TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU
Trong những thập kỷ qua, mô hình ABM đã được sử dụng để trả lời nhiều loại câu hỏi nghiên cứu trong bối cảnh hệ thống điện Nhìn chung, có thể xác định hai nhóm mô hình ABM: mô hình ABM ngắn hạn và mô hình ABM dài hạn Hai loại mô hình ABM này thường được sử dụng cho các mục đích khác nhau và trọng tâm của nghiên cứu là về mô hình ABM dài hạn Bảng phân loại các mô hình ABM và các ứng dụng của chúng được tóm tắt trong Bảng 2-1
Bảng 2-1 Các mô hình ABM được sử dụng trong mô phỏng hệ thống điện
Phân loại Quyết định của Agent Mục đích chính của mô hình Ví dụ
Các chiến lược đặt giá thầu
Hiệu quả thị trường với việc tham khảo các thiết kế thị trường Ảnh hưởng của việc thực thi sức mạnh thị trường
Các chiến lược đấu thầu và tác động của chúng khi xem xét các hạn chế kỹ thuật, thương mại xuyên biên giới và đáp ứng nhu cầu
Ra quyết định đầu tư Đánh giá chính sách (ví dụ trợ cấp NLTT)
Chuyển đổi hệ thống năng lượng có tham khảo các thiết kế thị trường Ảnh hưởng của các hành vi hợp lý có giới hạn của các Agent trong thời gian dài
Các mô hình ABM ngắn hạn chủ yếu được sử dụng để nghiên cứu trò chơi đấu thầu trên một thị trường theo các thiết kế thị trường khác nhau và kết quả là hiệu quả thị trường hoặc thực hiện sức mạnh thị trường Đánh giá toàn diện về các mô hình ABM ngắn hạn có thể được tìm thấy trong tham khảo [19], [20] Dưới đây, một số nghiên cứu
Mô hình ABM trong thị trường điện tử phát triển vào cuối những năm 1990, cho phép nghiên cứu hiệu quả thị trường dưới các thiết kế thị trường khác nhau, với giả định cân bằng thị trường ổn định và tác nhân định giá Các nghiên cứu ban đầu tập trung vào tần suất bù trừ thị trường và cơ chế định giá với mô hình ABM trừu tượng dựa trên giả định tối đa hóa lợi nhuận, nhu cầu không co giãn và hệ thống không tắc nghẽn Sau đó, mô hình ABM được mở rộng để giải quyết các vấn đề khác như ràng buộc lưới điện, ràng buộc đơn vị, thương mại xuyên biên giới và đáp ứng nhu cầu Ngoài mô hình ABM ngắn hạn tập trung vào kết quả giao dịch ngay, mô hình ABM dài hạn cũng được phát triển để nghiên cứu quá trình chuyển đổi hệ thống điện với quy mô thời gian tính từ nhiều năm đến nhiều thập kỷ Các nghiên cứu này nhằm đánh giá ảnh hưởng của các yếu tố như hỗ trợ năng lượng tái tạo, thiết kế thị trường carbon, cơ chế khuyến khích công suất và sở thích công nghệ đối với sự phát triển của hệ thống điện.
Trong những thập kỷ qua, một số khuôn khổ mô hình ABM dài hạn đã kết hợp việc ra quyết định đầu tư ở cấp Agent, ví dụ PowerACE [23], [24], AMIRIS [25], EMCAS [26], [27] và EMLab [28]–[30] PowerACE là một khung mô hình ABM được phát triển để phân tích tác động của các thiết kế thị trường khác nhau (ví dụ: thị trường năng lượng duy nhất - energy only market, cơ chế đãi ngộ năng lực) và các biện pháp chính sách về đầu tư vào các nguồn NLTT và sự đóng góp của chúng đối với an ninh nguồn cung ở cấp quốc gia và châu Âu [24] Mô hình này nhằm mục đích kết hợp các thị trường khác nhau (thị trường giao ngay, thị trường kỳ hạn, thị trường CO2 và thị trường dự trữ) và đã được sử dụng để giải quyết các câu hỏi nghiên cứu khác nhau như ảnh hưởng của NLTT đối với giá thị trường giao ngay [31], hiệu quả kinh tế của thiết kế thị trường CO2 [32] và tác động của khoản vay ưu đãi đối với việc mở rộng công suất tái tạo [13] AMIRIS (Mô hình ABM để tích hợp NLTT vào hệ thống điện) là một công
HVTH: NGUYỄN THANH HUY 11 cụ thiết kế chính sách được sử dụng để thúc đẩy việc tích hợp các nguồn NLTT vào thị trường điện Mô hình được thiết kế để nghiên cứu các chương trình kinh doanh NLTT khác nhau, đặc biệt chú ý đến việc đánh giá hiệu quả của chính sách tiếp thị trực tiếp so với các khoản trợ cấp thuế quan không hiệu quả Để so sánh hiệu quả của chính sách, các Agent sản xuất điện được cung cấp năm mô hình kinh doanh khác nhau và kết quả có thể được so sánh [25] EMCAS (Hệ thống thích ứng phức hợp với thị trường điện) ban đầu được thiết kế không có mô-đun ra quyết định đầu tư mà nhằm mục đích mô phỏng hành vi của các Agent trên thị trường giao ngay EMCAS ban đầu bao gồm các Agent công ty phát điện, Agent điều hành hệ thống, Agent tiêu dùng và Agent quản lý Khả năng học hỏi của các Agent được cung cấp bởi các thuật toán di truyền Với sự trợ giúp của các loại Agent khác nhau này, mô hình có khả năng nghiên cứu các tổ chức thị trường khác nhau như định giá cận biên theo địa phương [33], phí tác nghẽn [34], hợp đồng song phương [35] và các thị trường dịch vụ phụ trợ [33] Sau đó, khung EMCAS đã được mở rộng để có khả năng nghiên cứu sự mở rộng công suất trong dài hạn [26] EMLab (Phòng thí nghiệm mô hình hóa năng lượng) là một khuôn khổ mô hình hóa dựa trên Agent dài hạn được thiết kế để đánh giá tác động của các công cụ chính sách và thiết kế thị trường khác nhau
Thách thức chính mà các mô hình này phải đối mặt là thiết kế một phương pháp phù hợp cho phép các Agent đưa ra dự đoán về các dòng doanh thu / giá trong tương lai Trong khi các mô hình ABM hiện tại được điều chỉnh dựa trên các chỉ số và tiêu chí được sử dụng để đưa ra quyết định đầu tư (ví dụ: NPV không âm hoặc IRR tối thiểu), các phương pháp được sử dụng trong các mô hình ABM dài hạn hiện có là khác nhau để dự đoán giá hoặc các luồng doanh thu trong tương lai Và ở nghiên cứu này sẽ tập trung so sánh sự khác nhau này, từ đó đề xuất một phương pháp dự báo giá mới phù hợp hơn và có khả năng ứng dụng ở thị trường bán lẻ điện cạnh tranh của Việt Nam trong tương lai
Bảng 2-2 Các nghiên cứu liên quan đến mô hình hình dựa trên Agent
STT Tên bài báo, nghiên cứu Tác giả Năm Mô tả
- Trình bày một mô hình mô phỏng tính toán chuyên sâu của thị trường điện bán buôn ở Anh và xứ Wales để cô lập và kiểm tra một cách có hệ thống tác động tiềm tàng của các thỏa thuận mua bán thay thế đối với giá điện
- Bài báo sử dụng mô phỏng dựa trên Agent để đánh giá hai khía cạnh quan trọng của đề xuất thay đổi thị trường ở Anh và xứ Wales sang giao dịch song phương
Agent-based simulation - An application to the new electricity trading arrangements of
Bài báo trình bày một ứng dụng quy mô lớn của mô hình tiến hóa đa phương đối với các thỏa thuận mua bán điện mới (NETA) được đề xuất ở Anh NETA liên quan đến thị trường kỳ hạn song phương, theo sau là cơ chế cân bằng và sau đó là quá trình giải quyết sự mất cân bằng Mô hình mô phỏng dựa trên Agent này có thể cung cấp thông tin chi tiết về giá cả và chiến lược, trước khi NETA giới thiệu thực tế
- Nghiên cứu báo cáo về việc phát triển mô hình và triển khai mã nguồn mở (bằng Java) của thị trường điện bán buôn tính toán được tổ chức phù hợp với các tính năng cốt lõi của WPMP và vận hành trên lưới điện truyền tải thực tế
- Các nhà giao dịch trong mô hình thị trường này là các Agent tìm kiếm lợi nhuận chiến lược có hành vi học tập dựa trên dữ liệu từ các thí nghiệm đối tượng là con người Trọng tâm thử nghiệm chính là sự tác động lẫn nhau phức tạp giữa các điều kiện cấu trúc, giao thức thị trường và các hành vi học hỏi liên quan đến hoạt động thị trường ngắn hạn và dài hạn
Can agent- based models forecast spot prices in electricity markets?
Young David, Poletti Stephen, Browne Oliver
- Mô hình hóa hình thành giá trên thị trường điện là một quá trình nổi tiếng là khó khăn, do những hạn chế về vật chất đối với sản xuất và truyền tải điện, và tiềm năng thị trường điện Khó khăn này đã tạo cảm hứng cho sự phát triển gần đây của các mô hình học thuật toán dựa trên Agent của thị trường điện
- Nghiên cứu này phát triển mô hình SWEM, trong đó lấy một trong những thuật toán hứa hẹn nhất, một phiên bản sửa đổi của thuật toán Roth và Erev, và áp dụng nó để đơn giản
HVTH: NGUYỄN THANH HUY 13 hóa 19 nút của thị trường điện New Zealand Khi các biến chính như trữ nước được tính đến, nghiên cứu cho thấy rằng mô hình có thể mô phỏng chặt chẽ giá điện ngắn hạn (hàng tuần) tại 19 điểm nút này, dựa trên các yếu tố đầu vào cơ bản như chi phí nhiên liệu, dữ liệu mạng và nhu cầu
Market dynamics driven by the decision- making power producers [9]
Damien Ernst, Anna Minoia, Marija Ilic
CƠ SỞ LÝ THUYẾT
Mô hình ABM (Agent-base model - ABM)
Sự cần thiết của mô hình ABM
Mô hình ABM đang ngày càng phổ biến trong thế giới phức tạp hiện nay, với những lý do sau: Các hệ thống cần phân tích và mô hình hóa ngày càng phức tạp hơn, đòi hỏi những công cụ tạo mô hình tiên tiến hơn Ví dụ tiêu biểu là trường hợp bãi bỏ quy định tập trung trong ngành điện, cho phép các công ty điện lực đưa ra quyết định về giá cả và đầu tư dựa trên tiêu chí riêng, thay vì phụ thuộc vào các quy định trước đây.
Thứ hai, một số hệ thống luôn quá phức tạp để có thể mô hình hóa một cách thích hợp Mô hình hóa thị trường kinh tế theo truyền thống dựa trên các khái niệm về thị trường hoàn hảo, các Agent đồng nhất và trạng thái cân bằng dài hạn bởi vì những giả định này làm cho các vấn đề có thể phân tích và tính toán được Các nhà nghiên cứu đang bắt đầu nới lỏng một số giả định này và có cái nhìn thực tế hơn về các hệ thống kinh tế này thông qua ABM
Thứ ba, dữ liệu đang được thu thập và tổ chức thành cơ sở dữ liệu ở mức độ chi tiết tốt hơn Dữ liệu vi mô hiện có thể hỗ trợ các mô phỏng dựa trên từng cá nhân
Và thứ tư, nhưng quan trọng nhất, sức mạnh tính toán đang tiến bộ nhanh chóng Bây giờ chúng ta có thể tính toán các mô hình vi mô quy mô lớn mà chỉ vài năm trước đây sẽ không hợp lý
Không có thống nhất chung nào về định nghĩa chính xác của thuật ngữ “Agent” trong ngữ cảnh của mô hình ABM Không giống như các hệ thống hạt (ví dụ: các hạt khí lý tưởng hóa) là đối tượng của lĩnh vực mô phỏng hệ thống vật lý, các Agent được sử dụng rất đa dạng, không đồng nhất và năng động về các thuộc tính và quy tắc hành vi của chúng, như thể hiện trong Hình 3-1 Một số nhà mô hình coi bất kỳ loại thành phần độc lập cho dù đó là phần mềm hay một mô hình đều có thể trở thành một Agent [36] Hành vi của một thành phần độc lập có thể từ đơn giản về bản chất, ví dụ: được mô tả bằng các quy tắc if-then đơn giản đến phức tạp, ví dụ: được mô tả bằng các mô
Theo quan điểm nghiên cứu khoa học nhận thức và trí tuệ nhân tạo, "Agent" là những thành phần thể hiện các hành vi phức tạp, có khả năng học hỏi từ môi trường xung quanh để tự động điều chỉnh hành vi của mình dựa trên kinh nghiệm Các "Agent" không chỉ sở hữu các quy tắc hành vi cơ bản mà còn có một tập hợp cấp cao hơn là "quy tắc để thay đổi các quy tắc" Các quy tắc cơ sở cung cấp phản ứng với môi trường, trong khi các quy tắc này lại được các quy tắc cấp cao hơn điều chỉnh để thích ứng với những thay đổi trong môi trường Bằng cách này, các "Agent" thể hiện sự thích ứng và linh hoạt trong hành vi, đáp ứng các nhu cầu phức tạp trong các tình huống khác nhau.
"các quy tắc để thay đổi các quy tắc" cung cấp sự thích ứng Nghiên cứu [38] cung cấp một quan điểm khoa học máy tính về “Agent” nhấn mạnh đặc điểm thiết yếu của hành vi tự chủ Điều này đòi hỏi các Agent phải là những người phản hồi và lập kế hoạch tích cực hơn là những thành phần thụ động thuần túy Đối với các mục đích mô hình hóa thực tế, các nhà nghiên cứu coi các Agent có các thuộc tính nhất định:
• Agent là tự chủ và tự định hướng Một Agent có thể hoạt động độc lập trong môi trường của nó và trong các tương tác của nó với các Agent khác Hành vi của Agent là sự thể hiện của một quá trình liên kết cảm nhận của Agent về môi trường với các quyết định và hành động của nó
• Agent là mô-đun hoặc khép kín Agent là một cá thể có thể nhận dạng, rời rạc với một tập hợp các đặc điểm hoặc thuộc tính, hành vi và khả năng ra quyết định
• Một Agent là thành phần của xã hội, tương tác với các Agent khác Agent có các giao thức hoặc cơ chế mô tả cách họ tương tác với các Agent khác, giống như Agent có các hành vi Các giao thức tương tác Agent phổ biến bao gồm tranh chấp về không gian và tránh va chạm; công nhận Agent; giao tiếp và trao đổi thông tin; ảnh hưởng; và các cơ chế dành riêng cho miền hoặc ứng dụng khác Agent thường có các thuộc tính bổ sung, có thể có hoặc không được coi là đặc tính xác định hoặc cần thiết cho Agent
• Một Agent có thể sống trong một môi trường Agent tương tác với môi trường của nó cũng như với các Agent khác Agent được định vị, theo nghĩa là hành vi của nó phụ thuộc vào tình huống, có nghĩa là hành vi của nó dựa trên trạng thái hiện tại của các tương tác của nó với các Agent khác và với môi trường
• Agent có thể có các mục tiêu rõ ràng thúc đẩy hành vi của nó Các mục tiêu không nhất thiết là các mục tiêu để tối đa hóa nhiều như các tiêu chí để đánh giá tính
Điểm mấu chốt của HVTH trong cải tiến chính là khả năng đánh giá hậu quả của các quyết định và hành động của Agent Điều này cho phép Agent liên tục so sánh kết quả hành động với mục tiêu đã đề ra và từ đó cung cấp cho Agent cơ sở để hiệu chỉnh hành vi của mình.
• Một Agent có thể có khả năng học hỏi và điều chỉnh các hành vi của mình dựa trên kinh nghiệm của nó Việc học tập và thích nghi của cá nhân đòi hỏi Agent phải có bộ nhớ, thường ở dạng thuộc tính Agent động
• Agent thường có các thuộc tính tài nguyên cho biết tình trạng hiện tại của một hoặc nhiều tài nguyên, ví dụ: năng lượng, của cải, thông tin,…
Hình 3-1 Agent điển hình Các quy tắc hành vi của Agent có thể khác nhau về mức độ tinh vi của chúng, lượng thông tin được xem xét trong quyết định của Agent, mô hình bên trong của Agent về thế giới bên ngoài bao gồm các phản ứng hoặc hành vi có thể có của các Agent khác và khả năng bộ nhớ của nó về các sự kiện trong quá khứ mà một Agent giữ lại và sử dụng trong các quyết định của mình
Lợi ích của mô hình ABM
Mô hình ABM cung cấp ba lợi ích chính so với các kỹ thuật mô hình khác [39]: Các mô hình ABM:
Mô hình Phòng thí nghiệm mô hình hóa năng lượng (Energy Modelling
Mô hình dùng để phân tích tác động tổng hợp của các quyết định đầu tư dựa trên những kịch bản về chính sách và thiết kế thị trường, nhằm đánh giá tác động có thể có của những công cụ chính sách khác nhau đối với sự phát triển lâu dài của thị trường điện châu Âu Với mô phỏng kéo dài trong nhiều thập kỷ, bước thời gian của mô hình là một năm Mô hình cung cấp cái nhìn sâu sắc về các kết quả có thể từ các chính sách khác nhau, đặc biệt là từ sự kết hợp của các biện pháp chính sách Động lực của sự thay đổi trong mô hình là những thay đổi đối với các yếu tố ngoại sinh, chẳng hạn như giá nhiên liệu và nhu cầu điện, cũng như những thay đổi về chính sách.
CO2 sẽ dẫn đến trạng thái cân bằng mới với công nghệ tạo ra các-bon thấp hơn Tuy nhiên, trong môi trường có các yếu tố ngoại sinh thay đổi liên tục, thời gian xây dựng nhà máy điện mới kéo dài và tuổi thọ lâu dài của chúng dẫn đến hệ quả là thị trường điện khó có thể ở trạng thái cân bằng đầu tư Đây cũng là trường hợp trong mô hình này Khi giá liên quan thay đổi, sở thích của các Agent đối với công nghệ phát điện thay đổi Câu hỏi quan trọng là bộ chính sách nào dẫn đến mức giảm thiểu CO2 mong muốn và làm thế nào để chi phí có thể được giảm thiểu một cách dễ dàng nhất, với nhiều tình huống khác nhau của các điều kiện ngoại sinh luôn thay đổi
Agent chính trong mô hình là các công ty phát điện Trong mô hình, họ đưa ra quyết định về giá bán điện và về việc đầu tư và hủy bỏ đầu tư vào các nhà máy phát điện Họ mua nhiên liệu với giá xác định ngoại sinh, tức là họ là người định giá trên các thị trường này Các Agent điều hành nhà máy điện của họ dựa trên giá nhiên liệu, điện và CO2, trong khi đối với các quyết định đầu tư của họ, họ cũng xem xét các ước tính về giá trong tương lai, chi phí của các công nghệ phát điện khác nhau và, nếu người lập mô hình mong muốn, các yếu tố khác như ngại rủi ro hoặc ưu tiên cho các công nghệ sản xuất cụ thể như năng lượng tái tạo
Thị trường điện và CO2 là những lĩnh vực chính mà các Agent tương tác Để mô phỏng thực tế của thị trường điện châu Âu, mô hình chứa nhiều thị trường điện với khả
HVTH: NGUYỄN THANH HUY 23 năng kết nối hạn chế giữa chúng Có một thị trường CO2 duy nhất Các thị trường điện được mô hình hóa như trao đổi điện năng, chúng được thanh toán bù trừ đồng thời, bao gồm cả thuật toán khớp nối thị trường để phân bổ công suất máy liên kết Một quy trình lặp đi lặp lại được sử dụng để mô phỏng chênh lệch giá giữa thị trường điện và thị trường
Trong quá trình xây dựng các nhà máy điện mới, các nhà đầu tư có thể lựa chọn giữa nhiều công nghệ phát điện khác nhau Những tiến bộ trong công nghệ này thường đi đôi với chi phí giảm dần và hiệu suất được cải thiện (ví dụ: mức tiêu thụ nhiên liệu) Trong phạm vi có thể, các xu hướng này đã được điều chỉnh theo dữ liệu thử nghiệm Các công nghệ phát triển ổn định như khí đốt, than và điện hạt nhân có tốc độ tiến bộ chậm hơn so với những công nghệ mới hơn như năng lượng gió hoặc công nghệ hấp thụ carbon.
Mô hình đã được phát triển để kiểm tra kết hợp chính sách carbon và chính sách NLTT trong các thị trường liên kết với nhau, với các giả định khác nhau về hành vi đầu tư Chính sách carbon cơ bản là một kế hoạch thương mại khí thải dựa trên ETS của EU Giá carbon tối thiểu có thể được bao gồm trong chương trình này Thay vào đó, hoặc ngoài ra, thuế carbon có thể được thực hiện Các công cụ chính sách NLTT có thể được thêm vào mô hình
Các giả định sau đây làm cơ sở cho mô hình:
1 Nhiên liệu luôn có sẵn Nguồn cung cấp sinh khối và khí tự nhiên không giới hạn
2 Giá nhiên liệu là ngoại sinh và tái hiện sự khan hiếm tương đối của nhiên liệu
Hệ thống được mô hình hóa quá nhỏ để ảnh hưởng đến giá nhiên liệu thế giới
3 Sinh khối được giả định là 100% carbon trung tính Trong mô hình, sinh khối đại diện cho các đặc điểm chung của năng lượng tái tạo: không chứa carbon, nhưng đắt hơn
4 Các đặc điểm chính của Giai đoạn 3 của EU ETS (2013 trở về sau) bao gồm: 100% quyền phát thải CO2 được đấu giá và giới hạn sẽ giảm theo thời gian
5 Tác động của thương mại phát thải giữa các ngành được cho là không đáng kể so với thương mại nội ngành
6 Đổi mới chỉ giới hạn trong học tập; các công nghệ sẵn có dần dần được cải thiện về giá thành và hiệu suất, các công nghệ hoàn toàn mới không có trong mô hình
7 Tất cả các chi phí và giá cả không đổi trong năm 2011 Giá điện là giá bán buôn; thuế và phí truyền tải không được bao gồm
Mô hình này được khởi tạo bằng cách tải lên một tệp kịch bản mô tả dữ liệu chuỗi thời gian, hàm nhu cầu, công nghệ sản xuất, danh mục đầu tư phát điện và thông số của các công cụ chính sách như giá CO2 hoặc thuế Tại mỗi bước thời gian, thị trường điện được thanh toán cho từng phần của hàm tải thời gian Khi một thị trường CO2 được thực hiện, giá CO2 cũng được tính toán trong mỗi bước thời gian.
CO2 được xác định trong một quá trình lặp đi lặp lại với việc bù trừ thị trường điện: giá được điều chỉnh cho đến khi lượng phát thải vừa với giới hạn Mỗi bước, các Agent cũng quyết định xem có nên đầu tư vào nhà máy mới hay không và có nên dỡ bỏ nhà máy cũ hay không và họ mua các khoản tín dụng CO2, nếu có
Các Agent chính trong mô hình là các công ty phát điện Ngoài ra, tổng lượng điện tiêu thụ được đại diện bởi một Agent duy nhất Người lập mô hình có thể lựa chọn số lượng công ty phát điện cũng như quy mô và tính nhất quán của danh mục nhà máy điện của họ khi bắt đầu mô phỏng Các công ty phát điện cần đưa ra các loại quyết định chiến lược sau:
- Sự đầu tư Các Agent quyết định xem liệu việc đầu tư vào một cơ sở phát điện mới có đủ hấp dẫn đối với họ hay không Các Agent đầu tư khi một nhà máy điện mới xuất hiện đủ hấp dẫn Phần 3.2.7 sẽ mô tả chi tiết về thuật toán đầu tư được sử dụng
- Loại hình công nghệ Nếu các Agent quyết định đầu tư, họ cần chọn một loại công nghệ phát điện
Hình 3-2 Cấu trúc của mô hình
Ngoài quản lý chiến lược, các nhà phát điện đưa ra các quyết định vận hành sau:
- Bán điện Các công ty phát điện cung cấp điện của họ cho sàn giao dịch điện với chi phí cận biên cộng với một mức tăng giá (price mark-up), được cho là tồn tại do sức mạnh thị trường Chi phí biên của sản xuất được tính từ giá nhiên liệu và CO2
MÔ HÌNH MÔ PHỎNG VÀ TRƯỜNG HỢP NGHIÊN CỨU
Xây dựng mô hình
Để đánh giá hiệu quả ảnh hưởng của các phương pháp dự báo giá đến kết quả mô phỏng, một khung mô hình ABM dài hạn được phát triển và các phương pháp dự báo giá khác nhau được triển khai trong thuật toán ra quyết định đầu tư của nó, đồng thời giữ cho tất cả các cài đặt khác trong mô hình không đổi Khung mô hình ABM cốt lõi bị tước bỏ thêm các tính năng đặc biệt như phương diện hành vi Có nghĩa là, trong phân tích này, giả định rằng tất cả các Agent hoàn toàn hợp lý (rational) 1 , người định giá trong tương lai (forward-looking price takers) 2 Hơn nữa, nghiên cứu giả định rằng các yếu tố đầu vào ngoại sinh như giá nhiên liệu và chi phí công nghệ không đổi Sử dụng tập hợp các giả định này cho phép thu được một điểm chuẩn được xác định rõ ràng, tức là, điểm cân bằng dài hạn đóng vai trò là một giải pháp tham chiếu Cụ thể hơn, theo tập hợp các giả định này, mô hình ABM nên hội tụ về trạng thái cân bằng dài hạn 3 Số năm mốc hội tụ thay đổi tùy từng trường hợp, nói chung, cần khoảng 6 năm mốc quan trọng (milestone years – MYs) Điều này chủ yếu là do sau năm thứ 5, tất cả các hỗn hợp ban đầu đã ngừng hoạt động hoàn toàn Sự sai lệch so với trạng thái cân bằng dài hạn này có thể được hiểu là tác động của phương pháp dự báo giá được sử dụng Lưu ý rằng mục đích của việc sử dụng điểm cân bằng dài hạn làm tham chiếu là để đánh giá các tác động có thể có của các phương pháp dự báo giá Mô hình ABM được thực hiện bằng ngôn ngữ lập trình Julia Mô tả của mô hình ABM dài hạn tuân theo giao thức ODD (Tổng quan, khái niệm thiết kế và chi tiết) như đề xuất của Grimm và cộng sự [44]
1 Agent hợp lý là một cá nhân hoặc thực thể luôn hướng tới việc thực hiện các hành động tối ưu dựa trên các tiền đề và thông tin nhất định Agent hợp lý có thể là bất cứ thứ gì đưa ra quyết định, thường là con người, công ty, máy móc hoặc phần mềm
2 Người định giá là cá nhân hoặc công ty phải chấp nhận giá cả phổ biến trên thị trường, họ thiếu thị phần để tự mình tác động đến giá thị trường Tất cả các bên tham gia kinh tế được coi là những người định giá trong một thị trường cạnh tranh hoàn hảo hoặc một trong đó tất cả các công ty đều bán một sản phẩm giống hệt nhau, không có rào cản, mọi công ty đều có thị phần tương đối nhỏ và tất cả người mua đều có thông tin của thị trường
3 Lưu ý rằng tùy thuộc vào phương pháp dự báo giá được sử dụng, điểm cân bằng được tính toán trong mô hình dựa trên Agent không nhất thiết hội tụ về một giá trị duy nhất mà thay vào đó xoay quanh điểm cân bằng một cách linh hoạt Trong trường hợp này, giá trị trung bình của trạng thái cân bằng động được coi là trạng thái cân bằng đạt được bởi một mô hình dựa trên Agent
Mục đích của mô hình ABM dài hạn là phân tích các thuật toán ra quyết định đầu tư khác nhau Điều này đạt được bằng cách triển khai các phương pháp dự báo giá khác nhau trong thuật toán ra quyết định đầu tư của nó, đồng thời giữ cho tất cả các cài đặt khác không đổi Từ đó, đề xuất mô hình phù hợp để dự đoán giá đấu thầu, đưa ra quyết định đầu tư và đánh giá hiệu quả đầu tư khi đầu tư nhà máy điện NLTT ở Việt Nam
Thực thể, biến trạng thái và thang đo
Ba loại Agent được xem xét trong mô hình ABM dài hạn: các công ty phát điện, nhà điều hành thị trường (Trung tâm Điều độ Hệ thống điện Quốc gia) và người tiêu dùng điện Đặc điểm chính của Agent công ty phát điện là danh mục công nghệ của nó Biến trạng thái của nhà điều hành thị trường là giá điện thị trường Người tiêu dùng được đặc trưng bởi cấu hình tải của họ
Là một mô hình dài hạn, mô phỏng bao gồm vài thập kỷ trong khi độ phân giải thời gian là 1 giờ Do đó, hai khái niệm chính được đưa ra để kết hợp giữa lập kế hoạch dài hạn (với thời gian kéo dài hàng thập kỷ) với hoạt động ngắn hạn (với độ phân giải theo giờ): ngày đại diện và năm quan trọng Hình 4-1 cho thấy một sơ đồ ví dụ về những ngày đại diện (representative day) và những năm quan trọng (milestone years - MYs) Một cách trực quan, các ngày đại diện tìm cách giảm số ngày thực tế trong một năm bằng cách tìm một số ngày nhất định và trọng số tương ứng của chúng để giảm thiểu độ lệch so với các cấu hình tải theo giờ đầy đủ Các cấu hình này bao gồm các nguồn tải và các nguồn năng lượng không liên tục như điện gió và điện mặt trời Phương pháp xác định ngày đại diện dựa trên [45], trong đó các ngày biên (tức là ngày tải cao điểm và tối thiểu) được xem xét một cách thích hợp
Không làm mất đi tính tổng quát, việc đưa ra các năm mốc (MYs) tương đương với giả định rằng hỗn hợp năng lực hệ thống sẽ không thay đổi trong một khoảng thời gian nhất định, tức là các khoản đầu tư mới hoặc ngừng hoạt động chỉ có thể xảy ra trong một số năm quan trọng nhất định Hơn nữa, các khoản đầu tư mới được coi là có sẵn ngay lập tức từ năm cột mốc tương ứng
Hình 4-1 Một ví dụ về biểu diễn thời gian qua các ngày đại diện [46]
Tổng quan về quy trình và lập kế hoạch
Như được chỉ ra bởi các hình chữ nhật trong Hình 4-2, bốn quy trình chính được thực hiện trong mô hình ABM cốt dài hạn được đề xuất: đấu thầu trên thị trường giao ngay, xác định giá thị trường, ngừng hoạt động của máy phát điện hết hạn và đầu tư vào công suất mới Bản tường thuật của mô hình ABM cốt lõi như sau Quá trình đấu thầu trên thị trường giao ngay được thực hiện bởi các nhà sản xuất năng lượng và tất cả các nhà phát điện được giả định đặt giá thầu bằng với chi phí cận biên Sau đó, nhà điều hành thị trường xác định giá thị trường bằng cách tối đa hóa phúc lợi xã hội Khi đạt đến một năm quan trọng, các công ty phát điện đầu tiên ngừng hoạt động các đơn vị sản xuất đã đạt đến vòng đời của chúng, tiếp theo là một quá trình đầu tư trong đó các công ty phát điện đưa ra quyết định đầu tư một cách tuần tự Quá trình đầu tư được chia thành nhiều vòng đầu tư Trong mỗi vòng, mỗi công ty phát điện chỉ được phép đầu tư một lần vào một đơn vị phát điện Quy mô của một đơn vị phát điện được cố định và thiết lập theo cách mà tất cả các Agent đều có cơ hội xấp xỉ bằng nhau để trở thành nhà đầu tư đầu tiên trong quá trình đầu tư tương ứng, do đó ảnh hưởng của lợi thế người đi trước có thể được giảm thiểu Quá trình đầu tư chấm dứt khi không có công ty nào trong số các công ty phát điện đầu tư vào vòng cuối cùng, tức là không có công ty phát điện nào sẵn sàng đầu tư nữa Giả định rằng các quyết định đầu tư của các công ty phát điện trước được các công ty phát điện sau biết Trong quá trình ra quyết định đầu tư, lợi nhuận của tất cả các loại công nghệ được xác định bằng cách tính NPV của chúng
Hình 4-2 Lưu đồ của mô hình ABM dài hạn
Thiết kế mô hình
• Nguyên tắc cơ bản: nguyên tắc áp dụng trong mô hình là lý thuyết lựa chọn hợp lý 4 Lý thuyết này được sử dụng để mô tả việc ra quyết định trên cả đấu thầu thị trường giao ngay và đầu tư công suất mới
• Vấn đề: một vấn đề quan trọng trong nghiên cứu này là sự kết hợp công suất Các vấn đề khác bao gồm giá thị trường hàng ngày và số giờ phụ tải hàng năm
Ứng phó/dự đoán: Các công ty phát triển điều chỉnh các chiến lược đầu tư của họ dựa trên những dự đoán về giá thị trường trong tương lai Những dự báo này là một trong những đóng góp quan trọng của nghiên cứu này.
Với mục tiêu tối đa hóa lợi nhuận, các công ty phát điện tập trung vào việc tối ưu hóa danh mục đầu tư nhà máy điện của mình Bằng cách đầu tư vào các nhà máy điện mới, họ có thể mở rộng khả năng sản xuất điện, đáp ứng nhu cầu ngày càng tăng của khách hàng Chiến lược này giúp các công ty phát điện tăng cường vị thế cạnh tranh trên thị trường, duy trì nguồn thu ổn định và tạo thêm lợi nhuận cho các nhà đầu tư.
• Học tập: trong mô hình ABM dài hạn này, khả năng học tập đã bị loại bỏ để đơn giản hóa các phân tích
• Cảm nhận: các Agent được cho là biết mà không chắc chắn về các quyết định đầu tư của các công ty phát điện trước
• Tương tác: các công ty phát điện tương tác với nhau một cách gián tiếp thông qua các tín hiệu giá trên thị trường hàng ngày Tức là, mỗi nhà máy điện mới lắp đặt sẽ hạ giá thị trường, do đó ép tỷ suất lợi nhuận của khoản đầu tư mới
• Tính ngẫu nhiên: thứ tự các công ty phát triển thực hiện đầu tư là ngẫu nhiên
• Quan sát: quan sát chính trong nghiên cứu này là cơ cấu nguồn điện, phản ánh tác động của các thuật toán ra quyết định đầu tư cấp Agent đối với cấp hệ thống Các quan sát cấp Agent như danh mục đầu tư không nằm ngoài phạm vi của nghiên cứu này vì các công ty phát điện được giả định là đồng nhất
• Khởi tạo cơ cấu nguồn điện hiện có
Mô hình được khởi tạo với sự kết hợp công suất hiện có được phân bổ đồng đều trong hệ thống, tức là các loại công nghệ khác nhau chiếm cùng một lượng thị phần Lưu ý rằng việc khởi tạo này nhằm mục đích đi chệch khỏi trạng thái cân bằng dài hạn
4 Lý thuyết lựa chọn hợp lý cho rằng các cá nhân sử dụng các tính toán hợp lý để đưa ra các lựa chọn hợp lý và đạt được kết quả phù hợp với mục tiêu cá nhân của họ Những kết quả này cũng liên quan đến việc tối đa hóa lợi ích cá nhân
HVTH: NGUYỄN THANH HUY 46 để đảm bảo rằng việc đạt đến trạng thái cân bằng này không phải là kết quả của cơ cấu nguồn điện ban đầu
• Khởi tạo các Agent là công ty phát điện
Mô hình được khởi tạo với 5 Agent là các công ty phát điện và cơ cấu nguồn điện hiện có được chỉ định ngẫu nhiên cho các công ty phát điện này Trong nghiên cứu này, việc khởi tạo các công ty phát điện sẽ không thay đổi kết quả và kết luận vì chúng đồng nhất
Trong nghiên cứu này, sử dụng dữ liệu phụ tải hệ thống điện từ trang www.nldc.evn.vn với độ phân giải theo giờ Giá trị tải bị mất (VoLL) là 2000 $/MWh và lãi suất 5% (thay cho WACC) Để đơn giản, nghiên cứu chỉ xem xét những công nghệ có tỷ trọng lớn trong cơ cấu nguồn điện, cụ thể là nhiệt điện than (tải nền), nhiệt điện khí (tải lưng) và điện gió (tải đỉnh) Đặc điểm kinh tế - kỹ thuật của các công nghệ này dựa trên dữ liệu năm 2030 trong Cẩm nang công nghệ Việt Nam [48].
Bảng 4-1 Đặc điểm kinh tế kỹ thuật của các công nghệ được xem xét
Chi phí đầu tư ($/kW)
Thuật toán đầu tư nhà máy điện gồm 3 bước: Hình thành điều kiện thị trường tương lai, dự đoán giá thị trường tương lai và đánh giá lợi nhuận ứng viên bằng NPV NPV được tính từ doanh thu, chi phí dự kiến và hệ số chiết khấu (tỷ suất lợi nhuận tối thiểu mong đợi) Nhà máy có NPV cao nhất sẽ được chọn đầu tư.
Trong đó: r: lãi suất hàng năm
: các hệ số công suất (capacity factor)
, fi y: chi phí cố định không phụ thuộc vào điện sản xuất thực tế g i y d h , , , , nó là tổng chi phí đầu tư hàng năm f i CAPEX và chi phí vận hành và bảo trì cố định (FOM) của công nghệ tương ứng f i O M & Về mặt toán học, chi phí cố định của mỗi đơn vị phát điện đã lắp đặt được tính như trong phương trình:
, CAPEX O M , , i y i i f f f i I y Y (4-2) Trong đó chi phí đầu tư được tính bằng công thức (4-3)
Thuật ngữ chi phí biến đổi i y d h , , , được tính bằng công thức (4-4), phụ thuộc vào sản lượng điện thực tế và bao gồm chi phí nhiên liệu (cộng với chi phí phát thải và thuế)
và chi phí vận hành và bảo trì thay đổi (VOM) i y d h O M , , , & :
Các giả định chính làm nền tảng cho cấu trúc mô hình được liệt kê dưới đây:
• Dữ liệu phụ tải được giả định là không thay đổi và được lặp lại hàng năm Đối với mỗi giờ, tải được giả định là không co giãn
• Các đặc tính kinh tế kỹ thuật của tất cả các công nghệ được giả định là không đổi trong toàn bộ thời gian mô phỏng
• Việc lựa chọn và trọng số tương ứng của các ngày đại diện được giả định là không thay đổi trong tương lai
• Các quyết định đầu tư của Agent công ty phát điện không bị ràng buộc về ngân sách
Bảng 4-2 Các kí hiệu dùng trong mô hình
Biến Đơn vị Mô tả i Loại công nghệ dùng để sản xuất điện y Năm d Ngày h Năm
∆𝑡 Giờ Bước thời gian (thường 1h) r % Lãi suất
, fi y $/MW/a Chi phí cố định của công nghệ i ở năm y
Gi y MW Công suất lắp đặt công nghệ i ở năm y
W d Trọng số ngày đại diện d
Hệ số công suất của công nghệ i ở năm y, ngày đại diện d, giờ h
$/MW Chi phí biến đổi của công nghệ i ở năm y, ngày đại diện d, giờ h
, , , i y d h g MW Công suất đầu ra thực tế của công nghệ i ở năm y, ngày đại diện d, giờ h
, , y d h p $/MWh Giá thị trường ở năm y, ngày đại diện d, giờ h
HVTH: NGUYỄN THANH HUY 49 , , y d h ll MWh Tổn thất điện năng ở năm y, ngày đại diện d, giờ h VoLL $/MWh Chi phí tổn thất điện năng
CAPEX fi $/MWh/a Chi phí đầu tư hàng năm của công nghệ i
Pi $/MW Chi vốn công nghệ i
O M fi y $/MWh Chi phí vận hành và bảo trì cố định của công nghệ i ở năm y
$/MWh Chi phí vận hành và bảo trì thay đổi của công nghệ i ở năm y, ngày đại diện d, giờ h
$/MWh Giá nhiên liệu của công nghệ i ở năm y, ngày đại diện d, giờ h
i Hiệu suất chuyển hóa năng lượng của công nghệ i
L MWh Phụ tải ở năm y, ngày đại diện d, giờ h
, invi y MW Đầu tư vào công nghệ i ở năm y
, deci y MW Ngừng hoạt động nhà máy thuộc công nghệ i ở năm y ni Vòng đời của công nghệ i
Các trường hợp nghiên cứu
Trong mô hình ABM, dự báo giá có thể được chia thành phương pháp ngoại sinh và nội sinh Phương pháp ngoại sinh dựa vào thông tin bên ngoài thị trường như dữ liệu lịch sử giá, xu hướng kinh tế, trong khi phương pháp nội sinh sử dụng dữ liệu từ chính mô hình ABM, phản ánh mối quan hệ giữa biến hành vi của người tiêu dùng và giá cả Tùy thuộc vào loại mô hình ABM và dữ liệu có sẵn, các phương pháp dự báo giá được lựa chọn sẽ khác nhau.
Bảng 4-3 Tóm tắt các phương pháp dự báo giá trong các khung mô hình ABM dài hạn hiện có
Phân loại Mô tả ngắn gọn về phương pháp dự báo giá Ví dụ
(Exogenous) Exo 1 Dự báo giá dựa trên thông tin được cung cấp bởi những người tham gia thị trường [25]
Thanh toán bù trừ thị trường ảo với các dự báo kết hợp công suất ngoại sinh với đầu vào là các báo cáo hiện có
Endo 1 Thanh toán bù trừ thị trường ảo giả định không có khoản đầu tư nào trong tương lai
Thanh toán bù trừ thị trường ảo dựa trên dự báo cơ cấu nguồn điện được thiết lập nội sinh
Sự không chắc chắn về các khoản đầu tư trong tương lai của đối thủ cạnh tranh là ngoại sinh và được thể hiện thông qua cây kịch bản
Qua Bảng 4-3, có thể thấy rằng cả hai loại phương pháp dự báo giá hiện có đều dựa vào mô-đun mô phỏng bù trừ thị trường ảo (virtual market clearing simulation module) Mô-đun này xác định các dự báo về giá điện trong tương lai và giờ hoạt động cho các lựa chọn đầu tư khác nhau bằng cách kết hợp các dự báo về cơ cấu nguồn điện trong tương lai với giá nhiên liệu, nhu cầu và thông tin công nghệ Mặc dù các mô-đun thanh toán bù trừ thị trường ảo được xây dựng và đặt tên khác nhau trong các bài báo được tham khảo, nhưng tất cả chúng đều có thể được hiểu là một thuật toán bù trừ thị trường phù hợp với cung - cầu dựa trên thứ tự tăng dần của giá (merit-order based)
Người ta xây dựng một mô-đun mô phỏng thanh toán bù trừ thị trường ảo dựa trên thứ tự tăng dần của giá (merit-order based), được thể hiện trong Hình 4-3 Trong quá trình mô phỏng thanh toán bù trừ thị trường ảo, thị trường được thanh toán từng bước dựa trên dự báo cơ cấu nguồn điện có từ phương pháp gọi là tầm nhìn tương lai (look-ahead horizon) Tham số tầm nhìn tương lai (look-ahead horizon) này xác định khoảng cách trong tương lai mà một Agent có thể tiếp cận thông tin khi một đối tượng đầu tư được đánh giá Tham số này đã được đặt tên là “khoảng thời gian dự báo (forecast period)” và “đường chân trời thời gian trong năm tham chiếu (reference year time horizon)” tương ứng trong [26], [30] Ngoài những điểm tương đồng về cách xử lý thông tin trong tương lai, các phương pháp vẫn tồn tại những khác biệt quan trọng về cách dự báo cơ cấu nguồn điện trong tương lai Sau đây, các phương pháp dự báo giá hiện có sẽ
HVTH: NGUYỄN THANH HUY 51 được mô tả chi tiết, đặc biệt chú ý đến thành phần dự báo cơ cấu nguồn điện Một phương pháp dự báo giá mới (thuộc phương pháp dự báo giá nội sinh) cũng được giới thiệu
Hình 4-3 Mô phỏng thanh toán bù trừ thị trường ảo
Phương pháp dự báo giá ngoại sinh
Phương pháp dự báo giá ngoại sinh dựa trên thông tin về hệ thống điện trong tương lai từ các nguồn thông tin độc lập với mô hình Thông tin này thường xuất hiện dưới một trong hai dạng: giá điện trong tương lai hoặc diễn biến của cơ cấu nguồn điện trong tương lai
Dự báo về giá điện trong tương lai có thể được thu thập bằng nhiều cách khác nhau Ví dụ, giá điện trong tương lai có thể được tính bằng cách ngoại suy giá điện trong quá khứ sử dụng các phương pháp nhận dạng mẫu Cơ cấu nguồn điện trong tương lai thường được rút ra từ các báo cáo hoặc kết quả nghiên cứu của bên thứ ba Với thông tin này, các Agent có thể chạy một mô-đun mô phỏng thanh toán bù trừ thị trường ảo để truy xuất doanh thu dự kiến trong tương lai và chi phí cận biên
Liên quan đến các phương pháp dự báo giá trong các khung mô hình ABM hiện có, phương pháp dự đoán giá Exo.1 lấy thông tin giá tương lai trực tiếp từ các cuộc phỏng vấn những người tham gia thị trường Phương pháp dự báo giá ngoại sinh Exo.2 chia giá điện trong tương lai thành hai khoảng thời gian: 5 năm đầu tiên và tương lai xa hơn Trong năm năm đầu tiên, giả định rằng giá điện giống với giá thị trường giao ngay trong năm hiện tại Trong tương lai xa hơn, giá điện được tính dựa trên dự báo cơ cấu nguồn điện trong một báo cáo đã công bố
Dù quá trình thực hiện tương đối đơn giản, phương pháp dự báo giá ngoại sinh vẫn có hạn chế rõ ràng Kết quả mô hình phụ thuộc hoàn toàn vào cấu trúc nguồn điện hoặc dự báo giá do bên ngoài quyết định Do đó, dự báo và quyết định của một tác nhân luôn phù hợp với thông tin từ nguồn bên ngoài, bất kể những quyết định đầu tư thực tế nào đã được thực hiện trước đó bởi các tác nhân khác.
Tuy quyết định trong mô phỏng không ảnh hưởng đến các tác nhân khác, thực tế các tác nhân có mối liên hệ chặt chẽ Chẳng hạn, giá điện gió giảm khi tổng công suất điện gió tăng Hơn nữa, việc dựa vào dữ liệu cơ cấu nguồn điện/dự báo giá bên ngoài làm hạn chế khả năng đưa ra các tình huống cụ thể, do phải phụ thuộc vào dữ liệu có sẵn từ các báo cáo/khảo sát.
Phương pháp dự báo giá nội sinh
Trong các phương pháp dự báo giá nội sinh, các Agent dự đoán nội sinh giá tương lai (và doanh thu tương ứng và chi phí cận biên) trong quá trình mô phỏng, tức là người sử dụng không cần cung cấp tất cả thông tin trực tiếp liên quan đến giá điện trong tương lai hoặc sự phát triển cơ cấu nguồn điện trong tương lai
Ví dụ về khung mô hình ABM đã áp dụng các phương pháp dự báo giá nội sinh bao gồm ví dụ: Tham khảo [17], [26], [30] Trong các tài liệu tham khảo này, phương pháp dự báo giá thường bao gồm hai bước Trong bước đầu tiên, các dự báo được đưa ra liên quan đến cơ cấu nguồn điện trong tương lai Trong bước thứ hai, dự báo cơ cấu nguồn điện được sử dụng làm đầu vào trong mô-đun mô phỏng thanh toán bù trừ thị trường ảo
Phương pháp dự báo giá nội sinh Endo.1 được thể hiện trong Hình 4-4a Ở đây, các Agent dự đoán cơ cấu nguồn điện trong một năm nhất định trong tương lai bằng cách bắt đầu từ cơ cấu nguồn điện hiện có và thêm các nguồn mới đã được công bố hoặc xây dựng (tức là các quyết định đầu tư của các Agent khác trong quá trình mô phỏng) và trừ đi các công suất đạt đến vòng đời trước năm đó Mặc dù cách tiếp cận này có vẻ hợp lý, nhưng trong phương pháp này, các Agent ngầm định rằng, khi dự đoán giá trong một năm tương lai nhất định, sẽ không có quyết định đầu tư mới nào xảy ra giữa năm mô hình hiện tại và một năm tương lai nhất định Do các khoản đầu tư trong tương lai này chiếm tỷ trọng lớn hơn trong tổ hợp công suất khi người ta nhìn xa hơn về tương lai (do ngừng hoạt động của các nhà máy hiện tại), phương pháp này có những hạn chế trong việc dự báo các dòng doanh thu xa hơn trong tương lai Vì lý do này, phương pháp này từ đó sẽ được gọi là “Agent cận thị (myopic agents)” Thuật ngữ “cận thị - myopic” đề cập đến việc một Agent có cái nhìn hạn chế về thông tin được xem xét liên quan đến các điều kiện thị trường trong tương lai Đối với phương pháp này, việc lựa chọn tầm nhìn tương lai (Look-ahead horizon) có thể ảnh hưởng đáng kể đến sự phát triển cơ cấu nguồn điện cấp hệ thống vĩ mô Như sẽ được trình bày trong Phần 5.1, giả định rằng các Agent không lường trước được các khoản đầu tư được thực hiện trong những năm tới làm cho kết quả mô phỏng trở nên nhạy cảm với các tầm nhìn tương lai (Look-ahead horizon) khác nhau Ngoài ra, phương pháp này không cho phép dự đoán những thay đổi dự kiến trong cơ cấu nguồn điện, chẳng hạn như kỳ vọng có thể tăng cường sự thâm nhập của các nguồn NLTT trong hệ thống điện ở tương lai
Hình 4-4b đại diện cho phương pháp dự báo giá nội sinh Endo 2 Ngoài thông tin đã được xem xét bởi phương pháp "Agent cận cảnh (myopic agents)", phương pháp dự báo giá nội sinh Endo 2 xem xét các dự báo về các khoản đầu tư trong tương lai của các đối thủ cạnh tranh Tương tự như phương pháp “Agent cận thị”, các dự báo kết quả
HVTH: NGUYỄN THANH HUY 55 về cơ cấu nguồn điện trong tương lai sau đó được sử dụng làm đầu vào trong mô-đun mô phỏng bù trừ thị trường ảo để dự đoán giá điện trong tương lai Đối với việc ra quyết định đầu tư, mô hình được trình bày trong [26] bao gồm những bất ổn liên quan đến tăng trưởng phụ tải, điều kiện thủy văn và các khoản đầu tư của các đối thủ cạnh tranh trong những năm tới Sự không chắc chắn được biểu diễn thông qua một cây kịch bản, như được thể hiện trong Hình 4-5 Như được trình bày ở phía bên phải của Hình 4-5, đối với mỗi Agent, 9 sự không chắc chắn liên quan đến các đối thủ cạnh tranh
HVTH: NGUYỄN THANH HUY 56 a Phương pháp dự báo giá Agent cận thị (“Myopic agents”)
HVTH: NGUYỄN THANH HUY 57 b Phương pháp dự báo giá các kịch bản ngoại sinh cho các khoản đầu tư trong tương lai (“Exogenous scenarios for future investments”) Hình 4-4 Sơ đồ các phương pháp dự báo giá nội sinh được sử dụng trong [30] (a) và [26] (b).
Hình 4-5 Cây kịch bản được triển khai để thể hiện sự mở rộng của đối thủ cạnh tranh
SO SÁNH CÁC PHƯƠNG PHÁP DỰ BÁO
Phân tích độ nhạy của tầm nhìn tương lai (look-ahead horizon)
Look-ahead horizon là thông số quan trọng trong quá trình ra quyết định đầu tư, phản ánh mức độ Agent hướng tới tương lai Agent cận thị có tầm nhìn hạn chế có thể ảnh hưởng đến quyết định đầu tư Look-ahead horizon thể hiện sự phi lý tưởng của Agent trong mô hình ABM Tuy nhiên, việc mô hình hóa Look-ahead horizon không được áp dụng trong luận văn này vì tập trung vào thiết lập mô hình chính xác và mạnh mẽ Dù có các giả định cấp vi mô về Look-ahead horizon, mô hình ABM vẫn có thể ước lượng cân bằng dài hạn ở cấp vĩ mô Tính mạnh mẽ của cơ cấu nguồn điện hệ thống phản ánh tính mạnh mẽ của quyết định đầu tư, đặc biệt quan trọng đối với phương pháp dự báo giá của Agent cận thị.
Như được thể hiện trong Hình 5-1, các kết quả mô phỏng có độ nhạy cao đối với look-ahead horizon khác nhau khi sử dụng phương pháp dự báo giá "Agent cận thị" Cụ
HVTH: NGUYỄN THANH HUY 69 thể hơn, khoản đầu tư quá mức ngày càng lớn khi look-ahead horizon với khoảng thời gian xa hơn Công nghệ tải đỉnh chiếm hầu hết các khoản đầu tư quá mức Các kết quả mô phỏng của mô hình ABM với phương pháp dự báo giá “giảm thiểu chi phí đầu tư trong tương lai” mạnh mẽ hơn trong các tầm nhìn xa hơn và gần đúng với giải pháp chuẩn Điều này chỉ ra rằng mô hình ABM dài hạn, với thuật toán ra quyết định đầu tư được tích hợp, có thể dùng làm chuẩn để mở rộng thêm mô hình
Kết quả trong Hình 5-1 cho thấy rằng việc sử dụng phương pháp dự báo giá
“Agent cận thị” với tầm nhìn xa trong vòng 5 năm có thể gần đúng với mức cân bằng dài hạn Nguyên nhân là do sử dụng khoảng cách 5 năm có nghĩa là các Agent chỉ đưa ra quyết định đầu tư dựa trên tình trạng hệ thống trong năm quan trọng (MY) đầu tiên, do đó, sự khan hiếm quan sát được là việc ngừng hoạt động gần đây và không có thông tin nào trong tương lai được xem xét Trong một thị trường cạnh tranh hoàn hảo, các Agent tối đa hóa lợi nhuận sẽ đưa ra các quyết định đầu tư nhằm lấp đầy khoảng trống theo cách giảm thiểu chi phí hệ thống Để làm sáng tỏ lý do tại sao mô hình nhạy cảm với tham số tầm nhìn tương lai look-ahead horizon, lấy trường hợp các Agent được giả định là có tầm nhìn tương lai dài nhất (30 năm) làm ví dụ Như đã quy ước, mỗi 5 năm là 1 năm quan trọng (MY), có nghĩa là 30 năm bao gồm 6 năm quan trọng (MY) Với các phương pháp dự báo giá khác nhau, dự báo cơ cấu nguồn điện của Agent đầu tiên quyết định đầu tư trong vòng đầu tư đầu tiên trong một năm quan trọng MY được thể hiện trong Hình 5-2
Khi Agent đưa ra quyết định đầu tư với giả định rằng không có khoản đầu tư mới nào xảy ra, như thể hiện trong Hình 5-2a, Agent đầu tiên trong vòng đầu tư đầu tiên sẽ cảm nhận được khoản đầu tư được công bố bằng 0 (vì không có khoản đầu tư nào trước đó trong năm quan trọng này) Cùng với thực tế là tất cả các công suất hiện có sẽ ngừng hoạt động sau 4 hoặc 5 năm quan trọng (sau 20 hoặc 25 năm), vì các công suất hiện có mới nhất là các khoản đầu tư vào năm quan trọng trước đó, là 5 năm trước Điều này dẫn đến sự thiếu hụt công suất dự kiến rất lớn trong năm quan trọng thứ tư, mặc dù tình trạng thừa công suất đã tồn tại trong năm quan trọng đầu tiên Trong việc thanh toán bù trừ thị trường ảo, sự thiếu hụt công suất này được chuyển thành dự báo giá điện tương ứng với giá trần trong cả năm, rõ ràng là không thực tế Mức giá dự báo cao vào cuối giai đoạn nhìn về phía trước look-ahead horizon khuyến khích các khoản đầu tư cho đến
HVTH: NGUYỄN THANH HUY 70 khi thiếu hụt về nguồn cung trong tương lai gần như được lấp đầy Ngoài ra, kỳ vọng thiếu hụt nguồn cung và giá điện cao tương ứng xảy ra trong 5 năm cuối có nghĩa là lựa chọn đầu tư được xem xét có xu hướng chủ yếu được đưa ra trong giai đoạn này Với số giờ hoạt động dự kiến thấp, nhà máy với công nghệ có chi phí cố định thấp nhất được ưa chuộng, điều này giải thích tại sao công nghệ tải đỉnh chiếm hầu hết các khoản đầu tư quá mức
Một số biện pháp có thể được thực hiện để tránh hoặc giảm thiểu vấn đề đầu tư quá mức này Ví dụ: người ta có thể buộc các Agent phải là người cận thị (được sử dụng trong [30] và [17]) hoặc áp đặt giới hạn đầu tư hàng năm với cấp Agent (được sử dụng trong [26]) Người ta cũng có thể xem xét điều chỉnh giá điện dự kiến, chẳng hạn bằng cách giảm mức giá cao quan sát được vào cuối tầm nhìn tương lai look-ahead horizon Tuy nhiên, việc yêu cầu các Agent cư xử một cách cận thị (myopically) để sửa các kết quả mô phỏng không mong muốn làm giảm khả năng áp dụng của mô hình vào thực tế Hơn nữa, mặc dù việc đưa ra các hành động điều chỉnh như giới hạn đầu tư hoặc điều chỉnh giá cho phép xem xét tầm nhìn xa hơn, nhưng nó dẫn đến các vấn đề thứ cấp (giới hạn đầu tư hợp lý là bao nhiêu? Giá điện phù hợp ở cuối tầm nhìn tương lai look-ahead horizon?) và các giả định rằng cả hai đều có thể yêu cầu sửa chữa thêm làm giảm tính minh bạch
Hình 5-2b minh hoạ cơ cấu nguồn điện mà các Agent dự đoán với phương pháp dự báo “giảm thiểu chi phí đầu tư trong tương lai” Trong trường hợp như vậy, các Agent có khả năng vừa thiết lập các kỳ vọng về các khoản đầu tư trong tương lai vừa duy trì các kỳ vọng này theo đặc tính nội tại của hệ thống Hơn nữa, tầm nhìn tương lai (look- ahead horizon) không còn ảnh hưởng đến các quyết định đầu tư vì việc đầu tư không còn bị khuyến khích bởi giá điện cao phi thực tế chỉ phát sinh trong năm quan trọng cuối cùng, mà do giá điện được phân phối đồng nhất trong toàn bộ tầm nhìn tương lai (look- ahead horizon)
HVTH: NGUYỄN THANH HUY 71 a Phương pháp Agent cận thị b Phương pháp giảm thiểu chi phí đầu tư trong tương lai
Hình 5-2 Dự báo cơ cấu nguồn điện của Agent đầu tiên quyết định đầu tư trong vòng đầu tư đầu tiên trong một năm quan trọng điển hình
Phân tích độ nhạy về các giá trị được gán cho cây kịch bản trong phương pháp dự báo giá “các kịch bản ngoại sinh cho các khoản đầu tư trong tương lai”
dự báo giá “các kịch bản ngoại sinh cho các khoản đầu tư trong tương lai” Ở Agent cấp độ vi mô, kỳ vọng của Agent về kế hoạch mở rộng của đối thủ cạnh tranh ảnh hưởng trực tiếp đến quyết định đầu tư của họ bằng cách thay đổi giá điện trong tương lai Các quyết định đầu tư bị ảnh hưởng này cuối cùng sẽ được phản ánh ở cấp độ hệ thống vĩ mô dưới dạng các biến thể của cơ cấu nguồn điện Hình 5-3 thể hiện kết quả cơ cấu nguồn điện cho các trường hợp khác nhau của dự báo mở rộng nguồn điện của đối thủ canh tranh Kết quả cơ cấu nguồn điện cấp hệ thống vĩ mô cho từng trường hợp được thể hiện trong hình 5-3 và tóm tắt trong bảng 5-1
Các đầu vào ngoại sinh đóng vai trò quan trọng trong việc định hình kết quả mô phỏng So sánh cấu trúc nguồn điện hệ thống với kỳ vọng về công suất dự kiến của đối thủ cạnh tranh cho thấy kỳ vọng thấp hơn về mức mở rộng đối thủ sẽ dẫn đến công suất hệ thống cao hơn Một mặt, kỳ vọng thấp về đầu tư của đối thủ sẽ dẫn đến giá điện tương lai cao, kích thích đầu tư để lấp đầy khoảng trống cung ứng Mặt khác, kỳ vọng cao về đầu tư của đối thủ sẽ khiến các chủ thể hạn chế đầu tư, dẫn đến thiếu hụt đầu tư vì họ đánh giá quá cao về các khoản đầu tư trong tương lai của đối thủ cạnh tranh.
Thứ hai, bằng cách so sánh các dự báo khác nhau về sự phân bổ công nghệ cho các khoản đầu tư trong tương lai của các đối thủ cạnh tranh, mô hình của tác giả cho thấy sự phân bổ công nghệ giả định có thể dẫn đến sự thay đổi đáng kể trong cơ cấu nguồn điện Cụ thể hơn, đối thủ cạnh tranh càng mong đợi đầu tư vào một loại công nghệ nào đó thì tác nhân sẽ đầu tư vào công nghệ đó ít hơn, và ngược lại.
HVTH: NGUYỄN THANH HUY 73 đầu tư vào công nghệ tải lưng cũng bị ảnh hưởng mạnh bởi các khoản đầu tư dự kiến vào công nghệ tải nền và tải đỉnh
Ngoài ra, cũng có thể thấy rằng khi tổng công suất lắp đặt dự kiến bởi các đối thủ cạnh tranh trong những năm tới giảm, thì việc phân phối công nghệ của các khoản đầu tư dự kiến từ các đối thủ cạnh tranh có tác động nhỏ hơn đến kết quả cơ cấu nguồn điện của hệ thống Điều này chủ yếu là do ảnh hưởng của những kỳ vọng này có xu hướng yếu hơn khi các khoản đầu tư dự kiến trở nên ít hơn Đồng thời, khi đầu tư của các đối thủ cạnh tranh dự kiến trở nên ít hơn, yếu tố thúc đẩy chuyển từ phân phối công nghệ sang tổng công suất được tăng thêm Và kết quả là cơ cấu nguồn điện ở hệ thống vĩ mô có xu hướng giống nhau Trên thực tế, trong điều kiện khắc nghiệt (với tổng kỳ vọng mở rộng giảm xuống bằng không), các cơ cấu nguồn điện này hội tụ với các cơ cấu nguồn điện có từ phương pháp "Agent cận thị"
Tuy các tham số phân bổ công suất có thể khiến cơ cấu nguồn điện trở nên khác biệt giữa các cài đặt, nhưng tổng công suất vẫn là hằng số trong một thiết lập về tổng mức công suất mở rộng Nói cách khác, tổng lượng công suất lắp đặt sẽ được quyết định hoàn toàn bởi tổng mức mục tiêu mở rộng dự kiến của đối thủ chứ không phụ thuộc vào những yếu tố nội tại của mô hình.
Bảng 5-1 Công suất các công nghệ khác nhau trong cơ cấu nguồn điện (đơn vị: MW)
(1a) (1b) (1c) (2a) (2b) (2c) (3a) (3b) (3c) Chạy tải nền 13425 8475 15228 33314 31969 34349 56622 56289 56808 Chạy tải lưng 643 6113 1886 10193 11644 9158 11955 12285 11769 Chạy tải đỉnh 23224 22708 20178 24861 24759 24861 24653 24653 24653 Tổng cộng 37292 37295 37292 68369 68372 68369 93230 93227 93230
Hình 5-3 Cơ cấu nguồn điện với các dự báo mở rộng của các đối thủ cạnh tranh khác nhau
Đóng góp và hạn chế
Phân tích ở trên cho thấy rằng các giả định được áp dụng bởi các thuật toán ra quyết định đầu tư ở cấp Agent có thể ảnh hưởng lớn đến kết quả mô phỏng ở cấp hệ thống Cụ thể, cơ cấu nguồn điện rất nhạy cảm với tham số Tầm nhìn tương lai (Look- ahead horizon) khi sử dụng phương pháp dự báo giá “Agent cận thị” Điều này là do phương pháp này mặc nhiên giả định rằng không có khoản đầu tư mới nào sẽ xảy ra trong tương lai và do đó sẽ phát sinh chênh lệch cung, điều này sẽ kích hoạt các khoản đầu tư mới vào năm quan trọng của Agent (tức là năm mốc 1) để bù đắp cho tình trạng thiếu năng lực không thực tế trong tương lai xa hơn
Kiểm tra phương pháp dự báo giá “kịch bản ngoại sinh cho các khoản đầu tư trong tương lai” cho thấy rằng, các giá trị được gán cho cây kịch bản liên quan đến các khoản đầu tư của đối thủ cạnh tranh ở cấp Agent đang chiếm ưu thế trong kết quả mô phỏng ở cấp hệ thống Nhìn chung, hai lớp trên cây kịch bản chi phối các khía cạnh khác nhau của kết quả mô phỏng: tổng công suất lắp đặt được thúc đẩy bởi kỳ vọng về tổng đầu tư của đối thủ cạnh tranh và tỷ trọng của các loại công nghệ khác nhau chủ yếu bị ảnh hưởng bởi lớp thứ hai của cây kịch bản (tức là cách các khoản đầu tư mới của đối thủ cạnh tranh được phân bổ giữa các công nghệ) Như đã trình bày, phương pháp dự báo giá “giảm thiểu chi phí đầu tư trong tương lai” được đề xuất yêu cầu ít tham số ngoại sinh hơn (tức là cây kịch bản) và mạnh mẽ hơn đối với tham số Tầm nhìn tương lai (Look-ahead horizon)
Ngoài việc cung cấp dự báo về cơ cấu nguồn điện, mô hình mô phỏng với phương án dự báo giá "giảm thiểu chi phí đầu tư trong tương lai" còn đánh giá được hiệu quả tài chính của dự án đầu tư mà các tác nhân đã đầu tư trong mô phỏng Dựa trên kết quả NPV, nhà đầu tư có thể đưa ra quyết định đầu tư thực tế với ba lựa chọn: công nghệ phát điện, công suất và thời điểm đầu tư để tối ưu hóa lợi nhuận.
Tuy nhiên, dự báo giá mới được đề xuất và phân tích được thực hiện trong luận văn này có một số hạn chế Từ quan điểm phương pháp luận, việc sử dụng kết quả thu được từ một bài toán lập kế hoạch mở rộng tổng thể để hướng dẫn việc ra quyết định đầu tư mặc nhiên giả định rằng các Agent đang mong đợi sự kết hợp công suất phát triển theo cách tiết kiệm chi phí Trên thực tế, thị trường điện còn phức tạp hơn Ví dụ, hành vi đầu tư chiến lược hoặc sự không hoàn hảo của thị trường có thể dẫn đến sai lệch so
Giải pháp thay thế là xây dựng Mô hình lập trình toán học với các ràng buộc cân bằng (MPEC) cho bài toán lập kế hoạch mở rộng công suất, bao gồm cả các hành vi đầu tư chiến lược Tuy nhiên, cần lưu ý rằng phân tích được thực hiện trong một hệ thống điện lý tưởng hóa, bỏ qua các đặc điểm hành vi của các tác nhân Trong thực tế, các yếu tố hành vi tác động đến quyết định đầu tư có thể làm lệch kết quả so với kết quả thị trường hoàn hảo, làm giảm tác động của các giả định cơ bản đối với kết quả mô hình Ví dụ, tác nhân không thích rủi ro có thể làm giảm độ nhạy của tham số tầm nhìn tương lai vì lợi nhuận không đảm bảo trong tương lai xa phải chịu mức chiết khấu cao.
Do đó, các phương pháp dự báo giá hiện có, nếu được tham số hóa đầy đủ, cũng có thể ước tính các kết quả thực nghiệm