Real Option Analysis of Hydro Turbine Replacements

Abstract

I denne masteroppgaven undersøker vi det optimale tidspunktet for en turbinutskifting i et vannkraftverk med to usikkerhetsfaktorer; strømpris og risiko for svikt. Målet vårt er å utvikle en investeringsmodell for en kraftprodusent. I motsetning til nettonåverdimetoden som vanligvis anvendes, benytter vi en realopsjonsmetode som inkluderer verdien av å vente på mer informasjon i en usikker fremtid. Vi simulerer strømpriser og turbinens levetid, og løser realopsjonsproblemet ved bruk av Least Squares Monte Carlo. Videre bruker vi et base case for å teste modellen vår, hvor vi har fått realistiske verdier gjennom samtaler med Statkraft og fra tidligere litteratur. Resultatene viser at variasjonene i investeringstidspunkt er svært avhengige av usikkerhet i både strømpriser og levetid. I tillegg indikerer sensitivitetsanalysen at levetidsestimatene har den største innvirkningen på resultatene. Mulige forbedringer av modellen vår er avhengige av både presise estimeringsmetoder og bransjepraksis.

In this master's thesis we investigate the optimal timing of a major hydro turbine replacement under two uncertainty factors; electricity price and risk of failure. We aim to develop an investment decision model applicable to the hydropower producer. As opposed to the commonly used net present value method, we use a real option framework, which accounts for the value of waiting for more information in an uncertain future. We simulate electricity prices and turbine lifetime, and solve the real option problem with the use of Least Squares Monte Carlo. Further, we use a base case to test our model, where the values are obtained from conversations with Statkraft and from previous literature. The results show that the variations in investment timing are highly dependent on uncertainty in both electricity prices and time in condition states. Additionally, the sensitivity analysis indicates that the lifetime estimations have the most significant impact on the results. Possible improvements to our model are dependent on both precise estimation models and industry practice.