VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
FAKULTA PODNIKATELSKÁ ÚSTAV EKONOMIKY
FACULTY OF BUSINESS AND MANAGEMENT INSTITUTE OF ECONOMICS
FUZZY MODEL ROZHODOVÁNÍ INVESTORA DO FOTOVOLTAICKÝCH TECHNOLOGIÍ V PŘEDPROJEKČNÍ FÁZI FUZZY MODEL OF INVESTOR´S DECISION INTO PHOTOVOLTAIC TECHNOLOGIES DURING PREDESIGN PHASE
DISERTAČNÍ PRÁCE DISSERTATION THESIS
AUTOR
Ing. MICHAL PAVLÍČEK
AUTHOR
VEDOUCÍ PRÁCE SUPERVISOR
BRNO 2016
prof. Ing. MIRKO DOHNAL, DrSc.
2
Abstrakt Práce pojednává o fuzzy znalostní bázi podporující rozhodování investora při investici do fotovoltaických technologií ještě v předprojekční fázi, tedy v době kdy nejsou známé podrobnosti o inženýrském řešení. Pravděpodobně většina investorů má určitou představu o nákladech a rizicích spojených s investicemi do fotovoltaických technologií. Avšak tyto znalosti jsou omezené jen na některé oblasti investorova působení. V okamžiku, kdy investor plánuje investice do nákladných fotovoltaických technologií při komplexních a vágních informací o podmínkách a rizicích investice, kde prostředí je neustále proměnlivé a multidimenzionální, lze tuto komplexní problematiku řešit pomocí fuzzy logiky. Tato práce se zabývá sestavením fuzzy znalostní báze vybraných projektů v Evropě od roku 2008 a její použití s expertním systémem. Dále se zabývá popisem proměnných, které vstupují do souboru znalostí a ovlivňují rozhodování investora. Celý soubor je posléze odlaďován a testován. Poslední část práce sestává z dialogu mezi investorem a expertním systémem využívající fuzzy znalostní báze na pěti projektech s různou velikostí. Fuzzy znalostní báze obsahuje celkem 24 proměnných a 187 prohlášení.
Klíčová slova Fuzzy znalostní báze, Dialog, Rozhodování, Investice, Fotovoltaika.
3
Abstract Dissertation deals with fuzzy knowledge base supporting investor’s investment decision into the photovoltaic technologies during pre-design phase, when the engineering solution is not known yet. Probably, majority of investors have particular image about the cost and risk coming from investment into the photovoltaic technologies. However, this image is limited to the restricted knowledge areas of each investor. During the period, when the investor is planning investment into the costly photovoltaic technologies at complex, vague and heavily qualified information about the conditions and risks of investment in the specific region, where the environment is constantly inconsistent and multidimensional, it is possible to solve this complex situation with fuzzy logic. This dissertation is focusing on creation of fuzzy knowledge base with selected installed projects in Europe since 2008 and its use with expert system. Furthermore, is covering the definition and description of the variables, which are included in the investor decision making process. The complete designed architecture of the fuzzy knowledge base is tuned and five projects with different size are tested. The fuzzy knowledge base consists of overall 24 variables and 187 statements.
Key words Fuzzy Knowledge Base, Dialogue, Decision, Investment, Photovoltaic.
4
Bibliografická citace disertační práce PAVLÍČEK, M. Fuzzy model rozhodování investora do fotovoltaických technologií v předprojekční fázi. Disertační práce. Brno: Vysoké učení technické v Brně, Fakulta podnikatelská, 2016. 167 s. Vedoucí disertační práce prof. Ing. Mirko Dohnal, DrSc.
5
Prohlášení Prohlašuji, že disertační práci na téma „FUZZY MODEL ROZHODOVÁNÍ INVESTORA DO FOTOVOLTAICKÝCH TECHNOLOGIÍ V PŘEDPROJEKČNÍ FÁZI“ jsem vypracoval samostatně pod vedením školitele práce prof. Ing. Mirko Dohnal, DrSC. a s použitím odborné literatury a ostatních informačních zdrojů, které jsou náležitě citovány v práci a uvedeny v seznamu literatury na konci práce. Dále jako autor uvedené disertační práce prohlašuji, že v souvislosti s vytvořením této disertační práce jsem neporušil autorská práva ve smyslu zákona č. 228/2014 Sb., zákon, kterým se mění zákon č. 121/2000 Sb., o právu autorském, o právech souvisejících s právem autorským a o změně některých zákonů (autorský zákon), ve znění pozdějších předpisů.
V Brně dne __________________________ Ing. Michal Pavlíček
6
Poděkování Tímto děkuji vedoucímu disertační práce prof. Ing. Mirko Dohnalovi, DrSc. za odborné vedení práce, užitečné rady a připomínky, které přispěly k vypracování této práce. Dále děkuji všem spolupracujícím podnikům, které poskytly cenná data.
7
OBSAH ÚVOD ........................................................................................................................................... 11 1.
CÍLE DISERTAČNÍ PRÁCE ................................................................................................ 13
2.
ANALÝZA SOUČASNÉHO STAVU POZNÁNÍ V DANÉ OBLASTI ............................. 15 2.1
Krátký přehled nedávných výzkumů zabývajících se oblastí fotovoltaiky .................... 16
2.3
Autoři zabývající se danou problematikou..................................................................... 17
2.4
Plán přechodu na konkurenceschopné nízkouhlíkové hospodářství do roku 2050 ........ 18
2.5
Současný stav poznání v oblasti rozhodování při plánování energetiky a environmentální problematiky ....................................................................................... 20
2.6
Metody vícekriteriálního rozhodování ........................................................................... 21
2.6.1
Metoda MAUT ........................................................................................................... 26
2.6.2
Metoda vícekriteriálního rozhodování AHP a ANP – příklad výběru vhodné lokality pro FV elektrárnu .......................................................................................... 26
2.6.3
Další metody rozhodování .......................................................................................... 28
2.7
Fuzzy přístup .................................................................................................................. 30
2.8
Fuzzy metody a techniky investiční analýzy.................................................................. 32
2.8.1
Metoda poměru výnos/náklady .................................................................................. 32
2.8.2
Metoda fuzzy doby návratnosti .................................................................................. 33
2.9
Přehled použití fuzzy expertních systémů a znalostní báze ........................................... 34
2.10 Použité přístupy při rozhodování v energetice a ekologii v číslech ............................... 35 2.11 Optimalizace podle dvou kritérií – příklad FV .............................................................. 41 2.12 Ekonomika solárních fotovoltaických technologií ......................................................... 43 2.13 Přístup shora dolů pro odhad obnovitelných zdrojů....................................................... 45 2.14 Fotovoltaické panely: High-Tech komodita? ................................................................. 47 2.15 Použití fotovoltaických zdrojů v rozvojových zemích – příklad Keňa .......................... 48 2.16 Fotovoltaické elektrárny a jejich vliv na okolní prostředí.............................................. 49 2.17 Směrnice EU a vybrané jim podřazené zákony a vyhlášky České republiky ................ 50 2.18 Příklad postupu při zřizování fotovoltaické elektrárny v ČR ......................................... 52 3.
ZVOLENÉ TECHNIKY A METODY DISERTAČNÍ PRÁCE ........................................... 53 3.1
Volba metod pro zpracování cíle disertační práce ......................................................... 53 8
3.2
Proces tvorby modelu ..................................................................................................... 54
3.3
Logické metody .............................................................................................................. 59
ZDROJE .............................................................................................................................. 156
8.
SEZNAM OBRÁZKŮ ........................................................................................................ 161 9
9.
SEZNAM TABULEK ......................................................................................................... 161
10.
SEZNAM GRAFŮ........................................................................................................... 163
11.
SEZNAM SCHÉMAT ..................................................................................................... 163
12.
ZÁKLADNÍ POJMY ....................................................................................................... 164
13.
SEZNAM ZKRATEK ..................................................................................................... 166
14.
SEZNAM PŘÍLOH .......................................................................................................... 167
10
ÚVOD Obnovitelné zdroje energie začínají být nedílnou součástí dnešního pohledu na způsob výroby elektrické energie a tepla. Tendencí každého z nás by měla být snaha o co nejmenší znečišťování svého okolí ať pevným odpadem či jinými škodlivými vlivy jako jsou například emise oxidu uhličitého, dusitany, siřičitany a jiné. Všechny tyto odpady vznikají při přeměně a těžbě surovin na výrobu energií a výrobků, bez kterých bychom si dnes už ani neuměli představit žít. Naše neustálá touha po rozšiřování a zdokonalování přináší i potřebu vyšší spotřeby energie. Tato energie je spotřebovávána především v období pracovního dne a to převážně ve výrobních a kancelářských budovách. Téma investic do fotovoltaických technologií je aktuální od 80. let 20. století. Masově se však začalo do těchto technologií investovat v EU na přelomu let 2006/2007. Od této doby můžeme sledovat prudký nárůst celkového instalovaného výkonu vyjádřeného většinou v gigawattech. Od roku 2010 zažíváme občasnou snahu o zchlazení tohoto odvětví, což přináší více bariér a rizik pro investory (příkladem může být historický vývoj tohoto odvětví v Česku, Slovensku, Španělsku, Bulharsku, ale nově také v Německu či Itálii). Proto je stále více kladen důraz na výběr lokality se stabilní legislativou a přiměřeným budoucím ziskem. To je z hlediska globálního světa velice těžké zvolit, neboť každý stát nabízející podporu obnovitelných zdrojů energie má svoji legislativu a celý proces povolování těchto staveb. Z pohledu investora je tedy nezbytné najít řešení, díky kterému by mohl s určitou pravděpodobností zvolit vhodnou lokalitu pro svoji investici s očekávanou mírou rizika. Výroba elektrické energie z fotovoltaických technologií se díky veřejným médiím stala velmi diskutovaným zdrojem energie a získala si jak své obhájce tak také své odpůrce. Málo kdo si však uvědomuje, kolik úsilí bylo věnováno tomuto neustále se rozvíjejícímu odvětví, jak technologicky náročná je výroba této technologie a jaké jsou její nesporné výhody převažující nad nevýhodami. Nejen, že již dnes dosahujeme „grid-parity“ v zemích s vyšší cenou elektrické energie jako jsou Itálie, Japonsko nebo Kalifornie, kde náklady elektrické energie vyrobené z fotovoltaických elektráren se už nákladově vyrovnají elektrické energii běžně distribuované z tepelných elektráren. Ale také díky celosvětovým výrobním kapacitám a modularitě systému jsme schopni vybudovat velké množství nových elektráren ve velmi krátkém časovém úseku. Pro představu instalovaný výkon 1 GW, může být za určitých podmínek dodána během 6 měsíců 11
jedním podnikem. Taková rychlost výstavby, při neměnných nákladech na stavbu má bezkonkurenční postavení na trhu a pravděpodobně bude jedním z hlavních motivů budoucích investic při obnově stávající kapacity výroby elektrické energie. Navíc díky novým technologiím vodíkových palivových článků, ale i běžných lithiových baterií, je již dnes možné zabezpečit dodávku elektrické energie po dobu 24 hodin 365 dní v roce a to i společně s dodávkami tepla. Tyto systémy již v současnosti dosahují vysoké účinnosti. Disertace se zaměřuje na návrh znalostní báze podporující rozhodování investora při investici do projektu sestávajícího z fotovoltaické technologie v předprojekční fázi. I přes to, že mnoho světových regionů tyto zdroje podporuje, není jednoduché orientovat se v legislativních nařízeních a celkově v celém byrokratickém procesu povolování staveb tohoto charakteru. Ve skutečnosti každý stát má svoji legislativu upravující podmínky připojení, provoz, likvidaci těchto technologií a stanovuje také výši subvencí a dobu jejich trvání. Legislativa upravující OZE se často mění i jednou ročně, což přispívá k velmi dynamickému investičnímu prostředí s vágními informacemi. Dynamické změny, retrospektivní změny, technické riziko a ekonomicko-politická nestabilita jsou typickým příkladem investičního prostředí fotovoltaických technologií. Společně s tím dochází i k vývoji technologie a k neustálým inovacím přispívajících ke snižování nákladů na jednotlivé komponenty. Podnětem k navržení znalostní báze využívající expertního systému pro analýzu dat je situace neustálých změn vstupujících proměnných a jejich vyhodnocení. Účelem znalostní báze a expertního systému je snížení rizik plynoucích z investice do těchto technologií a pomoci nalézt odpovědi na neustále se měnící, komplexní a vágní investiční prostředí. Investor se tak bude moci lépe rozhodnout o investici ještě v předprojekční fázi. Díky tomu může snížit riziko neúspěchu své investice a také omezit zbytečné náklady na projektovou dokumentaci a soubor nutných povolení pro projekty, které se zdají být neúspěšné od samého začátku ještě v předprojekční fázi.
12
CÍLE DISERTAČNÍ PRÁCE
1.
Disertační práce se zabývá problematikou návrhu modelu podporujícího rozhodování investora při investicích do fotovoltaických technologií v předprojekční fázi. Východiskem disertační práce je potřeba reagovat na neustálé změny v investičním prostředí s neúplnými a vágními informacemi. Potřeba znát o svém investičním záměru co možná nejvíce informací je základním předpokladem pro vyvarování se možných budoucích rizik. V případě investice do fotovoltaikcké technologie jde především o zjištění základních informací o nákladech na investici, legislativu ve formě podpory výkupních cen za vyrobenou elektrickou energii, zjištění návratnosti a další. Motivem této práce je skutečnost rychle se měnícího investičního prostředí, kde se téměř každý rok uplatňují nové legislativní změny podpory fotovoltaických zdrojů výroby elektřiny vedoucí ke snižování podpory a současně se významně mění náklady na technologii, kdy za posledních 7 let došlo ke snížení nákladů o dvě třetiny oproti nákladům na investici v roce 2008. Tak rychle se vyvíjející investiční prostředí zatím neexistuje u žádného jiného zdroje výroby elektrické energie. Například: náklady na vybudování vodní turbíny se ve srovnání s vývojem fotovoltaiky za posledních 10 let téměř nezměnily. Práce se zaměřuje na nalezení proměnných vstupujících do rozhodovacího procesu s cílem podpořit rozhodování a umožnit použití výpočetní techniky. Hlavním cílem disertační práce je vytvoření znalostní báze na základě uskutečněných fotovoltaických projektů a návrh dialogu s touto znalostní bází pro objektivizaci rozhodování o nových projektech. Jednotlivé dílčí cíle práce jsou: -
Identifikace možných metod a výběr vhodné metody pro tvorbu modelu.
-
Návrh proměnných vstupujících do rozhodovacího procesu.
-
Sestavení znalostní báze uskutečněných projektů. Znalostní báze uskutečněných projektů je hlavní součástí, bez které by nebylo možné použít počítačové zpracování. Znalostní báze umožňuje dialog.
-
Sestavení
slovníků
proměnných.
Slovníky
definují
proměnné
vstupující
do rozhodovacího procesu a převádějí data z uskutečněných projektů do počítačově zpracovatelné podoby. 13
-
Implementace do programové podoby pro umožnění zpracování výpočetní technikou. Implementace do programové podoby umožní spuštění algoritmů expertního systému a v souladu s dotazy vygeneruje výsledky, kterými lze podpořit rozhodování.
-
Dialog se znalostní bází. Ověření správnosti generovaných výsledků a diskuze.
14
2.
ANALÝZA SOUČASNÉHO STAVU POZNÁNÍ V DANÉ OBLASTI
2.1
Aktuálnost tématu Fotovoltaické technologie známe běžně od šedesátých let 20. století a to především
ve vesmírném programu NASA v družicích na oběžných drahách kolem Země. Nejen díky tomu známe spolehlivost této technologie a rozsáhlými investicemi se dnes dosahuje nemalých úspor z rozsahu. Jedna z nejstarších fotovoltaických instalací se nachází v Itálii a funguje již přes 40 let. Od 80. let 20. století byly fotovoltaické panely vyráběny i na Ukrajině a sloužily k armádním účelům pro tehdejší Sovětskou armádu. Toto vývojové a výrobní centrum funguje v Kyjevě dodnes. Podniky s výrobními linkami určené pro výrobu fotovoltaických panelů jsou v současnosti ve většině zemí EU včetně Česka. Česká republika disponovalo během roku 2010 výrobní kapacitou přibližně 0,9 GW. V ČR bylo do konce roku 2013 připojeno do elektrické distribuční sítě téměř 2,5 GW fotovoltaických elektráren, z čehož většina byla realizována do února 2011. V letošním roce 2016 je nasnadě znovuobnovit podporu pro instalace do 10 kW na střechách, která by pravděpodobně mohla být schválena s platností od ledna 2016, dle aktuálního politického vývoje. Energetická novela byla podepsána prezidentem České republiky již v květnu 2015. Náklady na investici do fotovoltaické technologie (mluvíme-li o technologii s krystalickými FV panely) se od roku 2008 do roku 2015 snížily na třetinu. Pokud by vývoj nákladů pokračoval v tomto trendu i nadále, dosáhli bychom „grid-parity“ na celém světě do 2 až 3 let. Takto rychlý a turbulentní vývoj cen odvětví nebyl v minulosti predikován. Vzhledem k neustále vznikajícím novým výrobním kapacitám, lze očekávat pokračující pokles nákladů. Z dlouhodobého hlediska bude vývoj směřovat pravděpodobně k okamžiku, kdy podniky s vyššími náklady na výrobu technologie vyhlásí insolvenci a budou odkoupeny velkými hráči na trhu. Dá se tedy očekávat, že v budoucnu bude na trhu spíše několik velkých podniků. Tato změna by se mohla projevit v kladném přechodu od turbulentního a těžko predikovatelného vývoje trhu k běžnému tržnímu prostředí, které známe například ve strojírenských oborech.
15
2.2
Krátký přehled nedávných výzkumů zabývajících se oblastí fotovoltaiky Potenciál trhu s fotovoltaikou nebyl investory dlouhou dobu identifikován i přesto, že
technologie byly běžně dostupné již v devadesátých letech. Investoři tehdy ještě neviděli jedinečné investiční vlastnosti, které fotovoltaické technologie mohou přinést (Awerbuch, 2000). V roce 2003 začal jeden z prvních růstů trhu s fotovoltaickými systémy. Nadcházející vývoj a zavedení prvních dotačních programů začal formovat budoucí expanzi, která skokově vzrostla v letech 2007 až 2010 (Green, 2004). Pro dosažení náročných cílů v oblasti alternativních zdrojů energie stanovených Evropskou Unií bylo nezbytné, aby pokrytí nákladů vzniklých při instalaci a provozu takovýchto systémů bylo podporováno (Ringel, 2006). Téměř na celém světě lidé začali podnikat kroky vedoucí k privatizaci energetického průmyslu a začali podporovat ekologicky šetrné technologie. (Patlitzianas, 2006). Zákazníky trhu s fotovoltaikou je dnes možné rozdělit do tří oblastí. Jedná se o on-grid (připojené do rozvodné sítě) zákazníky, off-grid zákazníky (FV provozovaná v ostrovním režimu) a specializované výrobce elektřiny (výrobci elektřiny). On-grid zákazníci jsou převážně domácnosti a průmysloví odběratelé a tvoří asi 78 % celosvětového trhu. Off-grid zákazníci bývají specializované podniky a koncoví uživatelé (např.: antény pro mobilní telefony, meteorologické stanice, semafory, vodní pumpy, apod.). Specializovanými výrobci elektřiny jsou potom "solární farmy". Dnes je již zřejmé, že právě tyto solární farmy byly a stále jsou nejdůležitějším segmentem trhu. Avšak pomalu začínají být nahrazovány menšími residenčními projekty a to především ve vyspělých zemích (Cristian, 2008). V roce 2007 celková světová kapacita FV přesáhla 9 GWp z čehož poloviční podíl patřil Evropské unii (Cristian, 2008). Evropská unie přijala cíl zvýšit využívání obnovitelných zdrojů energie, které sníží emise oxidu uhličitého. Fotovoltaické systémy dnes patří mezi obnovitelné zdroje energie, které tento cíl mají naplnit. Fotovoltaické systémy přeměňují světelné záření na elektrickou energii pomocí fotovoltaických článků (panelů). Jsou charakteristické svojí modularitou, bezobslužností a dlouhou dobou provozu (Ulieru, 2009). Tyto systémy jsou vždy také spojené s administrativními a regulačními otázkami. Investoři si musí být vědomi rizik, která s tím souvisejí (Wright, 2010). Vývoj trhu s fotovoltaikou je dnes pevně svázán s podporou politiky vykonávanou národními vládami a podle národních právních předpisů. Korekce těchto pobídek může významně ovlivnit růst i pokles trhu s fotovoltaikou v jakékoli zemi (Dusonchet, 2010).
16
Promítneme-li poslední trendy v odvětví do budoucnosti, lze odhadnout, že velké fotovoltaické projekty (tzv. Utility Scale) jsou již dnes na dobré cestě stát se nákladově konkurenceschopné na úrovni „grid-parity“ do konce tohoto desetiletí. Dokazuje to i zvyšující se výrobní kapacity, kdy v roce 2010 bylo instalováno dalších téměř 17 GWp solárních elektráren (Reichelstein, 2013). „Grid-paritty“ dosahují instalace v Itálii již od roku 2014. Lze předpokládat, že vzhledem k vývoji nákladů a cen energie bude grid-parity dosaženo do roku 2020 i v mnoha dalších zemích EU (EPIA, 2011). 2.3
Autoři zabývající se danou problematikou V současné době se tématu fotovoltaiky věnuje celá řada autorů a světových universit.
Většina dosud publikovaných článků se zabývá především optimalizací fotovoltaických systémů pro daný objekt (budovu) vzhledem k energetickým úsporám a možností využití této energie. Potřeba snížení energetické náročnosti budov vznikla v 80. letech 20. století v Kalifornii/USA. Masivní výstavba mrakodrapů a kancelářských budov skládajících se především z betonu, oceli a skla přinášela v této oblasti nezbytnost použití klimatizačních jednotek, neboť v letních měsících docházelo k nesnesitelnému přehřívání vzduchu uvnitř budov, kde nebylo možné pracovat. Prudký rozmach instalací těchto klimatizačních jednotek, které jsou energeticky velice náročné, přinesl potíže se zvýšenou spotřebou elektrické energie, která je v Kalifornii dnes jednou z nejdražších energií na světě. Z tohoto popudu vznikla myšlenka napájení těchto klimatizačních jednotek pomocí fotovoltaických elektráren, které pracují právě přes den, kdy je potřeba budovy ochlazovat. Tohoto systému je nyní hojně využíváno také v Izraeli, Spojených Arabských Emirátech (UAE), Saudské Arábii, a mnoha dalších jižních zemích, které započaly výstavbu mrakodrapů a výškových budov s prosklenými fasádami. Na toto témata bylo zpracováno mnoho studií. Cílem těchto studií je podat přehled o pasivních solárních technologiích pro vytápění a chlazení budov. Výsledky byly diskutovány v závislosti na pracovních mechanismech. Jsou zde zdůrazňovány výhody a omezení, jednotlivé výzvy pro dané technologie a uvedeny pravděpodobné budoucí potřeby výzkumu v těchto oblastech. (Hoy-Yen Ch, 2010) Technologický výzkum je více zaměřen na optimalizaci výroby elektrické energie a zvyšování celkové účinnosti kompletních systémů. Běžně dnes dosahujeme účinnosti fotovoltaických panelů (13 až 17) %. Na trhu se však pomalu začínají objevovat panely i s vyšší 17
účinností dosahující (18 až 22) %. Maximální účinnosti se zatím dosáhlo při laboratorním testu, který dosáhl účinnosti 22 % u běžného panelu s běžným krystalickým materiálem. Obrázek 1: Překonání omezení pomocí vytápěcích a ochlazovacích systémů v kombinaci se solárními aktivními a pasivními technologiemi.
Zima, chladné dny
Nižší náklady
Ohřev
Léto, teplé dny
Pasivní solární ohřev
Chlazení
Aktivní solární ohřev
Kombinovaný systém ohřevu a chlazení skrze aktivní a pasivní solární ohřev.
Vyšší účinnost
Produkce teplého nebo/a chladného vzduchu při nižších nákladech a vyšší účinosti během roku.
Zdroj: vlastní zpracování na základě literatury (Hoy-Yen Chan, 2010).
Výzkum zaměřený na ekonomiku FV systémů se zabývá především návratností systému jako celku, jeho ziskovostí v průběhu celé životnosti panelů a náklady na výstavbu. Novým fenoménem se stávají náklady na administrativu, které byly především ve východních zemích Evropy díky komplikovanému systému povolení a byrokracii neúnosně vysoké a to především pro menší FV systémy do 100 kW. Proto můžeme sledovat, že ve východních zemích Evropy byly budovány především elektrárny o výkonu vyšším jak 1 MW namísto budování menších elektráren směřujících k „Smart Grid“ síti jak je tomu například v současnosti v Německu, Francii nebo Itálii.
2.4
Plán přechodu na konkurenceschopné nízkouhlíkové hospodářství do roku 2050 Evropská komise navrhla stěžejní plán Evropa 2020 nazvaný „Evropa účinněji
využívající zdroje“, kde představila řadu dlouhodobých politických plánů v oblasti energetiky, dopravy a změny klimatu. Jedná se zejména o přechod na strategii s nízkouhlíkovým hospodářstvím, kdy do roku 2050 chce dosáhnout omezení produkce skleníkových plynů o (80 18
až 95) % oproti referenčnímu roku 1990. Strategie Evropa 2020 spočívá v dosažení cílů snížení produkce skleníkových plynů o 20 % do roku 2020 oproti referenčnímu roku 1990 v odvětví energetiky. Cíle má být dosaženo při použití strategie zvýšení celkového podílu OZE na výrobě elektrické energie na 20 % z celkového energetického mixu, zlepšením energetické účinnosti o 20 % a snížením emisí skleníkových plynů o 20 %. (EUROPEAN COMMISSION, 2011) Z tabulky (1) můžeme sledovat postupný plán vývoje omezení produkce emisí dle odvětví do roku 2050. Z celkového je vidět cíl plánovaný Evropskou komisí na úrovni až 100% výroby elektrické energie z OZE s nulovou uhlíkovou stopou. „Do praxe budou muset být ve velkém rozsahu zavedeny různorodé existující technologie, včetně vyspělejších technologií, jako je například fotovoltaika, jež se budou postupem času zlevňovat, a tak se stanou konkurenceschopnějšími.” (EUR-LEX, 2011) Tabulka 1: Plán omezení produkce emisí dle odvětví. Snížení emisí skleníkových plynů oproti roku 1990 Celkem
2005
2030
2050
-7 %
-40 až -44 %
-79 až -82 %
Energetika (CO2)
-7 %
-54 až -68 %
-93 až -99 %
Průmysl (CO2)
-20 %
-34 až -40 %
-83 až -87 %
+30 %
+20 až -9 %
-54 až -67 %
Domácnosti a služby (CO2)
-12 %
-37 až -53 %
-88 až -91 %
Zemědělství (bez CO2)
-20 %
-36 až -37 %
-42 až -49 %
Ostatní emise (bez CO2)
-30%
-72 až -73 %
-70 až -78 %
Odvětví
Doprava (CO2) (vč. letecké dopravy, vyjma lodní dopravy)
Zdroj: vlastní zpracování na základě literatury (European Commission, 2011).
Plánem pro dosažení vytyčených cílů je snižování emisí CO2 o 1,0 % do roku 2020, 1,5% do roku 2030 a 2,0 % do roku 2050. Z dosavadního vývoje je zřejmé, že tento smělý plán je uskutečnitelný a ve většině oborů se jej zatím daří plnit. V oboru snižování emisí CO2 z produkce elektrické energie hrají fotovoltaické technologie prim společně s technologií větrných a vodních elektráren. Pro dosažení omezení emisí uvedené v tabulce (1) bude nutné zabezpečit trvalé a významné investice do všech těchto odvětví. „Během příštích 40 let byl nárůst soukromých a 19
veřejných investic vypočítán v průměru na 270 mld. EUR ročně což představuje dodatečné investice ve výši zhruba 1,5 % HDP EU ročně nad stávající investice, které se vyšplhali na 19 % HDP v roce 2009“. (EUR-LEX, 2011) 2.5
Současný stav poznání v oblasti rozhodování při plánování energetiky a environmentální problematiky „Zkoumání literatury o analýzách podporujících rozhodování v oblasti energetiky a
environmentálního modelování přineslo fakt, že rozhodování za nejistoty je jednou z nejdůležitějších aplikačních technik, kde nejčastější oblastí jejího použití je energetické plánování a politické analýzy.“ (Huang, 1995) Rozhodování za nejistoty se skládá ze skupiny technik pro rozhodování, kde výsledky jsou nejisté, a hodnocení kompromisů je obtížné. Cílem pro rozhodovatele (angl. decision maker), který má rozhodovací pravomoc, je zhodnocení možných alternativ rozhodnutí na základě jeho informací a preferencí. Matematické základy pro tyto techniky jsou založeny na „Bayesianské“ teorii statistického rozhodování (angl. Bayesian decision theory – „statistický přístup vyčíslení kompromisů mezi různými rozhodnutími pomocí pravděpodobnosti a nákladů, které doprovázejí taková rozhodnutí“). (Jacobs, 2007) V minulosti bylo navrženo mnoho formalismů, z nichž všechny vedou k principu maximálního očekávaného užitku. Při rozhodování za jistoty, nejistoty a rizika je klasickou metodou rozhodovací strom, kde jsou rozhodnutí a nejisté události modelovány v podobě stromu. Rozhodovací stromy byly široce využívány, avšak mají několik nedostatků, jako jsou: -
velikost stromu při složitých a komplexních problémech,
-
neumožňují explicitní reprezentaci vztahů mezi proměnnými,
-
rozhodovatel je veden v myšlení pouze směrem dopředu, ale ve skutečnosti je někdy nutné jít oběma směry jak dopředu tak také dozadu. (Jacobs, 2007)
Jako alternativa k rozhodovacím stromům pro reprezentaci a vyhodnocování rozhodovacích problémů, byly v minulosti vyvinuty také diagramy vlivu (angl. Influence diagrams), vyjadřující závislosti mezi proměnnými. Hlavní výhodou diagramu vlivu je především menší velikost než u rozhodovacího stromu. To umožňuje různé úrovně koncepčního
20
modelování (tj. koncepční vztahy a numerické rozdělení pravděpodobností) a vhodnosti pro použití v automatizovaném rozhodování například ve stavebnictví. (Huang, 1995)
2.6
Metody vícekriteriálního rozhodování „Modely vícekriteriálního rozhodování zobrazují rozhodovací problémy, v nichž se
důsledky rozhodnutí posuzují podle více kritérií. Vícekriteriálnost charakterizuje téměř každou rozhodovací situaci.“ (Šubrt, 2011) Smyslem těchto modelů je nalezení „nejlepší“ varianty z hlediska všech uvažovaných proměnných, případně seřazení do množiny variant, nebo vyloučení nevyhovujících variant. Model vícekriteriální analýzy je zpravidla dán konečnou množinou m variant, které se hodnotí n kritérii. Tato kritéria musí být nezávislá, a měla by uvažovat všechna hlediska výběru. Jejich počet by měl být omezený, aby řešený problém nebyl nepřehledný. (Šubrt, 2011) Hodnocení variant dle kvantifikovaných kritérií můžeme napsat ve tvaru kriteriální matice Y:
a1 Y = a2
f1 y11 y21 ...
f2 y12 y22 ...
... ... ... ...
fn y1n y2n ...
am
ym1
ym2
...
ymn
kde ymn vyjadřuje hodnocení m-té varianty podle n-tého kritéria. V matici Y odpovídají sloupce kritériím a řádky hodnoceným variantám. Matice může obsahovat jak číselná, tak slovní hodnocení. V případě, že matice obsahuje slovní hodnocení variant, mluvíme spíše o kriteriální tabulce. (Šubrt, 2011) Podle povahy rozlišujeme kritéria na: -
Maximalizační kritéria, kdy nejlepší varianta bude mít nejvyšší hodnotu.
-
Minimalizační kritéria, kdy nejlepší varianta bude mít nejnižší hodnotu. (Šubrt, 2011)
21
Podle kvantifikovatelnosti rozlišujeme kritéria na: -
Kvantitativní kritéria, kdy hodnoty variant tvoří měřitelné údaje (objektivní kritéria).
-
Kvalitativní kritéria, kdy hodnoty variant nelze změřit (subjektivní kritéria). (Šubrt, 2011)
Preference kritérií (preference vyjadřuje důležitost kritéria v porovnání s ostatními kritérii) potom může být také vyjádřena různými způsoby, například pomocí: -
Váhy kritérií (vyjadřují pořadí kritérií od nejdůležitějšího po nejméně důležité a zpravidla se pohybují v intervalu od 0 do 1).
-
Pořadí kritérií.
-
Aspirační úrovně kritérií (min. nebo max. hodnota, které má být alespoň dosaženo).
-
Způsobu kompenzace kriteriálních hodnot (kompenzace zde vyjadřuje míru substituce).
-
Nebo nemusí být vůbec definována. (Šubrt, 2011)
Komplexní rozbor metod vícekriteriálního rozhodování a jejich srovnání v hierarchii byl proveden již v minulosti. Stručný přehled, můžete vidět na obrázku (2) a v tabulce (2). Metody pro podporu rozhodování se zabývají podporou rozhodování při neznámých dopadech rozhodnutí rozhodovatele. Poskytují formální metodiku systematického zkoumání při složité a neprůhledné rozhodovací situaci, formulacích alternativních postupů, zacházení s informacemi a nejistotou, preferencemi a hodnocením domněle „nejlepšího" nebo alternativního postupu. Metody rozhodování spojují dvě oblasti: teorie statistického rozhodování racionálního chování v jednoduchých situacích a systémové analýzy. Od roku 1960 se metody rozhodování vyvinuly do různých forem s rozdílnými zájmy a důrazy. Mezi hlavní faktory řešení patří: řešení konfliktů mezi cíli, které obsahují nejistotu výsledků a vyhodnocením více možností. Jedna z prvních aplikací metody rozhodování byla provedena v roce 1960. Zabývala se tehdy rozhodováním v oboru ropného průmyslu a zemního plynu. Další expanze následovala v soukromém sektoru, kde se objevily výzkumy zabývající se vývojem nových produktů, výzkumem a vývojem investičního hodnocení, výrobních prostor a staveb, hodnocení léčiv a lékařských technologií, ale také problémy s energií a životním prostředím. (Huang, 1995)
22
Podle povahy rozhodovacího problému můžeme dělit metody rozhodování na jednokriteriální a vícekriteriální. Podle realizace postupů pak na rozhodování bez systémové podpory informačních technologií a na systémy pro podporu rozhodování, viz obrázek (2). Jednokriteriální metody se využívají pro hodnocení dostupných alternativ s nejistými dopady v rámci jediné situace. Klasickým přístupem je metoda rozhodovacího stromu. Jiným přístupem jsou pak diagramy vlivu, které poskytují jednodušší reprezentaci problematiky rozhodování oproti klasickým rozhodovacím stromům. (Zhou, 2006) Vícekriteriální metody se zabývají problémy, jak vybrat jednu či více variant z množiny akceptovaných variant a následně ji doporučí. Rozhodovatel musí v tomto případě postupovat obezřetně a objektivně. K tomu slouží aparáty odlišných postupů a metod analýzy jednotlivých variant. Jak již bylo řečeno, u vícekriteriální analýzy jednotlivých variant je dána konečná množina m variant hodnocená podle n kritérií (Šubrt, 2011). Vícekriteriální a více-atributové metody rozhodovaní patří mezi dvě hlavní větve těchto metod. Vícekriteriální metody rozhodování (MODM) jsou v podstatě matematické modely, kde cílem je vybrat „nejlepší“ variantu mezi všemi možnými variantami. Zvláštním případem vícekriteriálních metod (MODM) je například vícekriteriální lineární programování (MOLP), kde kriteriální funkce a omezení jsou lineárními funkcemi. (Zhou, 2006) Vícekriteriální metoda rozhodování (MADM) obsahuje navíc preference rozhodnutí, vyhodnocení a stanovení priorit všech variant, které jsou obvyklé a vyznačují se několika protichůdnými vlastnostmi. (Zhou, 2006) Více-atributová teorie užitku (MAUT) umožňuje nastavení preferencí, které uváží preference v podobě mnoha funkcí užitku atributu. Metoda MAUT je dále rozebraná v kapitole 2.6.1. Zvláštní případ metody MAUT je teorie vícehodnotového atributu (MAVT), kde odpadá nejistota v důsledku alternativ. (Zhou, 2006) Analytický hierarchický proces (AHP) byl navržena profesorem Saatym v roce 1980. Slouží pro podporu účinných rozhodnutí ve složitých situacích, kdy je nutné rozhodnout. Metoda pomáhá zjednodušit a zrychlit proces rozhodování. Metoda AHP rozkládá složité a nestrukturované problémy na jednodušší elementy. Pro každou úroveň hierarchické stavby se použije metoda kvantitativního párového porovnání prof. Saatyho. Skrze subjektivní hodnocení párového porovnání potom přiřadí každému elementu kvantitativní charakteristiku, která
23
vyjadřuje jejich důležitost. Syntézou těchto hodnocení se pomocí nejvyšší priority stanoví element na nějž se rozhodovatel zaměří. Základní pravidla metody AHP jsou: -
Konstrukce hierarchie problému.
-
Párové porovnání elementů v každé úrovni hierarchie.
-
Syntéza získaných preferencí.
-
Volba „nejlepší“ varianty. (Šubrt, 2011)
Metody ELECTRE jsou metody preferenční relace. Stejně tak i metody PROMETHEE jsou metody preferenční relace, kde se používá metoda organizace preference žebříčku pro obohacení celkového hodnocení. Metody OMADM jsou více-atributové metody pro podporu rozhodování. Patří k nim také metoda TOPSIS, která posuzuje varianty s ohledem na jejich vzdálenosti od ideální a bazální varianty. (Zhou, 2006, Šubrt, 2011) Obrázek 2: Přehled metod pro podporu rozhodování. Metody pro podporu rozhodování
Jednokriteriální rozhodování
Rozhodovací stromy
Více-atributová teorie užitku (MAUT)
Systémy pro podporu rozhodování
Diagramy vlivu
Vícekriteriální rozhodování
Více-atributové rozhodování (MODM)
Analitický hierarchycký proces (AHP)
ELECTRE
Vícekriteriální rozhodování (MADM)
PROMETHEE
OMADM
Zdroj: vlastní zpracování na základě literatury (Zhou, 2006).
Systémy pro podporu rozhodování se odkazují na interaktivní, flexibilní a adaptabilní softwarové systémy, které slučují modely, znalostní báze a jiné rozhodovací nástroje tak, aby je
24
rozhodovatelé mohli použít. Systémy pro podporu rozhodování podporují řešení složitých a nestrukturovaných problémů rozhodování, které není jednoduché zvládnout běžnými metodami. V běžných systémech pro podporu rozhodování závisí kvalita výsledku na odbornosti tvůrce, který vybírá vhodné parametry a modely. Nedávné pokroky v umělé inteligenci vedly k vývoji inteligentních systémů pro podporu rozhodování, které poskytují větší flexibilitu pro rozhodovatele při řešení různých situací tím, že používají znalostní báze. Tyto znalostní báze obsahují heuristické znalosti expertů zabývající se danou problematikou. (Zhou, 2006)
Tabulka 2: Metody kvantifikace preferencí mezi variantami. Informace o preferencích mezi variantami Kardinální informace Aspirační úrovně Metoda Metoda PRIAM
Ordinální úrovně
Funkce užitku
Metoda Lexikografická váženého součtu
Vzdálenost variant od ideální a bazální varianty
Preferenční relace
Mezní míra substituce
Metoda TOPSIS
Metoda AHP
Metoda postupné substituce
ORESTE
Metoda PROMETHEE
Permutační
Metoda ELECTRE
Zdroj: Ekonomicko-matematické metody (Šubrt, 2011).
Systémy založené na umělé inteligenci jsou vyvíjeny a používány po celém světě do nesčetných aplikací, hlavně kvůli jejich symbolickému uvažování, flexibilitě a schopnosti vysvětlení výsledku. Umělá inteligence se využívá v odvětvích, jako jsou: strojírenství, ekonomie, medicína, armáda, námořnictvo atd. Jsou používány pro modelování, identifikaci, optimalizaci, predikci, předpověď a řízení složitých systémů. (Mellit, 2009) Umělá inteligence (AI) byla aplikována v počítačových systémech, které mohou provádět složitější úkoly než jen pouhé programování. Umělá inteligence se skládá z mnoha oborů, jako jsou expertní systémy (ES), umělé neuronové sítě (ANN), genetické algoritmy (GA), fuzzy logiky (FL) a různých hybridních systémů. Většinou ji tvoří kombinace dvou nebo více výše jmenovaných metod. (Medsker, 1996) 25
2.6.1 Metoda MAUT Více-atributová teorie užitku MAUT je strukturovaná metodologie určená k volbě kompromisů mezi více cíli. Tato metoda byla vyvinuta s úmyslem pomoci při rozhodování přidělováním hodnoty výsledků tak, že je ocení z pohledu více atributů a hodnoty kombinuje ve snaze získat celkový měřitelný užitek. Jedna z prvních aplikací více-atributové teorie užitku byla použita při studii alternativních lokalit pro nové letiště v Mexico City na začátku roku 1970. Mezi uváženými faktory byly zahrnuté například: náklady na výstavbu, kapacita letiště, dopravní vzdálenost na letiště, bezpečnostní rizika, sociální narušení okolí a hluk. Při komplexní analýze se v praxi tato metoda běžně kombinuje. (Zhou, 2006) 2.6.2 Metoda vícekriteriálního rozhodování AHP a ANP – příklad výběru vhodné lokality pro FV elektrárnu Metody AHP a ANP slouží pro podporu rozhodnutí ve složitých situacích. Metody pomáhají zjednodušit a zrychlit proces rozhodování. Při vývěru projektu kdy rozhodovatel musí rozhodnout o výběru investice do FV elektrárny s ohledem na obtížnost získání povolení, vhodnou lokalitu, přístupu místní správy a mnoha dalších vlivů převážně ekonomického charakteru, mohou být tyto metody s výhodou využity. Obrázek 3: Ovlivňující vztahy v modelu ANP.
Zdroj: An ANP-based approach for the selection of photovoltaic solar power plant investment projects, (Aragone´s - Beltra´n 2010).
26
Fotovoltaické projekty před samotným začátkem jejich výstavby předchází velmi dlouhé plánování a manažerské rozhodování. Z toho vyplývá skutečnost mnoha rizik spojených s rozhodovacím procesem, časových prodlev způsobených protahováním různých povolení a následných dohod s dodavateli, které často vede k pozastavení celého projektu. Ve studii autora Aragone´s-Beltra´n (2010) se vrcholoví manažeři pracující ve španělské společnosti, působící na trhu s výrobou elektřiny, mají rozhodnout o nejvhodnějším fotovoltaickém projektu (ze čtyř alternativních projektů), tak aby investovali na základě nejnižšího rizika.
Obrázek 4: Rozhodovací proces. Hlavní cíle Formulace problému Analýza fází projektu, které jsou součástí stavby FV elektrárny
Porovnání výsledků Porovnání Závěrečný výsledek Zdroj: vlastní zpracování na základě literatury (Aragone´s - Beltra´n, 2010).
27
Jednotlivé vlivy mezi prvky sítě identifikovali a analyzovali pomocí multikriteriální rozhodovací analýzy metodou ANP, viz obrázek (4). Použili dva různé modely: jeden hierarchický AHP (AHP model, který je uvažován jako zvláštní případ ANP) a jeden síťový model ANP, viz obrázek (3). Výsledky získané z těchto modelů porovnali a analyzovali. Hlavním závěrem bylo, že pouze model analytického síťového procesu ANP uvažoval a zahrnul do výpočtu všechny informace o skutečném stavu problému a byl doporučen autory tohoto výzkumu. V dokumentu jsou také popsány silné a slabé stránky metody ANP jako nástroje pro analýzu vícekriteriálního rozhodování. (Aragone´s-Beltra´n, 2010)
2.6.3 Další metody rozhodování V reálném světě je třeba řešit reálné formulace problémů se všemi nároky na vstupní parametry (např.: maximální kapacity distribuční sítě). Protože většina analytických metod, numerických programovacích metod a heuristických metod nejsou schopny pracovat vždy správně, mohou být umělé inteligence na základě metod, jako jsou genetické algoritmy (GA), použity k řešení podobných problémů s cílem dosáhnout přesnějších a realističtějších výsledků. Zároveň mohou být zavedeny a rozvíjeny některé nově zavedené metody umělé inteligence. Tyto metody nejsou vždy zárukou optimálního řešení, avšak díky rychlosti počítačů poskytují řešení blízké optimálnímu stavu v krátké době. (Gómez, 2010) Metody založené na Binární elementární „swarm“ optimalizaci (BPSO) mohou také sloužit k dosažení optimálního umístění a velikosti fotovoltaického systému pro distribuování energie, kdy omezením může být například instalovaný špičkový výkon (angl. peak, označeno malým „p“ za jednotkou výkonu), který je omezen kapacitou distribuční sítě od distribuční společnosti. Kriteriální funkce, jež má být optimalizována, vyjadřuje potom index ziskovosti. Gómez a spol. provedli srovnání mezi navrženým algoritmem (BPSO) a metodou genetického algoritmu (GA) a dalšími metodami BPSO. Pro tento cíl vypočítali konvergenci křivky průměrného indexu ziskovosti vzhledem k počtu iterací. Při posuzování výpočtů zjistili, že výhodou navrženého algoritmu je dosažení lepšího výsledku než při použití genetického algoritmu. Obrázek (5) ukazuje, že použitý BPSO algoritmus konverguje k lepším výsledkům než ostatní použité metody. Výsledky tohoto výzkumu ukazují, že algoritmy Standardní BPSO a
28
BPSO konvergují k řešení v malém počtu iterací, avšak dosahují nižší kvality a přesnosti. (Gómez, 2010) Obrázek 5: Simulované konvergenční křivky algoritmu. I n d e x z i s k o v o s t i Počet iterací Zdroj: Optimal placement and sizing from standpoint of the investor of Photovoltaics GridConnected Systems using Binary Particle Swarm Optimization (Gómez, 2010).
Genetické algoritmy obsahují souhrn přímých optimalizací a výzkumných technik, které mohou vyřešit velice složité a nelineární úlohy. Mohou být použity k nalezení řešení za použití více kriteriálních funkcí a při souboru vícenásobných omezení. Genetické algoritmy hrají důležitou roli při řešení, optimalizaci a měření výkonosti adaptačních modelů. Genetické algoritmy mohou být v některých případech lepší než použití neuronových sítí, rozhodovací stromy nebo fuzzy logika. Fungují na principu přirozené evoluce. Používají se tam, kde přesné řešení systematickým prozkoumáváním by trvalo nekonečně dlouho. (Chen, 2006, Cox, 2005, Rais, 2007) Techniky umělé inteligence se používají jako alternativní přístup k tradičním technikám, nebo jako součást integrovaných systémů. Bývají použity k řešení složitých praktických problémů v různých oblastech a nabývají na stále větší popularitě. Techniky umělé inteligence mají následující vlastnosti: -
mohou se učit z příkladů,
29
-
jsou odolné proti chybám v tom smyslu, že jsou schopny zvládnout také data se šumem,
-
jsou schopny zabývat se nelineárními problémy a mohou provádět predikce a zobecnění ve vysoké rychlosti. (Gómez, 2010)
2.7
Fuzzy přístup Fuzzy systémy jsou založeny na teorii fuzzy množin. Cílem tohoto přístupu je
napodobovat aspekt lidského poznání, které lze nazvat přibližné usuzování. Fuzzy systémy neposkytují ostré hodnoty jako konvenční systémy, ale pracují podobně jako naše každodenní lidské rozhodování. Fuzzy logika se používá především v teorii řízení. To je založené na fuzzy logice uvažování, která pracuje se základními pravidly když (if) – potom (then). Fuzzy logika a fuzzy řízení relativně zjednodušují popis u metodiky kontroly. To umožňuje použít „lidský jazyk“ při popisu řešeného problému. Bohužel v mnoha řídících aplikacích je model systému neznámý nebo vstupní parametry jsou velmi proměnlivé a nestálé. A právě v takových případech mohou být použity fuzzy regulátory. V praxi je potom snazší pochopit a změnit pravidla fuzzy regulátorů, které jsou vyjádřeny v přirozených jazykových výrazech (např.: malý/střední/velký) než operátory vyjádřené ostrými čísly. (Kalogirou, 2007) Fuzzy logika je velmi užitečná v modelování složitých a nepřesných systémů. Podle teorie fuzzy množin, jsou prvky fuzzy množiny charakterizovány hodnotami z uzavřeného intervalu od 0 do 1. Důležitým krokem při použití fuzzy metod je hodnocení funkce příslušnosti určité proměnné, která se vyrovná odhadu možnosti ve stochastickém modelu. Funkce příslušnosti ve fuzzy teorii množin, které jsou vhodné pro modelování preferencí řešitele, lze získat na základě skutečných statistických zjišťování. (Chau, 2006) Zvýšené popularitě můžeme také přihlížet u hybridních inteligentních systémů (HIS), které v posledních letech úspěšně řeší problematiku v reálném komplexním světě. Důvodem je, podobně jako u ostatních metod, synergie ve využití s dnešními počítači, fuzzy logikou, neuronovými sítěmi a také genetickými algoritmy. Každá z těchto metod zajišťuje hybridní systém s doplňkovým uvažováním a hledáním metod, které umožňují využití domény znalostí a empirických dat k řešení složitých problémů. Hybridní systémy kombinující fuzzy logiku,
30
neuronové sítě, genetické algoritmy a expertní systémy prokazují jejich efektivitu v široké paletě problémů dnešního reálného světa. (Mellit, 2009) Tyto hybridní systémy jsou již natolik složité, že i přes jejich nesporný přínos by pro danou problematiku přesáhli rámec této disertační práce. Techniky umělé inteligence ukázaly možnost úspěšného dimenzování FV systémů založených na některých dostupných údajích a to s dostatečnou přesností. Literatura publikovaná se zaměřením na určení velikosti fotovoltaických systémů založených na technikách umělé inteligence naznačuje popularitu těchto metod a to zejména v odlehlejších oblastech, viz tabulka výše. To dokazuje potenciál umělé inteligence pro použití jako nástroje pro navrhování a dimenzování optimálních fotovoltaických systémů. (Mellit, 2009) Technika neuro-fuzzy může být využita pro volbu optimální velikosti FV systému. Tato technika kombinuje neuronové sítě a fuzzy logiku. Lze ji využít například pro odhad optimální velikosti FV systému vzhledem ke geografické poloze na Zemi. (Mellit, 2008) Tabulka 3: Souhrn aplikací zabývajících se navrhováním a dimenzováním FV systémů pomocí technik umělé inteligence. Techniky umělé inteligence
Oblast
Neuronové sítě
Dimenzování samostatně stojících FV systémů Nalezení optimálních parametrů FV systému
"Wavelet1" a neuronová síť
Genetický algoritmus
Neuronová síť, neuro-fuzzy a genetický algoritmus
Dimenzování samostatně stojících FV systémů Dimenzování hybridního systému Samostatně stojící větrná turbína Optimalizace kontrolních strategií pro samostatně stojící systémy Optimální umístění a dimenzování FV systému z hlediska ziskovosti a posílení napětí Dimenzování samostatně stojících FV systému v izolované oblasti
Počet aplikací 8 1
11
2
Zdroj: vlastní zpracování na základě literatury (Mellit, 2009).
Obecně lze konstatovat, že metody zakládající se na fuzzy logice prokázaly svou schopnost popsat složité systémy v mnoha případech, kdy konvenční matematické metody selhaly. Aplikace lze nalézt v mnoha odvětvích vědy včetně ekonomie. Problémy s odhadem 1
Wavelet – „Vlnka“
31
nákladů je možné jen částečně řešit analytickými a statistickými metodami. Z tohoto důvodu byl navrhnut fuzzy přístup. Největší nevýhodou fuzzy přístupu byla v minulosti tehdejší rychlost počítačů společně s malou pamětí a nároky na čas zpracování výsledků (Turunen, 1984). Tato nevýhoda je díky pokroku v počítačových technologiích již překonána a fuzzy přístup lze využívat nejen při podpoře rozhodování v ekonomii, ale i pro mnoho jiných oborů.
2.8
Fuzzy metody a techniky investiční analýzy Peněžní částky a úrokové sazby jsou obvykle získávány odhadováním pomocí
kvalifikovaných odhadů na základě očekávaných hodnot nebo jiných statistických metod. Avšak při rozhodování v nejistém ekonomickém prostředí jsou expertní znalosti o diskontování peněžních toků často velmi mlhavé. Fuzzy čísla zde mohou zachytit potíže při odhadování těchto parametrů. Byly vyvinuty vzorce pro analýzu fuzzy současné hodnoty, odpovídající fuzzy jednotné roční hodnoty, fuzzy budoucí hodnoty, fuzzy poměr mezi výnosy a náklady a fuzzy doba návratnosti. Každá částka, která může být investována, představuje odlišnou úroveň investic a proto má investice více úrovní. (Ratiu, 2008) Teorie fuzzy množin je mocným nástrojem v oblasti řízení, kde nemáme dostatečný počet objektivních informací. Vhodná fuzzy čísla mohou zachytit mlhavé znalosti. V případě mlhavých znalostí mohou být použity také ostatní finanční nástroje, jako jsou například analýza substituce. (Ratiu, 2008) Pro zodpovězení dotazů uživatele s využitím znalostní báze, může být sestaven systém využívající dialog. Pappu a Rudnicky (2014) ve své práci použili příkladu rozhodovatele, který chtěl získat odpovědi od znalostní báze pomocí dialogu, přičemž znalostní báze byla sestavena odbornými výzkumníky. Zjistili, že při dialogu dosahují přesnosti odpovědí na dotazy až 90,5 %. Prokázali, že při využití dialogu se znalostní bází dokázali uživatelé dosáhnout lepších výsledků než bez použití dialogu. (Pappu, 2014) 2.8.1 Metoda poměru výnos/náklady Poměr výnosů a nákladů (BCR) je často používána k posouzení hodnoty veřejných projektů ve vztahu k jejich nákladům. Jsou definovány jako: BCR = (B – D)/ C, kde B reprezentuje hodnotu ekvivalentní výnosu spojeného s projektem, D představuje odpovídající 32
hodnotu ztráty a C odpovídá čistým nákladům na projekt. Pokud je BCR větší než 1 znamená to, že hodnocený projekt je ekonomicky výhodný. V analýze BCR nemohou být náklady s minusovým znaménkem. Je-li vybrána jedna varianta z několika možných, je zapotřebí použít vícekriteriální hodnocení. V tomto případě je pak nutné provést analýzu dílčích výnosů a nákladů. Při výpočtu poměru (ΔB2-1) / (ΔC2-1), jsou náklady a výnosy alternativy s vyšší pořizovací cenou odečteny od nákladů a výnosů alternativy s menší pořizovací cenou. Kde ΔB je rozdíl výnosů a ΔC je rozdíl nákladů mezi nákladnější a méně nákladnou variantou. Je-li (ΔB2-1) / (ΔC2-1) ≥ 1 potom je preferovaná druhá alternativa. (Ratiu, 2008)
2.8.2 Metoda fuzzy doby návratnosti Metoda doby návratnosti investice (FPP) zahrnuje stanovení doby potřebné k navrácení počátečních investičních nákladů na nulovou úrokovou sazbu, která ignoruje časovou hodnotu peněz nebo určitou úrokovou sazbu připouštějící časovou hodnotu peněz. Nechť Cj0 vyjadřuje počáteční investiční náklady alternativy j, a RJT naznačuje čisté příjmy z investic j během období t. Za předpokladu, že se nevyskytují žádné další negativní čisté peněžní toky, potom nejmenší hodnota mj ignoruje časovou hodnotu peněz jako zde:
nebo nejmenší hodnota mj uznává časovou hodnotu peněz jako zde:
kde definuje dobu návratnosti investice j. Investiční alternativa s nejmenší dobou návratnosti je pak preferovanou alternativu. (Ratiu, 2008)
33
2.9
Přehled použití fuzzy expertních systémů a znalostní báze Základní koncept přístupu fuzzy logiky a fuzzy množin definoval L.A. Zadeh již v roce
1965. V současné době se fuzzy logika využívá v mnoha oborech (Bojadziev, 2007, Klir, 1995), ale stále častěji se dává do souvislosti s popisem ekonomických problémů (Cox, 1995, von Altrock, 1996), kdy popisují dané problémy pomocí fuzzy množin. Fuzzy pravidla mají jedinečné výhody ve srovnání s běžnými pravidly. Zkušenosti ukazují, že výsledky získané fuzzy logikou popisující zkoumanou problematiku, jsou velmi užitečné a často používané (Dutta, 1993). Historický úspěch použití fuzzy množin je především spjat s jejich použitím společně s expertními systémy. (Gaines, 1985) Pro budoucí energetickou prosperitu a udržitelné životní prostředí je nezbytné abychom energetiku plánovali a modelovali. K tomu slouží techniky jako jsou fuzzy logika, neuronové sítě nebo genetické algoritmy, které jsou již dnes běžně využívány. Modely založené na fuzzy logice dokáží již dnes podávat opravdu realistické odhady. (Suganthi, 2015) Vzhledem k neustále se snižující podpoře FV instalací za poslední roky, které proběhly téměř ve všech zemích po celém světě, docházíme k otázce výnosnosti těchto investic. Při těchto podmínkách by měl návrh nových FV instalací být v souladu s reálnou spotřebou elektrické energie. Je také nezbytné přidávat další funkce jako je systém energetického managementu. Pomocí fuzzy logiky byl například vytvořen systém, který modeluje spotřebu energie v kombinaci s analýzou nákladů a určení ekonomických přínosů. (Ciabattoni, 2015) Pro zvládání nepřesností, nejednoznačných skutečností, subjektivních analýz a neurčitých rozhodovacích pravidel je vhodné použití fuzzy logiky. Lze jimi analyzovat i problémy jakou jsou politická a sociální rizika, potíže se směnnými kurzy, obchodní bilance a další. (Levy, 1995) Investiční projekty podporované státem jsou důležité z hlediska národní politiky, avšak skrývají v sobě mnoho problémů. Je nutné správné vyhodnocení a rozdělení finančních zdrojů transparentním a efektivním způsobem. Je tedy zapotřebí vzít v úvahu mnoho kritérií spjatých s každým projektem. Rozhodovací procesy, které hodnotí těžko vyčíslitelné jazykové pojmy a mají také potíže s jejich měřitelností, lze řešit pomocí fuzzy přístupu. (Kilic, 2015) Modely zahrnující odborné znalosti z oboru ekologie byly uvedeny například ve studii, kde pro formulování odborných znalostí dané problematiky byly využity dva přístupy: znalostní báze a fuzzy model. Výsledky ukázaly, že modely doplněné o expertní znalosti vložené do
34
znalostní báze, mohou výrazně doplnit odborné znalosti rozhodovatele a zvýšit tak jeho jistotu při rozhodování. (Mouton, 2009) Rozhodování v oblasti investic lze podpořit také díky použití znalostní báze společně s expertním systémem (Zopounidis, 1997). Oblast znalostních bází se stává čím dál více atraktivní, avšak současné znalosti modelování ještě nejsou zdaleka kompletní (Li, 2011). V důsledku ekonomického vývoje a rozšiřujícího se povědomí o ekologických rizicích, vzniká poptávka po plánování a rozhodování zohledňující složitost okolí celého systému. Podpora pro rozhodování v takové situaci může být poskytnuta pomocí informačních systémů obsahující znalostní báze. (Seder, 2000) Expertní systémy umožňující dialog mohou být vnímány jako nový způsob komunikace mezi uživatelem a expertem, podobně jako při rozhovoru po telefonu. Díky variabilitě fuzzy jazyka lze zvýšit vyjadřovací schopnosti při komunikaci s expertním systémem (Whalen, 1988). Je však nutné si uvědomit, že expertní systémy, které pracují v turbulentním prostředí, mají sklon být ovlivňovány velkým počtem vnějších faktorů, které jsou v našem prostředí běžné. Pokud máme zohlednit tyto vnější faktory v expertních systémech můžeme použít fuzzy přístup (Lee, 1994). V případě, že integrujeme fuzzy znalostní bázi do expertního systému pro podporu rozhodování, systém dosáhne nejen zlepšení při rozhodování uživatele, ale rozšíří také možnosti jeho uplatnění (Xu, 1996). Hybridní modely, které sdílí znalosti a obsahují funkce optimalizace a fuzzy logiky, dosáhli při dotazech na uskutečnitelnost investic úspěšnost až 90,6 %. (Chen, 2012)
2.10
Použité přístupy při rozhodování v energetice a ekologii v číslech Aktuálnost a četnost studií o energiích a ekologii za pomoci rozhodovacích analýz jsou
znázorněny na obrázku (6) a (7) níže. Lze vyvodit, že studium této oblasti je aktuální a neustále se rozvíjející. V obrázku (6) je znázorněno rozdělení 252 studií podle zdroje uveřejnění. Časopisy o operačním výzkumu, vědě o řízení, vědě v rozhodování (Source 4), ale také časopisy o energii a přírodních zdrojích (Source 1), které dohromady představují téměř dvě třetiny (64 %) výzkumných studií. Zbývající třetina je relativně rovnoměrně rozdělená mezi ostatní čtyři zdroje. Z rozdělení lze vidět, že rozhodovací analýzy v modelování energií a ekologii jsou skutečně multidisciplinární oblastí. (Zhou, 2006) 35
Obrázek 6: Členění publikací podle zdroje uveřejnění.
1: Časopisy zaměřené na energii a přírodní zdroje. 2: Časopisy zaměřené na energetické inženýrství. 3: Časopisy zabývající se prostředím, ekologií nebo klimatickými změnami. 4: Výzkum podniků, manažerské vědy a vědy v rozhodování. 5: Ostatní. Zdroj: Decision analysis in energy and environmental modeling: An update (Zhou, 2006).
Obrázek 7: Členění publikací podle druhu studované energie.
EG: Energetika. C: Uhlí. O/G: Ropa/Plyn. N: Atomová energie. RE: Obnovitelné zdroje energie. Elec: Elektřina.
Zdroj: Decision analysis in energy and environmental modeling: An update (Zhou, 2006).
Obrázek (7) ukazuje rozdělení podle druhu energií. Největší množství studií se zabývá elektřinou (Elec). Bylo také široce studováno opomíjení ostatních druhů energií (EG) především obnovitelných zdrojů energií. Aplikace studií na obnovitelné zdroje energie zahrnuje využívání obnovitelných zdrojů energie, jako je: potenciál geotermální energie, rozdělení obnovitelných zdrojů energie a hodnocení národních systémů obnovitelných zdrojů energií. (Zhou, 2006)
36
Obrázek 8: Členění publikací podle zdroje uveřejnění v průběhu času.
1: Časopisy zaměřené na energii a přírodní zdroje. 2: Časopisy zaměřené na energetické inženýrství. 3: Časopisy zabývající se prostředím, ekologií nebo klimatickými změnami. 4: Výzkum podniků, manažerské vědy a vědy v rozhodování. 5: Ostatní.
Zdroj: Decision analysis in energy and environmental modeling: An update (Zhou, 2006).
Z obrázku (8) můžeme hodnotit postupný vývoj zaměření světových časopisů na jednotlivé oblasti výzkumu. Největší nárůst zaznamenaly časopisy zabývající se především ekologií a změnami klimatu (bod 3). Druhý největší nárůst zaznamenaly časopisy zabývající se inženýrstvím v oblasti energií (bod 2). Z obrázku (9) je patrný rychlý nárůst studií v oblasti výzkumu elektřiny (Elec). Rychlejší nárůst zaznamenal pouze obor obnovitelných zdrojů energií (RE), který se v současnosti stává lídrem vývoje v celém globálním měřítku. Již v roce 1981 byl vyvinut model zkoumající implementaci fotovoltaických systémů v jednotlivých rodinných domech. Tento model uvažoval použití fotovoltaických systémů především pro spotřebiče s dlouhodobou spotřebou (klimatizace, lednice, čerpadla a další), které mají nejvyšší potenciál pro zajištění návratnosti investice. V sérii scénářů, byl zkoumán rozsah odhadovaný tržní možností ve státě Washington až do roku 2000 v rámci různých hospodářských a politických podmínek. (Gene, 1982)
37
Obrázek 9: Členění publikací podle druhu energie studované v průběhu času.
EG: Energetika. C: Uhlí. O/G: Ropa/Plyn. N: Atomová energie. RE: Obnovitelné zdroje energie. Elec: Elektřina.
Zdroj: Decision analysis in energy and environmental modeling: An update (Zhou, 2006).
Nedávná prohlášení EU, USA a dalších tlačí vývoj směrem k využívání obnovitelných zdrojů energie, s cílem omezit změny klimatu vyvolané rostoucí koncentrací oxidu uhličitého v atmosféře. V následujícím textu je uveden přehled metod a nástrojů, které se v současné době využívají pro určení potenciálu a využitelné energie v nejvýznamnějších sektorech obnovitelných zdrojů jako je solární energie. Tyto znalosti se pak kombinují se znalostmi získanými z ostatních sektorů obnovitelných zdrojů energie a dochází k vzájemnému prolínání a volbě vhodných kombinací pro dané lokality. Lze říci, že jediným skutečně existujícím čistým zdrojem energie pro Zemi je Slunce. Solární radiace vyzařovaná Sluncem se odhaduje asi na 175 000 TW, což je asi o čtyři řády více energie, než energie, kterou používáme v současné době s naší poměrně vysokou energetickou náročností. Energie, kterou dostáváme ze Slunce je přeměňována mnoha různými způsoby na základě dynamiky Země a její atmosféry. Při plánování na několik desítek let dopředu lze současnou sluneční aktivitu brát jako konstantní a tedy i unikátní obnovitelný zdroj energie pro celé lidstvo. Díky Slunci můžeme také používat i ostatní zdroje energie jakou jsou vítr, biomasa nebo mořské vlny a proudy. Geotermálními energiemi se zde nebudeme zabývat, stejně tak jako přílivem a odlivem způsobeným gravitačními silami Měsíce. 38
Pro přeměnu slunečního záření na elektřinu nebo teplo používáme především fotovoltaických panelů a solárních kolektorů. Byť oba tyto sektory mají mnoho společného, budeme se vzhledem k tématu disertace zabývat pouze fotovoltaickými technologiemi. Jedním z hlavních ovlivňujících faktorů pro ekonomicky proveditelné solární energetické systémy z hlediska výkonu (vedle nákladů na instalaci, provozních nákladů a životnosti součástí systémů), je dostupnost slunečního záření na povrchu, který může být přeměněn na elektrickou energii. Proto je nezbytná přesná znalost slunečního záření pro úspěšné plánování a provoz solárních systémů. Slunečním zářením se rozumí množství energie, které dopadá na jednotku plochy za uvedený časový interval, vyjádřený jako Wh/m2. Sluneční záření lze rozdělit na přímé a difúzní záření. Rozdíl mezi přímým a difúzním zářením může být důležitý především z hlediska volby technologie. (Angelis-Dimakis, 2011) Můžeme vzít v potaz technologii krystalickou, která se dělí na monokrystalickou (angl. Monocrystalline),
polykrystalickou
(angl.
Polycrystalline)
technologii
a
tenkovrstvou
technologii (angl. Thin-film). Rozdíl je především v účinnosti jednotlivých materiálů, nákladů na výrobu, změny účinnosti v závislosti na teplotě a degradací výkonu v čase, nároky na další technologie jako jsou měniče a další. A také na jejich budoucí ekologickou likvidaci. Evropská unie zadala úkol změřit průměrné roční sluneční záření ve všech zemích EU, ale i dalších zemí Evropy. Dnes jsou tyto mapy slunečního záření dostupné volně na internetu. Pro přesnější výpočty výnosů solárních elektráren dnes existuje celá řada počítačových programů. Nejznámější z nich je dnes PV SOL, který je využíván většinou firem zabývajících se touto oblastí energetiky. Software obsahuje soubor znalostí solárního záření v průběhu celého roku a umí vypočítat teoretický výnos fotovoltaické elektrárny i s uvažováním zastínění a jiných vlivů snižujících celkový výnos FV systémů. Během let 2001 až 2005, byla vytvořena Evropská databáze slunečního záření za využití modelu slunečního záření a klimatických dat v rámci integrovaného fotovoltaického geografického informačního systém (PVGIS). Databáze, s rozlišením 1 km x 1 km, se skládá z měsíčních a ročních průměrů globálního záření a souvisejících klimatických parametrů z období let 1981 až 1990. Tato databáze byla použita k analýze regionálních a národních rozdílů solárních energetických zdrojů a posoudila potenciál fotovoltaiky ve 25 členských zemích
39
Evropské unie a dalších 5 kandidátských zemích. Výpočet potenciálu výroby elektrické energie v současných fotovoltaických technologiích je základním krokem v analýze možného budoucího zásobování energií a racionální provádění právních a finančních rámců pro podporu rozvoje průmyslové výroby elektřiny z fotovoltaických zdrojů energie. Obrázek 10: Roční suma elektřiny vyrobená ze standardního 1 kWp fotovoltaického systému ve 25 členských státech EU a 5 kandidátských zemích do EU s panely namontovanými v optimálním úhlu, měřeno v kWh/kWp.
Zdroj: Solar resource data and tools for an assessment of photovoltaic systems (Šúri, 2004).
V rámci studia byly zkoumány tři aspekty: 1. očekávaná průměrná roční výroba elektřiny ze „standardního“ 1 kWp FV systému připojeného do sítě, 2. teoretický potenciál výroby elektřiny z fotovoltaiky, 3. stanovení instalované kapacity pro každý stát při požadavku na pokrytí 1 % spotřeby elektřiny státu fotovoltaikou. (Šúri, 2004)
40
2.11
Optimalizace podle dvou kritérií – příklad FV
Výzkumná práce autora Garcia-Bernabeu (2015) se zabývá návrhem modelu podporujícího rozhodování investora, jestli má investovat do stavby fotovoltaické elektrárny s podporou vládních dotací. Pro tento účel simulovali dohodu mezi vládou, která garantuje podporu co možná nejnižší výkupní ceny elektrické energie a investorem projektu, který se naopak snaží o co možná nejvyšší výnos. Investorovo rozhodnutí se zde odvíjí od pozitivního nebo negativního výsledku simulace, vyhodnocující cenu spočítanou v simulaci a jejím srovnání s garantovanou cenou vycházející z legislativy podporující výrobu elektrické energie z FV technologií. Navržený model vychází z proměnných, jako jsou: garantovaná výkupní cena, technická specifikace elektrárny, předpokládané množství vygenerované elektrické energie během životnosti investice, investiční náklady, odhadovaný cash flow a další. Jako rozhodující parametr bylo určeno riziko. Je nutné si uvědomit, že množství produkované energie je stochastická proměnná, která závisí na neznalosti proměnných, jako jsou počet slunečních dní v roce, teplota okolního vzduchu, teplota FV panelů a dalších proměnných. (Garcia-Bernabeu, 2015) V obrázku (11) je zobrazen standardní kompromis při optimalizaci podle dvou kritérií. Na vodorovné ose je uvedena normalizovaná cena energie. Vertikální osa zobrazuje pravděpodobnost dosaženého cash flow většího než 1. Bod I je ideálním bodem pro obě strany dohody, kde pro vládu x1* = 1 a pro sponzora x2* = B(pgmax) – B(psmin).
B(pgmax) je
pravděpodobnost kladného cash flow potvrzenou vládou jako garantovaná výkupní cena. Z grafu je zřetelné, že dohodnutá cena by měla ležet v rozmezí pgmax a psmin, a tedy mezi maximální cenou od vlády a minimální cenou přijatelnou pro investora. (Garcia-Bernabeu, 2015) V případě, kdy cena stanovená vládou by byla nižší než cena akceptovatelná investorem, investice by mohla být ztrátová. Mohou se zde například vyskytnout neočekávané okolnosti, které zapříčiní nižší produkci elektrické energie plynoucí například z nižšího průměrného slunečního osvitu, nebo neočekávané závady na technologii.
41
Obrázek 11: Graf prostředí kompromisu programování.
(Optimální bod)
Zdroj: Photovoltaic power plants: a multicriteria approach to investment decisions and a case study in western Spain (Garcia-Bernabeu, 2015).
Jak již bylo řečeno, metoda spočívá v simulaci dohody vládou a investorem. Východiska modelu vycházejí z následujícího: 1) Úřad vlády akceptuje platit politicky stanovenou cenu za produkci elektrické energie z fotovoltaických technologií. 2) Investor akceptuje dodržení a splnění technických a ekologických požadavků pod dohledem úřadu vlády. V simulaci byly použity tyto proměnné: P = cena energie (EUR/kWh), která je hledaným výsledkem. P0 = garantovaná výkupní cena (EUR/kWh) (poznámka: výkupní tarif) Pgmax = maximální výkupní cena přijatelná pro vládu (EUR/kWh) Psmin = minimální výkupní cena přijatelná investorem (EUR/kWh) e = pravděpodobná roční produkce elektrické energie (kWh/rok) R = p.e = pravděpodobný roční příjem investora (EUR/rok) C1 = roční amortizační náklady (EUR/rok) C2 = servisní a provozní náklady (EUR/rok) 42
C3 = náklady na kapitál (EUR/rok) C = C1 + C2 + C3 = celkové roční náklady Simulovaná dohoda vychází z různých kritérií mezi investorem a vládním programem, které jsou vyjádřeny v grafu (1), a vedou k rozhodujícím proměnným x1 a x2, kde: x1 = (pgmax – p)/(pgmax – psmin), 0 ≤ x1 ≤ 1 jsou kritéria vlády a x2 = B(p) – B(psmin) jsou kritéria investora kde B(p) = prob( F ≥ 0) pravděpodobnost obdržení kladného cash flow u projektu při garantované ceně p. B(psmin) je nejmenší pravděpodobný kladný cash flow akceptovaný investorem. Výsledkem výzkumu na reálném příkladu bylo dosaženo pozitivního cash flow a tedy i kladné doporučení investorovi investovat do zkoumaného projektu v západním Španělsku. Autoři uvádějí, že vzhledem k nedostatečnému vyjádření proměnných tímto způsobem by bylo vhodnější použití fuzzy přístupu. (Garcia-Bernabeu, 2015)
2.12
Ekonomika solárních fotovoltaických technologií Vzhledem k předpovídané energetické krizi zapříčiněné klesajícími zásobami fosilních
paliv, jsme nuceni zkoumat alternativní zdroje energie, ať už je to solární, větrná nebo jiná forma energie. Avšak ekonomičnost těchto alternativní zdrojů je velmi důležitá. Menší zdroje energie mohou těžko konkurovat větším, které dodávají do sítě kontinuálně velké množství energie v řádech několika stovek megawatt až gigawatt. Nicméně, ekonomika těchto velkých zdrojů by se neměla posuzovat jen vzhledem k ceně vyrobené elektrické energie, ale mělo by dojít k celkovému posouzení z hlediska ekologické zátěže, nebezpečnosti, dopadech těžby a vlivu na zdraví člověka. Pokud tedy vezmeme v potaz i tyto vlivy, cena elektrické energie z klasických zdrojů vzroste a značně se přiblíží ceně energie produkované alternativními zdroji energie, jako je ta solární. Energie potřebná na výrobu FV panelů je sice nezanedbatelná, ale bod zlomu se odhaduje na několik let (asi 3 roky). A tedy při plánované životnosti 20 až 25 let (pozn.: někdy se uvádí až 40 let) se množství energie vložené do produkce několikanásobně vrátí. Navíc díky 43
úsporám z rozsahu a inovacím, budou náklady na produkci klesat a díky tomu se dosáhne vyšší konkurenceschopnosti. Mluvíme zde převážně o FV panelech neboť zatím tvoří největší část z celé investice (v dnešní době asi 50 % až 60 %). Ekonomická výhodnost je nejlépe pozorovatelná na příkladech, kdy elektrická energie je potřebná hlavně přes den. Jedná se např. o případ vodních pump, nebo také klimatizace. (Poulek, 2010) Vývoj celkových nákladů na investici do FV technologie, a některých komponentů jako jsou FV panely a měniče, můžete vidět v tabulce (4). Pro porovnání je zde uveden také vývoj výkupního tarifu platného pro jednotlivé roky ve Spolkové republice Německo. Výkupní tarif je zde uveden jako průměrná hodnota daného roku, neboť se postupem roku vyvíjel. Můžeme zde sledovat kontinuální pokles všech hodnot. Porovnání je zde uvedeno s německým výkupním tarifem, neboť má dlouhou historii a kontinuální vývoj. Tabulka 4: Vývoj nákladů fotovoltaických technologií od roku 2008. Vývoj trhu / Rok Průměrné celkové náklady na investici do technologie (EUR/kW) Průměrné náklady na FV panely (EUR /Wp)* Průměrné náklady na FV měniče (EUR /Wp)** Průměrný vývoj výkupního tarifu v SRN pro instalace do 10 kW na střeše (EUR /kWh)
2008
2009
2010
2011
2012
2013
2014
2015
4500
3800
3000
2500
2000
1500
1200
1000
3,0
2,3
1,8
1,2
0,7
0,56a
0,53b
0,53
0,40
0,34
0,28
0,24
0,19
0,14
0,12
0,10
0,467
0,430
0,391
0,287
0,244
0,170
0,137
0,126
0,319
0,262
0,220
0,159
0,125
0,109
0,085
Průměrný vývoj výkupního 0,355 tarifu v SRN pro instalace do 1 MW (EUR /kWh) * Poly/Monokristalická technologie ** Stringové měniče a) od 1.12.2013 b) od 1.4.2014 Zdroj: Vlastní zpracování.
Vyprodukované množství energie závisí na: -
kvalitě, typu a parametrech technologie,
-
kvalitě zpracování díla a následné údržbě,
-
podmínkách slunečního záření. (Szymański, 2013)
44
Tabulka 5: Přibližné náklady malých FV instalací v Polsku v roce 2012. Ceny v EUR bez DPH. Instalovaný výkon
2 kW
3.5 kW
5 kW
10 kW
20 kW
40 kW
FV panely
1650
38%
2888
47%
4125
52%
8000
55%
16000
53%
32000
54%
FV měnič
1125
26%
1300
21%
1400
18%
2875
20%
3750
Montážní systém
411
10%
429
7%
613
8%
1225
8%
5500
12%
7500
13%
18%
11000
18%
Pojistky a kabely
375
9%
525
9%
625
8%
875
6%
Montáž a design
750
17%
938
15%
1125
14%
1500
10%
1125
4%
2000
3%
3750
12%
7000
12%
Suma
4311
6079
7888
14475
30125
59500
Cena za 1 kW
2156
1737
1578
1448
1506
1488
Náklady přepočteny kurzem 1 EUR / 4 PLN. Zdroj: Vlastní zpracování na základě literatury (Szymański, 2013).
2.13
Přístup shora dolů pro odhad obnovitelných zdrojů Pro odhad dostupných obnovitelných zdrojů energie je široce používán přístup shora dolů
viz obrázek (12), který lze rovněž použít v případě slunečního energie. Přístup shora dolů vypočítává jak velký potenciál solární energie je k dispozici. To je vyjádřeno fyzicky jako sluneční záření na zemském povrchu, které je ovlivňováno různými faktory. (Kalogirou, 2007) Ovlivňujícími faktory jsou: zemská geometrie, oběžná dráha a rotace, terén z hlediska nadmořské výšky, sklon a orientace povrchu včetně stínů, pohlcení atmosférou v důsledku rozptylu a absorpce plynů, pevných a kapalných částic a mračen. Odhadovaný potenciál je pak snížen o zvažovaná technická omezení (jako přeměna energií vyjádřená účinností). V současné době existuje několik databází využívající různé přístupy a metody k identifikaci teoretického potenciálu a využívání energie. Existují různé přístupy k odhadu dopadu slunečního záření na povrch Země. První přístup je založen na „in-situ“ datech2. Druhá metoda je založená na sběru údajů satelitních dat o slunečním záření a třetí je pak kombinace obou. Rozšiřování meteorologických stanic probíhá nahodile po celé planetě a bohužel některé regiony nejsou dostatečně pokryty. Z tohoto důvodu nejsou některé oblasti na Zemi reprezentovány s úplnými údaji o naměřených hodnotách průměrného slunečního osvitu. Jsou jimi například území postihnutá válkami, extrémní chudobou nebo místa, která nejsou zajímavá z hlediska dodatečných nákladů na dopravu elektřiny na velké vzdálenosti. (Angelis-Dimakis, 2011)
2
in-situ data – data naměřená na daném místě
45
Obrázek 12: Přístup shora dolů pro odhad potenciálu obnovitelných zdrojů energie.
Zdroj: Vlastní zpracování na základě literatury (Angelis-Dimakis, 2011).
Dalšími měřenými daty jsou pak: délka slunečního svitu a množství oblačných hodin (dní). Většina stanic měří pouze celkové záření. Pouze několik stanic na světě měří difúzní sluneční záření odděleně. Difúzní světlo je důležité převážně pro tenkovrstvou technologii „Thin-film“, která dobře snáší tyto světelné podmínky a dokáže stabilně dodávat elektrickou energii. Nicméně dnes už i polykrystalické technologie dokážou vyrábět elektrickou energii za těchto zhoršených světelných podmínek. Pro odvození kontinuálních souborů prostorových dat z dostupných nestejnoměrně naměřených nebo odhadovaných údajů, slouží interpolační techniky, které bývají pro tento účel aplikovány (Šúri, 2006). Pro odvození měsíčních hodnot celkového záření mezi jednotlivými měřícími stanicemi využívá Meteonorm3 pro svůj model metodu třídimenzionální inverzní vzdálenosti, kterou potom interpoluje. Ve většině případů, údaje o slunečním záření získané tímto přístupem jsou k dispozici jako souhrnné denní nebo měsíční průměry a jen v několika případech jsou k dispozici hodinové nebo podrobnější údaje. Zejména v regionech s extrémními klimatickými podmínkami (např. horské oblasti) je nejistota údajů odvozených od prostorové interpolace dat měřených vzorků vysoká. (Angelis-Dimakis, 2011) 3
Horské oblasti nad 2 000 metrů nad mořem je nutné v případě návrhu fotovoltaických elektráren brát jako velice extrémní, neboť zde působí kombinace nízkých teplot při vysokém osvitu, což může způsobit přepětí v systému a jeho celkový kolaps či dokonce destrukci pokud bychom výpočty provedli stejně jako pro běžné instalace v nižších nadmořských výškách.
2.14
Fotovoltaické panely: High-Tech komodita? V posledních dvou letech se začíná debatovat, zdali FV panely dospěly do stavu
komoditizace, kdy v podstatě nezáleží, který panel
od kterého výrobce odeberete. V jedné
z debat již zaznělo, že pokud stanovíme určité mantinely, mezi kterými hodnotíme jednotlivé FV panely, můžeme je za komoditu považovat. Vzhledem k vývoji celého odvětví, kdy obor realizace FV elektráren „soutěží“, kdo dodá a postaví technologii levněji, celé odvětví směřovalo a stále směřuje ke snižování výrobních nákladů, což vede k „zeštíhlování“ výrobního procesu, ale také někdy k uchylování se k levnějším materiálům. Tento směr sice vede ke konkurenceschopnosti FV vůči konvenčním zdrojům výroby elektrické energie, avšak příliš nedovoluje zvyšování kvality, neboť „zeštíhlování“ výrobních procesů to často technologicky nedovoluje. (Debate: Are PV Modules a Commodity?, 2013) Podobný směr komoditizace jako vidíme u FV panelů můžeme sledovat i u FV měničů. Většina inovovaných modelů FV měničů, které dnes přicházejí na trh nepřinášejí zvýšení kvality a životnosti, nýbrž snižování výrobních nákladů při omezování použití nových technologických inovací, které přinášejí vyšší cenu produktu. A tedy podobně jako FV panely následují poptávku trhu po snižování nákladů. Vzhledem k neustálému vývoji nákladů na technologii dochází kontinuálně k cenové erozi, kterou je možné sledovat v jednotlivých letech. Díky tomu se i náklady na pořízení investičního celku snižují a jsou téměř srovnatelné ve všech regionech evropského kontinentu. Občasné malé rozdíly mezi trhy evropského kontinentu a jinými trhy jsou spíše výjimkou danou krátkodobou poptávkou daného regionu v krátkém časovém období, kdy tržní mechanizmus není schopen pružně reagovat a nabídka neumožňuje v krátkém období uspokojit rostoucí poptávku. Tyto výjimky jsou v dnešní době jen dočasné a týkají se vždy jen omezeného regionu po omezenou dobu, například Japonsko. Evropský trh zaznamenal krátkodobě rostoucí ceny vlivem
47
vyšší poptávky v období od červena do srpna roku 2010, kdy ceny FV panelů krátkodobě vzrostly kvůli krátkodobému celosvětovému růstu ceny silikonových článků. Spolu s „komoditizací“ jednotlivých komponentů přichází částečně i „komoditizace instalačních podniků“, které se liší ve svých EPC projektových nákladech jen mírně. Pokud se podniky nepřizpůsobí, stanou se v poměrně krátkém čase nekonkurenceschopné. Například v SRN jsme mohli v letech 2013 a 2014 sledovat postupný zánik mnoha podniků podnikajících v oboru instalací FV, které jednoduše nebyly schopny udržet krok s klesající tržní cenou a společně s klesajícím objemem realizovaných projektů v jednotlivých letech jim nezbylo než vyhlásit insolvenci. (Renewable Energy, 2012)
2.15
Použití fotovoltaických zdrojů v rozvojových zemích – příklad Keňa Širší přijetí obnovitelných zdrojů energie zůstává téměř v každém programu
vnitrostátních rozvojových politik. Obnovitelné zdroje energie mohou pomoci energetické nezávislosti, decentralizaci řízení zdrojů, podpoře ochrany životního prostředí a slouží také jako prostředek pro snížení globálního oteplování. Byl proveden výzkum zabývající se rozšířením malých FV systémů v Keni. Ve stejném čase, kdy se sjednocené energetické plány společně s modely shora-dolů začaly prosazovat v obnovitelných zdrojích energie a stávaly se stále běžnější, se začaly objevovat rozdílné mocenské základny vzniklé z velkých režimů. V Keni se během posledních deseti let nainstalovalo zhruba 20 tisíc malých fotovoltaických systémů, které byly v podstatě všechny financovány ze soukromých zdrojů. Keňský případ velice dobře ilustruje roli, kterou zúčastněné osoby na všech úrovních (od místní až po mezinárodní správu) mohou mít při urychlování (nebo naopak bránění) transferu technologií a zvýšení počtu obnovitelných energetických systémů specializovaných aplikacích významnou roli v rozhodování domácností, decentralizace a iniciativy pro udržitelný rozvoj. (Acker, 1996) Z ekonomických, ekologických a sociálních důvodů je nezbytné zvýšení blahobytu venkova a jeho celkové prosperity. Národní a mezinárodní pomoc a rozvojové agentury musí přizpůsobit svou činnost na rozvíjející se místní energetické požadavky. Úspěšné příklady zahrnují malé granty programu UNDP Světové banky pro globální životní prostředí. Tyto granty ovšem nejsou schopny pokrýt celou potřebu. Podpora pro rozvoj v malém měřítku vyžaduje
48
místní partnerské vztahy podporované školením v získávání zdrojů a finančních prostředků na dlouhodobý rozvoj. Jednotlivé projekty řízené nadnárodními institucemi by měly podporovat místní energetickou infrastrukturu. (Acker, 1996) Příklad v Keni poskytuje hmatatelný důkaz praktické cesty jak přijmout technologii obnovitelných zdrojů energie. Tento přístup je založen na odpovídající poptávce po již dříve existujícím výrobku a proškolení dostatku místních lidí, kteří budou schopni instalace a servisu technologie ve snaze dělat vše s co nejmenšími náklady. Transfer technologií se v Keni podařil díky spolupráci mezi celými organizacemi i jednotlivci pracujícími společně s Keňany po mnoho let. Položily zde tak základy pro používání technologií obnovitelných zdrojů energie, což bylo také dodatečně urychleno díky ekonomickým faktorům. (Acker, 1996)
2.16
Fotovoltaické elektrárny a jejich vliv na okolní prostředí Nedávné povýšení fotovoltaických systémů na jeden z hlavních zdrojů pro výrobu
elektrické energie společně se systémem podpory pomocí výkupních tarifů a subvencí zapříčinil občasné neuvážené instalace, které v zájmu rychlé návratnosti a zisku ovlivňují naši krajinu více než je akceptovatelné z hlediska ochrany přírody. Jako negativní vlivy lze považovat: využití orné půdy, odstranění stávající vegetace, viditelný dopad na složení krajiny, změna mikroklimatu, oslnění odrazem přímého slunečního světla. Některá politická uskupení a jiná sdružení bojují proti těmto zásahům do přírody vzhledem k její částečné devastaci i přes fakt, že se jedná o dočasné a bezpečné stavby. I přesto, že náklady na fotovoltaické panely v posledních letech dramaticky poklesly, FV technologie stále vyžaduje financování z veřejných prostředků vzhledem k rozdílům v ceně produkované energie v porovnání s náklady na stavbu. Konečné grid-parity1 se dosáhne pravděpodobně do 5 let ve většině zemí EU. Z tohoto důvodu byla stanovena celá řada programů podporujících rozvoj této technologie prováděných také italským ministerstvem životního prostředí. Kromě elektrické energie a přínosu pro životní prostředí v podobě snížení produkce CO2 bylo dosaženo také snížení nákladů na instalaci. Podobně tomu bylo v SRN, Francii a dalších západních zemích EU. Jeden z prvních Italských grantů byl například program fotovoltaické střechy. Byl zahájen v roce 2001 pro instalaci fotovoltaických systémů
49
integrovaných do budov a připojených do rozvodné sítě (angl. On-grid) a měl největší zásluhy o uvedení FV na trh, který předtím v Itálii prakticky neexistoval. (Chiabrando, 2009) Italská vyhláška z 19. února 2007 poskytovala sazbu pro výkup elektřiny z fotovoltaických zdrojů v rozmezí (0,36 až 0,49) EUR/kWh v závislosti na velikosti a architektonické integraci FV systému, kde malé a integrované FV systémy do budov měly nejvyšší podporu. (Ministero dello sviluppo economico, 2007). Návratnost těchto investic byla u takových instalací kolem 10 let což je podstatně nižší než je očekávaná životnost fotovoltaických panelů, které dosahují běžně životnosti 20 a více let. V roce 2011 byl v Itálii nainstalován výkon přesahující 2 GWp. V Itálii byla provedena studie s cílem objasnit dopady na přírodu a okolí v oblasti fotovoltaických elektráren, který se zaměřil na konkrétní dopad fotovoltaických elektráren na volném prostranství převážně k posouzení rizika oslnění odrazem přímého slunečního světla od povrchu fotovoltaických panelů. Byly zde prezentovány metody, které sloužily k posouzení dopadu a výsledků hodnocení v současné době již dokončeného fotovoltaického systému na kopcovitém území v Itálii o rozloze 5 000 m2. Bylo zjištěno, že oslnění v důsledku světelné odrazivosti panelů, má skrytý dopad na okolí. Pro obecné úvahy může být posouzení dopadů provedeno pouze prostřednictvím podrobných výpočtů založených na zákonech optické geometrie s použitím softwaru pro simulaci denního světla. Mezi hlavní problémy dříve patřil nedostatek digitálních map terénu (DTM) a databází softwaru pro simulaci reflexe. Stejně jako v jakékoli jiné činnosti je pro modelování nesmírně důležité stanovení podmínek pro zjednodušení problémů, které nejlépe vyhovují reprezentaci reálného případu. V případě velkých instalací je žádoucí, aby výzkumné činnosti zajišťované designéry používali nejmodernější a spolehlivé postupy a nástroje pro hodnocení území a krajiny s kompatibilitou fotovoltaických systémů. (Chiabrando, 2009)
2.17
Směrnice EU a vybrané jim podřazené zákony a vyhlášky České republiky „Směrnice Evropské unie jsou rámcové právní předpisy, určující povinný rámec pro
národní právní předpisy členských států Evropské unie. Směrnice předepisují cíl, kterého má být na národní úrovni dosaženo a ponechává členským státům volbu formy a prostředků, kterými tuto implementaci provedou.“(Ministerstvo průmyslu a obchodu, 2008)
50
-
Evropská směrnice 2009/28/ES Směrnice Evropského parlamentu a Rady 2009/28/ES ze dne 23. dubna 2009 o podpoře využívání energie z obnovitelných zdrojů a o změně a následném zrušení směrnic 2001/77/ES (Ministerstvo obchodu a průmyslu, 2009)
-
Směrnice Evropského parlamentu a Rady ze dne 5. dubna 2006 o energetické účinnosti u konečného uživatele a o energetických službách a o zrušení směrnice Rady 93/76/EHS
Zákon 406/2000 Sb. o hospodaření energií - Zákon stanovuje opatření pro zvyšování hospodárnosti užití energie a povinnosti fyzických a právnických osob při nakládání s energií, dále pravidla pro tvorbu Státní energetické koncepce, Územní energetické koncepce a Státního programu na podporu úspor energie a využití obnovitelných zdrojů energie a požadavky na ekodesign energetických spotřebičů. (Ministerstvo obchodu a průmyslu, 2008)
-
Směrnice Evropského parlamentu a Rady ze dne 27. září 2001 o podpoře výroby elektřiny z obnovitelných zdrojů energie.
Zákon 180/2005 Sb. o podpoře výroby elektřiny z obnovitelných zdrojů energie a o změně některých zákonů - Zákon upravuje způsob podpory výroby elektřiny z obnovitelných zdrojů energie a z důlního plynu z uzavřených dolů a výkon státní správy a práva a povinnosti fyzických a právnických osob s tím spojené. Zákon byl však zrušen k 1.1.2013.
Zákon 406/2000 Sb. o hospodaření energií - Zákon stanovuje opatření pro zvyšování hospodárnosti užití energie a povinnosti fyzických a právnických osob při nakládání s energií, dále pravidla pro tvorbu Státní energetické koncepce, Územní energetické koncepce a Státního programu na podporu úspor energie a využití obnovitelných zdrojů energie a požadavky na ekodesign energetických spotřebičů.
Zákon 458/2000 Sb. o podmínkách podnikání a o výkonu státní správy v energetických odvětvích a o změně některých zákonů- Zákon upravuje podmínky podnikání, výkon státní správy a nediskriminační regulaci v energetických odvětvích, kterými jsou elektroenergetika, plynárenství a teplárenství, jakož i práva a povinnosti fyzických a právnických osob s tím spojené.
51
Vyhláška 150/2007 Sb. o způsobu regulace cen v energetických odvětvích a postupech pro regulaci cen - Vyhláška stanovuje pravidla pro regulaci cen v energetických odvětvích a postupy pro regulaci cen energií Energetickým regulačním úřadem. (Ministerstvo obchodu a průmyslu, 2008)
Zákon 165/2012 sb. o podporovaných zdrojích energie a o změně některých zákonů - upravuje mimo jiné podporu elektřiny z obnovitelných zdrojů energie a decentrální výrobu elektřiny. (Ministerstvo obchodu a průmyslu, 2012)
2.18
Příklad postupu při zřizování fotovoltaické elektrárny v ČR Při záměru investice do fotovoltaické elektrárny je v ČR nutné vyřídit následující
posloupnost povolení a dokumentů, které opravňují ke stavbě, připojení a provozu FV elektrárny: 1) Souhlas distributora elektrické energie pro připojení síti 2) Územní souhlas od stavebního úřadu 3) Stavební povolení od stavebního úřadu 4) Získání kladného závazného stanoviska orgánu životního prostředí (odnětím pozemku z půdního zemědělského fondu) 5) Získání licence od Energetického Regulačního Úřadu (ERÚ) 6) Uzavření smlouvy s distribuční společností (ČEZ, E-ON, PRE) 7) Registrace účastníka trhu. (Pawliczkowa, 2012) Investor tedy musí získat v ČR nejméně pět povolení než může přejít k realizaci projektu a následného uzavření smlouvy o dodávkách elektrické energie distributorovi elektrické energie.
52
3.
ZVOLENÉ TECHNIKY A METODY DISERTAČNÍ PRÁCE Při zpracování disertační práce, bylo nutné splnit kritéria vycházející z volby metod,
jmenovitě se jedná o:
3.1
-
dosažení stanovených cílů disertační práce,
-
použití správné a prověřené metodologie,
-
efektivní využití zvolených metod.
Volba metod pro zpracování cíle disertační práce Důležitým aspektem je časový horizont pro volbu a následnou realizaci rozhodnutí. Je
nezbytné vzít v potaz nejen pozitivní, ale také negativní dopady na odklad rozhodnutí. Prokrastinace rozhodnutí není zpravidla vhodná a může být brána jako neochota přijmout riziko rozhodovatelem spojené s rozhodnutím. Rozhodnutí o volbě metody nemusí být jednoduché a jednoznačné. Je třeba vyhnout se následujícím chybám: -
přisuzování příznivých výsledků preferované metodě a negativních výsledků nepreferované metodě,
-
interpretovat
výhody/nevýhody
takovým
způsobem
aby
vynikly
hodnoty
preferované/nepreferované metody, -
přisuzování neoprávněně vyšší váhy. (Grasseová, 2013)
Při volbě metody pro zpracování disertační práce a splnění stanoveného cíle byla brána v potaz následující kritéria a jejich bodování: -
použitelnost
(10 bodů)
-
dostupnost
(8 bodů)
-
vhodnost
(6 bodů)
-
schopnost zpracování měkkých dat
(5 bodů)
-
časová náročnost
(3 body)
53
Tabulka 6: Volba metody. Použitel-
Dostup-
Vhod-
Schopnost
Časová
Celkem
nost
nost
nost
zpracovat
nároč-
bodů
měkká data
nost
Metody rozhodování / Body
10
8
6
5
3
Rozhodovací strom
ANO
ANO
ANO
NE
ANO
27
Diagramy vlivu
ANO
ANO
NE
NE
ANO
21
ANP
ANO
NE
ANO
ANO
ANO
24
AHP
ANO
NE
ANO
ANO
ANO
24
Fuzzy přístup
ANO
ANO
ANO
ANO
ANO
32
Neuronové sítě
ANO
NE
ANO
ANO
NE
21
Kombinace Neuro-Fuzzy
ANO
NE
ANO
ANO
NE
21
Po sestavení a obodování jednotlivých metod může rozhodovatel lépe rozhodnout a zvolit optimální metodu z hlediska stanovených kritérií. Nejvíce bodů získal v tabulce (6) fuzzy přístup, který splňuje všechna stanovená kritéria a získal tak nejvíce bodů. Avšak je nutné si uvědomit, že v případě dostupnosti a delšího časovému horizontu lze použít i jiné metody. V disertaci jsou použity také metody logické a empirické a metoda zpětné vazby.
3.2
Proces tvorby modelu Popis tvorby modelu je uveden ve schématu (1). V prvním kroku byla provedena analýza
možných metod optimálních pro použití při procesu rozhodování o investici do fotovoltaických technologií v předprojekční fázi. Po analýze a zvážení všech možností bylo zvoleno, viz tabulka (6) použití fuzzy expertního systému, který je dále popsán v podkapitole 3.5. Ve druhém kroku byl zahájen proces tvorby modelu, který vedl k celkovému nastínění jak by měl model vypadat, co všechno musí obsahovat, aby jej bylo možné dále počítačově zpracovat při použití fuzzy expertního systému a získat z něj požadované výsledky. Tento krok je velmi důležité pečlivě zvážit a domyslet všechny důsledky, neboť každý nedomyšlený detail se bude muset následně opravit, což může být v pokročilém stádiu poměrně zdlouhavé a pracné. Po navržení konceptu modelu je nezbytné provést komplexní analýzu a identifikaci proměnných vstupujících do rozhodovacího procesu investora v předprojekční fázi, zamýšlejícího investici 54
Schéma 1: Proces tvorby modelu.
Experti a investoři
Podniky
Experti Zpětná vazba I.
Zpětná vazba II.
Investoři
Experti a investoři
Zpětná vazba III. Zdroj: vlastní zpracování.
55
do fotovoltaických technologií. Je také vhodné provést analýzu celkového oborového okolí. Je nutné zjistit vazby a interakce mezi jednotlivými proměnnými a vyloučit ty proměnné, které do rozhodovacího procesu nepatří nebo nejsou relevantní pro danou aplikaci. V tomto případě bylo také nezbytné provést analýzu fotovoltaického trhu v Evropě, neboť každá země má svoji legislativu, která upravuje danou problematiku z hlediska lokálních požadavků. Po provedené pečlivé analýze byly pomocí syntézy společně s experty sestaveny proměnné vstupující do rozhodovacího procesu. Tento krok předurčuje rozsah dat, které bude nutné nasbírat pro každý realizovaný projekt. Sestavení proměnných je tedy důležité udělat pokud je to možné správně hned na první pokus. V praxi se to však málo kdy podaří a je nutné tyto proměnné následně upravit, což má v horším případě za následek přepracování i celé sestavené znalostní báze. Ve čtvrtém kroku probíhal sběr primárních dat pomocí metody kvantitativního výzkumu. Před zahájením samotného sběru dat byl proveden ještě předvýzkum, jehož cílem bylo ověření koncepce modelu na vzorku dvou spolupracujících podniků. Výzkum byl poté aplikován na 24 podniků, viz tabulka (7), které byly vybrány jako vhodní kandidáti podle následujících kritérií: -
množství jimi realizovaných fotovoltaických projektů muselo být větší než deset a všechny musely být úspěšně připojeny do rozvodné sítě,
-
projekty musely být zrealizovány v Evropě,
-
projekty nesměly být zrealizovány pouze v jednom roce,
-
podniky musely být ochotné anonymně zveřejnit citlivá data.
V závislosti na cílech výzkumu byl vytvořen seznam proměnných, na které byly kladeny dotazy (Grasseová, 2013). Pro sběr primárních dat bylo využito osobních řízených rozhovorů s manažery jednotlivých podniků. Dotazování probíhalo ve dvaceti případech v místě sídla dotazovaných podniků, aby dotazovaní manažeři měli možnost dohledat všechny informace i z archivů. Ve čtyřech případech bylo využito dotazování pomocí e-mailu s následným ověřením, obdržených dat řízeným rozhovorem po telefonu. V obou případech k tomuto výzkumu sloužil předpřipravený dotazník skládající se z proměnných sestavených v předchozím kroku, který byl doplněn o jeden předpřipravený ilustrační příklad, viz příloha (4) a doprovodný vysvětlující text. U osobních řízených rozhovorů byl výzkum veden na dotazy týkající se jednotlivých proměnných u každého projektu jednotlivě, kdy byl kladen zvláště důraz na pravost informací u 56
nákladových položek, velikosti projektu a návratnosti investice. V případě telefonního rozhovoru, bylo zpětně ověřeno, zdali vyplněný dotazník odpovídá skutečným hodnotám, nebo jestli se mírně liší. V případě, že se hodnoty odchylovaly, byly tyto hodnoty následně korigovány dle nově zjištěných údajů. Ve všech případech se navíc každý projekt ohodnotil váhou. Váha se mohla pohybovat mezi 1 a 0, kde 1 je nejvyšší váha. Nejvyšší váhu mají ty projekty, které obsahují všechny přesné informace o daném projektu. V případě, že jsou některá data nepřesná nebo je nebylo možné dohledat a zároveň je nebylo možné zcela očistit, snižuje se proporcionálně i váha projektu směrem od jedné k nule. Typická situace, kdy se váha snížila k dolní mezi např. 0,3 je u velmi starých projektů, kde si již dotazovaní manažeři nepamatovali všechny informace a nebylo je ani možné dohledat ani v archivech. V okamžiku, kdy byl ukončen sběr primárních dat, byla vytvořena znalostní báze, která byla pečlivě sestavena do řádků, kde každý řádek odpovídá jednomu zrealizovanému projektu. Je vhodné dělat si u nich poznámky pro případ, že se k nim budete muset vrátit, například v případě změny nějaké proměnné. V následujícím kroku bylo nutné vytvořit slovníky pro každou proměnnou, kde navíc každá proměnná má jiný rozsah parametrů i odlišné jazykové výrazy. Tato činnost opět probíhala společně s experty. Slovníky byly vytvořeny zároveň s ohledem na budoucí možné projekty, které mohou do znalostní báze v budoucnu přibývat. Díky tomu znalostní báze i model s expertním systém nebudou hned zastarávat a bude je možné využít i pro projekty v budoucích letech. Slovníky byly překontrolovány s ohledem na nasbíraná primární data, kdy rozsah všech jednotlivých fuzzy množin uvedených u každé proměnné, musí pokrývat minimálně rozsah dat obsažených ve znalostní bázi. Při současném nastavení a vývoji trhu lze předpokládat, že zde vytvořené slovníky budou aktuální do konce roku 2017. Jazykové hodnoty proměnných se podobají škále, nebo odpovídají běžně používanému názvosloví v oboru fotovoltaických technologií, případně potřebám popisované situace. Jak bylo již řečeno, všechny tyto slovníky jsou o něco rozšířeny tak, aby pokryly i budoucí změny na trhu v příštích dvou letech. Fuzzy množiny jednotlivých proměnných jsou vyjádřeny pomocí fuzzy čísel ve tvaru trojúhelníku nebo trapezoidu. Tvar trojúhelníku je použit v případě že dané jazykové výrazy odpovídají jedné hodnotě, například 5, ale mohou se pohybovat v rozmezí 4 až 6, a tedy fuzzy číslo je pak ve tvaru <4, 5, 6>. Fuzzy číslo ve tvaru trapezoidu je pak použito v případě, kdy se daný jazykový 57
výraz pohybuje v určitém rozmezí, např. 10 až 20, ale zároveň se může v některý situacích pohybovat i v rozmezí 8 až 22. A tedy fuzzy číslo je pak ve tvaru <8, 10, 20, 22>. Další je popsáno v kapitole 3.5 a 4.1. Je důležité, aby každá proměnná byla již dopředu označena z pravidla dvojicí až trojicí symbolů s ohledem na budoucí zpracování dat expertním systémem. V tomto případě byla zvolena vždy kombinace písmene a číslice, kde písmena jsou seřazena abecedně (s ohledem na přehlednost, v praxi se také používají první písmena názvu proměnných) a každá jazyková hodnota má svoje číslo, kde číslo 1 znamená vždy neznalost. V tomto případě neznalost vyjadřuje vždy maximální rozsah všech fuzzy množin uvedených v každém jednom slovníku každé proměnné a slouží v případě, že je ve znalostní bázi nevyplněná hodnota. A tedy v případě, kdy ve znalostní bázi je prázdná hodnota, potom expertní systém použije hodnotu 1 (neznalost), která má maximální rozsah jako všechny uvedené jazykové hodnoty dané proměnné (neboli: od minimální hodnoty po maximální hodnotu nejmenší a největší fuzzy množiny). Expertní systém díky tomu umí zpracovat i neúplné znalostní báze, což je velkou výhodou v případě, že není vždy možné dohledat všechna data. Další krok slouží pro odladění chyb, které vznikly při sestavování znalostní báze a slovníků tak, aby znalostní báze mohla být převedena pomocí slovníků do počítačově zpracovatelné podoby. Následuje krok pro odladění expertního systému společně se znalostní bází. V tomto případě proběhl takzvaný test konzistence. Tento test odhalí případné chyby ve znalostní bázi nebo slovnících. V případě, že se zde nachází jakákoliv chyba, je nutné pomocí zpětné vazby najít příčinu a odstranit ji. V lepším případě dochází jen k chybě při převedení souborů do počítačově zpracovatelné podoby. V horším případě je nutné najít a odstranit chyby obsažené ve slovníku nebo ve znalostní bázi. Tato činnost může být někdy poměrně zdlouhavá a náročná vzhledem k množství dat. V nejhorším případě, je někdy nutné vrátit se na počátek a upravit proměnné vstupující do rozhodovacího procesu, což je z pravidla velmi časově náročné, neboť díky tomu je nutné provést znovu také sběr primárních dat a upravit celou znalostní bázi. Po odladění testem konzistence, byly položeny první dotazy pro získání prvotních výsledků od expertního systému a jejich verifikace. V případě rozporu nějakého výsledku s očekávaným výsledkem je nutné ověřit zpětnou vazbou správné nastavení modelu. Jakmile vše správně pracuje, je možné přejít na další krok. V případě, že od expertního systému očekáváme
58
pouze jednu odpověď na dotaz, můžeme již dosáhnout prvních výsledků. První výsledky byly také konzultovány s experty. Pokud chceme vést dialog s expertním systémem, je čas přejít k návrhu dialogu. S ohledem na požadavky, které byly očekávány od expertního systému a dostupné informace od investorů, byl navržen dialog s expertním systémem, viz obrázek (25) a jeho popis. Dialog byl navržen společně se spolupracujícími investory a experty. Dialog lze vést pomocí dotazů kladených na expertní systém pomocí fuzzy dotazu s využitím trojúhelníkových či trapezoidních fuzzy čísel. V našem případě, byl použit tvar trojúhelníku, který více odpovídal požadavkům investorů. Dotaz byl kladen až na 7 proměnných, ale počet dotazovaných proměnných se může lišit dle potřeby. Jedna proměnná v dotazu musí být určena jako závisle proměnná. Závisle proměnná je ta proměnná, na kterou se expertního systému dotazujeme. V kapitolách 4.6.2 a 4.6.3 je závisle proměnná označená v tabulkách fuzzy dotazů vždy jako „Z“. Dialog lze sestavit libovolně dlouhý a expertního systému se můžeme zeptat na jakýkoliv dotaz a na jakoukoliv proměnnou obsaženou ve znalostní bázi. Znalostní báze v disertaci obsahuje 24 proměnných a 187 prohlášení. V průběhu dialogu můžeme pro příští dotaz použít výsledky odpovědi expertního systému z předchozího dotazu, nebo můžeme dotaz libovolně upravit podle potřeb. Po každém dotazu i na konci dialogu došlo vždy k verifikaci výsledků expertního systému na položené dotazy od investora. Pokud by jakýkoliv výsledek odporoval očekávanému výsledku, je nutné pomocí zpětné vazby zkontrolovat, kde nastala nebo mohla nastat chyba a chybu odstranit. V případě, že výsledky jsou odpovídající, můžeme přejít k vyslovení závěrů a vydat doporučení pro investora s ohledem na získané výsledky od expertního systému.
3.3
Logické metody Logické metody jsou tvořeny množinou metod, které k dosažení předsevzatého cíle
využívají principy logiky a logické myšlení řešitele. (Rais, 2006)
59
3.3.1 Analýza
Jedná se o všeobecnou metodu zkoumání jednotlivých složek a vlastností nějakého objektu. Analýza je proces faktického nebo myšlenkového rozčlenění celku na části. Představuje rozbor vlastností, vztahů a faktů postupujících od celku k částem (Rais, 2006).
Analýza sloužila pro analýzu FV trhu, analýzu legislativ jednotlivých států a k identifikaci proměnných vstupujících do rozhodovacího procesu investora.
3.3.2 Syntéza Znamená postupovat od části k celku a je opakem analýzy. Syntéza dovoluje poznávat objekt jako jediný celek. Je to spojování poznatků získaných analytickým přístupem. Syntéza tvoří základ pro správná rozhodnutí. Syntézou v ekonomických vědách rozumíme takovou syntézu, při níž hledáme spojováním jednotlivých částí takovou strukturu, která by nám dala z daných prvků a jejich vlastností takový celek, který by měl určité, námi předem požadované chování. Nejde tedy o prosté skládání jednotlivých jevů či procesů, ale o hledání nejvhodnější varianty kombinací jednotlivých prvků a jejich vlastností, vytváření nové struktury s novým chováním, odpovídající záměrům. (Rais, 2006)
Syntéza sloužila v disertační práci pro sestavení proměnných vstupujících do rozhodovacího procesu.
3.4
Empirické metody Jedná se o metody umožňující získání bezprostředního, živého obrazu reality - konkrétní
jedinečné vlastnosti zkoumaného objektu.
3.4.1 Metoda srovnávání Srovnáváním zjišťujeme shodné či neshodné stránky u dvou či více různých předmětů, jevů či úkazů. Srovnávat můžeme tytéž ukazatele ve statistických souborech, které se liší věcně,
60
prostorově či časově. Srovnávací metody můžeme použít jak při získávání poznatků a faktů, tak i při jejich zpracování. Srovnávání slouží jako základní metoda hodnocení (Rais, 2006).
Metoda srovnání byla použita pro srovnání modelu s předchozími pracemi a její srovnání v přínosech, výhodách a nevýhodách.
3.4.2 Metoda modelování Definicí modelu říká: „Model je účelové a zjednodušené zobrazení skutečností, který se chová stejně jako realita“.; „Model musí být funkčně totožný se zobrazovaným objektem“. Modelová technika umožňuje promítnutí alternativního vývoje systému pomocí modelového experimentu, umožňuje sledování změn jednotlivých parametrů hodnot prvků i jejich vazeb, vliv změny chování okolí na systém, stabilitu systému apod. (Molnár, 2009).
Metoda modelování sloužila pro tvorbu modelu.
3.4.3 Metody kvalitativního a kvantitativního výzkumu Slouží ke sběru primárních dat. Kvantitativní výzkum je prováděn s cílem postihnout dostatečně velký a reprezentativní vzorek jednotek. Používají se takové postupy jako například standardizace otázek, výběr vzorku, statistické postupy zpracování dat, atd. Kvalitativní výzkum se snaží zjistit důvody chování lidí, jejich příčiny a motivy. Je hlubším poznáním a obvykle slouží jako doplněk kvantitativních poznatků. Využívá se také při vstupu do nové problematiky, v níž se potřebujeme nejdříve zorientovat nebo dostat nový tok myšlenek a nápadů a získat tak širší rozhled nad danou problematikou (Rais, 2006). Při kvantitativním výzkumu můžeme použít několik možností dotazování se. Pro účely tohoto výzkumu bylo využito osobních dotazování a elektronického dotazování e-mailem. (Grasseová, M. 2013)
Kvantitativní výzkum byl použit při sestavení prohlášení znalostní báze.
Úkolem kvalitativního výzkumu je odhalovat existenci jevů a jejich strukturu, vlastnosti a funkce těchto jevů a faktory, které jevy ovlivňují nebo s nimi jinak souvisejí.
61
Kvalitativní výzkum se orientuje na pochopení smyslu jednajících sociálních subjektů. Je zaměřen na rozsah výskytu, zastoupení (četnost), frekvenci a intenzitu (Rais, 2006).
Kvalitativní výzkum sloužil pro sestavení slovníků jednotlivých proměnných, kde výzkum probíhal ve skupinové diskuzi společně s experty z oboru.
3.5
Fuzzy expertní systém Díky zázemí fakulty podnikatelské a její dlouhé tradici v používání fuzzy expertního
systému bylo umožněno aplikování fuzzy logiky na řešený problém. Tento fuzzy expertní systém byl testován na řešení širokého spektra problémů za posledních asi 30 let. Expertní systém byl přijímán odborníky z nejrůznějších oborů hlavně proto, že je jednoduchý a tím i snadno pochopitelný, viz například publikace (Dohnal, 1992, Stupka, 1991, Vaija, 1986, Dohnal, 1985, Turunen, 1984). Autorem v disertaci použitého expertního systému je prof. Ing. Mirko Dohnal, DrSc. V průběhu let se však program dále vyvíjel společně s dalšími experty. Expertní systém je počítačový program simulující činnost experta. Program je založen na fuzzy přístupu, přičemž využívá fuzzy znalostní báze sestavené experty z oboru. Vše je zadáváno v počítačově zpracovatelném souboru ve formátu *.txt obsahujícího také slovníky proměnných, váhy proměnných a dotazy. Zkrácená verze souboru pro počítačové zpracování je uvedena v příloze (5). Obrázek 13: Schéma situace mezi expertním systémem a znalostní bází při dotazu na odpověď.
