Optimeering granted research funds for major machine learning project

We are very pleased to announce that Optimeering has been granted funding from the Research Council of Norway for a substantial new project to develop new machine learning algorithms for forecasting power grid imbalance volumes. The project kicks-off in Q1 2017, with a budget of approximately 7 MNOK. The funding is part of the Council`s ENERGIX-program, and our project is among the few commercial projects fortunate enough to have been successful in this funding round. Optimeering’s team will undertake the project in close collaboration with Statnett and researchers from the University of Liège and the Norwegian University of Science and Technology.

This is the third time Optimeering has been granted research funding from ENERGIX, but today’s grant is by far the largest and represents a significant and positive development for the company. The two former grants (from 2013 and 2014) have both resulted in the development and subsequent commercialization of decision support models for the power sector, namely MARC (an agent based el-certificate market model) and PUMA (a fundamental stochastic power market model). Similarly, our new project will result in commercial models and tools for imbalance volume prognosis, for use by electricity grid operators in Norway and internationally.

The project, “Machine learning prognosis for system imbalance volumes”, aims to develop new and efficient machine learning algorithms for forecasting short-term imbalances in the power grid. Statnett, like all grid operators, faces high costs for managing real-time imbalances between supply and demand of power throughout its transmission network. Further, the number and size of these imbalances, which drive grid frequency deviations and thus negatively impact power quality, have increased steadily over the past decade. The drivers behind the increase in costs – higher intermittent production from renewables and tighter integration with surrounding countries – are expected to become stronger going forward. Therefore, being able to forecast system imbalance volumes has a great value to grid operators such as Statnett as well as other TSOs around the world.

We are of course very grateful to have the Research Council onboard yet again, and for their recognition of the significant potential – both commercially and for society more generally – of this project. We will be publishing details of our progress on our blog on a regular basis, so keep checking back for more info and updates!

Agentbasert modell av elsertifikatmarkedet (MARC) klar for lansering

MARC – Multi-Agent Renewable Certificate model

Etter over 2 års utvikling er vår agentbaserte modell av sertifikatmarkedet (MARC) klar for lansering. Utviklingsprosjektet har hatt en ramme på nesten 3 millioner kroner og vært finansiert av et dusin private og offentlige aktører, og har etter alle solemerker oppnådd målet, nemlig å utvikle verdens første agentbaserte markedsmodell for et kvotemarked.

Bakgrunn

Elsertifikatprisen styres i stor grad av dagens sertifikatbalanse og forventinger om framtidig sertifikatbalanse. Etter hvert som markedet nærmer seg balanseperioden vil prisene i enda mindre grad vil styres av utbyggingskostnadene og i større grad av forventinger om framtidig sertifikatbalanse. For å bedre forstå hvordan markedet vil kunne utvikle seg fram mot balanseperioden lanserer vi, sammen med Thema Consulting Group, endelig en agentbasert markedsmodell av elsertifikatmarkedet.

Fram til i dag har fundamentale likevektsmodeller hovedsakelig vært benyttet til å analysere markedet. Slik modeller er basert på kostnadsdekning på tilbudssiden og har egnet seg godt til å analysere investeringsfasen av markedet, men etter hvert som vi nærmer oss slutten av denne fasen er det sannsynlig at prisene i større grad avvike fra utbyggingskostnadene. Skal man da kunne si hvor markedet vil ta vei trengs en tilnærming som tar høyde for aktørenes strategier og forventninger.

Agentbasert modellering har opprinnelig røtter fra spillteori og kybernetikk, men har i økende grad blitt bruk til å studere markeder hvor en likevekt har vist seg vanskelig å oppnå. Modelltilnærmingen skiller seg fra en standard likevektstilnærming vet at den ikke bygger på en overordnet antakelse om kostnadsdekning, men heller tar utgangspunkt i å fange de individuelle aktørenes adferd og la utfallet bestemmes av deres interaksjoner. Utfordringen er å beskrive markedsaktørenes adferd og modellere dette dynamisk. Utviklingen har derfor vært en tidkrevende prosess og strukket seg over 3 år.

Vi skrev i 2014, da prosjektet startet, en blogpost om hvorfor vi mente en agentbasert modell er bedre egnet til å modellere markedet for elsertifikater enn fundamentale likevektsmodeller. Disse punktene er kanskje enda mer aktuelle i dag og det er en glede å endelig kunne lansere denne modellen vår.

Modellen er utviklet av Optimeering og Thema, og finansiert av Forskningsrådet, Innovasjon Norge, samt en rekke private og offentlige aktører, deriblant NVE, Energimyndigheten, ENOVA, BKK og Statkraft. En forenklet beskrivelse av MARC-modellen finner du her.

Hva vi tilbyr

Markedsanalyser basert på MARC-modellen vil i all hovedsak være tilgjengelig gjennom deltakelse i vårt Sertifikatmarkedsforum EMF (El-Certificate Market Forum), som er et felles samlingssted for aktører i bransjen. Alle deltakerne i forumet møtes jevnlig for å diskutere mulige endringer i elsertifikatmarkedet og se nærmere på deres mulige innvirkning på sertifikatmarkedet ved hjelp av MARC-modellen.

Mer informasjon om modellen og våre modellbaserte analysetjenester finnes i denne flyeren. For øvrig informasjon ta kontakt med Karan Kathuria.

Flere bomringer og flere elbiler

Denne uken har sakene om rushtidsavgiften i Bergen og dieselforbudet i Oslo hyppig gjestet mediebildet. Som en illustrasjon på effekten av pisk og gulrot har jeg laget en figur som viser hvor tett bomstasjoner og elbilandel er relatert i Norge.

20160119

Vi lærte tidlig på skolen at selv om man ser flere drukningsulykker når salget av is er på topp, så betyr ikke det at is reduserer svømmeteften. Samme resonnement kan vel også benyttes i dette tilfelle, men jeg velger å lese ut i fra dette at økonomiske insentiver virker. Spør du meg så tror jeg elbilforhandlerne i Bergen går en lys tid i møte.

Optimeering granted model development funds from The Research Council of Norwegian

Optimeering has been successful in its application to the Research Council of Norway for funding for the R&D project “A New Model for Power Markets Under Uncertainty”. The project’s goals are to develop improved practical approaches to account for uncertainty in power market modelling, and ultimately to develop a new power market model for the Nordic power market based on the approaches developed. The project has a 2-year timeline and is the biggest project so far in Optimeering´s history.

Existing power market models generally tend to focus on one “key” uncertainty only – with this being hydrology (specifically, hydro inflow) in most Nordic-focused models. Unfortunately, this tends to mean such models miss out on capturing both the much wider range of uncertainty that occurs in reality and its impact on the market, as well as the interaction between the various sources of uncertainty and what this means for plant operation, market prices, and market development.  Often such models are also difficult and complex to use, as they attempt to capture this single key uncertainty in high detail (whilst ignoring the rest).

Our project will have two goals – usability and breadth. We will examine a broader range of uncertainties than just hydrology, including demand, intermittent production, fuel prices and the development of new technologies. We will also be focusing on usability – ensuring the model is straight forward to use, and does not get bogged down in overly-detailed modelling of complex behaviour, but rather on a more universal capturing of the impact of uncertainties on market operation and out-turns.

The model will be assessed in the project by performing a long-run analysis of the Nordic power market, which will be supplied to the commercial project participants. If you are interested in participating in the project, please do not hesitate to contact us for more information on participation, the project structure, goals and proposed approaches.

Alternative_Energies

A brief introduction to our agent-based model of the el-certificate market – The NEMM

The following introduction provides an overview to NEMM, our “New Elcertificate Market Model”.  The main goal of the NEMM project is to develop a model of the certificate market that takes account of the behavior, activities, and information available to market participants. The project has two key components: interviews and model development. A number of pilot interviews with market participants have been conducted throughout spring and summer 2014 in order to better understand actors’ behavior, decision making processes, drivers and approaches. The results of these interviews were then used as the basis for the development of an agent-based simulation model of the Swedish-Norwegian elcertificate market. NEMM models the individual decision makers in the market, their behaviour and interactions, instead of the taking the traditional “top down” equilibrium approach of traditional economics. NEMM is quite unique – we are not aware of any other agent-based approaches to quota markets like the el-cert market, and it provides a unique insight into the future development of the elcertificate market.

The project is partly financed by the Research Council of Norway and has been undertaken by Optimeering together with Thema Consulting Group. In addition, several project partners from the power sector in Norway and Sweden sponsor the project.

What follows is a brief overview of NEMM – how it is put together, the types of agents modelled, and how they interact. If you are interested in finding out more, please contact us – we’d love to show you some results. We are also presenting at the upcoming Montel el-certificate conference in January – based, of course, on the model and results.

Model overview

The building blocks

The two key elements of NEMM are the Environment and the modelled Agents.

Lysbilde02

The Environment

The Environment is the modelled representation of the real world context of the joint Swedish-Norwegian electricity certificate market. All the information and elements in the model that the simulations itself does not change exists in the Environment. For instance all potential projects, either under construction, awaiting investments decisions or in other parts of the early stages, are represented here.

The Environment also includes information such as all current, historic and future power demand, certificate quota (i.e. certificate demand), power prices (spot and future), all power plant and project data, market regulations, tax schemes and the actual weather conditions given at specified times in the simulation.

Input data

The data needed to populate the Environment is provided via the model’s database. This database includes, among other things, detailed and up to date information regarding all relevant power plants and projects, including capacity, load factor, capital expenditure, operations expenditures, rates of technology improvement, estimated construction time, etc. Certificate demand is provided in terms of the quota curve, expected annual power demand and realistic within-year demand profiles.

Agents

The Agents represent the heterogeneous actors in the market. Agents are of different “types” (e.g. producers and obligated suppliers or purchasers), reflecting the roles they play in the certificate market. In addition, Agents of the same type can be different in terms of utility functions (how they determine what are successful actions, and what are not), learning, horizon, decision-making, size, region, cost of capital, etc. The number of Agents in a specific simulation can vary simulation to simulation, and can change (new agents can be added or existing agents can go bankrupt) during the simulation. The different types of Agents are described below.

Developer agent

Developer agents undertake all project development activities and construction of new power plants. Any investment decision or decision to apply for concession is made by this agent, but with respect to the company policy and required rate of returns given by the parent Company. The investment decisions are evaluated as per the developer agent’s strategy, and may take account of market analysis (provided by an analysis agent), the current and future market price (certs and power), the (estimated) relative quality of the project compared to competing projects, or a combination of these.

Producer agent

Once a power plant begins operation, it is transferred to a producer agent, who is then responsible for the sale of the resulting certificates in the certificate market. The Producer agent offers its certificates into the market based on its particular market strategy, its current position, how well its strategy has performed so far, and market insight provided by an analysis agent.

Purchaser agent

Represents a retailer obligated to buy certificates certificate eligible power demand. In the same manner as the Developer agent and the Producer agent, it depends on an analysis agent for its understanding of the certificate market. Purchaser agents who do not acquire sufficient certificates face a penalty.

Trader agent

Trader agents have no underlying demand or production of certificates and partake in the market to exploit arbitrage opportunities.

Analysis agent

Conduct different kinds of market analysis of the certificate and power market, and shares this with the agents within the same Company (see below). The Analysis agent provides both short-term and long-term market analysis to their associated agents. The Analysis agent also estimates the future demand and supply of certificates within the Company.

Company agent

This agent is an entity providing the linkage between different types of agents belonging to the same organisation. For instance, an Analysis agent provides its analysis only with the Developer agent or the Producer agent in the same Company agent. The Company agent does not partake in any processes in the simulations directly, but provides its “child” agents (one or more of a developer, producer, purchaser, and trader) with information such as company policy, cost of capital, and other guidelines. All agents in the model will have a Company agent as a “parent” agent, and a Company agent will have at least one “child” agent associated with it.

Model dynamics

The NEMM model can be considered to consist of three main and distinct processes, and the detailed interaction between these processes. The figure below illustrates the three processes: Market, Analysis, and Investments.

NEMM Components

The market process

This represents the day-to-day trading in the model. It is in this process that Purchaser agents, Trader agents and Producer agents sell and buy certificates and the current certificate price is set. In short, the agents participating in the market post bids of offers according to their particular strategy, utility (how they determine what is a good strategy and what is not), their position and previous market outrun and liquidity. The agents develop (change) their strategy according to how successful or otherwise said strategy has been in the market.

 Analysis

The analysis component is where the analysis agents build up a picture of the future direction of the modeled certificate market. There are three types of analysis conducted at present: prognosis of short term market price developments, prognosis of medium to longer term market price directions (called the “certificate value signal”, or CV signal) and a project cost-curve analysis. The short term market analysis is a prognosis of the price in the next trading period, and is based on a statistical model of the market. The CV signal estimates value based on the size of the overall market position (i.e. how short or long the market is). The cost-curve analysis captures a “fundamental” approach to the market and essentially calculates the cost of the marginal plant required to meet the certificate demand.

The certificate value signal is used by all actors in evaluating bid/offer alternatives, and reflects the fact that those actors who are able (willingly or unwillingly) to wait before they sell (or buy) certificates will make an assessment of the likely future movements in certificate price. Agents in NEMM make this assessment using a minimum amount of information – the current price, and how short or long the market is. The project cost curve based analysis is used by some (but not all) developer agents in determining investments, and some agents in determining floor and ceiling price levels.

Short term market price expectations

The price expectation for the next trading period (short-term price expectations) provided by the Analysis agent is based on a statistical model of previous market prices. That is, the market participants have an expected certificate price for the next trading period given as a function of the past few prices (though they will not necessarily bid that price). The prognosis “learns” by updating itself to changing market price levels.

The Certificate value signal

The CV signal is the expected direction of future certificate price movement – up, sideways, or down. The concept behind the signal is simple, and is based on the number of total certificate shortfall at the given time point (that is, the demand from “now” to 2035 less the production to 2035 from all existing and under construction power plants). The signal makes the assumption that the current market price reflects the markets evaluation of the chance the market will be long (and thus certificates will ultimately have no value) and the chance the market will be short (and the certificates will ultimately have a very high value). By comparing the total certificate shortfall now with the total certificate shortfall at the end of the holding horizon (assuming in both cases only production from existing and under construction plant), other agents associated with the Analysis agent can assess whether the market is expected to become tighter or looser, and thus if prices should go up or down.

Project cost curve based analysis

This essentially takes a “fundamentals” point of view on the future price of certificates. It evaluates all future demand and all future certificate production from the plants already in operation or under construction. It then assumes that all certificate demand will be met in the most cost-effective manner based on the long run marginal cost of all potential projects and the time of build out. It hence indirectly assumes that the certificates market will ensure an optimal build-out to meet demand and that the price of certificates will be the certificate price needed by the marginal project build in order to break even.

As all Analysis agents are uncertain in their estimates of future demand, production and economics of potential projects, both the Certificate value signal and the cost-curve based analysis will differ among the Analysis agents. Note also that different agents will use their analysis differently, and some will not use it at all – reflecting how actors in the market actually operate.

The Investment process

The investment process is the collective term describing all the decisions that each developer agent must take for all projects within every investment period. The decisions to be made by each developer are:

  • Should we spend resources on identifying new projects?
  • Should we apply for concession for a particular project?
  • Should we start the preconstruction for an investment ready project?

These decision steps are a simplification of the decision steps taken in actual investment cases and described to us in the pilot interviews. However, they provide a reasonable approximation to the approach taken by all those interviewed that undertake development activities.

Investment strategies

NEMM currently implements three investment strategies (with each developer agent using one of these). The strategies are based on the results of the pilot interviews, and capture the investment decision-making approaches described to us by the interviewed actors. The three strategies are:

The cost-curve strategy. A developer agent using this strategy will move a project from one step to the next based on its LRMC compared to the LRMC of the marginal plant assessed by the developer company’s analysis agent (see the section on project cost curve based analysis above).

The market price-based strategy. A developer using this strategy will invest in a project only if current (i.e. modeled at time of investment) certificate and power prices are sufficient. Such developers will in addition not invest in a project if it is sufficiently more expensive than an assessed marginal plant (even if prices are high enough).

Finally, the third strategy is the restricted price-based strategy. Similar to the price based strategy, a developer will invest in a project only if the value of the “hedge-able” (or “PPA-able”) power and certificate income is sufficient to cover investment costs. This captures those investments that require bank financing under current market conditions.

Model results

The results of NEMM are currently only available for our project partners. If you are interested in finding out more, please do not hesitate to contact us.

Hvorfor agentbaserte modeller er bedre egnet til å modellere markedet for elsertifikater enn fundamentale likevektsmodeller

Før jeg begynner å underbygge påstanden i overskriften er det nærliggende å beskrive hva som er hensikten med en modell, eller mer spesifikt, en markedsmodell. En modell er en forenklet representasjon av den virkelige verden. En markedsmodell er således en forenklet representasjon av et virkelig marked. Denne representasjonen er et nyttig beslutningsstøtteverktøy ved at den kan gi oss en grundigere forståelse av markedet, enten man ønsker å gjøre scenarioanalyser, teste effekten av endringer i markedsstrukturen, forklare faktiske observasjoner eller predikere framtiden.

Det finnes flere måter å bygge forenklede matematiske representasjoner av virkelige marked på, men her belyses fundamentale likevektsmodeller og adferdsorienterte (agentbaserte) markedsmodeller. Kort fortalt er det som skiller disse metodene spørsmålet om en markedsaktør, gitt samme nyttefunksjon og informasjon, vil opptre på samme måte eller ikke. I en fundamental likevektsmodell antar man implisitt at alle aktører har samme informasjon og vil opptre på tilnærmet samme måte i like situasjoner. I agentbaserte markedsmodeller åpner man for at agenter (les markedsaktører) har ulik oppførsel, ulik informasjon, ulik strategi, ulike mål og ulike måter å endre oppførsel på, noe som igjen betyr at deres opptreden i en gitt situasjon ikke er lik. Man sier at agentbaserte modeller i større grad tillater heterogen oppførsel.

Som nevnt handler markedsmodellering om å bygge forenklede representasjoner som på best mulig måte fanger det man observerer i den virkelige verden. Ved modellering av åpne marked er likevektsmodeller svært utbredt. Årsaken til dette er at;

  • Det er ansett som en rimelige antakelse at aktører med perfekt informasjon (lik informasjon) vil opptre likt tilnærmet likt. Selv om aktørenes oppførsel i virkeligheten ikke vil være helt lik, antas oppførselen å være symmetrisk fordelt rundt det som er vanligst. Det antas derfor at det ikke er noen systematiske forskyvninger fra den «like» oppførselen. Dette gjør oppførselen forutsigbar og mulig å utlede.
  • De er relativt sett enklere å utvikle, spesielt likevektsmodeller som har restriktive antakelse om adferd (perfekt konkurranse).

Priser i likevektsbaserte markedsmodeller som antar perfekt konkurranse vil derfor ende opp på marginalkostnaden til den siste produsenten som leverer produkter i markedet. En annen tolkning er at disse modellene ender opp med de samme prisene som markedet ville endt opp med dersom beslutningene i markedet var sentralisert. Disse modellen tar altså ikke hensyn til interaksjonen mellom markedsaktørene og at beslutningene faktisk er desentralisert. Rent praktisk kan slike modeller være nyttige i markeder hvor det er mange aktører, hvor tilbud/etterspørsels-beslutningene er relativt små, og alle aktørene sitter på tilnærmet samme informasjon – eksempelvis kraftmarkedet.

Vår erfaring tilsier at selv om likevektsbaserte markedsmodeller kan være informative for kraftmarkedet, egner de seg dårligere til å modellere markeder hvor interaksjonen mellom markedsaktørene er mer utslagsgivende for markedet, eksempelvis i markedet for elsertifikater.

Agentbasert modellering

Der likevektsmodeller som oftest tar utgangspunkt i den teoretiske likevekten som markedet som helhet skal oppnå, tar agentbaserte modeller utgangspunkt i å definere agentenes omgivelser og deres faktiske oppførsel. Hovedpoenget her er å forstå hvilke makrostrukturer som oppstår når disse agentene interagerer med omgivelsene og hverandre.  En agentbasert modell kan således sies å være konstruert ”bottom-up”, da agentenes adferd (mikronivå) er innputt og det som skjer på makronivå er utputt.

Et klassisk eksempelet på en agentbasert modell som viser hvilke makrostrukturer som oppstår ved å definere mikrostrukturene, er Schellings segregeringsmodell. Modellen til Schelling forklarer oss hvordan segregeringsmønstre i byer ikke nødvendigvis kommer av at mennesker ønsker at majoriteten av dem rundt seg har samme etnisitet. Eksempelvis forklarte modellen at man selv med agenter (innbyggerne) som ønsker at kun 30 % av naboene skal ha samme etnisitet, vil få byer som er totalsegregert. Modellen sier noe kontra intuitivt om byenes makrostruktur ved å kun ha definert agentene på mikronivå.

Kort om elsertifikatmarkedet

Som de fleste andre markeder har markedet for elsertifikater en etterspørselsside og en tilbudsside. Forbrukerne er lovpålagt å kjøpe elsertifikater for en andel av forbruket sitt, en andel som vokser fram mot 2020 og som dermed utgjør etterspørselen. På tilbudssiden blir ny fornybar kraftproduksjon satt i drift før 2020 i Norge og innen 2035 i Sverige tildelt sertifikater for hver MWh strøm produsert i opptil 15 år. Produsenter kan selge videre sertifikatene de ”produserer” i samme periode som de blir produsert, eller lagre dem til senere.  For flere detaljer om ordningen henvises det til NVEs hjemmesider.

Alternative_Energies

 

Hvorfor en agentbasert tilnærming er mer egnet til å modellere elsertifikatmarkedet

Vår erfaring fra elsertifikatmarkedet er at ingen vet hva som faktisk vil skje på makronivå, ei heller har vi observert noen likevekt. De modellene vi tidligere har jobbet med gir en likevektsbaserte markedspris på sertifikater, men denne prisen stemmer dårlig med det vi faktisk observerer. Vi mener derfor at er mer relevant å ta utgangspunkt i det vi faktisk kan klare å beskrive, nemlig enkeltaktørers adferd på mikronivå, og bruke dette som utgangspunkt for en markedsmodell.

Det er etter vår mening fire hovedårsaker til at markedet for elsertifikater ikke lar seg modellere av tradisjonelle likevektsmodeller, og at en agentbasert tilnærming er bedre egnet:

  • Sertifikatmarkedet er preget av binære investeringsbeslutninger.

De relativt store investeringskostnadene og de lave driftskostnadene for ny fornybar kraft medfører at beslutningene i liten grad følger en typisk marginalkostnadsdynamikk og minner mer om binære beslutninger. Vi har et marked med relativt få store avgjørelser, snarere enn mange små. Dette medfører at tilbudssiden av markedet kan minne om et spill mellom utbyggere hvor avgjørelsene i stor grad er avhengig av hva man tror andre aktører vil gjøre. I slike spillsituasjoner blir interaksjonen mellom aktørene mer utslagsgivende og dermed viktigere å inkludere i modellen.

  • Markedet er forventningsstyrt

Markedet og dermed prisene for elsertifikater er i stor grad styrt av forventinger og i mindre grad av det fundamentale. Siden forventingene varierer stort fra aktør til aktør, varierer også oppførselen stort. Investeringsbeslutningene er i stor grad avhengige av hva utbyggerne tror de andre utbyggeren tenker, og hva de tror disse utbyggerne tenker om en selv. Dette forsterker betydningen av interaksjonen mellom aktørene i markedet.

  • Markedet er volatilt

I et marked som er følsomt for endringer ser vi svært volatile priser. Stigende forventinger om et overskudd av elsertifikater ved 2020 kan få prisene til å kollapse, mens en forventing om overskudd kan sende prisene til himmels. Dette kombinert med usikkerhet rundt for eksempel rammebetingelsene, konsesjonsprosessene og kraftetterspørselen gjør at prisene svært lett avviker fra den tradisjonelle likevektsprisen.

  • Individualitet og varierende rammebetingelser

Siden både aktørenes oppfatning og evne til å håndtere denne usikkerheten varierer, blir forskjeller mellom markedsaktører mer utslagsgivende. Markedsaktørenes strategier, handlingsmønstre og beslutninger er derfor i større grad individuelle, slik at likevektsmodellens implisitte antakelse om en sentralisert beslutning blir lite beskrivende.

Varierende rammebetingelser på tvers av landegrensene forsterker dette ytterlige ved at aktører ikke bare tenker ulikt men også har ulike omgivelser i form av skatteregler, infrastruktur og interessesammensetninger. Med agentbasert modellering er dette atskillig lettere å ta hensyn til.

Som nevnt har vi erfart at likevektsbasert markedsmodeller for elsertifikatmarkedet ikke klarer å gjengi det vi faktisk observerer i elsertifikatmarkedet. Selv om en slik modell er informativ i den forstand at den gir den «riktige» fundamentale prisen, har modellen liten nytte dersom formålet er å forklare de faktiske prisene og investeringene i markedet når den ikke treffer historisk eller framover.

På bakgrunn av dette starter vi snart et forskningsprosjekt som skal utvikle en agentbasert markedsmodell for elsertifikatmarkedet.

Forskningsprosjekt: En agentbasert markedsmodell for elsertifikatmarkedet

Vi i Optimeering har i samarbeid med Thema Consulting blitt tildelt midler fra Forskningsrådet til å utvikle en agentbasert modell for elsertifikatmarkedet. En viktig del av prosjektet vil være å intervjue et spekter av aktører i bransjen for å forstå deres oppførsel på mikronivå og bruke dette som utgangspunkt for å modellere fremtidig utvikling i elsertifikatmarkedet.

Eksterne markedsaktører deltar også i prosjektet og vi er åpne for å dele den innsikten prosjektet gir til flere deltakere. For mer informasjon vedrørende prosjektet henvises det til vår produktside eller til å ta kontakt direkte med prosjektleder Gavin Bell.

Referanser

Macal, C. M., & North, M. J. (2005, December). Tutorial on agent-based modeling and simulation. In Proceedings of the 37th conference on Winter simulation (pp. 2-15). Winter Simulation Conference.

Tufte, P. A., Lyngstad, T. H., & Birkelund, G. E. (2010). Agentbasert modellering: en del av samfunnsvitenskapenes verktøykasse. Tidsskrift for samfunnsforskning, 51(3), 335-362.

Professor Scott E. Page University of Michigan – lectures in Model Thinking