Our Magic Oil Price Forecast – An Update


Given the various ups and downs in the oil market recently, I thought it was about time I updated our magic forecast from last January. For those of you who haven’t read my original post, I few years ago I made a “magic” oil price forecast in order to highlight the some typical problems the crop up again and again in many forecasts and price predictions (and especially those we see in the media). I chose oil because it is a particularly egregious example… and I made a “magic” forecast from fitting a sine curve to historical oil prices for no other reason than it seemed like a good idea at the time (and the prices looked sort of sine-curvey if you squinted a bit). The idea was then to see how this pretty rubbish forecast compared to those from the professional oil analysts that populate our banks and finance houses…

Somewhat to my surprise, the Optimeering’s magic sine curve has, um, done rather well. And much better than the expert analyst predictions. So here is an update – with historical prices converted to 2015 USD, and the latest prices added and compared to the model. Bad news, oil people and Norway, the bottom has not been reached – well, at least it hasn’t if you believe in magic (oil price forecasts) anyway…

updated forecast Jan 2016

Modell for framtidig kraftetterspørsel i alminnelig forsyning

Vi har nylig avsluttet et prosjekt for Statnett som er har hatt som mål å utvikle en modell som kan benyttes til å framskrive kommunal kraftetterspørsel i alminnelig forsyning, per time, fram mot 2035. Dette er en utfordrende oppgave, blant annet, fordi det er mange faktorer som påvirker kraftforbruket og siden disse faktorene i tur påvirker hverandre. Her gis en kort oppsummering av hvordan vi har løst oppgaven.

For å beregne det framtidige kommunale kraftforbruket kreves ett modellverktøy inkluderer de viktigste driveren av forbruket og som tar hensyn til gjensidige forhold mellom disse driverne og dermed gjør det mulig å utforme og beregne utfallet av konsistente framtidsscenarioer. Eksempelvis kan man i ett framtidsscenario legge til grunn en signifikant vekst i elbilforbruket basert på dagens elbilandel (>12 % av nybilsalget i 2015), dagens utskiftningsrater for personbiler, og elbilers forventede ladebehov. Dette vil utvilsom medføre en vekst i kraftetterspørselen, spesielt på kvelden. Det er isolert sett. I virkeligheten er det godt mulig at veksten i antall elbiler som skal lades på kvelden får nettselskapene til å etablere tiltak som gir husholdninger insentiver til å distribuere kraftforbruket sitt jevnere utover døgnet. Nordmenn har tradisjonelt lite overs for å endre vaner for å spare noen øre, men at elbilen trekker strøm ved midnatt i istedenfor på kvelden spiller lite rolle så lenge bilen er fulladet til morgenen. Videre er det sannsynlig at nye vindparker og kraftkabler til utlandet gjør strømproduksjonen, og dermed kraftprisen, mer volatil. Dette kombinert med introduksjonen av Smart Grid gir insentiver til å flytte kraftforbruket fra dyre timer til billige timer. Hva predikere hva kraftetterspørselen på Askøy vil være 7.mars kl 19:00 i 2035 er ikke lett, men har man et modellverktøy som tar hensyn til de viktigste driverne og gjør det enklere å bygge konsistente framtidsscenarioer så kan man i hvert fall gjøre kvalifiserte forsøk.

Vår tilnærming

Figuren under viser i korte trekk vår tilnærming til oppgaven.Alle figurer2

Vi delte problemet inn i to deloppgaver; 1 – utvikling i aggregert årsforbruk, og 2 – utvikling i forbruksprofilen (andel av årsforbruk som faller i hver av de 8760 timene i året).

Steg 1 – Forstå dagens kraftforbruk (aggregert forbruk og forbruksprofil)

Skal man modellere og framskrive dagens kraftforbruk er det også vesentlig å forstå hva dagens kraftforbruket går med til og hva som driver det. Ettersom det aggregerte årsforbruket i alminnelig forsyning består av flere forbruksgrupper og hver av disse gruppene har ulike drivere er det vesentlig å se på forbruket i hver av disse gruppene hver for seg. En vesentlig del av hensikt med modellen er nettopp å kunne gjøre antakelser på mer detaljert nivå og se hva dette betyr for utviklingen. Her er forbruksgruppen det første nivået i detaljeringen. Videre har hver av forbruksgruppene ulike drivere og ulike prioritet av disse. Eksempelvis er forbruket i boliger drevet av hvor mange boliger som installerer varmepumper eller hva de framtidige TEK-kravene vil si om boligenes energibruk. I tillegg til forbruksgruppen boliger, har vi hytter og fritidshus, persontransport, offentlig transport, elforbruket i tjenestebygg, industribygg osv.

På tilsvarende måte som man må forstå driverne av det aggregerte årsforbruket må også driverne av forbruksprofilen for de ulike forbruksgruppene forstås. I den grad det var mulig, gitt de (nett)dataene vi hadde tilgjengelig, var det hensiktsmessig å beregne representative forbruksprofiler for hver forbruksgruppe, for hver kommune slik at man ved å framskrive veksten i det aggregerte årsforbruket i hvert forbruksgruppe kunne sammenstille en samlet forbruksprofil for en kommune ved å vekte de respektive profilene for hver forbruksgruppe etter andel at det totale aggregerte årsforbruket i kommunen. En utfordringen her er selvsagt at forbruksprofilen for en forbruksgruppe varierer geografisk grunnet værforhold. Videre variere også deler av årsprofilen, for eksempel døgnprofilen, med årstidene og dagtypen (se figuren under for relevante dimensjoner i analysen av døgnprofilen). For å komme fram til ett sett representative forbruksprofiler for de respektive forbruksgruppene for ulike deler av landet, basert på det utvalget historiske forbruksdata vi hadde tilgjengelig, ble metadata fra SSB knyttet inn. Ved å så benytte maskinlæringsalgoritmer (C4.5 beslutningstrær og K-means clustering), ble ett antall representative forbruksprofiler utarbeidet. Disse utarbeidete profilene kunne således benyttes som byggeklosser som for en gitt kommune kunne settes sammen til en samlet forbruksprofil for den kommunen. Profilbyggeklossene gjorde det også mulig å håndtere profilframskrivningen (steg 3).

Alle figurer i prosjektet

Steg 2 – Forstå driverne og bygge modellverktøyet

Delvis relatert til steg 1, men med fokus på å forstå de viktigste driveren innenfor hver forbruksgruppe ble et bredt utvalg av eksperter på området intervjuet og faglitteratur gjennomgått. Viktig kilder har blant annet vært NVE, SSB og Direktoratet for byggkvalitet. Ettersom en modell kun er en forenklet representasjon av virkeligheten er det vesentlig å kun inkludere de viktigste driverne av forbruket i modellen. Flere parametere betyr mindre transparens og brukervennlighet, så det ble vurdert om ulike forbruksdrivere var vesentlige nok til å bli inkludert i modellen.

Steg 3 – Gjøre framskrivninger og modellere utviklingen i forbruksprofilene

For hver av driverne som ble inkludert i modellen ble det gjort kvalifiserte framskrivninger basert på historisk utvikling, vedtatt politikk og egne vurderinger. Driverne i modellen påvirker enten det aggregerte årsforbruket og/eller forbruksprofilene. Elbilandelen og klima påvirker for eksempel både samlet forbruk og når på året forbruket faller, mens for eksempel laststyringsmekanismer kun påvirker når forbruket oppstår og i liten grad det aggregerte forbruket.

En vesentlig del av steg 3 var å utvikle nye modelleringsverktøy for å beregne nettoeffekten av eventuelle laststyringsmekanismer som vil oppstår og introduksjonen av Smart Grid. Disse ble håndtert med to selvstendige optimeringsmodeller. I tillegg er det også utviklet en modell for hvordan klima og byggkvalitet påvirker forbruket over året. Alle disse er videre benyttet til å framskrive de representative forbruksprofilene.

Steg 4 – Resultatet

Resultatet er to delt. Fra del 1 av problemet har vi framskrivninger av aggregert normalårsforbruk for de respektive forbruksgruppene, per kommune. Fra del 2 av problemet har vi framskrevne forbruksprofiler per forbruksgruppe gitt den geografiske hvor i landet forbruket finner sted. Ved å slå sammen dette i ett oppslag som henter riktig forbruksprofil for riktig gruppe og geografisk plassering og vekter dette riktig sammen, beregnes samlede forbruksprofiler for hver kommune.

Ettersom modellen er på kommunenivå kan videre aggregerte profiler for større områder, enten fylke eller spot pris område beregnes ved hjelp av dette.

Others downsize, we welcome Jo Vederhus onboard

We are very happy announce that Jo Vederhus started his carrier at Optimeering today. Not surprisingly, like the majority of our employees, Jo holds a master in Industrial Economics and Technology Management from NTNU. Jo has previously worked for Markedskraft and DNB Markets, and for the past couple of years been a reoccurring figure the European Startup community.

Jo will undoubtedly increase our competence in terms of programming and data analysis, and be a valuable creative source in developing new solutions. Being a merited chess player in his youth (rumors has it that he has outplayed Magnus Carlsen), Jo will also add great strength to our notorious chess team.

bildeJo