Teknisk-økonomiskTeknisk økonomisk modeludvikling for energiprojekter

Morten Boje BlarkeCivilingeniør M.Sc. Eng. International Energy PlanningPh.D. Bæredygtig EnergiplanlægningAdjunkt v/ Inst. for Samfundsudvikling og Planlægning

Læringsmål - 3 x 30 min

1. Viden om en udvalgt teknisk-økonomisk energimodel: COMPOSE, samt opsamling g , p gpå 1. lektion

2. Forståelse for forskellen mellem følsomhedsanalyse og risikoanalyse, samt

dbl k l dindblik i Monte Carlo metode

3. Hands-on erfaring med teknisk-økonomisk modellering i Excel (Monte Carlo risikoanalyse)risikoanalyse)

Del 1: En ”professionel” teknisk økonomiskDel 1: En professionel teknisk-økonomisk energimodel samt opsamling og diskussion

‐20.000

‐10.000

0

10.000

20.000

30.000

40.000

50.000

60.000

0 5000 10000 15000 20000 25000 30000

Samfundsøkonomi

Privatøkonomisk

Statsfinancielle

‐50.000

‐40.000

‐30.000

COMPOSE: Projektvurdering

COMPOSE beregningsflow

i. SystemmodelEnergiprojekt databaseii. Energiprojekt database

iii. Teknisk-økonomisk modeliv. Algebraisk formelsæt

i. Max c(x) Subject to Ax < bi. Max c(x) Subject to Ax bv. Ekstern solver

Model anal se af sol evi. Model analyse af solverresultater

Change in economic annual costs of operation (excl. investments)

10%

15%

5%

iness (%

) 

0%

ntermittency‐friend

li

‐5%

Change

 in in

15%

‐10%

‐15%

2003 2004 2005 2006 2007 2008 2009 2010

CHP‐EB CHP‐HP‐GS CHP‐HP‐FG CHP‐HP‐FG‐CS

Operational profile sample for CHP (first week of 2010)

0,8

1

0,6

0 2

0,4

0

0,2

‐0,2

0 5 10 15 20 25 30 35 40 45

Thermal Storage Net electricity Electricity Spot Price

Model-laboratorium i plenum

Generelle beregningsforudsætningerKalkulationsrente % 6%Momssats % 25%Samfundsøkonomisk CO2 pris kr/ton 105Kørselsbehov km/år 20.000

Projektbeskrivelse Faktorpris Reg.afgift Ejerafgift CO2-emissions-faktor

Brændstof-økonomi

Brændsels-pris incl. transport-tillæg

Brændsels-afgift (uden CO2)

Levetid

kr kr kr/år g/km km/l kr/l kr/l årBenzin 92.000 116.000 3.020 177 13 4,00 3,85 15Diesel 104.000 138.000 3.220 135 19 4,00 2,79 15

Modelresultat

50.000

60.000

20 000

30.000

40.000

0

10.000

20.000

Samfundsøkonomi

Privatøkonomisk

Statsfinancielle

‐20.000

‐10.000

0

0 5000 10000 15000 20000 25000 30000

‐40.000

‐30.000

‐50.000

Solver-opvarmningsopgave

Hvad skal benzin-afgiften være for at den samfunds- ogat den samfunds- ogprivatøkonomisk nuværdi for benzinog diesel er ens (netto nutidsværdiog diesel er ens (netto-nutidsværdi= 0) ved samme kørselsbehov ?

PAUSEPAUSE

Del 2: Følsomhedsanalyse ogDel 2: Følsomhedsanalyse og risikoanalyse

700

650

600

550

Econ

omic

Cos

ts F

requ

ency

500

450

400

350

300

250

200

150

100

xBar-2.216.110,667 1.581.812,439 5.379.735,544 9.177.658,649 12.975.581,755

100

50

0

Usikkerheder og risici Følsomhedsanalyse

F.eks. nuværdi som funktion af kørselsbehov 10.000

20.000

30.000

40.000

50.000

60.000

Samfundsøkonomifunktion af kørselsbehov

‐40.000

‐30.000

‐20.000

‐10.000

0

0 5000 10000 15000 20000 25000 30000

Samfundsøkonomi

Privatøkonomisk

Statsfinancielle

Monte Carlo 700

650

‐50.000

Risikoanalyse F.eks. nuværdiens

distribution ved 10000

Cos

ts F

requ

ency

650

600

550

500

450

400

350

beregninger underlagtrisikovurdering for udvalgte forudsætninger

Econ

omic

C

300

250

200

150

100

50

xBar-2.216.110,667 1.581.812,439 5.379.735,544 9.177.658,649 12.975.581,755

0

Risikomodel og analyse

Monte Carlo metoden

Gentagen tilfældig sampling, nårder ikke findes et eksakt resultat der ikke findes et eksakt resultat, der kan nås med en deterministiskalgoritmealgoritme

Overlegent i system analyser, hvort t t t l i t i bl i d ået stort antal input variable indgår

med signifikant usikkerhed

Ofte anvendte distributioner

Uniform=min + (max - min) * RAND()

Normal (Gaussian)=NORMINV(RAND(), mean, standard afv)

Lognormal =LOGINV(RAND(), LN(MEAN), standard

afv)afv)

WeibullWeibull=scale * (-ln(1-RAND()))^(1/shape)

Eksempler på forekomster

Weibull: wind speed speed distributions

Normal: Mange økonomiske ogfysiskeeksempler, f.eks. prisdannelse afolie

Statistisk analyse af resultat

Histogram (frequency by bin) Size : count () Size : =count () Mean : =average () Median : =median () Standard afgivelse : =stdev()g () Maximum: =max() Min: =min() Min: =min() Q(.75): =quartile (,3) Q(.25): =quartile(,1)

PAUSEPAUSE

Del 3: Risikoanalyse hands-on

Plenumopgave og gruppeopgave

Find den samfundsøkonomiskenettonuværdis distribution for nettonuværdis distribution for 10,000 tilfældige udfald når …

Benzinbilens prisens usikkerhed fordeler sig if d d d f i l å 10%uniformt med en standardafgivelse på 10%

Dieselprisens usikkerhed fordeler sig normalt med en standardafgivelse på 25%