρχικά αναλύεται η σπουδαιότητα πρόβλεψης του εν λόγω μεγέθους, ενώ κατηγοριοποιούνται οι προβλέψεις με γνώμονα τον επιθυμητό ορίζοντα πρόβλεψης. Επιπρόσθετα, παρουσιάζονται και αναλύονται τα βασικά χαρακτηριστικά του μεγέθους της ΟΤΣ, ενώ γίνεται λόγος για τις δύο θεμελιώδεις κατηγορίες μεθοδολογιών πρόβλεψης: τα μοντέλα χρονοσειρών και τα αιτιοκρατικά μοντέλα, οι οποίες διακρίνονται από σημαντικές διαφορές, όπως είναι για παράδειγμα η υπολογιστική και χρονική πολυπλοκότητα. Επίσης, γίνεται εκτενής αναφορά στη διαθέσιμη βιβλιογραφία και παρουσιάζονται ορισμένες διαδεδομένες μεθοδολογίες για κάθε περίπτωση του ορίζοντα πρόβλεψης (βραχυπρόθεσμος, μεσοπρόθεσμος, μακροπρόθεσμος). 9

10 3. ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΧΡΟΝΟΣΕΙΡΩΝ Έχοντας καλύψει τη θεωρητική φύση του προβλήματος, εισάγονται ορισμένες σημαντικές έννοιες που αφορούν τις χρονοσειρές. Συγκεκριμένα παρουσιάζονται τα ποιοτικά (τάση, εποχικότητα κτλ.), αλλά και ποσοτικά χαρακτηριστικά των χρονοσειρών (μέση τιμή, διακύμανση κτλ.), ενώ εισάγονται οι έννοιες διαφόρων στατιστικών δεικτών (σφάλματα) που χρησιμοποιούνται για την αξιολόγηση της ακρίβειας των προβλέψεων. Τονίζεται πως ο στατιστικός δείκτης του Συμμετρικού Μέσου Απόλυτου Ποσοστιαίου Σφάλματος (smape) είναι εκείνος που χρησιμοποιείται για την αξιολόγηση των παραγόμενων προβλέψεων μέσω της διαδικασίας προσομοίωσης που αναλύεται στην Ενότητα ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ Οι μέθοδοι πρόβλεψης που παρουσιάζονται αφορούν μοντέλα χρονοσειρών, αιτιοκρατικά μοντέλα, καθώς και τη συνδυαστική μέθοδο Theta. Σε πρώτη φάση, παρουσιάζεται το μοντέλο αναφοράς Naive, το οποίο αποτελεί το απλούστερο μοντέλο πρόβλεψης. Επιπλέον γίνεται λόγος για τις μεθόδους εξομάλυνσης και συγκεκριμένα για τα μοντέλα της Απλής Εκθετικής Εξομάλυνσης (SES), της Γραμμικής Τάσης (Holt) και της Φθίνουσας μη Γραμμικής Τάσης (Damped). Στη συνέχεια παρουσιάζεται το μοντέλο της απλής γραμμικής παλινδρόμησης (LRL) αλλά και της πολλαπλής γραμμικής παλινδρόμησης, εντούτοις η παραγωγή προβλέψεων μέσω αιτιοκρατικών μοντέλων δεν ενδιαφέρει στα πλαίσια της παρούσας εργασίας. Τέλος γίνεται παρουσίαση της συνδυαστικής μεθόδου classic Theta (Ασημακόπουλος & Νικολόπουλος, 2000), η οποία χρησιμοποιείται για πρώτη φορά στην παραγωγή προβλέψεων της ΟΤΣ και αποτελεί ένα πρωτοποριακό εγχείρημα. 5. ΔΙΑΔΙΚΑΣΙΑ ΠΡΟΣΟΜΟΙΩΣΗΣ Το τελευταίο βήμα για τον πλήρη καθορισμό του θεωρητικού πλαισίου της εργασίας, είναι η σχεδίαση κατάλληλης διαδικασίας προσομοίωσης που αφορά τα μοντέλα χρονοσειρών και βασίζεται στη λογική των κυλιόμενων προβλέψεων (rolling forecasting), εισάγοντας την έννοια και τη χρησιμότητα αυτών. Η διαδικασία προσομοίωσης αποτελείται από 5 βασικά στάδια, τα οποία είναι τα εξής: 1. Συγκέντρωση και τροποποίηση των δεδομένων. 2. Γραφική αναπαράσταση των δεδομένων. 3. Προσδιορισμός ποιοτικών/ ποσοτικών χαρακτηριστικών χρονοσειρών. 4. Εφαρμογή rolling forecasting. 4.1 Pre-process 4.2 Forecasting 4.3 Post-process 4.4 Error evaluation 5. Αξιολόγηση των προβλέψεων (smape). 6. ΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ Σε αυτό το σημείο επιχειρείται η ανάλυση(ποιοτική & ποσοτική) της χρονοσειράς της ΟΤΣ, η οποία αποτελεί το βασικό άξονα μελέτης της εργασίας. Η χρονοσειρά της ΟΤΣ αφορά 5 συνολικά έτη ωριαίων παρατηρήσεων ( ), από τα οποία τα 3 πρώτα αποτελούν τα in-sample δεδομένα κατά τη διαδικασία της προσομοίωσης. Ιδιαίτερη μνεία γίνεται για την πολλαπλή εποχικότητα που χαρακτηρίζει το μέγεθος της ΟΤΣ. Συγκεκριμένα παρουσιάζεται η επίδραση που έχει ο εποχικός παράγοντας (calendar effect), ενώ αναλύονται μέσω της διαδικασίας αυτοσυσχέτισης οι δύο συνιστώσες της εποχικότητας που διακρίνονται σε επίπεδο ημέρας αλλά και εβδομάδας. 10

11 Σχ. Α Ημερήσιο πρότυπο εποχικότητας Σχ. Β Εβδομαδιαίο πρότυπο εποχικότητας Πέραν της χρονοσειράς της ΟΤΣ, παρουσιάζονται και αναλύονται με παρόμοιο τρόπο τέσσερις βοηθητικές χρονοσειρές που είναι δυνατό να χρησιμοποιηθούν ως ανεξάρτητες μεταβλητές παλινδρόμησης και είναι: η χρονοσειρά των ιστορικών τιμών φορτίου, η χρονοσειρά της πρόβλεψης φορτίου, η χρονοσειρά ιστορικών τιμών Αργού Πετρελαίου και η χρονοσειρά ιστορικών τιμών Φυσικού Αερίου. Κατά την ποσοτική ανάλυση των παραπάνω χρονοσειρών, υπολογίζεται ο δείκτης γραμμικής αυτοσυσχέτισης, ο οποίος υποδεικνύει το κατά πόσο είναι η κάθε μία μεταβλητή κατάλληλη σαν ανεξάρτητη μεταβλητή παλινδρόμησης. 7. ΑΠΟΤΕΛΕΣΜΑΤΑ ΠΡΟΣΟΜΟΙΩΣΗΣ Τα αποτελέσματα χωρίζονται σε 4 κατηγορίες ανάλογα με τον τρόπο απαλοιφής της εποχικότητας. Κατά τη διαδικασία προσομοίωσης εφαρμόζονται τα μοντέλα πρόβλεψης που αναφέρθηκαν στην Ενότητα 4. Κατά τη εφαρμογή των τριών μοντέλων εξομάλυνσης (SES, Holt, Damped), αλλά και της κλασικής μεθόδου Theta, εφαρμόζεται αλγόριθμος βελτιστοποίησης (μη γραμμική/δυαδική βελτιστοποίηση) για τη βέλτιστη επιλογή των παραμέτρων εξομάλυνσης α, β, αλλά και για την παράμετρο διόρθωσης της τάσης φ. Η πρώτη κατηγορία αφορά αποτελέσματα δίχως επεξεργασία της εποχικότητας. Τα αποτελέσματα υποδεικνύουν ικανοποιητική και παράλληλα παρόμοια συμπεριφορά της μεθόδου αναφοράς Naive και των μεθόδων SES, Damped και Theta, ενώ ταυτόχρονα δείχνουν την ανικανότητα των μοντέλων Holt και LRL να προσαρμοστούν με επιτυχία στη χρονοσειρά. 11

12 Η δεύτερη κατηγορία αφορά την αντιμετώπιση του ημερήσιου προτύπου εποχικότητας μέσω της εξαγωγής 24 εποχικών δεικτών. Τα αποτελέσματα που προκύπτουν παρουσιάζουν σημαντική βελτίωση στο δείκτη smape, ενώ η μέθοδος αναφοράς Naive δείχνει να χάνει έδαφος σε σχέση με τα τρία βέλτιστα μοντέλα SES, Damped και Theta. Αξίζει να αναφερθεί πως για τον υπολογισμό των εποχικών δεικτών λαμβάνονται υπόψη 6 διαφορετικές περιπτώσεις όγκου παρελθόντων παρατηρήσεων. Η τρίτη κατηγορία αφορά την απαλοιφή του εβδομαδιαίου προτύπου εποχικότητας εξάγοντας 168 εποχικούς δείκτες, ένα για κάθε ώρα της εβδομάδας. Τα αποτελέσματα είναι παραπλήσια με εκείνα της δεύτερης κατηγορίας, ενώ για τον υπολογισμό των εποχικών δεικτών λαμβάνονται υπόψη όλα τα διαθέσιμα ιστορικά δεδομένα για την αποφυγή εμφάνισης φαινομένου κύλισης. Η τέταρτη κατηγορία αφορά την αντιμετώπιση της διπλής εποχικότητας μέσω μιας απλοϊκής διαδικασίας προσδιορισμού δύο ομάδων εποχικών δεικτών (ημερήσιοι & εβδομαδιαίοι). Παρατηρείται σημαντική βελτίωση στην ακρίβεια των παραγόμενων προβλέψεων ενώ τα τρία βέλτιστα αποτελέσματα προέρχονται από την εφαρμογή τον μοντέλων SES, Theta και Damped. Πίνακας Α Βέλτιστα αποτελέσματα προσομοίωσης Double SI ΜΟΝΤΕΛΟ smape (%) SES 23,8509 Theta 23,8551 Damped 23, ΣΥΜΠΕΡΑΣΜΑΤΑ Έχοντας ολοκληρώσει τη διαδικασία προσομοίωσης πραγματοποιείται η ανάλυση των τριών βέλτιστων αποτελεσμάτων. Σε πρώτη φάση επιχειρείται η ποιοτική ανάλυση αυτών, ενώ γίνεται λόγος για την επιλογή των παραμέτρων εξομάλυνσης μέσω της διαδικασίας της δυαδικής βελτιστοποίησης που εφαρμόζεται για τον προσδιορισμό τους. Επίσης παρουσιάζεται μία ποσοτική προσέγγιση των βέλτιστων αποτελεσμάτων, ενώ αναλύεται η σχέση που συνδέει τον ορίζοντα πρόβλεψης με την ακρίβεια των προβλέψεων. Η συγκεκριμένη ανάλυση συμπίπτει με τη θεωρία των διαστημάτων εμπιστοσύνης, αποδεικνύοντας πως όσο μεγαλύτερος είναι ο επιθυμητός ορίζοντας πρόβλεψης τόσο μειώνεται και η ακρίβεια των παραγόμενων προβλέψεων. Σχ. Γ Μέσοι δείκτες smape συναρτήσει του ορίζοντα πρόβλεψης για το μοντέλο SES smape (%) 24,5 23,5 22,5 21,5 20,5 19,5 18,5 SES - smape Ορίζοντας Επιπρόσθετα εξάγονται τα τελικά συμπεράσματα σχετικά με την καταλληλότητα των μοντέλων πρόβλεψης που χρησιμοποιούνται, καθώς γίνεται λόγος και για την μεθοδολογία 12

13 που αναπτύχθηκε για την αντιμετώπιση της διπλής εποχικότητας αλλά και για το βέλτιστο ορίζοντα πρόβλεψης, ώστε να παραμένουν αξιόπιστες οι παραγόμενες προβλέψεις. 9. ΠΡΟΕΚΤΑΣΕΙΣ Υπήρξαν ορισμένες πτυχές του ζητήματος οι οποίες δεν εξετάσθηκαν στα πλαίσια της παρούσας εργασίας, εντούτοις μπορούν να αποτελέσουν μελλοντικό αντικείμενο έρευνας. Μία εξ αυτών είναι η εφαρμογή μοντέλων γραμμικής παλινδρόμησης, ενώ ενδιαφέρον παρουσιάζει η αντιμετώπιση της διπλής εποχικότητας, χρησιμοποιώντας πολυπλοκότερες μεθόδους απαλοιφής, όπως η βελτιωμένη μέθοδος Holt-Winters για απαλοιφή διπλής εποχικότητας μέσω εκθετικής εξομάλυνσης, η οποία αναπτύχθηκε από τον Taylor(2003), και παρουσιάζει βελτιωμένες επιδόσεις. ΑΝΑΦΟΡΕΣ Πετρόπουλος Φ., Ασημακόπουλος Β. (2011), Επιχειρησιακές Προβλέψεις, Αθήνα: Εκδόσεις Συμμετρία. Taylor J.W. (2003) Short-term electricity demand forecasting using double seasonal exponential smoothing, Journal of the Operational Research Society, Vol. 54, pp

14 Design and implementation of business intelligence infrastructure: The case of a decision support system for providing insights about the past, current and future pricing conditions in a countrywide fast moving consumer goods market Andreas Zaras Ministry of Development, Competitiveness and Shipping Kaningos Square, , Athens Andreas.Zaras@gmail.com Summary This paper is about the creation of Business Intelligence (BI) through exploitation of data about retail prices of fast moving consumer goods (FMCG) from a countrywide market, with the objective to provide decision support to a variety of private and public sector organizations (National Statistical Service, Ministry of Commerce, Consumer Advocate Groups, Retailers etc). The creation of BI is based on a Decision Support System (DSS) that exploits the database of an existing On Line Transaction Processing (OLTP) System, used to record and store the previously mentioned price-related data. The BI is created through the two main components of the DSS, the facilities for On Line Analytical Processing (OLAP) reporting (more specifically multidimensional reporting for different levels of management hierarchy) and those for applying quantitative/ analytical techniques to the data (more specifically seasonal adjustments and forecasting). The first part of the paper is theoretical, provides definitions of core concepts used (such as BI and OLTP) and underlines the tight relationship of BI with the decision making process. The second part presents the general architecture of the OLTP system under consideration and the relevant (relational) database. The third part justifies the need for BI by presenting specific reasons for which a number of organizations and individuals could benefit from computer based monitoring of the pricing conditions in a countrywide FMCG market. The fourth part underlines the reasons that the specific OLTP system and the transactional systems in general are not appropriate for decision support purposes and stresses the need for a BI system. This part alsopresents the design of the BI system s architecture with emphasis in the construction of the data warehouse and the multidimensional (OLAP) cube developed on top of it, because of their critical role as the fundamental infrastructure on which the two core functions of the DSS (OLAP reporting and application of data analytics) operate. The fifth part of the paper presents examples of a number of reports that were delivered and finally the last part introduces the concepts of large scale automated time series analysis and forecasting or time series analysis and forecasting by exception that can be applied to the case of prices described in this paper, where a large number of series needs to be seasonally adjusted and/or extrapolated in the future. Based on the experience of designing and implementing the DSS under consideration, this paper presents a general framework for BI applications development and also provides initiatives for developing and using such systems by organizations that could benefit from price related decision support. KeyWords: Business Intelligence, Decision Support Systems, Data Warehousing, OLAP Cubes and Reporting, Time Series Forecasting, Seasonal Adjustments. 1. INTRODUCTION Every day in any organization a number of decisions are made that determine its future, direction and prosperity. Because of the important consequences of the decisions, every organization must reassure that they are the result of a well defined and effective decision making process. An example of such a process is presented in figure 1ain the next page. In order for the executives participating in the process to complete all the steps that it contains, they should have access to information. At this step business intelligence (BI) fits into the process and actually supports it by providing to the decision makers the necessary information in the right time, in the right format.gartner group, in 1989,provided an official definition of BI and described it as: A set of concepts and methods used to improve business decision making by extracting and analyzing database data. BI is a multidisciplinary field comprising of three subfields named business information intelligence (BII), business statistical 14

15 intelligence (BSI) and business modeling intelligence (BMI). BII draws its disciplines from computer science and contains concepts and technologies such as databases, networks, programming, spreadsheets etc. BSI draws its disciplines from statistics and contains tools and techniques such as descriptive and inferential statistics, econometrics, forecasting etc. BMI draws its disciplines from operations research and contains tools and techniques such as mathematical programming, simulation, soft systems methodology etc. As the Venn diagram in figure 1b shows, BI can be defined as the union of the three previously mentioned subfields.the union of BSI and BMI is called business analytics and can be considered as another subfield of BI. BI can answer a variety of critical questions that every organization faces such as what happened, where exactly is the problem, what will happen next etc. Each of those questions can be answered by using the corresponding BI techniques as figure 1c shows i.e.multidimensional reporting, ad-hoc reporting, alerts, statistical analysis, forecasting, predictive analytics and optimization. As an organization moves across the BI line from the left down part to the right upper part of the graph using the corresponding techniques, its degree of intelligence increases and as a result its competitive advantage increases.as it was said before, according to the Gartner Group,BI provides decision support by exploiting database data. Databases are an integral part of On Line Transaction Processing (OLTP)Systems that can be defined as: Information systems that are designed to expedite and automate transaction processing, record keepingand simple business reporting of transactions. Figure 1: Business Intelligence and its relation with the decision making process. 2. THE PRICE COLLECTION OLTP SYSTEM At this section the OLTP system of the case under consideration (for which the BI infrastructure was developed), will be described. First of all it should be said that the objective of the price collection OLTP system is to record and store retail prices of FMCG. Figure 2a in the next page presents a simplified version of the way that the OLTP system works. As it can be seen the core process on which the system is based is the issuing of a research command. The research command connects the three most important entities of the system i.e. the product, the point of sale (POS) and the date/ time with a price. Based on this process a price is uniquely identified by the product on which it is attached, the POS where the product is sold and the date/ time when the price was valid. The product and POS entities are connected with a number of other entities (e.g. the POS is connected with the Company that owns the POS and the Product is connected with the Company that produces or distributes the Product) but for the purposes of the OLTP system s description it is not necessary to provide more details about them. The two entities (POS and Product) are also connected with a number of attributes e.g. the POS is connected with an address and the Product is connected with a product type (e.g. standardized product, non-standardized product etc), a barcode and a quantity of items that the package contains, if it is standardized, a quality level if it is non-standardized e.g. fruit etc. Again for the purposes of the OLTP system s description it is not necessary to provide more details about them. Finally it should be said that every Product belongs to a hierarchy called COICOP Hierarchy and every POS belongs to a Geographical Hierarchy. COICOP stands for Classification of Individual Consumption According to Purpose and is a 15

16 classification of expenditure (mainly by individuals and households) for products and services. COICOP, that is used internationally (e.g. from Eurostat), has six levels starting from level 1 that is very general (e.g. Restaurants & Hotels, Clothing & Footwear etc) and ends up to level 6 that contains specific products (e.g. Brand X fresh pasteurized milk with 3.5% fat 1 lt). So the Brand X product mentioned before would belong to the following hierarchy: Nutrition & Non Alcoholic Beverages Nutrition Milk Cheese and Eggs Fresh Pasteurized Milk Full Fat Fresh Pasteurized Milk Brand X fresh pasteurized milk with 3.5% fat 1 lt. As it was said before each POS belongs to the Geographical Hierarchy. This hierarchy has two levels, the one for the Prefecture or County and the second level for the Municipality that the POS belongs. So a POS could belong to the following hierarchy: Prefecture of Fthiotida Municipality of Lamia. The architecture of the system is presented in figure 2b. The OLTP system has a central (relational) database lying on the OLTP server.users can insert records for the various entities (e.g. POS, Product etc) through a graphical user interface from their terminals. After all necessary entities contain the appropriate records, users can issue research commands which are transferred, through web services, from the server to the portable price collection devices (PDA machines). A price collection employee can then record the relevant prices through the PDA and then the collected prices can be sent, through web services, to the central database. It should be also mentioned that prices from large super markets are sent to the organization through mail in MS Excel format and then these prices are uploaded to the database. Summarizing, prices can enter the database of the OLTP system either through PDA s via web services or through uploading prices stored in spreadsheets. Figure 2: The process on which the OLTP system is based and its architecture. 3. OBJECTIVES OF THE BUSINESS INTELLIGENCE PROJECT The objective of the project is to create BI by exploiting the database of the OLTP price collection system. BI in the context of the price collection OLTP system is the delivery of accurate, useful information about the pricing conditions in the market to the appropriate decision makers within the necessary time frame to support effective decision making. At this point let us see some indicative examples of who can benefit from using a BI system concerning retail prices:the National Statistical Service can be supported when calculating and monitoring the level and fluctuations of the Consumer Price Index (CPI) and when disseminating the results to interested parties; the Ministry of Commerce for market surveillance purposes, for empowering the competition among commercial companies, for monitoring the evolution of prices throughout the supply chain and in general for developing commercial policy; the Ministry of Consumer Affairs and consumer advocate groups for informing and protecting consumers; retailersto monitor the pricing policy of competitors and compare it to their own policy. 4. THE NEED FOR A DSS AND THE ARCHITECTURE OF THE NEW BI SYSTEM It is well documented in the relevant literature that OLTP systems are not appropriate for decision support, because they exhibit a number of problems. These problems can be classified in four categories i.e. effectiveness, efficiency, archive-type and data quality-integration problems. The ideal system for decision support purposes is a BI system or as it was called in the 80 s a Decision Support System. The core component of a BI system is its database that is called data warehouse. The data 16

17 warehouse is nothing more than a relational database with low degree of normalization. It contains large amounts of historical data often stored at some level of summarization that do not participate in the daily operations of the organization. Insteadthey are used to create BI, covering the decision support needs of all the departments of the organization. The data loaded in the data warehouse are extracted from the database(s) of the OLTP system(s) after they are transformed in a meaningful, for the decision making process, format (ETL process). The most widely used architecture of data warehouses is the star schema. A very important decision that should also be made is to determine the latency of the BI system i.e. the interval between two successive runs of the ETL process. The architecture of the BI system under consideration is presented in figure 3a. As we can see the first step is to built the data warehouse which, as is has already been mentioned is a low normalization database. The second step is to organize the ETL process which is the process of moving the necessary data for decision support from the transactional database to the data warehouse, after they are transformed in a useful way. The data warehouse of the Prices BI system is updated with new data coming from the OLTP system every two weeks, hence the latency of the BI system is two weeks. The next step is to build the multidimensional cube on top of the data warehouse and the last step is to create reports from the cube data and to report on the results of the analytical method s application to data stored in the cube. It should be mentioned that the OLTP database and the data warehouse lie in an MS SQL Server environment. The OLAP cube was created using MS SQL Server Analysis Services. The browsing of the cube is performed through MS Excel 2010 with its built-in Pivot Table facilities. Some reports were created using MS SQL Server Reporting Services using Multi Dimensional Expressions (MDX) on the OLAP cube and finally ad hoc reporting (or shelf service BI) is based on Power Pivot for Excel 2010 in combination with cloud Power Pivot facilities offered by Pivotstream.The measures that were finally decided to be included in the data warehouseare Price Level and Yearly, Quarterly and Monthly % Price Change and the dimensions are Time (Date), Product, Geography and Supply Chain. A very important decision that should be made during the construction of the BI system is about the granularity of each dimension with respect to each measure.granularity can be defined as the lowest level of a particular dimension hierarchy that is related to a given measure. Drill down Analysis can only be done on a measure along a certain dimension down to the granularity of the measure for that dimension. So the question that arises at this point is what granularity should the dimension s hierarchies (i.e. time, product, supply chain, geography) of the data warehouse have. In the Prices BI project under consideration,it was decided that the granularity of all measures for the time dimension is the 15 Day Period (e.g. 1st 15 Day Period of 2010), for the geography dimension is the Municipality (e.g. Municipality of Lamia), for the supply chain dimension is the name of the point of sale (Individual store, e.g. Super Market X Kipseli,21 Skirou Street) and finally for the product dimension is the individual product name (e.g. X-Cola PET 6X500ml).The entityrelationship diagram of the data warehouse is presented in figure 3b. Figure 3: The architecture of the Business Intelligence system and the E - R diagram of the data warehouse. 5. EXAMPLE REPORTS THAT WERE DELIVERED AS PART OF THE NEW BI SYSTEM At this section, sample reports that were delivered will be illustrated through screenshots appearing in figure 4below. Figure 4a presents a screenshot of MS Excel In this spreadsheet Pivot Table built-in facilities are used for browsing the OLAP cube (constructed using Analysis Services). The user 17

18 can easily select measures, dimensions and hierarchies and by using drag and drop facilities can perform actions such as drill down, roll up, slice and dice so as to unhide useful information from the millions of data about retail prices. Figure4b presentsa report constructed using MDX facilities of Reporting Services on the OLAP cube and can be accessed internally through the use of a web browser. Finally figure 4c presents a screenshot from a web portal that can be accessed by authorized users in any location (internally or externally) through a web browser. Thisreport exploits the features of cloud Power Pivot facilities provided by Pivotstream that allow authorized power users to create reports through Power Pivot and then upload them to the portal where they can be accessed by business users even if they do not have Excel installed on their machines. Figure 4: Example reports that were delivered. 6. ANALYTICS AND LARGE SCALE AUTOMATIC TIME SERIES MODELLING Analytics is the application of quantitative techniques to data with the objective to uncover information that cannot be produced by simple aggregate reporting. Analytics incorporate techniques from statistics and operations research, (math programming, simulation,time series analysis, forecasting, predictive analytics etc). In this project two analytical techniques are used i.e. time series analysis in order to perform seasonal adjustments to time series data and forecasting to extrapolate them into the future. Seasonal adjustments is a class ofstatistical methods for removing the seasonal component of a time series and is used extensively by EUROSTAT, the national statistical services and other agencies in order to calculate changes in various indices. Many economic series have seasonal cycles and when published, are seasonally adjusted because the seasonal variation is not of primary interest. The seasonally adjusted series show the data after any seasonal variation has been removed. In the case of retail prices, a lot of products such as a large number of fruits and vegetables exhibit seasonality in their prices. In these cases it is necessary to adjust for the seasonal component in order to understand what underlying trends are in the economy. Let us now comment on the actual process needed for applying analytics in the data on hand. In the case of this project, since a very large number of products are monitored with respect to their prices (at the time being the number of products exceeds 1500), an automated process is needed to perform the time series analysis and forecasting task. If we had only one series to analyze and forecast then we would consider all the possible models that exist in the literature and would correspond to the characteristics of the series. For automatic analysis and forecasting of large numbers of time series, only the most robust models should be used. The goal is not to have the analyst manually choose the very best model for modeling each time series. The goal is to provide a list of candidate models that will model the large majority of the time series well. When analysts have a large number of time series to analyze and forecast, they should use automatic modeling for the low-valued forecasts, and then spend a larger portion of their time dealing with high-valued series or with low-valued series that are problematic. A simple way for allocating the products monitored to the two groups (low-valued and high valued series) is according to their weight in the CPI. This automatic process is called large scale automatic analysis and forecasting or analysis and forecasting by exception. It is based on the fact that automatic modeling algorithms, for the majority of series that need to be modeled (Group A), can automatically perform the steps of data preparation, model selection, estimation and diagnostics checking. For a small percentage of time series (Group B) the automatic algorithms are inadequate and human intervention is needed to produce results with acceptable accuracy. For another small percentage of 18