BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Mahareva Kristina (Transport and Telecommunication Institute (TSI)), Silinevica Veronika (Transport and Telecommunication Institute (TSI)), Stecenko Inna (Transport and Telecommunication Institute (TSI))
Tytuł
Methodology for Analyzing the Relationships Between Physical Parameters and Price Variables in Regional Demand for Wind Electricity (As Applied to the Latvian Aggregator)
Metodologia analizy zależności między parametrami fizycznymi a zmiennymi cen regionalnego zapotrzebowania na energię wiatrową (przypadek agregatora łotewskiego)
Źródło
De Securitate et Defensione. O Bezpieczeństwie i Obronności, 2022, nr 2, s. 119-132, tab., bibliogr. 17 poz.
Słowa kluczowe
Energia wiatru, Odnawialne źródła energii, Bezpieczeństwo energetyczne
Wind energy, Renewable energy sources, Energy security
Uwagi
streszcz., summ.
Abstrakt
W artykule zaproponowano metodologię kompleksowej analizy zależności korelacyjnych i regresyjnych relacji między ceną energii elektrycznej a produkcją energii wiatrowej na rynku energii elektrycznej,zgodnie z Krajowym Planem Energetyki i Klimatu na lata 2021-2030, w celu zwiększenia udziału odnawialnych źródeł energii (OZE) w wytwarzaniu energii elektrycznej. Zarówno modele biznesowe, jak i technologie regulacji podaży i popytu na energię elektryczną (EE) ulegają istotnym zmianom. Głównym celem Europejskiego Zielonego Ładu jest przekształcenie Europy do 2050 r. w pierwszy na świecie kontynent neutralny dla klimatu. Wykorzystanie energii odnawialnej znacznie zmniejsza zależność od paliw kopalnych jako źródła energii, pomagając ograniczyć emisje gazów cieplarnianych. Rozwój odnawialnych źródeł energii może również pomóc w ustabilizowaniu cen energii w przyszłości, gdy będzie ona stanowić znaczną część miksu energetycznego, który zasila przedsiębiorstwa i gospodarstwa domowe. Dobrowolna optymalizacja zużycia energii elektrycznej i oszczędność energii przez odbiorcę końcowego pociąga za sobą skutki gospodarcze realizowane przez mechanizm Demand Response (DR). Przedstawione adaptowane modele pomagają zrozumieć ten mechanizm i ustalić rozwój łotewskiego regionalnego agregatora, który z kolei wzmacnia bezpieczeństwo energetyczne w krajach Unii Europejskiej oraz poprawia zrównoważenie i odporność energetyczną.(abstrakt oryginalny)

The present paper presents the methodology for the complex analysis of correlation and regression dependences of the relationship between the electricity price and the wind power generation in an electricity market of Latvia. The methodology is based on the adaptation of classical mathematical models in relation to the analysis of dependencies using the examples of official statistical data: average hourly consumption and the price of one MWh of electricity for the period 2014-2019; average hourly consumption and price per MWh of wind power in 2019 and similar indicators for peak consumption hours in 2019. The calculated data showed that the polynomial regression models are not suitable for the purposes of the analysis. The use of the sinusoidal dependence of wind power indicators on the number of the month of the year as a basic model for a correlation study is substantiated. A method has been developed for modifying this model for the case when the maximum and minimum outliers of the studied data do not have the same average deviations from the total average. The quantitative analysis has been chosen for assessment of research results. The developed models are recommended to be used as a real-time analytical tool for understanding and evaluating the business model of a regional electricity aggregator in response to supply and demand. The development of the functionality of this aggregator will increase the efficiency of the use of Latvian wind power and increase the level of its energy security. In 2021, the European Commission proposed a strengthening of the EU Energy Efficiency Directive to reduce net greenhouse gas emissions by at least 55% compared to 1990. Russia's invasion of Ukraine exposed the vulnerability in European energy system and accelerated the need to increase its resilience and independence from Russian fossil fuels.(original abstract)
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Adams Andrew, Booth Phillip, Bowie David, Freeth Della S. 2003. Investment Mathematics. John Wiley &Sons Ltd.
  2. Adams Andrew, Bloomfield Della, Booth Phillip, England Peter. 1993. Investment Mathematic and Statistics. London -Dordrecht -London: Graham and Trotman.
  3. Afifi Abdelmonem A., Azen Stanley P. 2015. Statistical Analysis. A Computer Oriented Ap-proach. New York -San Francisco -London: Academic Press.
  4. Cabinet of Ministers Republic of Latvia. 2020. Rīkojums Nr. 46 "Par Latvijas Nacionālo enerģētikas un klimata plānu 2021.-2030. gadam", https://likumi.lv/ta/id/312423.
  5. Central Statistical Bureau of Latvia. 2021. Electricity Production, Imports, Exports and Con-sumption,https: //stat.gov.lv/en/statistics-themes/business-sectors.
  6. Cointe Béatrice, Nadaï Alain. 2018. Feed-in Tariffs in the European Unions. Renewable energy policy, the internal electricity market and economic expertise. Palgrave Macmillan.
  7. Cretì Anna, Fontini Fulvio. 2019. Economics of Electricity. Markets, Competition and Rules. Cambridge: Cambridge University Press.
  8. European Comisssion. 2020. European Green Deal,https://ec.europa.eu/info/strategy/priori-ties-2019-2024/european-green-deal_en.
  9. European Council. May 2022. Conclusions on Ukraine, food security, security and defence and energy, https://www.consilium.europa.eu/en/press/press-releases/2022/05/31/european-council-conclusions-30-31-may-2022/.
  10. Latvijas Republikas Saeima. 2005. Electricity MarketLaw, https://lik-umi.lv/ta/en/en/id/108834.
  11. Nord Pool. 2019. Maximum Net Transfer Capacities (NTC),https://www.nordpool-spot.com/globalassets/download-center/tso/max-ntc.pdf.
  12. Nord Pool. 2020. Merchant Electricity Prices. Historical market data, http://nordpool-spot.com/historical-market-data.
  13. Nord Pool. 2020. Merchant Electricity Prices. Market Data, https://www.nordpoolgroup.com/.
  14. Rawlings John, Pantula Sastry, Dickey David. 2006. Applied Regression Analysis. New York: Springer.
  15. Seber George A.F., Lee Alan J. 2003. Linear regression analysis. New Jersey: John Wiley and Sons, Inc.
  16. Stede Jan et al. 2020. "The role of aggregators in facilitating industrial demand response: Evidence from Germany".Energy Policy 147, 111893.https://doi.org/10.1016/j.en-pol.2020.111893.
  17. Uğur Soytaş, Ramazan Sarı(eds). 2021. Routledge Handbook of Energy Economics. London-New York:Routledge.
Cytowane przez
Pokaż
ISSN
2450-5005
Język
eng
URI / DOI
https://doi.org/10.34739/dsd.2022.02.08
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu