Comercialização - Lúcio

Lúcio de Medeiros
Previsão do Preço Spot no Mercado de

Energia Elétrica
PUC-Rio - Certificação Digital Nº 9916936/CA
Tese de Doutorado
Tese apresentada como requisito parcial para

obtenção do título de Doutor pelo Programa de Pós-
Graduação em Engenharia Elétrica da PUC-Rio.
Orientador: Reinaldo Castro Souza
Rio de Janeiro, Abril de 2003

Lúcio de Medeiros
Previsão do Preço Spot no Mercado de

Energia Elétrica
Tese apresentada como requisito parcial para obtenção

do título de Doutor pelo Programa de Pós-Graduação em
Engenharia Elétrica da PUC-Rio. Aprovada pela
Comissão Examinadora abaixo assinada.
Reinaldo Castro Souza

Orientador
DEE/PUC-Rio
Ricardo Tanscheit
DEE/PUC-Rio
Marcos Azevedo da Silveira

DEE/PUC-Rio
Mônica Barros
DEE/PUC-Rio
Flávio Joaquim de Souza

UERJ
Plutarcho M. Loureço
CEPEL
Paulo Roberto de Holanda Sales

IME-UERJ e Eletrobrás
Marley M. B. R. Vellasco
Coordenadora Setorial do Centro Técnico Científico - PUC-Rio
Rio de Janeiro, 25 de Abril de 2003

Todos os direitos reservados. É proibida a reprodução total ou parcial do
trabalho sem autorização da universidade, do autor e do orientador.
Lúcio de Medeiros
Nascido em Três Rios-RJ em 1971. Graduou-se em Engenharia Elétrica (1995)
pela Universidade Federal de Juiz de Fora, UFJF. Especialista em Métodos
Estatísticos Computacionais (1996), pela mesma instituição. Mestre em Eng.
Elétrica em Teoria de Controle e Estatística (1999) pela Pontifícia Universidade
Católica do Rio de Janeiro, PUC-Rio. Suas pesquisas de interesse incluem as
áreas de previsão; controle; e sistemas inteligentes aplicados à previsão do
preço e da carga elétrica.
Ficha Catalográfica
Medeiros, Lúcio de
Previsão do preço spot no mercado de

energia elétrica / Lúcio de Medeiros; orientador:
Reinaldo Castro Souza. – Rio de Janeiro : PUC,
Departamento de Engenharia Elétrica, 2003.
[ 12 ], 132 f. : il. ; 30 cm
Tese (doutorado) – Pontifícia

Universidade Católica do Rio de Janeiro,
Departamento de Engenharia Elétrica.
Inclui referências bibliográficas.
1. Engenharia elétrica – Teses. 2.

Mercado de eletricidade. 3. Formação do preço spot.
4. Análise de risco. 5. Modelos de previsão. 6.
Sistemas neuro-fuzzy. I. Souza, Reinaldo Castro. II.
Pontifícia Universidade Católica do Rio de Janeiro.
Departamento de Engenharia Elétrica. III. Título.
CDD: 621.3
Agradecimentos
Ao meu orientador Prof. Reinaldo Castro Souza, pela indicação do objeto da

tese, pelo estímulo e incentivo constantes na realização desta tese.
Ao meu co-orientador Prof. Derek W. Bunn, pelo inestimável apoio, incentivo e

contribuição, fundamentais para a conclusão desta tese.
Aos amigos que deixei em Londres e mundo afora. Sou especialmente grato a
James W. Taylor, Richard Curry, Fernando Oliveira, Esther Welch, Paul Ellis e
Dicon Monfort da London Business School. Também são caros para mim Peter
Brown e todos os amigos do Netherhall House.
Ao Prof. Paulo Roberto de Holanda Sales, pela experiente e segura contribuição

nas análises do preço spot e ao Prof. Flávio Joaquim de Souza, pelo seu
importante apoio e sugestões nos sistemas Neuro-Fuzzy.
Ao CEPEL e a Eletrobrás, pelo apoio a esta tese, em especial de Roberto Caldas,

Luiz Guilherme Marzano, Débora Jardim, José Francisco e Plutarcho Lourenço.
A todos os colegas e ex-colegas da PUC-Rio, pela amizade, especialmente a

Luiz F. Amaral, Flávia e Márcio Lessa, Ana Paula Sobral, Mayte Fariñas e
André Cunha. Também aos meus professores, pela excelente formação e aos
funcionários, pela paciência dispensada.
À banca, pela excelente contribuição, com críticas e sugestões ao texto.
Ao CNPq, pelas bolsas do doutorado e doutorado sandwich, sem as quais este

trabalho não poderia ter sido realizado.
A toda minha família, pelo suporte e incentivo durante toda a minha formação.
À Flávia, pelo apoio nos momentos mais difíceis dessa longa trajetória.
Resumo
Medeiros, L. Previsão do preço spot no mercado de energia elétrica.
Rio de Janeiro, 2003. 144p. Tese de Doutorado - Departamento de
Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro,
PUC-Rio.
O objetivo da tese é propor uma metodologia para previsão do preço de

curto prazo (spot) da energia elétrica no Brasil baseada em sistemas neuro-fuzzy
e nos programas do planejamento da operação do sistema elétrico brasileiro.
Com essa abordagem, obtém-se distribuições estimadas do preço spot para o
curto prazo com menor dispersão do que as obtidas somente com os programas
do planejamento da operação. Além disso, por ser rápido, o sistema de previsão
final possibilita análises de cenários ou simulações Monte Carlo.
As principais variáveis que afetam o preço spot no Brasil são consideradas,
tais como a energia natural afluente e a energia armazenada, entre outras. Ainda,
é possível incluir também variáveis que não têm um histórico definido ou dados
suficientes para o treinamento, tais como o plano de obras, limites de
intercâmbio, demanda etc. Comparações com modelos de redes neurais são
feitas.
Apresenta-se, também, o estado da arte em modelagem para a política e o
mercado de energia elétrica e os principais conceitos de gerenciamento de risco
no mercado de eletricidade.
Palavras-chave
Mercado de Eletricidade; Formação do Preço Spot; Análise de Risco; Modelos
de Previsão; Sistemas Neuro-Fuzzy.
Abstract
Medeiros, L. Spot price forecasting in the electricity market. Rio de
Janeiro, 2003. 144p. DSc. Thesis – Electrical Engineering Department,
Pontifical Catholic University of Rio de Janeiro, PUC-Rio.
This thesis focuses on spot price forecasting and risk management in the
Brazilian electricity industry. It is proposed a new methodology for the problem
based on neuro-fuzzy systems and the dispatching and planning operation
programs. The main advantage of the approach is to be able to get more
informative spot price distributions than using the operation and planning
programs alone. Furthermore, it allows Monte Carlo simulations or scenarios
analysis as the forecasting system runs in less than 1 minute.
The main variables which affect the spot price (inflow river, storage
capacity of reservoir, among others) are included in the model. Even variables
such as the interchange limits, without a well-defined time series and which
could be important, could also be included because of the intrinsic characteristics
of each fuzzy model. Comparisons with neural networks models are made.
It is also presented the state-of-the-art in the market and politics modelling
for the electricity market around the world, as well as some main concepts of the
risk management.
Keywords
Electricity Market; Spot Price Formation; Risk Analysis; Forecasting Models;
Neuro-Fuzzy Systems.
Sumário
1 Introdução 13
1.1. Motivação 13
1.2. Objetivo 18
1.3. Hipóteses 19
1.4. Validade dos Resultados 20
1.5. Organização da Tese 20
2 Mercados de Eletricidade 22
2.1. Introdução 22
2.2. Novo Paradigma do Setor Elétrico 23
2.3. Processo de Liberalização do Setor Elétrico 24
2.3.1. Breve Histórico 24
2.3.2. A Experiência Brasileira 26
2.4. Tipos de Mercado de Eletricidade 29
2.5. Modelos Teóricos de Mercados 30
2.5.1. Classificações Usuais 30
2.5.2. Correntes Mercadológicas 32
2.6. Modelagem e Simulação da Política e do Mercado 34
3 Formação do Preço da Energia Elétrica 39

3.2. Sistema Elétrico Brasileiro 40
3.3. Planejamento da Operação em Sistemas Térmicos 41
3.3.1. Preço Spot em Sistemas Térmicos 43
3.4. Planejamento da Operação em Sistemas Hidrotérmicos 44
3.4.1. As Funções de Custo Futuro e Imediato 45
3.4.2. Planejamento a Médio Prazo 46
3.4.2.1. Programação Dinâmica Estocástica - PDE 49
3.4.2.2. Programação Dinâmica Dual Estocástica - PDDE 51
3.4.3. Planejamento a Curto Prazo 54
3.4.4. Preço Spot em Sistemas Hidrotérmicos 58
3.5. Cadeia de Modelos do Planejamento da Operação 59
4 Análise de Risco no Mercado de Energia Elétrica 64

4.2. Volatilidade do Preço Spot no Brasil 65
4.3. Riscos Hidrológicos 68
4.4. Riscos Financeiros 70
4.5. Contratos como Instrumentos de Proteção 72
4.6. Medidas de Risco 74
5 Previsão do Preço Spot de Energia Elétrica 78

5.2. Estado da Arte em Previsão do Preço Spot 79
5.3. Metodologia Proposta 85
5.4. Modelo de Previsão do Preço Spot 90
5.5. Inferência Fuzzy para a Previsão do Preço Spot 94
5.6. ANFIS: Adaptive Neuro-Fuzzy Inference System 96
5.6.1. Descrição e Restrições 96
5.6.2. Arquitetura 97
6 Estudo de Casos 101

6.2. Análise dos Valores Esperados do CMO Obtidos do Newave 103
6.3. Aplicação da Metodologia Passo-a-Passo 108
6.3.1. Escolha das Variáveis 108
6.3.1.1. Definição das Faixas de Variação 110
6.3.1.2. Estimação dos Parâmetros: Treinamento 111
6.3.1.3. Simulação e Previsão 115
6.4. Estudos Comparativos 117
7 Conclusão 126
7.1.1. Considerações Finais 126
7.1.2. Trabalhos Futuros 129
Bibliografia 130
Lista de figuras
Figura 1. Estratégia de lances via modelos dinâmicos 36

Figura 2. Estratégia de lances (curto e longo prazos) 37
Figura 3. Funções de custo imediato, futuro e total 45
Figura 4. Balanço hídrico 48
Figura 5. Evolução do armazenamento ao longo do período de planejamento 49
Figura 6. Função de custo futuro obtida da PDDE 53
Figura 7. Etapas do planejamento da operação 58
Figura 8. Newave: principais entradas e saídas 60
Figura 9. Relacionamento dos modelos Newave e Decomp 61
Figura 10. Cadeia de modelos para o planejamento da expansão e da operação 63

Figura 11. Custo marginal de operação nos quatro subsistemas 66
Figura 12. Variação percentual do CMO em relação ao mês anterior 67
Figura 13. Histograma da série histórica do CMO do sudeste (R$/MWh) 68
Figura 14. Energia natural afluente: série histórica (SE/CO) de jan/96 a ago/01 69
Figura 15. Energia armazenada: série histórica (SE/CO) de jan/96 a ago/01 69
Figura 16. Histogramas das séries históricas de (a) ENA e (b) EARM 70
Figura 17. Conseqüências em uma estratégia de contratação (distribuidora) 71
Figura 18. Curva das carteiras eficientes 76
Figura 19. Esquema geral para a previsão do preço spot 85
Figura 20. CMO médio a partir de simulação histórica (SE-CO, em fev/02) 88
Figura 21. CMO médio a partir de simulação sintética (SE-CO, fev/02) 89
Figura 22. Dados simulados pelo Newave de ENA, EARM e CMO 90
Figura 23. Modelo de previsão do preço spot via SNF 91
Figura 24. Modelo proposto para o treinamento 92
Figura 25. Modelo previsor via SNF de um a seis passos à frente 93
Figura 26. Modelo de redes neurais para a previsão do preço spot 93
Figura 27. Modelo fuzzy Sugeno (a) e Arquitetura ANFIS equivalente (b) 97
Figura 28. Arquitetura ANFIS para (a) modelo Sugeno e (b) espaço de entrada 100
Figura 29. Valores médios de CMO de casos oficiais do Newave em 2001 104
Figura 30. D.P. do CMO de casos oficiais do Newave em 2001 105
Figura 31. Estimativas de preço do Newave com intervalos (perc. 5% e 95%) 108
Figura 32. Histograma da (a) ENA e (b) EARM para T+1=Maio/02 (Newave) 109
Figura 33. Histograma do CMO para T+1=Maio/02 (Newave) 110
Figura 34. Funções de pertinência iniciais das entradas do modelo 112
Figura 35. Resultados do ajuste do modelo (a) estimação e (b) validação 113
Figura 36. CDF do Preço estimado via SNF e Newave 114
Figura 37. Relação entre o preço spot e (a) variáveis (b) ENA (c) EARM 115
Figura 38. Histograma do preço spot estimado para T+1=Mai/02 116
Figura 39. Comparação entre as previsões pontuais e os valores reais 118
Figura 40. Comparações entre os modelos para diversos meses-à-frente 120
Figura 41. Estimativas de preço via SNF com intervalos (perc. 5% e 95%) 122
Figura 42. Estimativas de preço via RNA com intervalos (perc. 5% e 95%) 124
Lista de tabelas
Tabela 1. Modelos estruturais de Hunt & Shuttleworth 31

Tabela 2. Consumo e capacidade instalada dos subsistemas 41
Tabela 3. Estatísticas descritivas do CMO por subsistema (ago/95 a jul/01) 67
Tabela 4. Estatísticas descritivas da ENA e EARM (jan/96 a dez/01) 70
Tabela 5. Estatísticas das estimativas do preço do Newave (2.000 cenários) 107
Tabela 6. Parâmetros do modelo neuro-fuzzy ANFIS 111
Tabela 7. Regras fuzzy e equações finais de saída para maio de 2002 113
Tabela 8. Resultados do ajuste do SNF em T=Abril/2002 para Maio/2002 114
Tabela 9. MAPE das previsões pontuais seis meses-à-frente 118
Tabela 10. Faixas de variação das variáveis CMO, ENA e EARM 119
Tabela 11. Estatísticas das previsões do preço spot com SNF (9.261 cenários) 123
Tabela 12. Estatísticas das previsões do preço spot com RNA (9.261 cenários) 125
1
Introdução
1.1.
Motivação
O mundo moderno depende cada vez mais de energia para satisfazer níveis
crescentes de qualidade de vida, bem estar social e progresso material. No entanto,
esta realidade pressupõe que a energia elétrica esteja disponível a um preço
relativamente baixo, o que nem sempre corresponde à realidade. Se por um lado
se busca qualidade e não interrupção no fornecimento de energia elétrica, por
outro é necessário garantir os investimentos para a expansão do sistema. Amplas
reformas no setor de eletricidade vêm sendo executadas desde o final do século

passado em todo o mundo para alcançar estes objetivos, caracterizando-se como
uma mudança de paradigma para o setor (Voropai & Handschin, 2001).
Antes da década de 1980, a energia elétrica era vista como um monopólio
natural de propriedade pública na Europa e de propriedade privada nos Estados
Unidos, na maioria dos casos. A previsão do preço de energia no modelo
monopolista antigo, onde a geração não estava sujeita à competição, era uma
tarefa relativamente direta, embora cheia de detalhes e bastante árdua (Angelus,
2001:32), pois a própria estrutura de “mercado” era estável e regulada;
informações das empresas eram compartilhadas; e a coordenação e o
planejamento do setor eram centralizados. Obtinha-se, assim, uma boa precisão na
previsão da oferta e da demanda e, por conseguinte, do preço da energia elétrica.
Este quadro começou a mudar quando Chile, Inglaterra e Noruega
propuseram seus modelos competitivos para a geração de eletricidade. Entre os
princípios que nortearam os mais importantes processos de reformas do setor
elétrico em todo o mundo estão a separação das atividades de geração,
transmissão, distribuição e comercialização de energia (descentralização do setor)
visando ganhos de eficiência econômica através de competição nas atividades per
si; despacho descentralizado com base em ofertas de preços dos geradores;
garantia de livre acesso às redes de transmissão e privatização, entre outros.
Capítulo 1 - Introdução 14
Neste contexto, o preço da energia passou a exercer um papel fundamental,

entre outras coisas porque ele precisa traduzir ao investidor os sinais econômicos
necessários para a expansão do sistema, ao mesmo tempo em que deve refletir os
custos reais.
Um dos grandes benefícios esperados com a liberalização e
desregulamentação do setor elétrico é a queda dos preços, uma vez que os
consumidores ou mesmos os comercializadores de energia podem escolher
livremente seus fornecedores (Bastian, 1999). Bower et al (2001), por exemplo,
relatam que em abril de 1998, quando o mercado alemão foi liberalizado, todos os
consumidores tiveram a permissão, em princípio, de escolher seu supridor. A
conseqüência imediata foi uma queda abrupta dos preços do mercado atacadista,
aproximando-se dos custos marginais de produção no ano de 1999.
Embora o preço médio da energia elétrica em vários países tenha caído
significativamente na fase inicial das reformas, tem-se observado desde então um
aumento da volatilidade na série de preços no mercado à vista ou spot1 em

diversos países como, por exemplo, EUA (Califórnia especialmente), Austrália e
Brasil. Segundo Krause (1995), “o mercado spot se caracteriza por uma
instabilidade que lhe é intrínseca, isto é, constata-se uma elevada volatilidade dos
preços.” Davidson et al (2002) relacionam dois motivos para a alta volatilidade
dos preços ou a ocorrência dos chamados price spikes: o fato da energia elétrica
ter suas especificidades, pois a mesma não pode ser armazenada em grandes
quantidades, e a demanda deve estar em equilíbrio constante com a produção.
Conseqüentemente, as reformas trouxeram também uma elevação dos riscos
associados à contratação de energia. O ‘quanto’ e ‘quando’ comprar no mercado
spot são decisões que passam a ser cruciais para a saúde financeira das
companhias. Como tais decisões dependem especialmente do preço da energia
elétrica, um julgamento mal feito ou uma estratégia de investimentos mal traçada
hoje poderá, no futuro, acarretar um prejuízo de milhares a milhões de dólares a
uma empresa – dependendo de seu porte – e, até mesmo, levá-la à falência.
O preço ex-ante da energia (R$/MWh) no sistema elétrico brasileiro,
predominantemente hidroelétrico, é calculado atualmente pelos agentes no
1
Algumas palavras muito citadas e consideradas jargões da área não serão grifadas na tese; entre
elas estão, por exemplo, “spot” e “Pool”.
mercado atacadista de energia (MAE) considerando a previsão de carga e vazões e

restrições de geração, evitando déficit e vertimento. O agente comercializador,
para atender suas atribuições, precisa criar sua própria base de apoio à decisão
para a política de contratos nesse mercado competitivo, o que requer uma
adaptação de suas práticas negociais e criação de modelos de previsão dos preços
de compra e venda de energia no mercado spot, com o auxílio de instrumentos
eficazes.
O mercado brasileiro de energia, mesmo em estágio embrionário, vem
realizando transações de volume considerável no mercado spot, negociando, por
exemplo, o montante de energia disponível pela diferença entre a carga real e a
definida nos contratos iniciais estabelecidos em 1998. Apesar de todos os
problemas enfrentados pelo MAE no Brasil, pois não tem conseguido realizar
normalmente a liquidação dos contratos devido a entraves jurídicos entre as
empresas comercializadoras e as geradoras (o que na prática paralisa suas ações2),
tem-se notado um rápido crescimento no número de negócios realizados desde sua

criação, em setembro de 2000.
Por exemplo, em junho de 2002, mais de 70 contratos bilaterais foram
assinados em seu âmbito (45% a mais que junho de 2001), com um volume de 2,3
milhões de MWh (contra 1,1 milhão de MWh em junho de 2001). Entre setembro
de 2000 e março de 2001 foram comercializados, aproximadamente, R$ 1,06
bilhão (US$ 294 milhões) no MAE por 95 agentes credenciados. O montante
entre setembro de 2000 e junho de 2002 é de aproximadamente R$ 15 bilhões
(US$ 4.2 bilhões) (Platts, 2002).
Ainda que os 25% do volume de energia dos contratos iniciais não sejam
anualmente disponibilizados para negociação direta entre empresas (bilateral) ou
mercado spot, tal como estava previsto que acontecesse até o início de 2003
segundo a Lei nº 9.648, de 27 de maio de 1998, negociações continuarão a ser
feitas com as diferenças, o que expressa a importância do estudo e o
desenvolvimento de modelos de previsão do preço spot específicos que possam
atender às necessidades deste mercado no país.
2
Apenas no final de 2002 é que 50% dos contratos dos últimos dois anos foram efetivamente
liquidados. Está previsto que os outros 50% serão liquidados bilateralmente.
Portanto, desenvolver modelos de previsão para os preços no curto prazo

(spot) – além de identificar, medir e tratar os possíveis riscos associados – são os
novos e grandes desafios que a jovem indústria de energia elétrica está sendo
compelida a enfrentar, munindo assim de ferramentas o tomador de decisões em
sua estratégia de comercialização de energia ou avaliação de ativos reais em
projetos de investimento em geração e transmissão.
O tema ‘previsão do preço spot da energia elétrica’ está em voga3, mas é
interessante notar que a pesquisa em torno dela é relativamente pequena, frente a
sua importância. Isto em parte pode ser explicado pelo relativo ineditismo do
tema. Dada a complexidade do setor elétrico, dez ou doze anos não parecem
suficientes para se obter uma estrutura plena de mercado e, conseqüentemente,
modelos de previsão para este mercado. Além disso, a previsão do preço spot é
um assunto estratégico para o agente comercializador de energia que não quer
compartilhar informações neste novo ambiente competitivo.
Existem poucos modelos de previsão do preço spot propostos na literatura,

especialmente para o Brasil, onde os preços são calculados via modelos
computacionais do planejamento da operação, ao contrário de países como
Inglaterra e Austrália, que adotam sistemas baseados em uma espécie de leilões de
energia.
Da literatura internacional, verifica-se que a modelagem do preço spot de
energia elétrica está ligada à modelagem de sua volatilidade e também se baseia
em processos de reversão para a média4 com jumps, (Deng. S., 2000 e 1998;
Ethier, 1999; Ethier & Mount, 1998; Knittel & Roberts, 2001)5. Este modelo não
parece ser adequado ao Brasil, onde a volatilidade do preço spot está relacionada
principalmente à volatilidade das vazões afluentes.
Davison et al (2002), em uma abordagem interessante para se prever o preço
spot, apresenta um modelo estocástico especialmente desenvolvido para os picos
(spikes) na série histórica de preços spot. Ele é um modelo chaveado (switching
3
Bunn (2002) fornece uma revisão das principais questões metodológicas e técnicas empregadas
no problema de previsão de carga horária e preços nos mercados competitivos de eletricidade.
Ainda, o autor sustenta que a previsão de carga e a previsão dos preços no mercado atacadista de
energia são atividades interligadas e discute a previsão pelo lado da demanda (demand-side) e pelo
lado da oferta (supply-side).
4
Os preços oscilariam inicialmente e tenderiam a reverter para um nível de equilíbrio.
5
Knitell & Roberts (2001), por exemplo, investigam o comportamento dos preços na Califórnia,
aplicando, além de modelos de reversão para a média, outros como o ARMAX e o EGARCH.
model) baseado em misturas de distribuições. O autor conclui que este modelo é

uma ferramenta poderosa para a precificação de contratos de opções no setor
elétrico, porém ressaltando que o modelo é bom apenas para os spikes, sendo
necessário o desenvolvimento de modelos para preços baixos. Além disso, existe
uma preocupação do autor é quanto à descontinuidade do modelo.
Leon & Rubia (2001) descrevem e caracterizam a evolução temporal da
série de preços médios diários negociados no mercado diário de eletricidade da
Espanha, no período de 1o janeiro de 1998 a 31 de outubro de 2000. Analisou-se,
especialmente, a existência de raízes unitárias no nível da série de preços,
utilizando testes de raízes unitárias. Os autores também modelam a volatilidade
condicional da série através de modelos EGARCH.
Stevenson (2001) aplica as transformadas de wavelets (ondaletas) para
examinar tanto a série de preço quanto a de demanda da Austrália em diferentes
localizações e níveis de resoluções, buscando diferenciar o que é sinal e o que é
ruído. Em seguida, são aplicados às séries diversos modelos da classe TAR –

threshold autoregressive. O autor conclui que os modelos obtêm bons resultados
com os dados filtrados, conseguindo capturar suas componentes de média e a
variância.
Deve-se destacar, também, o uso de modelos “inteligentes”, baseados em
lógica fuzzy e redes neurais, para a previsão do preço, e.g. Hong & Hsiao (2002 e
2001); Ramos et al (2002); Xiaohong et al (2000); Wang & Ramsay (1998) e
Dondo & El-Hawary (1996), entre outros.
Uma revisão da literatura sobre modelos de previsão do preço spot no Brasil
mostra que um dos primeiros modelos empíricos foi proposto por Silva (2001),
baseado em probabilidades de transição de estados dos preços6. Segundo o autor,
o preço spot de energia elétrica no Brasil teria três estados: (i) estado 1 – preço
baixo (zero a R$ 20/MWh) seguindo uma distribuição Normal N(8,7); (ii) estado
2 – preço alto (maior que R$ 20/MWh) seguindo uma N(72,58); e (iii) estado 3 –
preço de seca (maior que R$ 100/MWh) seguindo uma N(250,150), sendo que os
parâmetros das distribuições dos estados 1 e 2 são estimados com a série histórica
do custo marginal de operação (CMO) e o estado 3 teria uma ocorrência aleatória,
6
Medeiros et al (2001b) utilizam o conceito de “Matrizes de Transição” para a obtenção da
transição de um estado presente e um estado futuro do preço.
podendo chegar ao custo do déficit. O autor conclui que as probabilidades de o

preço spot passar de um estado baixo para alto e dele estar no estado alto e
continuar alto seguem um processo de reversão da média (Silva, 2001:65).
Em abordagens estatísticas e de séries temporais, Sousa (2003) e Amaral
(2003) apresentam modelos de previsão do preço spot de energia elétrica no Brasil
utilizando, respectivamente, modelos estruturais clássicos e modelos STAR
(smooth transition autoregressive).
Com respeito a modelos com horizonte maior, Rocha et al (2001) mostram
um sistema construído para simular contratos de energia usando dados de vazões
sintéticas e custos marginais de operação (CMO) obtidos do “Newave” –
programa desenvolvido pelo CEPEL e utilizado oficialmente pelo ONS e MAE,
que define a cada estágio (mês) a operação ótima do sistema e fornece os valores
esperados de CMO para todo o período de planejamento (Cepel, 1999b).
Para o longo prazo, Umbria (2002) apresenta um modelo previsor de preços
da energia nova das usinas que compõem o plano de obras. Seu modelo baseia-se
nos Planos Decenais de Geração e no fluxo de caixa de cada um dos
aproveitamentos disponibilizados na base de dados da ANEEL.
1.2.
Objetivo
Em função do número limitado de modelos propostos de previsão do preço

spot e de sua importância para a comercialização de energia e estratégias de
contratação por parte dos agentes, o principal objetivo desta tese é propor um
modelo de previsão do preço de curto prazo (“spot”) da energia elétrica no Brasil.
A proposta baseia-se em uma metodologia que utiliza sistemas neuro-fuzzy (SNF)
e os programas do planejamento da operação.
Além disso, esta pesquisa tem por objetivos:
i. Apresentar o estado da arte em modelagem para a política e o mercado de
energia elétrica;
ii. Analisar e discutir os principais riscos envolvidos na contratação de
energia elétrica e medidas para mitigá-los.
iii. Utilizar modelos de redes neurais visando comparar os resultados obtidos
com os SNF.
O modelo proposto para a previsão do preço spot de energia elétrica no

Brasil tem as seguintes características, entre outras:
1. Estima uma distribuição do preço spot no curto prazo (próximos
meses ou semanas) considerando as principais variáveis que afetam
o preço spot no Brasil;
2. Obtém distribuições mais informativas e com menor dispersão do
que as obtidas apenas com o Newave;
3. Permite uma análise de sensibilidade e de cenários, ou até mesmo a
simulação do impacto dos níveis de armazenamentos e afluências na
previsão do preço spot;
4. Permite a inclusão de variáveis que não possuem um histórico ou
dados para o treinamento, como o plano de obras, limites de
intercâmbio, demanda, El-Niño etc., caso se faça necessário;
5. Permite conhecer a relação entre as principais variáveis e o preço
spot, devido às características intrínsecas de um modelo neuro-fuzzy

(regras fuzzy);
6. Permite análises rápidas, pois o modelo é executado em cerca de 1
minuto. Note que uma análise similar utilizando o Newave é inviável
computacionalmente, pois o modelo leva em média de 5 a 8 horas,
dependendo da máquina utilizada, para obter os resultados.
1.3.
Hipóteses
A proposta é trabalhar com o custo marginal de curto prazo ou custo

marginal de operação (CMO) na modelagem do preço spot, pois este é valor o
valor base para o preço spot no MAE. O objetivo não é o de reproduzir o cálculo
do preço através da programação estocástica ou equivalente, mas utilizar
indiretamente os resultados obtidos dos modelos do planejamento da operação,
buscando uma estimativa aproximada para o processo gerador do preço.
Assim, objetiva-se construir modelos tanto simples quanto eficientes
utilizando as principais variáveis que atualmente afetam o preço. Os modelos
podem, no entanto, incluir eventualmente outras variáveis, em uma segunda etapa
do trabalho, caso estas se façam necessárias.
A escolha das variáveis para o modelo de previsão proposto foi feita de

forma ad hoc e baseada no critério da parcimônia.
1.4.
Validade dos Resultados
Os modelos de previsão do preço aqui propostos são válidos para qualquer

subsistema (submercado), embora os estudos de caso considerem apenas o
subsistema SE/CO, por ser este o maior e mais importante do país, com
participação de aproximadamente 70% no armazenamento máximo do sistema,
60% no consumo e 45% na capacidade instalada. Simulou-se, assim, um caso
onde os limites de intercâmbio são nulos.
Finalmente, apesar dos modelos de previsão apresentados no estudo de caso
do sexto capítulo utilizarem dados mensais, também é possível realizar simulações
e previsões com dados semanais, se disponíveis.
1.5.
Organização da Tese
Além deste capítulo introdutório, a tese está organizada em mais seis

capítulos, sendo que os capítulos dois a quatro fornecem os elementos básicos e as
motivações necessárias para a discussão, desenvolvimento e utilização do modelo
de previsão do preço spot no quinto e sexto capítulos. O sétimo capítulo traz as
conclusões e futuros trabalhos. A seguir, são descritos brevemente os capítulos do
corpo da tese.
No segundo capítulo é apresentado um breve histórico do surgimento dos
mercados de energia elétrica no Brasil e no mundo. Mostram-se os objetivos e
fatores comuns às mais importantes reformas do setor e, neste contexto, são
abordados os desafios e perspectivas da previsão do preço da energia em um
ambiente competitivo. as principais classificações para os modelos de
reestruturação e as correntes mercadológicas são apresentadas. Também são
destaques deste segundo capítulo os tipos de mercados de eletricidade e os
modelos para sua política.
O terceiro capítulo trata do sistema elétrico brasileiro, do problema de
despacho e formação do preço da eletricidade, dando ênfase nos sistemas
hidrotérmicos com base hidráulica, como o brasileiro. As bases para o cálculo do

preço spot de energia elétrica no Brasil são apresentadas neste capítulo.
No quarto capítulo são identificados os principais riscos na contratação de
energia elétrica. São apresentados também os meios usuais para medi-los e
mitigá-los.
O quinto capítulo constitui o capítulo principal da tese, propondo uma
metodologia para a previsão do preço de curto prazo (spot) da energia elétrica
baseada em sistemas neuro-fuzzy e nos modelos da cadeia de planejamento da
operação. Além disso, a teoria dos sistemas neuro-fuzzy (ANFIS) é apresentada.
O sexto capítulo apresenta estudos de caso com os modelos de previsão e
diversas comparações são realizadas. Finalmente, o sétimo capítulo discute as
conclusões do trabalho e apresenta propostas para possíveis trabalhos futuros. Esta
tese inclui ainda referências bibliográficas.
2
Mercados de Eletricidade
2.1.
Introdução
Tradicionalmente, as companhias de eletricidade, estatais ou privadas,

sempre foram consideradas monopólios naturais regulados, devido, por um lado,
aos altos custos associados com a transmissão e distribuição e, por outro, à
facilidade no gerenciamento e regulação dessas companhias (Beggs, 2002).
Com o advento da nova indústria de energia elétrica, no final do século
passado, vários países começaram a repensar o modelo monopolista adotado até
então, introduzindo um novo paradigma para o setor baseado na competição –

particularmente na atividade de geração – e estruturas de mercado.
Na América do Sul, em particular, as principais motivações para a reforma
foram o exaurimento da capacidade de investimento dos países e as perspectivas
de dificuldades de suprimento no curto prazo (Vieira Filho et al, 2000a).
Assim, as atividades de transmissão e distribuição, em geral, continuaram
sendo vistas como monopólios naturais em função de suas características
intrínsecas. Já a comercialização do produto energia se desvinculou de seus
serviços associados (ancilares, transmissão, operação e administração)
objetivando ganhos de eficiência e qualidade no atendimento, forçando, como
conseqüência, o aparecimento de mercados para a “commodity” energia elétrica1.
Este capítulo apresenta um breve histórico do surgimento dos mercados de
energia elétrica no Brasil e no mundo. Inicialmente, aborda-se o novo paradigma
do setor apresentando claramente os principais objetivos das reformas em todo o
mundo. Classificações usuais para os modelos de reestruturação e as correntes
mercadológicas são também apresentadas. Por fim, a seção sobre a modelagem da
1
Deve-se enfatizar aqui que a energia elétrica tem especificidades que a diferenciam de outras
mercadorias quaisquer, pois não pode ser armazenada em grandes quantidades e a produção deve
estar em equilíbrio constante com a demanda.
Mercados de Eletricidade 23
política de energia e do mercado trata dos sistemas dinâmicos inclusive colocando

alguns exemplos da estratégia de decisão em lances nos leilões de energia.
2.2.
Novo Paradigma do Setor Elétrico
No final do século passado, em conformidade com a lógica de mercado

anteriormente aplicada a diversos setores da economia – como telecomunicações,
gás, petróleo etc., também o setor elétrico deixou de ser visto como um serviço
público a ser prestado pelo Estado. Procurou-se desonerar o Estado dos altos
custos de construção e manutenção de usinas geradoras, e eventualmente da
transmissão e distribuição da energia elétrica, através de um processo de
privatização de seus ativos, além de tentar repassar a obrigação dos novos
investimentos ao setor privado2.
Pode-se dizer que os principais objetivos que moveram o mundo na direção
das reformas do setor elétrico são o de se estabelecer a livre concorrência na

compra e venda de energia elétrica; atrair capital privado; melhorar a eficiência e
reduzir preços.
Para tanto, foi necessário promover um processo de desverticalização do
setor, isto é, a separação do bloco geração-transmissão-distribuição, cujas
atividades passariam a ser executadas de forma autônoma e independente.
Incentivou-se também o livre acesso às redes de transmissão e a criação de
mercados atacadistas de energia ou mercados spot – espécie de leilões de potência
ou energia – que serviriam de base para os preços do setor (Krause, 1995).
Ainda é importante destacar aparecimento de diversos agentes neste novo
ambiente de competição como, por exemplo, o operador do sistema; regulador;
planejador da expansão; financiador; e comercializador (responsável pelas
transações comerciais no novo mercado de eletricidade); além das figuras dos
consumidores livres e dos produtores independentes. Outros agentes tiveram suas
atribuições modificadas, como os agentes de geração (que passaram a ter uma
regulação mínima), transmissão e distribuição.
2
Existem exceções, como é o caso da Noruega que preferiu não privatizar suas empresas, apesar
de implementar uma reforma radical em sua indústria de eletricidade, a partir de 1991. Seu modelo
combina a competição do mercado capitalista com a propriedade pública tradicionalmente
associada às economias planificadas (Magnus & Midttun, 2000).
A despeito da tendência mundial das reformas no setor elétrico, não tem

sido fácil contornar diversos problemas que vem acometendo esta indústria na sua
nova organização (Read, 2001). Por exemplo, a Califórnia, no verão de 2000,
enfrentou uma séria crise em razão dos exorbitantes preços da eletricidade e de
sua alta volatilidade (Sioshansi, 2001). No Brasil, o Sistema Interligado
Se/CO/NE, experimentou um amargo período de 9 meses de racionamento de
energia, de junho de 2001 a fevereiro de 2002, cujas conseqüências para a
economia do país ainda perduram. Pode-se citar, também, o problema do “poder
de mercado”3, experimentado particularmente na Inglaterra, freqüentemente
exercido por geradores majoritários (Bunn, 2001; Borestein, 2000).
Na realidade, por mais avançados que estejam alguns processos de reforma,
estes parecem não ter chegado ao fim. Existe uma clara e natural percepção da
necessidade de uma avaliação periódica para se corrigir problemas que
ocasionalmente ocorrem durante estes processos.
Um exemplo disso é o próprio Reino Unido, que, na tentativa de resolver

alguns dos problemas de seu Pool, entre eles o do ‘poder de mercado’, criou, a
partir de setembro de 2000, um novo acordo de comercialização conhecido como
NETA (New Electricity Trading Arrangements)4.
O Brasil, apesar de já ter criado as bases da indústria elétrica, não conseguiu
ainda implementar um modelo de mercado pleno para a indústria de energia,
especialmente devido às incertezas regulatórias que levaram a um arrefecimento
no processo de reestruturação do setor e ao racionamento de 2001/2002.
2.3.
Processo de Liberalização do Setor Elétrico
2.3.1.
Breve Histórico
A primeira experiência mundial em mercados competitivos em eletricidade

ocorreu no Chile, no início da década de 80, introduzindo competição na geração
3
O poder de mercado pode ser definido como “a habilidade dos agentes individualmente
influenciarem os preços de mercado através de seus próprios comportamentos (via lances de
preços)” (Bunn, 2001:III). Dois estudos sobre o poder de mercado em sistemas hidrotérmicos são
Kelman et al (2001) e Barroso (2000).
4
Detalhes do NETA, e.g., em Macatangay, 2001 e Bunn & Oliveira, 2001.
através de um ambiente onde preços, qualidade e nível de investimento pudessem

ser determinados pela “força do mercado” (Del Sol, 2002; Moya, 2002; Hudnick,
1999).
Para atingir estes objetivos, o Chile construiu uma estrutura regulatória
segmentando os setores de geração, transmissão e distribuição local. Enquanto os
setores de transmissão e distribuição foram considerados como monopólios
naturais pela dificuldade de aí se implantar competição, as companhias geradoras
passaram a vender energia (Wh) e potência (W) para grandes compradores
(consumidores com capacidade maior que 2 MW) a um preço livremente
determinado por elas. No entanto, para os pequenos consumidores – que
compravam sua energia das concessionárias locais – os preços não deixaram de
ser regulados. Tais preços, segundo Del Sol (2002), deveriam ser o mais próximos
possíveis dos custos marginais de operação, calculados usando um modelo de
programação dinâmica e o despacho realizado por um grupo de companhias
geradoras (CDEC)5. Se os preços regulados diferissem em mais de 10% dos

preços competitivos, eles seriam reajustados, sempre ancorados aos preços de
mercado.
O processo de reformas no Chile incluiu ainda privatizações de empresas de
distribuição e pequenas geradoras. Porém, apesar de todo o pioneirismo, não
avançou em relação a outros países como Inglaterra, Estados Unidos e Noruega,
apresentando um mercado ainda muito concentrado, onde 94% da capacidade
instalada pertence a apenas três geradores (id, ibid: 439).
A reforma do setor elétrico da Inglaterra e País de Gales em 1990 talvez seja
a de maior repercussão, estabelecendo a concorrência nos níveis de geração de
energia elétrica e suprimento, através da criação de um mercado atacadista onde
todos os geradores pudessem vender e todos os consumidores pudessem comprar
energia sem discriminação no acesso ao sistema de transmissão (common carrier)
[Green (1999); Krause (1995) e Brunekreeft (2001)]. Um “Pool” de eletricidade
centralizado foi criado para coordenar a competição na geração, cujo propósito
5
Em cada estágio, o custo marginal de curto prazo é definido por um programa de otimização, mas
os preços de quarto de hora são obtidos ex post considerando as máquinas que foram despachadas
no intervalo de tempo considerado. Usualmente, a unidade marginal é a unidade mais cara
despachada (Moya, 2002).
principal é despachar a geração e determinar os preços spot (Brunekreeft,

2001:101).
Com a experiência relativamente bem sucedida de reforma do setor elétrico
no Reino Unido, inclusive com a queda dos preços para a maioria dos
consumidores em aproximadamente 30% nos primeiros anos após o início de sua
reforma (Green, 1999), os mais importantes países do mundo foram motivados a
iniciar processos de liberalização e desregulamentação do setor. Pode-se citar, por
exemplo, em 1991 a Noruega (Johnsen, 2001; Fosso et al 1999); em 1994 a
Espanha (Arocena et al, 1999); em 1995 a Finlândia (Laitinen et al, 2000;
Koreneff et al, 1998) e a Suécia (Keppo & Räsänen, 1999); em 1998 a Califórnia
(Borenstein et al, 2001; Borenstein, 2001; e Borenstein & Bushnell, 1997) e a
Alemanha (Bower et al, 2001); em 1997 a Espanha (León & Rubia, 2001); em
1999 a Dinamarca (Hauch, 2001) e, em 2001 alguns países do continente africano
(Turkson, 2001), entre tantos outros, incluindo aí o Brasil que a partir de 1993
iniciou efetivamente seu processo (Mendonça & Dahl, 1999). Recorde-se que os
modelos que foram surgindo buscavam criar um ambiente especial onde a energia
elétrica pudesse ser comercializada como uma “commodity” qualquer6.
2.3.2.
A Experiência Brasileira
A partir do início da década de 90, seguindo em parte o receituário inglês, o

Brasil iniciou seu processo de desverticalização comercial das atividades de
geração, transmissão e distribuição, criando o papel do comercializador de
energia, com o intuito de introduzir competitividade no setor.
Enquanto as atividades de transmissão e distribuição ficaram enquadradas,
por definição, como monopólios naturais, as atividades de geração e
comercialização passaram a ser enxergadas sob a ótica da concorrência.
Empreendeu-se um processo de segmentação do setor elétrico e privatização de
grande parte das empresas de distribuição e uma parte das empresas de geração.
6
Alguns países, como a Islândia, discutem a viabilidade de aplicação de mercados competitivos
em sistemas hidrotérmicos predominantemente hidroelétrico, como o islandês (Johannsson &
Eliasson, 2002).
Na prática, o processo de reformas no Brasil se iniciou com uma série de

mudanças na legislação (Mendonça & Dahl, 1999:77), no sentido de transferir do
Estado para a iniciativa privada a responsabilidade de operação e investimentos,
continuando com as tarefas fiscalizadora e reguladora7.
A Lei no 8.631/93 e o Decreto no 774 de março de 1993 são apontados como
os primeiros atos para se reformar o sistema no Brasil, estabelecendo a
desequalização tarifária; a criação de conselhos de consumidores e programas de
conservação de energia elétrica e eletrificação; entre outras medidas (Abreu,
1999:11; Santana & Gomes, 1999:80).
Essas medidas, entretanto, não foram suficientes para sanear as empresas e
superar todos os problemas do setor, como escassez de capital e o endividamento.
Segundo Kligerman (1999), a Lei no 9.074 de julho de 1995 (Lei das Concessões)
e o Decreto no 2003 de setembro de 1996 avançaram no processo de
reestruturação através da criação da figura do produtor independente de energia
que diferentemente do concessionário de serviço público, passou a assumir os

riscos de comercialização de sua energia ou parte dela, introduzindo assim um
caráter mais competitivo no setor.
Coordenado pelo Ministério das Minas e Energia (MME), entre agosto de
1996 e novembro de 1998, executou-se um extenso projeto para a reestruturação
do setor elétrico brasileiro (SEB), com a participação de consultores da Coopers &
Lybrand, denominado RE-SEB (Eletrobrás, 1998). Diversos relatórios foram
produzidos emitindo uma série de sugestões práticas para a reestruturação no
Brasil, inclusive a criação de um mercado atacadista de energia, substituindo o
sistema de preços regulamentados de geração e contratos renováveis de
suprimento.
Assim, as empresas passariam a negociar a maior parcela de seu mercado
através de contratos bilaterais que especificam o valor e o montante acordado
durante sua vigência. O objetivo desses contratos é o de proteger as partes contra a
7
O governo federal acreditava que seria difícil continuar investindo no setor o necessário para que
a oferta acompanhasse a crescente demanda. Uma outra motivação para que o governo brasileiro
optasse pela privatização de seus ativos do setor foi que as ações das empresas do setor elétrico
figurarem entre as mais rentáveis (Brown, 2002).
exposição ao risco representado pela potencial volatilidade do preço “spot” de

energia do MAE (e não o de garantir entrega efetiva de energia) 8.
Em substituição ao DNAEE (Departamento Nacional de Águas e Energia
Elétrica), a Lei no 9.427, de 26/12/1996, criou, e o Decreto no 2.335, de
06/10/1997, instituiu a Agência Nacional de Energia Elétrica (ANEEL), agente
regulador e fiscalizador do mercado, cujas principais atividades são a de definir
normas e procedimentos para o funcionamento do SEB.
Em maio de 1998, a Lei no 9.648 criou o Operador Nacional do Sistema
Elétrico (ONS) – instituição pública de direito privado sem fins lucrativos, cujas
principais atividades são a da coordenação e controle da operação das usinas de
geração e transmissão de energia elétrica dos sistemas interligados brasileiros.
Ainda com respeito a essa lei, ela determinava que as empresas privatizadas
ganhassem o caráter de produtor independente de energia e instituía a livre
negociação da energia (excetuando-se as parcelas cobertas pelos “contratos
iniciais” em vigência até o fim de 2002), estabelecendo um prazo para a criação,

através do acordo de mercado9, do MAE, entre outras medidas. Tanto o ONS
quanto o MAE foram regulamentados pelo Decreto no 2.655, de julho de 1998.
Em 1998 e 1999, foram criados pelo MME, respectivamente, o Conselho
Nacional de Política Energética (CNPE) e o Comitê Coordenador do
Planejamento da Expansão dos Sistemas Elétricos (CCPE). O primeiro tem por
objetivos, entre outros, promover o aproveitamento racional da energia, a livre
concorrência e a competitividade do setor, bem como a atração de capitais para a
produção de energia. O CCPE, por sua vez, é a entidade responsável pelo
planejamento da expansão do sistema elétrico.
Desde então, diversas regulamentações e portarias, tanto do MME quanto
do agente regulador (ANEEL), vêm buscando organizar uma estrutura de mercado
no país; pode-se destacar as Resoluções nos. 281, 282 e 286, de outubro de 1999,
que regulamentam o acesso e uso do sistema de transmissão e distribuição, e a
8
Visando proteger as partes contra a exposição ao preço spot de energia, as empresas geradoras e
concessionárias de distribuição continuariam a negociar a maior parte do mercado via contratos
bilaterais até o fim de 2002 quando, a partir de então, 25% da energia contratada seria liberada
para possíveis negociações no mercado de pequenos volumes (spot). Isso não ocorreu até a
finalização deste trabalho, em fevereiro de 2003, e possivelmente não ocorrerá nos próximos anos,
de acordo com as novas diretrizes do MME.
9
O Acordo de Mercado, assinado em agosto de 1998, estabelece os processos do MAE.
Atualmente é conhecido como “Convenção de Mercado”.
Resolução no. 278, de julho de 2000, que estabelece os limites e condições para
participação dos agentes econômicos nas atividades do setor de energia elétrica.
Por fim, a Lei nº 10.438, de 26 de abril de 2002, determina que no mínimo
50% da energia elétrica comercializada pelas concessionárias geradoras de serviço
público sob controle federal, inclusive o montante reduzido dos contratos iniciais,
deverá ser negociada em leilões públicos, conforme disciplina estabelecida em
resolução da Aneel. Essa lei também determina que os riscos hidrológicos ou de
não cumprimento do contrato serão assumidos pela concessionária e a geradora
vendedora da energia elétrica10.
2.4.
Tipos de Mercado de Eletricidade
Resumidamente, no Brasil, existem atualmente basicamente os seguintes

tipos de mercado de energia elétrica:
• Mercado spot: Os agentes de mercado realizam aqui seus negócios e

transações energéticas. Também denominado mercado atacadista;
• Mercado de longo prazo: Geradoras e suas cargas (concessionárias de
distribuição e/ou consumidores livres) ou geradoras e brokers realizam
aqui os chamados "contratos bilaterais" (paralelamente ao mercado spot),
também denominados "contratos de longo prazo". Nestes contratos são
alocados riscos financeiros associados à compra e venda de energia pela
cobertura do preço do mercado spot de energia (id, ibid:44);
• Mercado de serviços ancilares11: Os agentes de mercado realizam aqui
transações de serviços ancilares no curto prazo através de contratos
denominados "contratos de prestação de serviços ancilares" (Vieira, 2000);
• Outros tipos: Além dos citados acima, outros tipos de mercados são
possíveis, como o mercado de derivativos; contratos de prestação de
serviços de transmissão; contratos de conexão à transmissão ou à
distribuição etc.
10
O referido disposto nesta lei não se aplica à Itaipu Binacional e à Eletronuclear.
11
Serviços ancilares são aqueles necessários para garantir a operação eficiente e segura do sistema
elétrico, englobando o controle de freqüência e tensão, o supervisionamento da estabilidade e
confiabilidade, manutenção e controle de falhas das linhas de transmissão etc.
2.5.
Modelos Teóricos de Mercados
2.5.1.
Classificações Usuais
Nos diversos processos de reformas do setor de eletricidade ao redor do

mundo, cada país adotou um modelo específico que se adequasse às suas próprias
características e, por isso, não existe uma fórmula única para todos. Na década de
1990, surgiram alguns autores que estabeleceram critérios para classificar os
modelos de reformas em andamento na tentativa de entender e comparar as
estruturas. Tais critérios foram baseados, por exemplo, no nível de verticalização
ou mesmo no nível de competição. Duas importantes contribuições nesse sentido
são Tenenbaum et al (1992) e Hunt & Shuttleworth (1996).
Tenenbaum et al (1992) apresentam quatro alternativas básicas de
estruturação do setor elétrico, partindo do modelo clássico verticalmente integrado
(modelo 1), como a estrutura tradicional dos EUA, até o modelo totalmente
desverticalizado (modelo 4), como o inglês12. Abaixo estão as principais
características de cada um dos modelos.
• Modelo 1: Estrutura verticalmente integrada. Companhias de eletricidade
(privadas) com uma região de concessão bem definida. Pode ocorrer que o
bloco geração-transmissão-distribuição pertença a uma única empresa
(verticalização total) ou os blocos geração-transmissão e distribuição
pertençam a duas empresas distintas (verticalização parcial);
• Modelo 2: Este modelo mantém uma estrutura próxima do modelo 1, mas
permite competição na geração. Os EUA seguiram nesta direção quando
criaram o PURPA (Public Utilities Regulatory Policy Act), em 1978, que
obrigava as concessionárias (utilities) a comprarem energia de geradores
independentes (produtores independentes de energia ou PIE);
• Modelo 3: Modelo que expande o modelo 2, pois determina livre acesso às
linhas de transmissão (common carriage) de alta tensão aos geradores ou
comercializadores (compradores e vendedores);
12
Detalhes dos modelos são descritos também em Mendonça & Dahl (1999).
• Modelo 4: Modelo proposto à época pela Inglaterra que requer total

separação entre geração, transmissão e distribuição. Difere do modelo 3,
basicamente porque aqui uma companhia independente possui o sistema
de transmissão e o sistema de despacho tem que garantir que a energia
chegue aos compradores e vendedores.
Outros quatro modelos teóricos de reestruturação foram propostos por Hunt
& Shuttleworth (1996), que se diferenciam basicamente segundo o nível de
competição entre geradores, partindo do modelo monopolista com nenhuma
competição na geração e sem escolha para varejistas e consumidores finais
(modelo 1) até aquele com total competição na geração e com escolha para o
varejista e o consumidor final (modelo 4). Note-se ainda que os modelos não são
função do tipo de propriedade (pública ou privada) (Cf. Mendonça & Dahl,
1999:74). A Tabela 1 mostra um resumo dos modelos propostos por Hunt &
Shuttleworth (1996), seguida por uma sucinta descrição de cada modelo.
Tabela 1. Modelos estruturais de Hunt & Shuttleworth

Características* Modelo 1 Modelo 2 Modelo 3 Modelo 4
(monopólio) (agência (competição no (competição no
compradora) atacado) varejo)
Definição Monopólio Competição na Competição na Competição na
em todos os geração e geração e geração e escolha
níveis comprador escolha para para consumidor
único distribuidoras final
Competição na Não Sim Sim Sim
geração
Escolha para Não Não Sim Sim
varejistas
Escolha para Não Não Não Sim
consumidor final
*
Cf. Abreu (1999).
As principais características de cada modelo da Tabela 1 são:

• Modelo 1: Modelo sem qualquer tipo de competição. Neste caso, existe
monopólio nos blocos geração-transmissão-distribuição;
• Modelo 2: Este modelo permite ou requer um único comprador ou agência
compradora, responsável pela compra e venda de energia no mercado spot
e pelos contratos de longo prazo. Este modelo incentiva a competição na
geração pela escolha dos geradores que serão despachados;
• Modelo 3: Permite que qualquer gerador (independente) venda sua energia

a qualquer distribuidora com livre acesso às linhas. Tem-se aqui a
“competição atacadista”, comercializando grandes blocos de energia.
Aqui, apenas os grandes consumidores, como as concessionárias de
distribuição e grandes clientes, podem escolher seus fornecedores;
• Modelo 4: Permite que qualquer gerador (independente) venda sua energia
a qualquer consumidor final, ou seja, aqui todos os consumidores
escolhem seus supridores, o que implica uma total “competição varejista”,
sem monopólio de qualquer tipo.
Cada um desses modelos exige diferentes tipos de arranjos de negócios e de

exigências regulatórias, diferentes arranjos contratuais de propriedade para as
operações das companhias no setor e diferentes soluções quanto às implicações
com os ativos encalhados (Cf. Abreu, 1999).
Hunt & Shuttleworth (1996) recomendam a estrutura do modelo 4 somente

em países com um sistema varejista de eletricidade bem estabelecido e com
instituições de mercados maduras. Mendonça & Dahl (1999) sugerem questionam
a aplicação do modelo 4 no Brasil, país onde a geração é baseada em
hidroeletricidade e as linhas de transmissão têm grandes extensões.
Em relação ao Brasil, com a criação do MAE a partir de 2000, o país adotou
um modelo próximo ao modelo 3 de Hunt & Shuttleworth (1996). Porém,
algumas mudanças no processo de reestruturação ainda estão sendo consideradas
neste início de 2003, como a possibilidade de se adotar um modelo hibrido entre o
modelo atacadista e o da agência compradora (modelo 2).
2.5.2.
Correntes Mercadológicas
No que concerne ao despacho, formação do preço e nível de operação das

atividades comerciais dos agentes de mercado, existem basicamente duas
correntes “mercadológicas”: a “pool”, mais centralista (adotada pelo Reino
Unido), e a “bilateral”, mais liberal (adotado por alguns estados dos EUA, como a
Califórnia). Segundo Silva (2001a:33), não é factível a adoção de um mercado
puramente bilateral, pois a eficiência econômica estaria exclusivamente nas mãos

dos agentes de mercado; modelos mistos são, no entanto, comuns.
No mercado Pool, o despacho dos geradores se dá por ordem de mérito, isto
é, unidades com menores custos ganham preferência para o despacho, o que leva
ao mínimo custo de operação. Note-se que esse sistema traz grandes semelhanças
com a estrutura de mercado monopolista; a diferença é que as curvas de custos são
substituídas pelos preços de oferta.
Os geradores no mercado Pool podem fazer suas ofertas livremente,
seguindo estratégias próprias; para que seus lances se aproximem dos verdadeiros
custos de produção, existem dois mecanismos: o preço marginal do sistema
(PMS) e os preços nodais (PN) (id, ibid:31).
Nos sistemas baseados no PMS, todos os geradores despachados por ordem
de mérito são remunerados ao preço marginal do último recurso despachado.
Obviamente, os geradores com ofertas de preços mais altas que seus verdadeiros
custos de produção correrão o risco de não serem despachados no mercado spot.

No enfoque PN, “os valores de energia em cada ponto do sistema devem
refletir os impactos causados pelo sistema de transmissão” (id, ibid:32) e o preço
spot (neste caso, também denominado preço marginal locacional) baseia-se no
princípio que uma unidade de potência tem diferentes preços em diferentes pontos
na rede (Bastian, 1999:40). Assim, neste esquema, os geradores são remunerados
a diferentes preços, dependendo de sua localização no sistema de transmissão,
devido às perdas e aos congestionamentos nas linhas.
No mercado teórico bilateral “vendedores e compradores estabelecem
contratos visando a realização de transações físicas de energia” (id, ibid: 32).
Aqui, coordenadores de despacho (CDs) são encarregados de fechar o balanço
entre oferta e demanda, fazendo mínimas modificações nos contratos já fixados no
caso de congestionamentos no sistema.
O Brasil possui um sistema baseado em geração hidráulica, apresentando
reservatórios com regulação plurianual. Em sistemas como esse, existe a
necessidade de arranjos no sistema de despacho, no planejamento da operação e
formação do preço do mercado atacadista (Cf. Hammons et al, 1999).
Note-se que não é possível a adoção do modelo Pool puro no país. Um
modelo baseado em ofertas de preços dos geradores é difícil devido à acentuada
dispersão dos preços, bem como a existência de vínculos hidráulicos entre usinas
de uma mesma cascata pertencentes a distintos proprietários (Silva, 2001a:40).

Desse modo, adotou-se no Brasil um modelo que ficou conhecido na literatura
como “Tigh Pool”, onde o despacho é realizado por um operador do sistema com
base nas ofertas de preços apenas dos geradores termelétricos e no custo de déficit
(id, ibid:41), utilizando sistemas de otimização (Born, 1998). Neste modelo, os
geradores hidráulicos não fazem oferta de preços. Ainda, no modelo Tigh Pool, o
preço no mercado atacadista (spot), conhecido também como PMAE ou preço
spot, é determinado na maioria das vezes pelo valor da água e eventualmente pelo
preço de uma termelétrica ou pelo custo do déficit.
2.6.
Modelagem e Simulação da Política e do Mercado
Como se tem visto até agora, a partir da década de 1980 um novo e pouco
familiar ambiente competitivo de mercado se formou para as empresas do setor
elétrico, forçando-as a empregar ferramentas que as ajudassem a entender as

possíveis conseqüências de suas decisões e que pudessem investigar, por exemplo,
estratégias competitivas; as novas políticas regulatórias; e os impactos da
privatização no setor elétrico, tudo isso em um ambiente de simulação construído
para tal.
A modelagem da política de energia e do mercado tem recebido uma
atenção crescente nos últimos anos, com diversos modelos de sistemas propostos
[Pandley (2002); Bunn & Oliveira (2001); Tesfatsion (2000a e 2000b); Gary &
Larsen (2000); Larsen & Bunn (1999), Lomi & Larsen 1999); Day & Bunn
(1999); Bunn & Larsen (1997 e 1992); Bunn & Vlahos (1989)].
Nota-se que diversas técnicas baseadas em modelos econométricos e de
otimização em larga escala são utilizados para a política e planejamento do setor,
porém, segundo Bunn & Dyner (1996), os mesmos possuem limitações
metodológicas importantes, incluindo:
i. Determinístico: Neste caso, não existe nenhuma consideração explícita
quanto às incertezas dos parâmetros e um (único) ponto ótimo é
encontrado – embora muitas vezes exista na prática um “plano ótimo” em
problemas de larga escala (id, ibid:106);
ii. Estacionariedade: Os tipos de problemas que se deseja modelar

geralmente possuem muitas quebras estruturais, impossível de serem
tratados adequadamente em modelos que pressupõem estacionariedade;
iii. Falta de retroalimentação (feedback): Neste caso, o retardo (delays) nas
decisões e conseqüentes reações por parte dos agentes não podem ser
analisados;
Para contornar os problemas acima na modelagem da política e mercado é
utilizado o modelo de sistemas dinâmicos (SD) (Randers, 1980; Vlahos, 2002).
Estes modelos foram usados inicialmente nos anos 70 numa tentativa de se
modelar a dinâmica mundial, incluindo fatores como o crescimento populacional e
econômico, exaustão de recursos e poluição (Naill, 1977; Dyner & Bunn, 1997).
Na Inglaterra, por exemplo, os SD têm sido usados desde o início da década de
1990 para explorar uma diversidade de assuntos relacionados à privatização do
setor elétrico (Bunn & Dyner, 1996).
Em geral, os SD tentam capturar a estrutura de um problema através de

geração de hipóteses sobre ele, e, então, buscam entender seu padrão de
comportamento através de simulações e diagramas de causa e efeito (influências)
com a possibilidade de retroalimentação.
Apesar de não existir um processo universalmente aceito para a construção
de um modelo de SD, em geral eles obedecem aos seguintes passos (Ventana
Systems, Inc, 2002):
1. Definição do problema: Inicialmente, definem-se o problema e os
objetivos de forma clara. Este passo é essencial para se obter um modelo
eficaz;
2. Identificação de variáveis: Identificam-se algumas variáveis-chave que
deverão fazer parte do modelo. Geralmente, algumas delas são bastante
óbvias. Pode ser útil nesta etapa levantar todas as variáveis que possam ser
relevantes, tentando listá-las em ordem de importância;
3. Modos de referência: Um modelo de referência é um padrão de
comportamento das variáveis-chave no tempo (gráficos), mas não
necessariamente gráficos do comportamento observado (série temporal),
podendo representar comportamentos passados ou futuros. Aqui, busca-se
capturar apenas os “altos e baixos” das variáveis e as expectativas com
relação a essas variáveis, o que pode acontecer, etc;
4. Checagem com a realidade: Este passo inclui um entendimento básico

sobre as variáveis envolvidas e como elas interagem entre si. Faz-se,
também, um estudo de possíveis conseqüências em determinadas variáveis
caso mudanças significativas ocorram em outras variáveis;
5. Hipóteses dinâmicas: É uma teoria sobre a estrutura que gera os modos de
referência. Uma hipótese dinâmica pode ser definida verbalmente, como
um diagrama causal em malha fechada ou como um diagrama de fluxos
(stock and flow diagram). Estas hipóteses, evidentemente, passarão por
processos de refinamento e revisão para que se possa chegar a bons
modelos;
6. Modelos de simulação: Um modelo de simulação é o refinamento e o
fechamento de um conjunto de hipóteses dinâmicas para um conjunto
explícito de relações matemáticas. Nesta última etapa, pode-se
experimentar como os diferentes elementos da estrutura determinam seus
comportamentos.
O processo acima é iterativo e flexível. À medida que se vai construindo o
modelo, ganha-se entendimento e muda-se a maneira de pensar sobre o processo
até então.
Exemplificando, a Figura 1 (de Vlahos, 2002) mostra um diagrama de
influências que permite, por exemplo, auxiliar um gerador na avaliação de sua
capacidade e conseqüentemente no valor de seus lances de curto prazo (bidding
decision).
+ Lucros -
Rendimento
+
+ Custos +
Custo Unitário
Pool Prices
+ Geração
-
Bid Prices
Figura 1. Estratégia de lances via modelos dinâmicos

Sob o ponto de vista deste gerador, aumentar os preços dos seus lances (bid
price) aumentaria também o preço do Pool (Pool price); esta estratégia reduziria,
por outro lado, a quantidade de energia gerada. Do ponto de vista de um produtor
independente (independent power producers), aumentar os preços dos lances não
parece ser, em geral, uma estratégia adequada. Mas, para os geradores já
estabelecidos (incumbents), pode ser uma estratégia de lances bem rentável no
curto prazo.
O que está faltando no diagrama acima analisado é o impacto dos lances
altos no longo prazo. Verifica-se pela estrutura com retroalimentação mostrada na
Figura 2 que o estímulo para o crescimento da capacidade vem de duas maneiras:
com o crescimento do lucro dos competidores e pela expectativa sobre o nível dos
preços do Pool no futuro.
+ Lucros -
Rendimentos
+
+ Custos +
Custo Unitário
Pool Prices
+ Geração
-
-
+
Novo Entrante Bid Prices
+ Capacidade
(competidor)
Figura 2. Estratégia de lances (curto e longo prazos)
Observe-se que é possível, através da modelagem SD, simular retardos. Esse

retardo é mostrado na Figura 2 por duas barras paralelas, indicando que um
aumento no preço do Pool incentiva novos geradores, mas essa nova capacidade
não estará disponível imediatamente.
Da mesma forma como se criou uma estratégia de lances (bidding strategy)
é possível definir outros tipos de estratégias utilizando SD, como, por exemplo,
estratégias de decisão de construção de novas capacidades. Elas podem incluir,
por exemplo, diversos agentes como o gerador estabelecido, novos entrantes e o

regulador, além de variáveis como demanda, expectativa do preço, rentabilidade,
participação no mercado (market share), etc.
3
Formação do Preço da Energia Elétrica
3.1.
Introdução
“A formação de preços é inerente a toda

atividade industrial, sendo desejável por parte
dos consumidores que esses preços reflitam os
custos de produção” (Silva, 2001a:17)
Muitos países da Europa e diversos estados dos EUA possuem sistemas

predominantemente térmicos (sistemas termelétricos), isto é, baseados em usinas a
gás e cogeração, combustíveis fósseis ou nucleares. Nestes casos, como existe a
possibilidade de armazenar o combustível, praticamente não há conseqüências

futuras de uma decisão tomada no presente e, assim, os geradores podem fazer
suas ofertas de preços referenciados em seus custos e em suas próprias estratégias
de mercado.
Encontrar o despacho ótimo neste contexto é tarefa relativamente fácil, o
que em sistemas de pequeno porte pode ser feito ordenando-se as unidades em
ordem crescente de custos. O operador do mercado ou do sistema, de acordo com
o modelo de despacho adotado, pode determinar o preço marginal do sistema ou
os preços nodais do sistema via modelos computacionais específicos.
Em países como Islândia e Brasil, que possuem sistemas com
predominância hidráulica, baseados em combustível “grátis” (a água)1, a
disponibilidade de energia para atender ao consumo é limitada à capacidade de
armazenamento dos reservatórios. Existe, então, o que comumente é conhecido
como acoplamento temporal, ou seja, uma decisão operativa tomada no presente
tem conseqüências futuras para o custo operativo. O uso ótimo da água deve ser
encontrado equilibrando-se o valor imediato e o valor futuro da água.
1
Uma vez que os reservatórios possuem um limite de capacidade, o uso indiscriminado da água
acarreta uma necessidade de geração térmica, que é cara, no futuro. Por isso, a água tem o seu
valor que pode ser calculado, como se mostrará mais adiante.
Formação do Preço da Energia Elétrica 40
Note-se que o planejamento da operação é sensivelmente menos complexo e

com horizonte mais curto em sistemas termelétricos do que em sistemas
hidrotérmicos com base hidráulica. Observe-se, ainda, que qualquer que seja o
sistema de formação do preço, o acesso às linhas de transmissão é, em geral, livre.
Isso garantiria, pelo menos em tese, que os consumidores obtivessem preços mais
baixos com o despacho dos geradores mais eficientes.
Neste capítulo, aborda-se o processo de formação do preço spot da energia
elétrica no Brasil e no mundo, porém com ênfase para os sistemas hidrotérmicos
com base hidráulica. Inicialmente, o sistema elétrico brasileiro é descrito
brevemente em suas principais características para que se possa aclarar a opção de
despacho e formação do preço de energia elétrica utilizados pelo Brasil. Mais
adiante é tratado o problema do planejamento da operação em sistemas térmicos e
hidrotérmicos. Para a comercialização de energia no Brasil, é fundamental
entender do planejamento da operação, pois os preços negociados no MAE são
obtidos através de programas de otimização, desenvolvidos pelo CEPEL, do

planejamento da operação.
3.2.
Sistema Elétrico Brasileiro
Em termos de capacidade instalada, o sistema brasileiro é baseado

predominantemente em usinas hidráulicas, com cerca de 68 GW devido a usinas
hidráulicas, da capacidade total de 80 GW, ou seja, 85% do total. As usinas
térmicas respondem por 9 GW ou 11,3%. Outros 2 GW são importados (2,5%) e o
restante 1 GW (1,2%) é devido a pequenas usinas2.
O Brasil importa energia sob diversas formas – petróleo, gás natural, energia
elétrica – de vários países do continente: Venezuela, Argentina, Bolívia, Uruguai
e Paraguai, compartilhando com este último a hidrelétrica de Itaipu, com 12.600
MW de capacidade instalada.
Até 1999, existiam no Brasil basicamente dois grandes sistemas elétricos
interligados (Sul/Sudeste/Centro-Oeste e Norte/Nordeste). Neste ano, os mesmos
foram interligados com a construção da linha de transmissão Norte-Sul, formando
o chamado Sistema Interligado Brasileiro (SIB), composto de aproximadamente
2
Cf. MME, 2003 (valores aproximados).
97% da capacidade de produção de energia elétrica, sendo os demais 3% relativos

a sistemas isolados, localizados principalmente na região amazônica.
A capacidade de transferência do sistema de transmissão que interconecta as
regiões S/SE/CO é da ordem de 3.600 MW, no sentido Sudeste/Centro-Oeste e
3.900 MW no sentido inverso. Nota-se que este intercâmbio tem característica
sazonal, com fluxos de energia na direção Sudeste/Centro-Oeste durante o período
de maio a novembro (seco), e na direção Sul durante o período de dezembro a
abril (úmido).
O Sistema Interligado S/SE/CO é o mais importante por abranger as regiões
economicamente mais fortes do país, contando com aproximadamente, 200 usinas
hidrelétricas e 30 termelétricas. Sua capacidade instalada hidrelétrica é da ordem
de 65% do total nacional, dispondo de potencial inventariado da ordem de 52 GW.
A Tabela 2 mostra as estatísticas dos subsistemas em termos de capacidade
instalada e consumo.
Tabela 2. Consumo e capacidade instalada dos subsistemas

Subsistema Consumo Capacidade instalada
TWh (%) MW (%)
Sudeste/Centro-Oeste 175,7 (60) 37.109 (45)
Sul 51,6 (17) 14.996 (19)
Nordeste 39,7 (14) 11.759 (15)
Norte (sistema interligado) 19,6 (7) 4.270 (5)
Norte (sistema isolado) 6,0 (2) --
Itaipu -- 12.600 (16)
Total 292,6 (100) 80.734 (100)
Fonte: MME (2003)
Também com respeito ao armazenamento máximo de cada subsistema, o

Sudeste tem comparativamente um peso bem acima dos outros subsistemas
brasileiros. Em valores aproximados, o Sudeste responde por 70% do
armazenamento máximo; o Nordeste por 20%, o Sul por 5% e o Norte por outros
5%.
3.3.
Planejamento da Operação em Sistemas Térmicos
Como foi dito no capítulo anterior, o Brasil, em razão das características de

seu sistema elétrico, da estrutura da indústria e da base de recursos do país, adota
o modelo de despacho centralizado “Tigh Pool”. O objetivo do despacho do

sistema neste modelo é encontrar, através de programas computacionais
específicos, desenvolvidos pelo CEPEL, o custo mínimo com o uso de
informações de disponibilidades técnicas dos geradores e do custo de déficit.
Neste modelo, apenas os geradores termelétricos fazem oferta de preços; os
geradores hidráulicos não têm este direito (Silva, 2001a: 41).
Assim, de modo geral, o objetivo do planejamento da operação é definir
pelo menor custo possível os montantes de energia que cada unidade geradora
deve fornecer de modo a suprir toda a demanda.
Nos sistemas térmicos, ou puramente térmicos, composto de usinas a gás e
cogeração, nucleares e combustíveis fósseis, em geral basta o conhecimento dos
custos de operação e as capacidades de geração de cada usina para se calcular o
despacho ótimo.
O despacho térmico horário é resolvido “empilhando” as usinas em ordem
crescente de custo incremental de produção (MWh adicional) de tal forma que o

gerador marginal seja a última unidade despachada. Se o problema for de grande
porte, usa-se um algoritmo de programação linear (PL), como será detalhado a
seguir.
O problema do despacho na hora h pode ser definido como se segue:
J
z h = min ∑ c j ,h g j ,h (3.1)
j =1
sujeito a:
J
∑g
j =1
j ,h = dh (3.2)
G h ≤ Gh ≤ Gh (3.3)
onde:
z Custo operativo do sistema térmico;
c j ,h Custo operativo da usina térmica j (j = 1, ..., J);
g j ,h variável de decisão que representa a produção da usina j;
dh Demanda do sistema;
Gh Vetor de geração limitado por um máximo Gh e um mínimo G h .

As restrições das equações (3.2) e (3.3) representam, respectivamente, o
atendimento à demanda e os limites de geração térmica. Observe-se que um
racionamento pode ser representado por uma térmica fictícia de capacidade

infinita e custo operativo igual ao custo de interrupção.
Evidentemente, o despacho na prática não é tão simples como se mostrou
aqui, pois envolve outras variáveis, tais como os tempos máximos e mínimos de
operação; o custo adicional de entrada em operação das unidades térmicas; tempo
de resfriamento das usinas; entre outros. Mesmo assim, ele ainda é muito mais
simples que o despacho de sistemas hidrotérmicos.
Concluindo, pode-se enumerar as seguintes características do planejamento
da operação em sistemas térmicos:
i. Desacoplados no tempo, ou seja, uma decisão de operação hoje não traz
conseqüências ao custo de operação do estágio seguinte;
ii. O fornecimento de energia depende apenas da capacidade de geração de
cada unidade;
iii. Os custos das unidades não exercem influência entre si, isto é, o custo de
operação de uma unidade independe do nível de geração ou

disponibilidade da outra unidade.
3.3.1.
Preço Spot em Sistemas Térmicos
Define-se preço spot horário do sistema como a derivada do custo operativo

em relação à demanda, ∂z h / ∂d h sendo igual à variável dual (multiplicador
simplex ou preços sombra π d ,h ) associada à restrição de atendimento à demanda,
equação (3.2), obtida na solução do problema de PL.

Observe-se que, na prática, muitas vezes o preço spot é obtido por inspeção
(Kelman, 1999:5). Logo, um aumento na demanda é compensado por um aumento
na produção do gerador marginal j*, ou seja, ∂z h / ∂d h = π d ,h = c *j ,h . Um exemplo
simplificado do cálculo do preço spot em sistemas térmicos é apresentado em

Pereira (1999) e Kelman (1999).
Em sistemas competitivos baseados em leilões, como o da Califórnia e do
Pool formado pela Noruega, Suécia, Finlândia e Dinamarca (“Nordic Pool”), o
preço horário da energia elétrica é o preço resultante do equilíbrio entre as curvas
de oferta e demanda. Considerando a existência de um mercado perfeito, este
preço será igual ao custo marginal de operação (CMO).
Nota-se que nos países que substituíram uma estrutura regulada baseada em
custo para outra menos regulada com base no mercado, surgiram diversas
propostas de mecanismos de leilões para mercados horários de eletricidade para o
dia seguinte, e.g. Post, 1995; Ancona, 1997; Bernard, 1997; Dekrajangpetch &
Sheblé (1999 e 2000); Wen & David, 2001; Cazzol, 2002; Mount, 2001; entre
outros.
Em países com sistemas de geração elétrica com base predominantemente
hidráulica, como Nova Zelândia, Argentina, Chile e Brasil, no entanto, o custo
marginal de curto prazo é obtido partir de um despacho centralizado usando
programação estocástica (Binato, 1995), assunto que será abordado na próxima
seção. Nestes casos, o problema de prever o preço se apresenta como um desafio
maior, pois existe alguma dificuldade em se tratar as variáveis que impactam o
preço.
3.4.
Planejamento da Operação em Sistemas Hidrotérmicos
Planejar a operação em sistemas hidrotérmicos com base hidráulica, como o

brasileiro, é algo extremamente amplo e complexo, compreendendo desde o
planejamento plurianual até a programação diária dos reservatórios. Procura-se
atender à demanda minimizando o valor esperado do custo de operação ao longo
do período de planejamento, obtendo as metas de geração de cada usina do
sistema (hidro e termoelétricas) em cada estágio.
Note-se que, diferentemente dos sistemas térmicos, qualquer decisão tomada
em uma etapa do planejamento em sistemas hidrotérmicos, com base hidráulica,
traz embutida uma conseqüência futura e um risco associado, pois a afluência
futura é uma variável aleatória e existe um limite na capacidade de
armazenamento dos reservatórios.
A decisão de esvaziar os reservatórios do sistema leva fatalmente a duas
possíveis conseqüência operativas: (i) se as afluências futuras forem altas, tem-se
uma operação econômica, mas (ii) se as afluências futuras forem baixas, tem-se
um déficit, com possíveis cortes de carga ou medidas de racionamento de energia.
Por outro lado, a decisão de manter os reservatórios cheios (usando geração
térmica no presente), leva também a duas possíveis conseqüências operativas
futuras: (i) se as afluências futuras forem baixas, tem-se uma operação econômica,
mas (ii) se as afluências futuras forem altas, tem-se um vertimento, que não chega
a ser tão danoso quanto a um déficit, mas indica um desperdício de energia.
Como ficará claro mais adiante, a consideração de cenários para as vazões
afluentes futuras aos reservatórios introduz estocasticidade e um caráter dinâmico
ao problema. Logo, o algoritmo usado para resolver o problema de despacho em
sistemas hidrotérmicos deve ser capaz de representar problemas de otimização
estocástica. Outra característica importante que deve ser mencionada é que o
planejamento da operação em sistemas hidrotérmicos é um problema que
apresenta um acoplamento espacial, isto é, a operação de uma usina (o uso da
água armazenada em seu reservatório) afeta não apenas a usina em questão, mas
também as usinas a jusante de seu posto.
3.4.1.
As Funções de Custo Futuro e Imediato
A operação do sistema hidrotérmico deve considerar não apenas os custos

de geração térmica em um estágio t (normalmente mês ou semana) mas, também,
o custo esperado dessa geração e do déficit no final desse estágio t (início de t+1).
Matematicamente, esta lógica pode ser expressa pela “Função de Custo Imediato”
(FCI), representando o benefício do uso imediato da água, e pela “Função de
Custo Futuro” (FCF), representando o benefício de armazená-la hoje para seu uso
no futuro (Figura 3) (Kelman et al, 1999).
Figura 3. Funções de custo imediato, futuro e total

É possível entender a FCI como o custo de geração térmica necessária para

complementar o atendimento à demanda no estágio t, e é representada por uma
função linear por partes3. A FCF de cada estágio t, por sua vez, pode ser definida
como sendo o custo esperado de geração térmica ao longo do período de
planejamento em função do volume armazenado ao final do estágio. À medida
que se aumenta o volume armazenado final, diminui a função de custo futuro, pois
mais capacidade hidráulica existirá no futuro4. O uso ótimo da água será, pois,
aquele que minimiza a soma do custo de geração térmica no presente e o valor
esperado do custo de geração até o fim do período de estudo.
Conseqüentemente, o problema de encontrar o menor custo global se
resume a encontrar o ponto de mínimo da “Função de Custo Total” (FCT) – dada
pela soma das FCF e FCI. Este ponto é onde a derivada de FCT em relação ao
volume final é igual a zero ou, ainda, onde as derivadas de FCF e FCI em relação
ao volume final são iguais em módulo. Assim, o chamado “valor da água” pode
ser calculado pela inclinação da FCI (ou da FCF) no ponto de decisão ótimo
correspondente ao nível de armazenamento ao final do estágio t.
Para se alcançar os objetivos do planejamento da operação em sistemas
hidrotérmicos e para que se obtenha uma boa representação do sistema, não é
razoável a utilização de um único modelo, dada a sua complexidade. Faz-se,
então, um desdobramento do problema em vários subproblemas com horizontes
de planejamento (ou de otimização) diferentes. Neste trabalho, o problema será
dividido em planejamento ou despacho de médio, curto e curtíssimo prazos5.
3.4.2.
Planejamento a Médio Prazo
No planejamento do médio prazo, o horizonte de estudo é de até cinco anos

à frente, com discretização mensal. Nesta etapa, as vazões afluentes aos
reservatórios e as usinas hidroelétricas são representadas de forma agregada em
3
Consulte, e.g. Maceira, Costa & Marcato (1999).
4
Na próxima seção serão fornecidos os detalhes do cálculo da FCF.
5
A nomenclatura dos horizontes de planejamento pode variar segundo o autor. No lugar de médio,
curto e curtíssimo prazos como se definem aqui os horizontes de planejamento, alguns autores
preferem a denominação de longo, médio e curto prazos, respectivamente (e.g., Cepel, 1999 e
Silva, 2001a). A etapa de curtíssimo prazo também é denominada de programação diária dos
reservatórios.
sistemas equivalentes existindo um limite máximo de intercâmbio entre os

sistemas.
Resumidamente, o problema do despacho pode ser colocado como:
J 1 
min z t = min ∑ c j g j ,t + FCF (vt +1 ) (3.4)
 j =1 1+ β 
sujeito a:
 Atendimento à demanda

 Limites na geração térmica

 Balanço hídrico
 Limites de armazenamento e turbinamento

Observe-se que o período de planejamento para o despacho hidrotérmico é

dividido em estágios (variável discreta) e a melhor decisão (variável de controle
que determina o estado em que o sistema se encontrará no final do estágio) a cada
estágio é determinada de acordo com o estado (variável que descreve o sistema)

em que o problema se encontra. A seguir, descreve-se a função objetivo e as
restrições do problema.
• Função Objetivo:
O menor custo de operação no estágio t (mês ou semana) é tal que a soma
dos custos imediatos c j g j ,t no estágio t (custos térmicos) e futuros
FCF (vt +1 ) (função de custo futuro) seja a mínima possível.

Observe-se que a função de custo futuro depende dos volumes armazenados
ao final do estágio, representado aqui por vt +1 . A taxa de desconto é dada por β ,
um fator de atualização monetária; seu valor, na prática, é de aproximadamente
12%.
• Limite de Atendimento à Demanda:

O limite de atendimento à demanda é dado abaixo:
J I
∑ g j ,t + ∑ ρ i u i ,t = d h
j =1 i =1
(3.5)
onde:
u i ,t variável de decisão que indica o volume turbinado no estágio t;
ρi valor conhecido representando o coeficiente de produção da usina

hidroelétrica i (MWh/hm3);
• Limites na Geração Térmica:

Os limites na geração térmica são os mesmos do despacho térmico (ver
também equação (3.3)):
G≤G≤G (3.6)
sendo o vetor de geração limitado por valores mínimos G e máximos G .
• Balanço Hídrico
O balanço hídrico está ilustrado na Figura 4 (Pereira, 1999) pela
representação de três usinas hidroelétricas com reservatório. A equação de
balanço hídrico indica que o volume final no estágio t (início de t+1) é igual ao
volume inicial mais os volumes de entrada (volumes de saída das usinas a
montante e vazões laterais) menos os volumes de saída (turbinados e vertidos).
Figura 4. Balanço hídrico
Logo, para o estágio t, tem-se que:

vi ,t +1 = vi ,t − ui ,t − si ,t + yi ,t + ∑[u
m∈M i
m ,t + s m ,t ] (3.7)
onde:
vi ,t +1 variável de decisão que representa o armazenamento final da usina
hidroelétrica i (i = 1, ..., I);

vi ,t valor conhecido que indica o armazenamento inicial da usina i;
y i ,t valor conhecido que indica a afluência lateral à usina i;

si ,t variável de decisão que indica o volume vertido da usina i;
m∈Mi conjunto de usinas a montante da usina i;
3.4.2.1.
Programação Dinâmica Estocástica - PDE
Para se resolver o problema de despacho em sistemas hidrotérmicos (Terry

et al, 1986a e 1986b) é necessária uma técnica que permita a representação de não
linearidades, que seja multiestágios e simples de ser implementada. Um algoritmo
que possui esses requisitos é chamado de programação dinâmica estocástica
(PDE) (Pereira, 1985).
No algoritmo PDE, para um determinado valor de armazenamento inicial,
resolve-se um problema de despacho da equação (3.4) para os N cenários de
afluências. A FCF de cada estágio é obtida através da discretização do espaço de
estados, considerando simulações operativas do sistema em todos os possíveis

cenários de tendência hidrológica para cada nível de armazenamento escolhido
(Figura 5).
Figura 5. Evolução do armazenamento ao longo do período de planejamento
Um aspecto importante desse cálculo é que ele é feito em sentido inverso,

ou seja, de t = T até t = 1 , de tal forma que FCF (vt +1 ) seja previamente
calculado.
Em cada etapa t, define-se inicialmente um conjunto de estados do sistema

(e.g. os níveis de armazenamentos 100%, 75%, 50%, 25% e 0%) e também uma
amostra de N cenários de vazões afluentes. Assim, no estágio t, para cada
afluência e volume armazenado, tem-se um determinado custo operativo mínimo
pela resolução da equação (3.4).
Resumidamente, o procedimento da PDE é o seguinte:
i. Inicie no último estágio T e resolva um subproblema de despacho [equação
(3.4)] para cada um dos N cenários de afluência, supondo um determinado
nível de armazenamento inicial (no estágio T);
ii. Calcule o valor esperado do custo operativo associado a cada abertura
(nível de armazenamento), como sendo a média dos N subproblemas,
obtendo assim o primeiro ponto da FCF para a etapa T-1;
iii. Repita para os demais estados (níveis de armazenamento) desse estágio até
se obter a FCF para o estágio T-1, FCF (vt ) . Os custos entre dois estados
são obtidos por interpolação dos pontos intermediários;

iv. Repita o procedimento para todos os níveis de armazenamento escolhidos
nos estágios T-1, T-2, ..., 1. Ao repetir o processo para T-1, por exemplo,
note que o objetivo é minimizar o custo operativo imediato neste estágio
mais o valor esperado do custo esperado futuro, dado pela função linear
por partes calculada no passo anterior. Como resultado final, tem-se um
conjunto de FCF { FCF (vt +1 ) } para todos os estágios t = 1, ..., T;
v. Minimize o custo operativo total do estágio T-1, isto é, a soma do custo
imediato deste estágio6 e do valor esperado do custo futuro (dado pela
função linear por partes calculada na etapa anterior);
Um exemplo didático simplificado do procedimento acima utilizando duas

usinas térmicas e uma hidráulica pode ser encontrado em Marcato (2002:49).
Até aqui, fez-se uma série de hipóteses simplificadoras do problema de
despacho do sistema hidrotérmico, onde as mais importantes são:
1. Apenas um único reservatório é considerado;
6
Como visto, a FCI é representada por uma função linear por partes e o custo imediato é obtido
resolvendo um problema de programa linear (PL), onde os limites de capacidade de todas as usinas
térmicas e seus custos de geração são variáveis consideradas.
2. Não existem restrições de transmissão;

3. Não existe correlação serial entre as afluências.
Com respeito à primeira hipótese, Pereira (1999:16) afirma que “o valor da
água de uma usina hidroelétrica é uma função não-separável do estado das demais
usinas hidroelétricas do sistema”, isto é, deve-se necessariamente representar
todas as usinas do sistema. Infelizmente, na prática, a combinação do número de
níveis de armazenamento e afluências torna inviável computacionalmente o
cálculo da PDE mesmo para problemas de pequeno porte, pois o número de
estados discretizados cresce exponencialmente com o número de variáveis à taxa
de (n ⋅ N ) I , onde n é o número de aberturas (níveis de armazenamento), N é o
número de cenários de afluências e I é o número total de usinas hidroelétricas.
Por exemplo, em um problema com 5 usinas hidroelétricas, 20 níveis de
armazenamento e 20 cenários de afluências, o número de estados assumiria o
valor astronômico de 2010 ou, aproximadamente, 10 trilhões de estados! Note-se
que, na prática, os valores típicos de n , N e I são da ordem de 20, 2.000 e 100,

respectivamente, ou seja, nosso problema seria da ordem de 40.000100 estados!
Para contornar os problemas acima, inclusive o da “maldição da
dimensionalidade”, utiliza-se uma técnica que estende a programação estocástica
anterior, denominada programação dinâmica dual estocástica (PDDE), analisada a
seguir.
3.4.2.2.
Programação Dinâmica Dual Estocástica - PDDE
A programação dinâmica dual estocástica (PDDE) [Pereira & Pinto (1995);

Gorestin et al (1992 e 1993) e Pereira (1989)] tem como principais características:
• Permite uma representação individualizada viável das usinas;
• Permite a utilização de modelos de vazões mais sofisticados. Na prática, as
vazões afluentes para a construção da FCF são obtidas ou pela série
histórica de vazões mensais (1932 a 2000) ou através de um modelo
estocástico. Neste caso, o modelo utilizado é o Periodic AR(p), PAR(p) ,
que será visto mais adiante;
• Considera o intercâmbio entre subsistemas (como uma variável de
decisão);
• Evita a discretização do espaço de estados utilizando um esquema de

Monte Carlo para se construir iterativamente a FCF associada a cada
estado analisado (Silva & Finardi, 1999);
O procedimento para o despacho e cálculo da FCF via PDDE é, grosso
modo, o seguinte:
i. Inicialmente, define-se um volume inicial para cada reservatório. Em
geral, trabalha-se com reservatórios equivalentes, isto é, agregando os
reservatórios em um único para cada subsistema (S, SE/CO, N e NE);
ii. Simulam-se séries temporais dos volumes, ou melhor, das energias
naturais afluentes (ENA), para todo o período de planejamento, via
simulação Monte Carlo nos resíduos do modelo PAR(p). Para ajustar esses
modelos, utiliza-se o histórico de ENA;
iii. Operação Forward.
a. Os volumes armazenados (energia armazenada ou EARM) de cada
estágio são obtidos a partir do nível de armazenamento e da ENA

do estágio anterior;
b. Em cada estágio t, t=1,…, T, com a configuração do sistema
definida, incluindo os valores de ENA e EARM, despacha-se o
sistema. Ao invés de se interpolar os custos operativos (passo iii na
descrição da PDE), a PDDE constrói iterativamente a FCF através
de aproximações via “Princípio da Decomposição de Benders”7,
calculando as derivadas da FCF em torno do nível de
armazenamento inicial de t (armazenamento final de t-1). Assim, a
FCF de cada estágio é formada a partir de funções lineares por
partes e possuindo tantas funções ou “retas” (derivadas) quantos
forem os cenários de afluências (Figura 6);
c. São também definidos um limite inferior z e um limite superior z
da solução ótima e construído um intervalo de confiança de 95%,
que será usada no critério de parada;
iv. Operação Backward.
7
Para detalhes deste cálculo, consulte, e.g., Maceira et al (1999a). Binato et al (2001) aborda uma
aplicação da decomposição de Benders em problemas do planejamento da expansão de redes de
transmissão.
a. Com uma operação inversa (de t=T, ..., 1) os cortes de Benders são
construídos, obtendo-se, assim, mais “retas” para a FCF (buscando
defini-la melhor). Aqui, o nível de armazenamento final do estágio
T é definido como sendo o nível inicial na operação Backward.
v. Critério de convergência do algoritmo: se o limite inferior z estiver dentro
no intervalo [ z -1,96 σ z , z +1,96 σ z ] pare; se não, faça outras operações

Forward e Backward.
Figura 6. Função de custo futuro obtida da PDDE
Com respeito ao modelo PAR(p) de simulações de séries de tendência

hidrológica, sua utilização é baseada na hipótese de que séries hidrológicas
mensais têm um comportamento periódico das suas propriedades probabilísticas,
como a média, a variância, a assimetria e a estrutura de autocorrelação. Ele é
descrito em linhas gerais a seguir.
Considere Zt uma série temporal sazonal de período s (s=12 para séries
mensais) e t=1,..., sA, função do ano T (T=1,..., A) e do período m (m=1,..., s). O
modelo PAR(p) é dado a seguir (Maceira, 1999; Maceira et al, 1999d):
 Zt − µm   Z − µ m −1   Z t p − µ m−pm  (3.8)
  = φ1m  t −1  + ... + φ mp  − m  + at
 
 σm   σ m−1   σ m−pm 
ou, resumidamente:
 Z − µm  (3.9)
Φ m (B) t  = a t
 σm 
onde:
µm é a média sazonal de período s;

σm é o desvio-padrão sazonal de período s;
Φ m (B) é o operador auto-regressivo de ordem pm;

pm é a ordem do operador auto-regressivo do período m;
at é a série de ruídos independentes com média zero e variância σ a2( m ) .
Mais detalhes deste procedimento e exemplos de cálculo, podem ser

encontrados em Marcato (2002); Marzano (2000); Silva (2001a); Maceira (1999);
Maceira et al (1999a e 1999b) e Cepel (1999); Kelman (1999) e Pereira (1999).
Na próxima seção, aborda-se a etapa de curto prazo do planejamento da
operação em sistemas hidroelétricos. Observe que a etapa de curto prazo usará a
FCF definida aqui nesta etapa de médio prazo para o despacho de curto prazo.
3.4.3.
Planejamento a Curto Prazo
No planejamento do curto prazo, o horizonte de estudo é de até um ano à

frente, com discretização mensal, excetuando-se o primeiro mês que possui uma
discretização semanal. Nesta etapa, as usinas são representadas de forma
individualizada. Logo, a partir de informações obtidas na etapa de médio prazo,
determinam-se cotas ou metas de geração individuais de usinas hidrelétricas e
térmicas de modo a atender a demanda e minimizar o valor esperado do custo de
operação ao longo do período de planejamento (custo de combustíveis mais
penalizações por eventuais falhas no atendimento), supondo conhecidas as
afluências no início do estágio t.
Todas as restrições físicas e operativas associadas ao problema são incluídas
nesta etapa, tais como conservação da água, atendimento à demanda, limites de
turbinamento, defluência mínima, etc. (Cepel, 1999).
Formalmente, o problema de curto prazo é dado a seguir8:
  T NT 1   (3.10)
min α t ( X t ) = E min ∑∑ Ξ j (GT j ,t ) + α T +1 ( X T +1 ) 
yt | X t
 U t  t =1 j =1 1+ β  
sujeito a:
vi ,t +1 = vi ,t + yi ,t − (ui ,t + si ,t ) + ∑ (u
k∈M i
k ,t + s k ,t ) (3.11)
8
Cf. Silva & Finardi (1999); Cepel (1999) e Silva (2001a).
v i ,t +1 ≤ vi ,t +1 ≤ vi ,t +1 (3.12)
ui ,t ≤ u i ,t ui ,t + si ,t ≥ u i ,t (3.13)
i = 1,..., NH ; j = 1,..., NT ; t = 1,..., T
sendo:
α T +1 ( X T +1 ) Função que representa o custo de operação do estágio T+1 em
diante. É fornecido pela etapa de médio prazo;
GT j ,t Geração da j-ésima usina termelétrica despachada durante o estágio
t;
Ξ j (GT j ,t ) Função que representa o custo de geração da j-ésima usina
termelétrica ( GTt , j ) despachada no nível GTt , j durante o estágio t ;
yt | X t Distribuição de probabilidades do volumes afluentes incrementais
yt condicionada ao estado do sistema X t ;
NH Número de usinas hidrelétricas no sistema;

NT Número de usinas térmicas no sistema;

vi ,t +1 Equação de conservação da água (ver seção 3.4.2), sendo que
( u i ,t +1 ; u i ,t +1 ) e ( v i ,t +1 ; vi ,t +1 ) são os respectivos limites mínimo e
máximo para os volumes turbinados u i ,t e os volumes vertidos si ,t ;
Mi Conjunto de usinas imediatamente a montante da usina i;
Ut Conjunto de variáveis de decisão.
A chamada “recursão”, equação (3.10), é feita para cada estágio t do período

de planejamento t=1, ..., T. As variáveis de estado X t incluem os volumes
armazenados nos reservatórios, vi ,t , e alguma informação acerca da tendência
hidrológica. Por sua vez, as variáveis de decisão do problema U t em cada estágio t
incluem os volumes turbinados u t e vertidos st nos reservatórios.

A equação (3.11) representa a equação de transição de estado
correspondente à equação de conservação da água; a equação (3.12) representa as
restrições associadas ao estado do sistema correspondente aos limites nos volumes
armazenados nas usinas; a equação (3.13) representa as restrições associadas às
variáveis de decisão correspondentes aos limites superiores nos volumes
turbinados e limites inferiores na defluência total das usinas (Cepel, 1999).
O custo imediato a cada estágio t, ou seja, o custo de geração térmica

necessária para complementar o atendimento da demanda no estágio t, pode ser
obtido resolvendo-se o seguinte problema de PL:
T NT (3.14)
Ct (U t ) = min ∑∑ Φ j (GT j ,t )
t =1 j =1
sujeito a:
NH k NTk (3.15)
∑ ρ i ui,t + ∑ [ f t (r , i) − f t (i, r )] +∑ GT j ,t = Dtk
i =1 r∈Ω j =1
GTi ,t ≤ GTi ,t ≤ GT i ,t (3.16)

f i (i, r ) ≤ f t (i, r ) (3.17)
∀k = 1,..., NS
Onde:
NS Número total de subsistemas;
NH k Número de usinas hidroelétricas no k-ésimo subsistema;
NTk Número de usinas térmicas no k-ésimo subsistema;

Dtk Demanda de energia durante o estágio t no k-ésimo subsistema;
f t (i, r ) Representa o intercâmbio de energia do subsistema i para o

subsistema r, em MWh, no estágio t;
f t (i, r ) Representa o limite de intercâmbio de energia do subsistema i para
o subsistema r, em MWh, no estágio t;
Ωk Conjunto de subsistemas diretamente conectados ao subsistema k.
As usinas termoelétricas são representadas neste caso por grupos de

térmicas com custos semelhantes (classes térmicas) e o déficit (corte de carga)
pode ser representado incluindo-se uma classe térmica fictícia de capacidade de
geração infinita e custo de operação diferenciado para cada percentual de não
atendimento do mercado em cada patamar de carga (Cepel, 1999).
A restrição da equação (3.15) representa o balanço de energia em cada
subsistema; a restrição da equação (3.16) representa os limites de geração
termelétrica e a restrição da equação (3.17) representa os limites de intercâmbio
de energia.
Observe-se que nesta etapa do planejamento, aparece, o mesmo problema da
etapa de médio prazo, porém com horizonte de planejamento mais curto.
Da equação (3.10), observa-se que esta “recursão” requer como dado de

entrada a FCF para a última etapa, α T +1 ( X T +1 ) , calculada na etapa de médio prazo.
Uma vez que a PDE tem algumas restrições que a impedem de resolver esse
problema na prática, tais como a “maldição da dimensionalidade”, conforme foi
relatado na seção anterior, o algoritmo geralmente utilizado para se resolver o
problema de curto prazo é a programação dinâmica dual estocástica (PDDE).
Finalizando esta seção, é preciso que se diga que o planejamento da
operação não está completo sem a etapa de curtíssimo prazo, onde o horizonte de
estudo é, em geral, de uma semana (ou mais) à frente, com discretização horária.
Nesta etapa, define-se uma programação diária de geração procurando atender as
metas das etapas anteriores considerando as restrições da rede elétrica.
No planejamento da operação e modelagem de sistemas hidrotérmicos pode-
se acrescentar ainda a etapa de programação diária da operação, com horizonte de
até uma semana à frente, discretizados em estágios horários. Nesta etapa, não é
representada a incerteza das vazões; porém, a rede de transmissão é detalhada com

precisão, bem como o parque hidrotérmico, considerando-se as restrições das
máquinas e turbinas (Marcato, 2002:5). Além disso, a meta de geração de cada
unidade geradora é determinada com a utilização da função de custo futuro obtida
da etapa de curto prazo.
Além das etapas de médio e curto prazos e a programação diária, tem-se
também o pré-despacho (1 dia) e o despacho (1 hora). A Figura 7 mostra como os
diferentes horizontes de planejamentos estão concatenados.
Médio Prazo
(1-5 anos)
Curto Prazo
(1 anos)
Programação
(1 semana)
Pré-despacho
(1 dia)
Despacho
(1 hora)
Figura 7. Etapas do planejamento da operação
3.4.4.
Preço Spot em Sistemas Hidrotérmicos
Como visto anteriormente, o problema do despacho é resolvido através de

um algoritmo de PL que calcula o mínimo custo operativo, como foi visto
anteriormente, obtendo assim os multiplicadores simplex (associados a cada
restrição) correspondendo aos custos marginais de curto prazo. O preço spot do
sistema hidrotérmico é definido, então, como sendo a variável dual associada à
restrição de atendimento à demanda ou, ainda, é a derivada do custo operativo
com respeito à demanda. Já o valor da água é definido como a variável dual
associada à equação de balanço hídrico9.
Note-se que, nos sistemas hidrotérmicos, o preço spot tanto pode ser igual
ao custo da térmica mais cara despachada, similarmente ao caso térmico, como
também pode assumir o valor do custo de oportunidade das usinas hidroelétricas
(PSRI, 1998).
Para cada um dos horizontes do planejamento da operação foi construído, ou
está em fase de construção, um modelo que faz o despacho e fornece o custo
marginal de operação, valor base para a definição do preço spot. Eles são
utilizados pelos agentes do mercado, incluindo o Operador Nacional do Sistema
Elétrico (ONS), formando uma cadeia de modelos do planejamento da operação
9
Cf. Pereira (1999).
do sistema elétrico brasileiro que será abordada de forma sucinta na próxima

seção.
3.5.
Cadeia de Modelos do Planejamento da Operação
Desde 1977, a Eletrobrás e o CEPEL vêm desenvolvendo modelos

computacionais de otimização utilizados para o planejamento da operação de
sistemas hidrotérmicos. A cadeia dos principais modelos que fornecem o preço
spot é apresentada a seguir.
• “NEWAVE”
O primeiro modelo da cadeia desenvolvido pelo CEPEL é denominado
“Newave” e vem sendo utilizado para o planejamento da operação no médio prazo
de subsistemas hidrotérmicos interligados10.
As principais características do Newave são:

o Planejamento no médio prazo;
o Horizonte: 5 anos ou mais;
o Discretização: mensal
O Newave ganhou bastante importância no setor a partir de 1998 quando
começou a ser largamente utilizado pelas empresas de energia. Desde a criação do
MAE, em setembro de 2000, o programa é utilizado em praticamente todas as
grandes empresas do setor, pois através dele se obtêm as funções de custo futuro
utilizadas para se definir, entre outras coisas, o valor do custo marginal de
operação (CMO) de cada subsistema, valor base para o preço spot da energia
elétrica ou PMAE – preço negociado no âmbito do MAE11. A Figura 8 mostra os
principais dados de entrada e saída do programa Newave.
10
O programa Newave também pode ser utilizado para estudos de longo prazo, ou seja, além de 5
anos.
11
Os valores dos CMO para o período em estudo, para cada patamar de carga e para cada
subsistema são obtidos no Newave utilizando um módulo denominado “Newdesp”.
Seqüências de
Demanda e capacidades
Topologia e configuração afluências mensais
de transferências de
térmica e hidráulica históricas/sintéticas
energia
(GEVAZP)
NEWAVE
probabilidades de
Armazenamento final
déficit de energia;
Função de custo futuro mensal, geração, etc.
valores da água e
(FCF) para cada sistema e
distribuições de custos
seqüência de afluência
marginais
Figura 8. Newave: principais entradas e saídas

Ressalte-se que o Newave trabalha com o conceito de reservatório

equivalente. Apesar de reduzir o problema de grande porte com a agregação de
diversos reservatórios em um único reservatório equivalente para cada subsistema,
este procedimento traz como desvantagens, entre outras, a não representação das
restrições operativas individuais das usinas do sistema e a desconsideração do
acoplamento hidráulico existente entre as usinas.
• “DECOMP”
O segundo programa da cadeia, denominado “Decomp”, tenta resolver o
problema do planejamento da operação no curto prazo de um sistema
hidrotérmico. Ele desagrega, para cada reservatório individual, as funções de
custo futuro recebidas do Newave na etapa anterior. Uma das suas principais
características é possuir uma representação para as restrições elétricas em cada
subsistema.
Suas principais características são:
o Planejamento no curto prazo;
o Horizonte: até 1 ano;
o Discretização: semanal (no 1o. mês)
É importante esclarecer que a política de operação, tanto no Newave quanto

no Decomp, depende de cenários de operação futuros. Tais cenários são
construídos a partir de importantes variáveis, e.g. as condições hidrológicas,
demanda, preços de combustível, custos de déficit, entrada de novos projetos e
saída de antigos e disponibilidade de equipamentos de geração e transmissão,
entre outras.
Os modelos Newave e Decomp foram submetidos a diversos testes no
âmbito da Subcomissão de Validação de Modelos e Estudos Metodológicos,
coordenada pelo ONS e MAE, com a participação de agentes do setor elétrico, os
quais atestaram que esses programas atendem suas especificações funcionais.
(MME, 2002a).
Inicialmente, o Decomp era utilizado em sua forma determinística, não
contemplando o uso de cenários de vazões. Porém, desde janeiro de 2003, o
modelo estocástico (probabilístico) do Decomp já está em uso.
A Figura 9 ilustra o modo como os modelos Newave e Decomp se

relacionam para fornecer os despachos de geração por usina hidráulica e térmica
de cada submercado e os custos marginais de operação para cada estágio por
patamar de carga.
Despacho
NEWAVE DECOMP individualizado e
CMO
FCF
Figura 9. Relacionamento dos modelos Newave e Decomp
• “DESSEM”
Finalmente, o terceiro e último programa da cadeia é denominado
“Dessem”. Este programa ainda se encontra em processo de validação pelos
agentes e será utilizado para o planejamento da operação no curtíssimo prazo. A
previsão é que o programa seja não utilizado antes de 2005.
Suas principais características são:
o Planejamento no curtíssimo prazo;

o Horizonte: 1 semana;
o Discretização: horária
Quando o Dessem estiver validado, poder-se-á obter o valor do CMO
horário e talvez seja possível definir também um preço spot horário no Brasil,
assim como já existe em países que adotam um sistema competitivo baseado em
bolsas de energia, como Inglaterra e Austrália.
Note que apenas os modelos mais diretamente ligados ao cálculo do preço
foram abordados aqui; porém, existem muitos outros que constituem a cadeia de
modelos para o Planejamento da Expansão e da Operação, englobando desde a
previsão de carga à previsão de vazões. Na Figura 10 é mostrada a cadeia
completa.
SINV
Sistema de Inventário
de Bacias Hidroelétricas
AAEXP
Expansão da Geração
Avaliação Ambiental MELP PREVMEL

Planejamento da
para o Planejamento da Planejamento da

Previsão de Mercado de
Expansão da Geração Expansão de Sistemas
de Geração Energia Elétrica
GEVAZP SUISHI
NEWAVE
Geração de vazões Coordenação hidrotérmica Simulação da operação
sintéticas de sistemas
Planejamento da Operação
a longo prazo
hidrotérmicos interligados
Eletro-Energértica
CONTROLE DE CHEIAS
Alocação de volumes de espera
PREVIVAZ DECOMP CONFINT

Coordenação hidrotérmica
Previsão de vazões semanais Análise de confiabilidade
a médio prazo
de sistemas interligados
PREVICAR
Previsão de carga
DESSEM
Programação da Operação
Coordenação hidrotérmica
a curto prazo
Eletro-Energética
PREVIVAZH
Previsão de vazões horárias
PREDESP
CAHORA Despacho horário de
Previsão de cargas horárias geração com rede de
transmissão
Figura 10. Cadeia de modelos para o planejamento da expansão e da operação

4
Análise de Risco no Mercado de Energia Elétrica
4.1.
Introdução
Nos capítulos anteriores, procurou-se descrever os mercados de eletricidade

e a formação do preço spot de energia. No presente capítulo é abordada a questão
dos riscos hidrológicos e dos riscos econômico-financeiros no mercado de compra
e venda de eletricidade, especialmente no Brasil. O objetivo principal é apresentar
os meios usuais de se medir e tratar os riscos de compra/venda no mercado de
eletricidade.
Com o advento das reformas do setor elétrico, aumentaram-se

consideravelmente os riscos para os agentes do setor, pois os mesmos ficaram
expostos ao preço do mercado atacadista de energia (MAE). Para se proteger
dessa alta volatilidade do preço da energia no curto prazo e minimizar suas
exposições, os agentes precisam de instrumentos eficazes de gerenciamento de
seus riscos.
Em qualquer estratégia de proteção (hedge), uma informação muito
importante é o preço futuro, isto é, o preço spot em uma data futura, uma vez que
em cada decisão tomada no presente, em função do preço previsto, estará sempre
embutido um risco (Mo et al, 2001). De fato, em um ambiente competitivo,
investidores, compradores e vendedores não precisam apenas de insights sobre o
preço, mas, também, avaliações do risco de comprar e vender energia com base
em previsões do preço (Deb et al, 2000).
Assim, antes mesmo de se criar modelos de previsão do preço spot é
importante identificar os diferentes tipos de riscos envolvidos no problema,
conhecer instrumentos de mitigação e os fatores que podem afetar os preços,
permitindo assim que os modelos de previsão passem a considerar
intrinsecamente os principais riscos existentes.
De modo geral, os riscos estão associados às perdas financeiras de uma
eventual remuneração não adequada aos investimentos realizados. Existem vários
Análise de Risco no Mercado de Energia Elétrica 65
tipos de riscos, quase todos ligados aos mercados futuros e de opções no mundo
das finanças e investimentos, tais como o risco de liquidez, operacional, crédito,
mercado, legal, commodities etc1.
Além destes tipos de riscos, a indústria de eletricidade apresenta riscos
ligados ao desbalanço entre a oferta e a demanda; riscos associados aos custos de
geração e à capacidade de transmissão; etc. Particularmente em sistema
hidrotérmicos com base hidráulica, como o brasileiro, o risco hidrológico – em
geral associado às vazões aos reservatórios e seus níveis – é um dos mais
importantes devido à relação existente entre o preço spot e essas variáveis.
Uma forma de se gerenciar o risco hidrológico em sistemas hidrotérmicos
com base hidráulica, como o brasileiro, é estabelecer um mecanismo de
realocação de energia (MRE) multilateral. Tal mecanismo assegura que, sob
condições normais de operação, os geradores hidráulicos e térmicas com CCC
(conta de consumo de combustível) terão uma receita, relativa a um crédito de
energia proporcional à sua contribuição para a capacidade de energia firme de

suprimento do sistema.
Neste capítulo são apresentados os fatores de risco mais importantes em um
sistema baseado em hidroeletricidade. Os riscos hidrológicos são analisados pelas
séries históricas de preço spot e das principais variáveis que o afetam. Em
seguida, são também abordados os riscos financeiros presentes na estratégia de
contratação de energia, assim como as principais medidas de risco e os principais
instrumentos financeiros usados na proteção dos agentes.
4.2.
Volatilidade do Preço Spot no Brasil
No terceiro capítulo foi mostrado como se obtém o preço spot de energia

elétrica no Brasil a partir do custo marginal de operação (CMO). Nesta seção,
fornece-se uma breve análise descritiva do CMO. Observa-se que os custos
marginais possuem uma alta dispersão e, em geral, ela é maior nos períodos
úmidos (novembro a abril), sendo grande parte de sua volatilidade atribuída aos
níveis de afluência, entre outras variáveis.
1
Mais detalhes sobre estes e outros tipos de riscos do mercado financeiro, veja, e.g. Hull (2000 e
1997); Silva Neto (2000) e Duarte Jr. (1996).
A Figura 11 mostra o gráfico da série mensal do CMO para os quatro

subsistemas SE, S, NE e N, entre agosto de 1995 e agosto de 2001. De acordo
com o gráfico, os subsistemas Sudeste e Sul e os subsistemas Norte e Nordeste
possuem custos marginais de operação parecidos, ao menos até 1999. Isso era
esperado, pois até 1999 esses dois sistemas eram considerados como um único
subsistema para definição do CMO.
800.0
700.0
600.0
500.0
CMO (R$/MWh)
Sudeste
Sul
400.0
Nordeste
Norte
300.0
200.0
100.0
0.0
95
95
96
96
97
97
de 8
98
99
99
00
00
01
ag 6
ag 7
ag 8
ag 9
ag 0
ag 1
9
r/9
r/9
r/9
r/9
r/0
r/0
z/
z/
z/
z/
z/
z/
o/
o/
o/
o/
o/
o/
o/
ab
ab
ab
ab
ab
ab
de
de
de
de
de
ag
Figura 11. Custo marginal de operação nos quatro subsistemas

(Fonte: ONS)
Pode-se observar, ainda, que os custos marginais ficam próximos de zero na

maioria das vezes (alta probabilidade de estar próximo a zero), podendo alcançar,
no entanto, valores altos em alguns poucos casos. De fato, “sistemas
predominantemente hidráulicos são projetados para atender o mercado sob
condições hidrológicas desfavoráveis, que ocorrem esporadicamente. Como
conseqüência, a maior parte do tempo há sobra de energia, o que implica em
custos marginais muito baixos” (Vieira Filho et al, 2000b). Observe-se, assim, que
o custo marginal é fortemente relacionado às vazões afluentes aos reservatórios e
seus níveis.
A Figura 12 mostra a série de variação percentual do CMO, calculada em
relação ao mês anterior, do subsistema SE/CO, entre janeiro de 1996 e dezembro
de 2002. Observe-se que mais de um terço dos dados (43%) têm variações
superiores a 50%, sendo que quatro valores da série apresentam uma variação
percentual superior a 500%, indicando que pode ocorrer alterações bruscas no

preço de um mês para o outro.
500.00
450.00
400.00
350.00
300.00
250.00
%
200.00
150.00
100.00
50.00
0.00
fev/96 ago/96 fev/97 ago/97 fev/98 ago/98 fev/99 ago/99 fev/00 ago/00 fev/01 ago/01 fev/02 ago/02
-50.00
-100.00
Figura 12. Variação percentual do CMO em relação ao mês anterior

(Fonte: ONS)
A Tabela 3 mostra as principais estatísticas descritivas do CMO por

subsistema. Observe-se que os coeficientes de assimetria são bem maiores do que
zero, indicando que as distribuições dos preços spot têm assimetria positiva. Além
disso, verifica-se que o coeficiente de achatamento é maior do que 3 em todos os
casos, indicando o pouco achatamento das distribuições e uma concentração de
valores em torno da média. O histograma do CMO do subsistema Sudeste é
mostrado na Figura 13.
Tabela 3. Estatísticas descritivas do CMO por subsistema (ago/95 a jul/01)

Mín Máx Média Desvio Assimetria Curtose
Padrão D.P. D.P.
Sudeste 0,00 684,00 95,41 144,58 3,11 0,28 10,05 0,55
Sul 0,00 415,60 71,25 77,59 2,12 0,28 5,52 0,55
Nordeste 0,00 684,00 72,06 146,60 3,34 0,28 11,31 0,55
Norte 0,00 684,00 74,14 147,31 3,24 0,28 10,84 0,55
Fonte: ONS
30
20
10
0
0.0 100.0 200.0 300.0 400.0 500.0 600.0 700.0
50.0 150.0 250.0 350.0 450.0 550.0 650.0
SUDESTE
Figura 13. Histograma da série histórica do CMO do sudeste (R$/MWh)

(Fonte: ONS)
4.3.
Riscos Hidrológicos
Para um sistema hidrotérmico predominantemente hidráulico como o

brasileiro, indubitavelmente os principais fatores de riscos são decorrentes da

hidrologia. As vazões afluentes aos reservatórios geralmente possuem uma
marcante componente sazonal, embora sejam fontes de grande variabilidade
(dispersão) e volatilidade (baixa correlação temporal).
Associadas às vazões estão duas das maiores fontes de incerteza no
problema de previsão do preço spot no Brasil: as variáveis energia natural afluente
(ENA) e energia armazenada (EARM). Nesta seção, faz-se uma análise descritiva
das séries históricas dessas variáveis. Inicialmente, a Figura 14 e a Figura 15
mostram os respectivos gráficos das séries de ENA e EARM, entre janeiro de
1996 e agosto de 2001.
90.000
80.000
70.000
60.000
MWméd mensais
50.000
40.000
30.000
20.000
10.000
0
6
9
6
9
m 6
m 8
9
m 6
m 7
m 8
m 9
no 6
no 7
no 8
no 9
96
97
98
99
/9
/9
/9
/9
l/9
l/9
l/9
l/9
/9
/9
/9
/9
9
9
t/9
t/9
t/9
t/9
n/
n/
n/
n/
v/
v/
v/
v/
ai
ai
ai
ai
ar
ar
ar
ar
ju
ju
ju
ju
se
se
se
se
ja
ja
ja
ja
m
m
Figura 14. Energia natural afluente: série histórica (SE/CO) de jan/96 a ago/01
(Fonte: ONS)
140.000
120.000
100.000
80.000
MW mês
60.000
40.000
20.000
0
6
9
6
9
m 6
m 7
m 8
m 9
m 6
m 7
m 8
m 9
no 6
no 8
no 9
96
97
98
99
/9
/9
/9
/9
l/9
l/9
l/9
l/9
/9
/9
/9
/9
9
9
t/9
t/9
t/9
t/9
n/
n/
n/
n/
v/
v/
v/
v/
ai
ai
ai
ai
ar
ar
ar
ar
ju
ju
ju
ju
se
se
se
se
no
ja
ja
ja
ja
Figura 15. Energia armazenada: série histórica (SE/CO) de jan/96 a ago/01

(Fonte: ONS)
Como se pode notar, as variáveis energia natural afluente e energia

armazenada têm uma variabilidade menor do que a do CMO, possuindo até
mesmo um comportamento sazonal, especialmente a ENA que apresenta picos no
período úmido (entre novembro e abril) e vales no período seguinte (maio a
outubro). Note-se, ainda, que a variável EARM depende da quantidade de água
que chega aos reservatórios e da operação do sistema.
Pela Figura 15, verifica-se que o nível do reservatório equivalente do

Sudeste caiu consideravelmente após 1999, embora ele tenha se normalizado a
partir de 2002, logo após o racionamento, com a acentuada queda da demanda.
A Tabela 4 mostra que o coeficiente de assimetria da EARM é praticamente
igual a zero, indicando a existência de simetria em sua distribuição. A ENA, no
entanto, apresenta uma assimetria positiva, embora menor do que a apresentada
pelo CMO. Os coeficientes de achatamento indicam ligeiro achatamento, negativo
e com uma distribuição de caudas curtas para a EARM, e positivo e com caudas
longas para a ENA. Os histogramas das duas variáveis são mostrados na Figura
16.
Tabela 4. Estatísticas descritivas da ENA e EARM (jan/96 a dez/01)

Mín Máx Média D.P. Assimetria Curtose
D.P. D.P.
EARM 28729,9 131976,8 79471,7 28947,7 -0,04 0,28 -1,10 0,56
(MW mês)
ENA 10575,0 77815,0 27428,2 13161,5 1,20 0,28 1,84 0,56

(MWméd mensais)
20 12
10
10 6
Std. Dev = 13161.48 2 Std. Dev = 28947.75

Mean = 27428 Mean = 79472
0 N = 72.00 0 N = 72.00
10000 30000 50000 70000 32750 53750 74750 95750 116750
20000 40000 60000 80000 43250 64250 85250 106250 127250
ENA EARM
(a) (b)
Figura 16. Histogramas das séries históricas de (a) ENA e (b) EARM
4.4.
Riscos Financeiros
O sistema hidrotérmico brasileiro é expandido ao risco de 5% para atender

ao mercado previsto. Os riscos a que os agentes de distribuição estão expostos são
indicados nos períodos onde o preço spot é muito elevado, uma vez que as tarifas
são reguladas para os consumidores finais. Por outro lado, os riscos para os
agentes geradores são caracterizados pelos períodos de preço spot baixo, bastante
freqüente ao se analisar o histórico. Observe-se que se 100% do mercado for
contratado, restará o mercado de diferenças no curto prazo.
No capítulo anterior foram apresentadas as conseqüências operativas em
sistemas hidrotérmicos. Em termos financeiros, tem-se, também, uma
conseqüência para cada decisão tomada. Considere, por exemplo, uma
distribuidora ou uma comercializadora que deseja comprar energia e precisa
decidir no presente a melhor estratégia de contratação de energia no futuro. Nesse
caso, duas possibilidades podem ocorrer (Figura 17)
Figura 17. Conseqüências em uma estratégia de contratação (distribuidora)
Caso a empresa decida não contratar (deixando para comprar energia no

mercado spot no futuro) ou contratar menos energia com suas supridoras do que
sua demanda prevista: (i) se o preço spot no futuro for baixo, tem-se um ganho no
mercado spot que dependerá do volume de energia que contratou anteriormente de
sua supridora, mas (ii) se o preço spot no futuro for alto, a distribuidora terá uma
perda financeira que também dependerá do volume de energia que deixou de
contratar.
Por outro lado, a decisão contratar energia elétrica leva também a duas
possíveis conseqüências financeiras futuras: (i) se o preço spot no futuro for alto,
tem-se um ganho, mas (ii) se as afluências futuras forem altas, a distribuidora
perderá (ou deixará de ganhar), pois geralmente os preços médios dos contratos
são bem mais altos que os preços spot em caso de altas afluências (preço spot
baixo). Analogamente, pode-se definir conseqüências financeiras para as

estratégias de geradores ou comercializadores que desejam vender energia e
precisam decidir no presente a melhor estratégia de contratação de energia no
futuro. A seguir, são discutidos alguns instrumentos de proteção da volatilidade
dos preços spot utilizados pelos agentes.
4.5.
Contratos como Instrumentos de Proteção
O mercado brasileiro de energia ainda não possui mecanismos eficientes de

gerenciamento de risco, tal como ocorre nos mercados de energia mais
tradicionais, como Inglaterra e Estados Unidos. Devido à volatilidade dos preços
futuros e às incertezas do mercado de eletricidade no Brasil, os comercializadores
são levados a posições menos arriscadas.
Um instrumento importante de proteção (hedge) contra a volatilidade dos
preços do MAE é estabelecer contratos bilaterais (Bjorgan et al, 1999), isto é,

contratos firmados e liquidados entre geradores e distribuidoras ou consumidores
livres paralelamente ao MAE. Em geral, um contrato é um acordo de longo prazo
entre pessoas físicas ou jurídicas a respeito das condições de venda de um bem ou
serviço. Ele surge quando um ativo ou commodity (aqui, a própria energia
elétrica) é trocado por dinheiro. Além disso, todo contrato deve necessariamente
especificar comprador e vendedor, forma e quantidade a ser vendida, preço por
unidade a ser pago e local de entrega.
Com a criação dos mercados de eletricidade a partir da reestruturação do
setor elétrico, surgiram diversos tipos de contratos utilizados como instrumentos
financeiros com o objetivo de mitigar os riscos envolvidos. Entre eles, podem-se
citar os contratos a termo, futuros e de opções, descritos brevemente a seguir.
Os contratos a termo ou forwards são operações para liquidação (física e
financeira) em uma data futura, determinada por acordo de compra e venda de um
ativo em uma data futura definida. Geralmente, este tipo de contrato é parte de
uma estratégia para se assegurar o valor do preço futuro, já que os desembolsos
são feitos na liquidação do contrato por um preço previamente acordado entre as
partes envolvidas.
Os contratos futuros são também utilizados para neutralizar o risco fixando

o preço que o investidor irá pagar ou receber pelo objeto da negociação. Porém,
diferentemente dos contratos a termo, os contratos futuros são padronizados
segundo sua quantidade, qualidade, pontos de entrega e data para encerramento
dos negócios, embora as transações em sua maior parte sejam puramente
financeiras. Este tipo de contrato é estabelecido através de uma bolsa de futuros e,
por isso mesmo, tem certas garantias de crédito.
Os contratos de opções são contratos que fornecem ao comprador o direito,
mas não a obrigação, de comprar ou vender uma commodity pelo pagamento de
um prêmio em condições específicas em uma bolsa de energia até uma data
definida (opções americanas) ou numa data pré-definida (opções européias).
Uma opção de compra determina que o detentor da opção tem o direito, mas
não a obrigação, de comprar energia a um preço pré-fixado em uma certa data
futura. Da mesma forma, uma opção de venda determina que o detentor da opção
tem o direito, mas não a obrigação, de vender uma quantidade de energia a um

preço pré-fixado em uma certa data futura.
Além das possibilidades citadas até aqui, temos também uma ‘margem de
garantia’ que pode ser aplicada para mitigar os riscos. Ela seria um valor que os
compradores e vendedores de contratos futuros ficam obrigados a depositar em
suas contas, junto à bolsa de futuros, para garantir que seus compromissos sejam
honrados.
A livre negociação da energia assegurada somente foi possível no Brasil a
partir de 2000, com a criação do MAE, elevando os riscos de compra e venda da
energia elétrica. O Brasil, no entanto, ainda se encontra em um estágio inicial de
desenvolvimento do mercado de eletricidade, sem instrumentos derivativos
padronizados2, negociados em bolsas de commodities, tal como existe em países
como os Estados Unidos e a Inglaterra. Como analisado anteriormente,
diferentemente desses países, os preços no Brasil não são fornecidos por uma
opção de mercado e sim via modelos computacionais. Apesar disso, é possível
criar “contratos de opção” através da inclusão de cláusulas específicas nos
contratos de suprimento de energia, cujos efeitos seriam análogos aos da compra e
2
A liquidação das transações de compra e venda de energia realizada bilateralmente tem sido um
grande problema para o MAE, devido a diversas pendências judiciais entre as empresas.
venda de opções em bolsas, como uma compra de call, compra de put, venda de
call ou venda de put (Silveira et al, 2000).
4.6.
Medidas de Risco
A análise ou gerenciamento de riscos vem ganhando muita importância nas

empresas de energia porque além de identificar as causas dos possíveis riscos
(para em seguida mitigá-lo), é possível também medi-los . Freqüentemente, as
medidas de risco complementam o valor presente esperado na análise comparativa
de contratos ou carteiras, pois eliminam da competição aqueles com o risco acima
de um dado limite, mesmo quando estes apresentam um alto valor esperado
(Veiga, 1999).
Dois termos importantes encontrados no gerenciamento de riscos são
robustez (robustness), definida como a verossimilhança associada a uma decisão
que não gera arrependimentos futuros (regrettable), e exposição (exposure), uma

medida de perda caso uma realização adversa ocorra, freqüentemente medida em
valores monetários (Pereira et al, 2000:19). Não existe, porém, uma maneira
universalmente aceita para se tratar o compromisso risco x retorno. Dentre as
medidas de risco mais usadas na prática estão:
• Volatilidade (desvio padrão dos retornos);
• Arrependimento Minimax;
• Value-at-Risk (valor a risco);
• Função Utilidade.
A volatilidade é uma medida de risco muito simples e muito usada. Ela
pode ser definida simplesmente como o desvio padrão do valor do contrato ou
carteira. Um dos problemas em adotar essa medida é que a distribuição do valor
do contrato deve ser uma Normal. Como na vida real essa distribuição nunca é
Normal, a volatilidade fornece apenas uma aproximação para o nível de incerteza
que se tem do valor do contrato (Veiga, 1999:13). Quando essa distribuição não é
conhecida, usa-se uma amostra de valores de contrato freqüentemente obtida de
técnicas de computação intensiva e reamostragens, entre elas a simulação Monte
Carlo.
No arrependimento minimax, em geral, minimiza-se o máximo

arrependimento relativo a cada cenário3, sendo o arrependimento a cada cenário a
diferença entre o custo real e aquele calculado para um determinado cenário,
sabendo-se previamente que ele ocorrerá (de referência). Em análise de portfolios,
por exemplo, o máximo arrependimento poderia ser definido como max( χ i − ϕ i ) ,
i
onde ϕ i é a rentabilidade do portfolio caso ocorra o cenário i e χ i é a

rentabilidade do portfolio “ótimo” para o cenário i. Este critério é também muito
utilizado em planejamento da expansão (Miranda & Proença, 1998a, 1998b).
O conceito de Value-at-Risk (VaR) também é muito simples e representa o
valor de risco mínimo que pode assumir um contrato ou carteira para um dado
nível de probabilidade. Em outras palavras, é o valor monetário das perdas a que
um contrato ou carteira está sujeita em um período de tempo, dado um
determinado intervalo de confiança (Silva Neto, 2000). Por exemplo, se uma
carteira tem um VaR de R$ 30.000, em um determinado mês ou período, com um
intervalo de confiança de 95%, isto equivale dizer que há 5% de probabilidade da

carteira perder mais de R$ 30.000 nesse mês. Um dos problemas identificados por
Veiga (1999) nesse tipo de medida de risco é que raramente são observados
valores abaixo do valor da probabilidade associada, o que faz com que sua
estimação seja imprecisa.
Observe-se que o VaR e o critério de arrependimento analisam apenas os
cenários “ruins”, não levando em consideração os lucros dos (1-α)% de cenários
restantes. As Funções de Utilidade (FU) corrigem este problema considerando
todos os cenários possíveis. Neste método, as receitas são indicadas como
“unidades de utilidades”, de risco neutro, e o objetivo é maximizar a utilidade
esperada, permitindo uma grande flexibilidade quando se deseja modelar a
preferência do investidor com relação a risco x retorno (Pereira et al, 2000). Para
exemplos da aplicação da FU, consulte também Aires et al (2002).
Após a medição do risco associado a cada contrato e calculado seu valor
esperado, é razoável que o investidor opte por carteiras que maximizem o seu
valor esperado. É preciso, no entanto, atentar para o fato de que ao fazer isso ele
3
Pode-se minimizar também, em outras situações, o arrependimento médio ou o máximo benefício
(De la Torre et al, 1999).
estará aumentando o seu risco, pois, em geral, existe uma correlação negativa
entre o valor e o risco do contrato ou carteira.
A Figura 18 mostra o gráfico VaR x valor esperado dos contratos, indicando
um exemplo de curva das carteiras eficientes (Veiga, 1999, Bjorgan et al, 1999).
Para cada combinação de períodos, quantidades e preços definidos nos contratos,
define-se uma carteira (que é representada por um círculo na figura). Então, ao
preencher toda a região do plano risco x retorno, a curva que a delimita é a curva
eficiente. Um critério sugerido por Veiga (1999) é estabelecer inicialmente um
limite máximo para o risco do contrato ou carteira (linha pontilhada da Figura 18).
Dentro deste universo, escolhe-se o contrato ou a carteira que apresenta o maior
valor esperado.
Figura 18. Curva das carteiras eficientes
Com relação ao problema de decidir a quantidade de energia a ser

contratada no MAE, esta quantidade depende fundamentalmente do preço dos
contratos no curto prazo, e este por sua vez, do preço do mercado atacadista de
energia (PMAE) esperado. No próximo capítulo, propõe-se um modelo de
previsão do preço PMAE com base em sistemas neuro-fuzzy e nos programas do
planejamento da operação. Este modelo será capaz de fornecer uma distribuição
esperada do preço spot e, assim, viabilizar o cálculo de medidas de risco, além de
fornecer importantes subsídios para as estratégias de contratação de energia
elétrica dos agentes comercializadores.
5
Previsão do Preço Spot de Energia Elétrica
5.1.
Introdução
Os modelos de previsão do preço spot da energia devem levar em

consideração a estrutura da indústria de energia elétrica, seu sistema elétrico e a
base de recursos de cada país, pois estes são importantes fatores para a formação
do preço da energia elétrica1. Modelos importados dificilmente obterão sucesso no
Brasil, pois o sistema elétrico brasileiro, bem como o regime de comercialização
adotado no país, são ímpares. Não obstante, as experiências internacionais bem
sucedidas podem fornecer importantes subsídios para o mercado brasileiro, uma

vez que todo o arcabouço mercadológico implantado no país é uma adaptação de
uma tendência mundial.
Em países que adotam sistemas competitivos em bolsas de energia, como
Inglaterra e Austrália, a previsão do preço spot de energia é importante porque
está diretamente relacionada à performance financeira dos produtores
independentes nas estratégias de lances (bidding) no mercado para o dia seguinte
(ver, e.g. Wen & David, 2001 e Wang & Ramsay, 1998).
Por outro lado, em países onde os preços não são fornecidos por uma opção
de mercado e sim via modelos computacionais, como o Brasil, a previsão do preço
spot auxilia o tomador de decisões em sua estratégia de contratação no curto,
médio e longo prazos. Além disso, a previsão do preço é importante para a
avaliação de ativos reais em projetos de investimento em geração e transmissão.
O objetivo deste capítulo é propor uma metodologia para a previsão do
preço spot no Brasil utilizando uma abordagem de simulação via sistemas neuro-
fuzzy (SNF). Os SNF associam a capacidade de aprendizado das redes neurais e
1
Fatores políticos e de planejamento também podem afetar o preço, em particular nos países que
não adotaram integralmente uma estrutura de mercado.
Previsão do Preço Spot de Energia Elétrica 79
sua tolerância a falhas à interpretabilidade dos sistemas fuzzy, pois permitem a

extração de conhecimento sob o formato de regras fuzzy (Souza, 1999).
A novidade da abordagem reside no fato da mesma não utilizar como fonte
de dados para ajuste/treinamento dos parâmetros as séries publicadas de preço
spot, mas sim os programas do planejamento da operação, do CEPEL. A razão de
se utilizar esse modelo de despacho e simulação é que o mesmo fornece o custo
marginal de operação (CMO) – valor base para o preço spot de energia elétrica no
Brasil – além de levar em consideração a estocasticidade das vazões representadas
pelas séries de energia afluente. O nível de armazenamento é também considerado
intrinsecamente para diversas operações no período de planejamento.
O modelo de previsão será capaz de obter em um determinado estágio T
uma distribuição esperada do preço spot de energia elétrica para T+k, onde T é o
mês (ou semana) de referência e k é o horizonte de previsão, com k = 1, ..., 6.
5.2.
Estado da Arte em Previsão do Preço Spot
Em análise de séries temporais e regressão, o termo de erro εt é considerado

constante. Em séries de preço spot de energia elétrica – especialmente em séries
horárias – é comum encontrar muitos picos (spikes) dentro do mês, exibindo
períodos de intensa volatilidade e períodos de relativa tranqüilidade. Nestes casos,
a pressuposição de variância constante (homocedasticidade) que muitos modelos
adotam não é apropriada.
A literatura internacional trata os spikes das séries de preços adotando, em
geral, processos de reversão para a média com jumps (Deng. S., 2000 e 1998;
Ethier, 1999; Ethier & Mount, 1998; Knittel & Roberts, 2001) ou modelos
estocásticos que consideram distribuições de probabilidades mistas com
chaveamento (Davison et al, 2002).
O modelo de Black-Scholes pressupõe movimentos Brownianos
geométricos ou log-normais para o preço e por isso não se aplica no contexto do
preço da energia elétrica (Knittel & Roberts, 2001). Porém, um modelo alternativo
muito citado (para tempo contínuo que requer estacionariedade do processo) é o
Markoviano com densidade de transição Gaussiana, também denominado de
Ohrnstein-Uhlenbeck. Este processo é definido como:
dp(t ) = κ [ µ − p(t )]dt + σ ⋅ db(t ), p (0) = p 0 (5.1)

onde p(t ) é o preço da energia elétrica no tempo t, κ , µ e σ são parâmetros
desconhecidos e {b(t )} é um processo de Wiener padrão2. Assim, desvios do preço
de um nível de equilíbrio, [ µ − p (t )] , são corrigidos à taxa κ e sujeitos a
perturbações aleatórias σ ⋅ db(t ) , assumindo que κ > 0 . Pode-se mostrar que (id,
ibid):
p (t ) = α 0 + β 1 pt −1 + η t (5.2)
−κ −κ
onde α 0 = µ (1 − e ) e β 1 = e . O termo de erro, η t , na equação (5.2), é um
ruído branco Gaussiano com variância σ η2 = σ 2 (1 − e −2κ ) / 2κ . Segundo Knittel &
Roberts (2001), este tipo de modelagem, apesar de capturar algumas das

correlações presentes na série de preço, ignora todos os tipos de ciclos, assume
que os erros são descorrelatados, a volatilidade é constante, etc. Por conseguinte,
uma extensão interessante considera que a média do processo pode variar no
tempo, isto é:
dp(t ) = κ [ µ (t ) − p(t )]dt + σ ⋅ db(t ) (5.3)
onde µ (t) é uma função qualquer, geralmente definida como uma função degrau
ou uma soma de funções degraus, podendo assumir o valor unitário, por exemplo,
nos horários de pico do sistema, em determinados períodos da semana ou estações
do ano. Pode-se mostrar, para este caso, que:
p (t ) = α t + β 1 p t −1 + η t (5.4)
−κ
onde α t = µ t (1 − e ) . É importante notar que a única diferença entre as equações
(5.4) e (5.2) está no intercepto. Observe-se, ainda, que a equação (5.4) pode ser
vista como um modelo ARMAX(1,0) com variáveis exógenas binárias (id,
ibid:12).
Adicionando-se um termo na equação (5.3), tem-se o processo denominado
“jump-diffusion”:
dp (t ) = κ [ µ (t ) − p (t )]dt + σ ⋅ db(t ) + z ⋅ dq (t ) (5.5)
onde q (t ) é um processo Poisson com constante λ (probabilidade de ocorrer um
salto) e z (tamanho do salto) é uma Normal com média µ z e variância σ z . Como

a obtenção da distribuição empírica da equação (5.5) é muito difícil, usualmente
faz-se uma aproximação pela mistura de Normais. Pode-se, também, definir
2
Para detalhes sobre a estimação dos parâmetros, consulte e.g. Knittel & Roberts, 2001:11.
extensões a este modelo permitindo que o parâmetro de intensidade de salto

(jump) varie no tempo. Um argumento para se utilizar este último modelo é que
um “salto” no preço pode ocorrer com maior probabilidade, por exemplo, durante
os períodos com demanda elevada ou quando as linhas de transmissão estão
congestionadas (id, ibid:15).
Davison et al (2002), em uma abordagem interessante para se prever o preço
spot, apresenta um modelo estocástico especialmente desenvolvido para os picos
(spikes) na série histórica de preços spot. Trata-se de um modelo chaveado
(switching model), multimodal, baseado em misturas de distribuições. Neste caso,
uma possível função de densidade de probabilidade P( X ) que descrevesse a série
do preço spot S (t ) é a seguinte:
P( X ) = {1 − ε [α (t )]}PL ( S ) + ε [α (t )]PH ( S ) (5.6)

onde PH (t ) é uma distribuição para o preço spot alto, PL (t ) é uma distribuição
para o preço spot baixo e ε é a variável de chaveamento que controla o modelo3.
Os autores concluem que o modelo de chaveamento de distribuições é uma

ferramenta poderosa para a precificação de contratos de opções no setor elétrico,
porém ressaltam que ele é bom apenas para os picos, sendo necessário o
desenvolvimento de modelos para preços baixos. Além disso, existe uma
preocupação dos autores com relação à descontinuidade do modelo.
Uma outra abordagem para a descrição, análise e modelagem da dinâmica
das séries de preço spot é apresentada por Léon & Rubia (2001). Os autores
analisam a evolução temporal da série de preços médios diários negociados no
mercado diário de eletricidade da Espanha, no período de 1o janeiro de 1998 a 31
de outubro de 2000, através de testes de raízes unitárias no nível da série de
preços (Dickey-Fuller aumentado e testes não paramétricos). Além disso,
modelam a volatilidade condicional da série através de um modelo
EGARCH(1,1). Neste trabalho são encontradas evidências que rejeitam o uso do
modelo de reversão para média na série citada, que podem ser devidas às
contínuas mudanças nas regras do mercado de eletricidade e ao fraco desempenho
do modelo competitivo estabelecido (Pool) no período de análise (id, ibid:31).
3
Para detalhes sobre a utilização desse modelo, bem como um estudo de caso com a série de preço
do mercado da Pennsylvania–New Jersey–Maryland (PJM), nos EUA, consulte Davison et al
(2002).
Stevenson (2001) aplica as transformadas de wavelets (ondaletas) para

examinar tanto a série de preço quanto a de demanda da Austrália em diferentes
localizações e níveis de resoluções. Ademais, aplicam-se diversos modelos da
classe TAR – threshold autoregressive às séries filtradas, obtendo bons resultados
com os dados filtrados, uma vez que foram capturadas suas componentes de
média e variância.
Modelos “inteligentes”, baseados em lógica fuzzy e redes neurais, também
são comuns para tratar do problema de previsão do preço, onde se destacam os
trabalhos de Hong & Hsiao (2002 e 2001); Ramos et al (2002); Xiaohong et al
(2000); Wang & Ramsay (1998) e Dondo & El-Hawary (1996), entre outros.
No Brasil, o preço spot da energia elétrica é definido através de modelos
computacionais do planejamento da operação. Neste caso, é possível relacionar
basicamente três abordagens para a previsão do preço:
i. Modelos empíricos – probabilidades de transição de estados dos preços
spot são definidas utilizando o conhecimento de especialistas;

ii. Séries temporais – modelos estatísticos e econométricos são ajustados às
séries históricas de preço spot ou às séries filtradas do preço spot;
iii. Programas de despacho – podem-se obter estimativas de preços spot a
partir da solução de um modelo de despacho de geração, utilizando
modelos probabilísticos para tratar as principais variáveis aleatórias;
Na primeira abordagem, inicialmente são definidos estados para o preço
spot, como baixo, médio e alto, e, em seguida, um modelo para cada transição.
Esses modelos são de fácil entendimento, mas têm sido construídos
empiricamente, quase que com base apenas no conhecimento intuitivo de
especialistas.
Um exemplo deste tipo de modelagem é proposto por Silva (2001). Segundo
o autor, o preço spot de energia elétrica no Brasil teria três estados: (i) estado 1 –
preço baixo (zero a R$ 20/MWh) seguindo uma N(8,7); (ii) estado 2 – preço alto
(maior que R$ 20/MWh) seguindo uma N(72,58); e (iii) estado 3 – preço de seca
(maior que R$ 100/MWh) seguindo uma N(250,150), sendo que os parâmetros
das Normais dos estados 1 e 2 são estimados com a série histórica do custo
marginal de operação e o estado 3 teria uma ocorrência aleatória, podendo chegar
ao custo do déficit. O autor conclui que a probabilidade do preço spot passar de
um estado baixo para alto e a probabilidade dele estar no estado alto e continuar
alto seguem um processo de reversão da média (ver também Silva, Teixeira &
Gomes, 2001).
No segundo paradigma, modelam-se as séries históricas (publicadas4) de
CMO ou preço spot. Esta abordagem tem a vantagem de ser simples e requerer
basicamente o conhecimento de séries temporais. Ela consegue, muitas vezes,
obter boas previsões e fazer importantes análises sobre a estrutura da série
(tendência, sazonalidade, quebras estruturais, intervenções, etc.). No entanto, esta
opção pressupõe que o processo gerador dos dados é único, desconsiderando o
fato de que cada valor da série histórica de CMO é calculado a partir de um
conjunto de dados que são modificados ou atualizados a cada estágio (mês ou
semana).
Um exemplo deste tipo de modelagem é Sousa (2003) que aplica os
modelos estruturais clássicos de Harvey (1989, 1989b) para a modelagem da série
publicada de CMO, realizando, também, uma análise de suas componentes não
observáveis de nível, tendência, sazonalidade e irregular.

Amaral (2003) e Amaral & Souza (2002) também seguem esta linha de
pesquisa, apresentando um modelo para a modelagem do preço spot de energia
elétrica no Brasil via modelos autoregressivos com transição suave (modelos não
lineares da classe STAR), cuja idéia básica é atribuir modelos lineares distintos
para cada região dos dados de CMO, com transição suave entre os modelos
(Medeiros, 2000; Teräsvirta, 1994).
Pode-se destacar, ainda, a aplicação de modelos de função de transferência
da família ARX (Medeiros et al, 2001a), além do uso de matrizes de transição
para avaliar a transição entre um estado presente e um estado futuro do preço ou
da energia natural afluente (Medeiros et al, 2001b).
Com o objetivo de melhorar os resultados das previsões do CMO, as séries
podem sofrer um pré-tratamento antes de se utilizar os modelos de previsão
propriamente ditos. Assim, Gutierrez (2002) propõe o uso de wavelets (ondaletas),
decompondo a série de CMO em partes associadas ao tempo e freqüência de
ocorrência de alguns eventos (Morettin, 1999).
4
Os dados do preço spot no Brasil são atualmente publicadas pelo MAE e estão disponíveis no site
da empresa (http://www.mae.org.br).
Finalmente, na última abordagem para a previsão do preço no Brasil, utiliza-

se o modelo oficial de despacho (Newave), da cadeia de modelos de
planejamento, ou outro qualquer, e.g. o SDDP (PSRI, 2000), levando-se em
consideração todas as variáveis do despacho, conforme se discutiu no terceiro
capítulo. As variáveis aleatórias são tratadas por modelos probabilísticos,
calculando-se um despacho para cada valor assumido por essas variáveis. Obtêm-
se, ao final, distribuições esperadas de CMO para todo o período de planejamento.
Esta abordagem tem a vantagem de considerar os aspectos físicos do problema,
preservando o conceito da variável em questão (CMO). Esses modelos
viabilizam, ainda, um horizonte de previsão maior, devido ao tipo de algoritmo
utilizado.
Rocha et al (2001), por exemplo, mostram um sistema construído para
simular contratos de energia usando dados de vazões sintéticas e custos marginais
de operação, obtidos do Newave, definindo a cada estágio (mês) a operação ótima
do sistema e fornecendo os valores esperados de CMO para todo o período de

planejamento.
Por uma visão “interna” e estritamente matemática do cálculo do preço spot,
pode-se dizer que de todas as opções discutidas até aqui, a última talvez seja a
mais apropriada, uma vez que o preço spot é, na verdade, calculado através do
despacho centralizado. Porém, esta abordagem não é flexível o suficiente na
simulação dos valores estimados para as variáveis aleatórias, fornecendo, em
geral, distribuições estimadas do CMO pouco informativas e com grande
dispersão. Isso possivelmente ocorre porque as séries simuladas de vazões (ou
energia natural afluente – ENA), pelo modelo PAR(p), acabam reproduzindo o
histórico, isto é, na maioria do tempo o sistema está com “abundância de água”
(preço spot baixo) e algumas poucas vezes com “pouca água” (preço spot
elevado). Além disso, geralmente, um ou dois meses de muita chuva acabam
sendo o suficiente para que as distribuições esperadas de CMO indiquem uma
queda brusca do CMO esperado para os alguns meses à frente (MME, 2002b).
Outra grande desvantagem desta última proposta, talvez a maior delas, é que
ela é uma opção muito cara em termos computacionais, levando aproximadamente
de 5 a 8 horas para obter a convergência do algoritmo. Por conseguinte, qualquer
tipo de simulação Monte Carlo com as variáveis de interesse fica inviabilizada.
5.3.
Metodologia Proposta
A abordagem proposta baseia-se em sistemas “inteligentes" (neuro-

fuzzy/redes neurais) e nos programas da operação do sistema brasileiro. Utilizam-
se como padrões de treinamento o CMO e as variáveis mais importantes que
afetam o CMO, obtidos do programa “Newave”5. Deve-se ressaltar que a
metodologia não prescinde do modelo de formação do preço, mas, utiliza menos
variáveis que as do cálculo oficial, uma vez que a proposta não é desenvolver um
modelo de despacho e sim um modelo de previsão do preço.
Empregando-se os sistemas neuro-fuzzy, as variáveis do modelo de previsão
serão definidas através de funções de pertinência específicas (e.g., baixo, médio e
alto), similarmente aos modelos de transição de estados, mas, com a vantagem de
se poder estimar os parâmetros automaticamente a partir dos dados.
O esquema geral para o treinamento do modelo de previsão do preço spot é
ilustrado na Figura 19 e tem as seguintes etapas:

i. O Newave é utilizado uma única vez para se obter as variáveis de entrada
do modelo de previsão;
ii. Os parâmetros do modelo de previsão são estimados (fase de treinamento)
utilizando os dados de entrada/saída de interesse;
iii. Distribuições estimadas do preço spot são obtidas através de simulações
com as variáveis de entrada do modelo de previsão.
Modelo do Planejamento
Operativo (Newave)
Todas Todas
Entradas Variáveis de
Conhecidas Saída
Preço
Algumas
Spot
Modelo de Previsão do
Preço Spot
Figura 19. Esquema geral para a previsão do preço spot
5
O Newave é o preferido, pois ele fornece o valor oficial do CMO.
Inicialmente, usa-se o Newave uma única vez para se obter as variáveis de

interesse (ENA, EARM e CMO) dos estágios subseqüentes T+k, com k=1, ...,6.
Aconselha-se empregar o caso oficial do mercado atacadista de energia do mês T
em questão, pois este é o caso que define o preço spot. A partir daí, estimam-se os
parâmetros de um modelo de previsão utilizando os cenários disponíveis na
simulação “sintética” e/ou “histórica” do Newave.
A seguir, distribuições do preço spot em T para T+k são obtidas por um
esquema de simulação. Para tanto, são definidas distribuições esperadas para cada
uma das variáveis de entrada. Na ausência de informações confiáveis sobre essas
variáveis, adotam-se distribuições uniformes construídas a partir de faixas de
variação, isto é, para cada variável de entrada Vi é designada uma faixa de
variação (range) com um valor mínimo, V i , e um máximo, V i .
Os valores V i e V i podem ser encontrados de forma ad hoc, através de

outros modelos de previsão (e.g. ARIMA) ou a partir da análise das distribuições

das variáveis de entrada (histograma do histórico). A única restrição imposta,
porém, é que a distribuição de cada variável i deve estar compreendida entre o
N N
valor mínimo V i e máximo V i do conjunto de treinamento do Newave. Na
prática, o Newave faz simulações com base em situações extremas, isto é, tem-se
N N
que V i >> V i e V i << V i .
Assim, utilizando-se distribuições esperadas das variáveis de entrada do
modelo previsor com menores dispersões (mais informativas) do que as obtidas
com o Newave, espera-se obter uma distribuição estimada do preço spot também
com menor dispersão.
Com relação às variáveis de entrada, sabe-se que as mais importantes no
cálculo do CMO são:
• Variáveis ligadas às condições hidrológicas, especialmente as vazões
afluentes aos reservatórios e respectivos níveis de armazenamentos; na
prática, se utiliza os equivalentes energéticos dessas variáveis, isto é, a
energia natural afluente (ENA) e a energia armazenada (EARM);
• Entrada de novos projetos (plano de obras);
• Demanda;
• Preços de combustíveis;
• Custos de déficit;
• Disponibilidade de equipamentos de geração e transmissão etc.
Outras variáveis que também podem afetar o CMO são os limites de
intercâmbio entre os subsistemas e parâmetros do próprio programa Newave, tais
como a ordem máxima do modelo de geração de séries sintéticas de ENA, o
número de cenários de afluência etc.
Assim, que variáveis escolher para o modelo previsor do preço spot? Isso
dependerá da forma e disponibilidade dos dados, uma vez que nem todas as
variáveis acima têm o formato adequado ou o número suficiente de dados para o
ajuste dos parâmetros. Por exemplo, não seria fácil a variável “demanda” ser
incluída no modelo, pois esta variável é tratada deterministicamente no Newave,
não existindo dados para treinamento do modelo de previsão6.
A escolha das variáveis também será função do sistema de inferência
escolhido, porque alguns modelos neuro-fuzzy limitam o número de entradas e
saídas (o mesmo não ocorre, em geral, com os modelos de redes neurais), pois
estes trabalham com um particionamento em grade (grid partition)7, ocasionando
a chamada “maldição da dimensionalidade”. Uma solução, neste caso, pode ser o
uso de sistemas neuro-fuzzy com particionamentos recursivos hierárquicos, tais
como os modelos NFHB ou NFHQ (Souza, 1999).
Dois formatos de dados estão disponíveis a cada estágio (mês) no programa
Newave, dependendo da escolha do usuário8:
i. Séries históricas. Por esse procedimento, o Newave calcula (atualmente)
69 valores esperados de CMO para cada mês do período de planejamento,
a partir dos valores históricos de energia natural afluente (ENA), de 1932 a
2000;
ii. Séries sintéticas. Séries “sintéticas” de ENA são construídas pelo ajuste de
um modelo PAR(p) e um procedimento de simulação Monte Carlo. Na
6
Observe-se que, embora os modelos fuzzy permitam incluir variáveis sem histórico, a partir da
experiência de especialistas, é de se esperar que a demanda tenha um comportamento
relativamente inelástico em relação ao custo marginal de curto prazo, ou seja, uma considerável
variação na demanda levaria a uma pequena variação no CMO, no curto prazo. Logo, neste caso,
mesmo que existissem os dados para treinamento, seria necessário avaliar se a inclusão dessa
variável melhoria o desempenho do modelo.
7
O particionamento fuzzy grid é fixo, isto é, não permite ajustes nas funções de pertinência. Os
sistemas que o utilizam ajustam apenas os parâmetros dos conseqüentes (Souza, 1999:21).
8
O Newave calcula para cada cenário um valor esperado de CMO através de um despacho
hidrotérmico. Para mais detalhes, consulte o terceiro capítulo.
prática, têm-se N = 2000 cenários desta variável. A partir destes cenários,

outros N cenários são construídos para a operação do sistema, cada qual
com uma determinada energia armazenada (EARM) e respectivos valores
esperados de CMO, para cada estágio (mês) do período de planejamento.
Na “simulação histórica”9, obtêm-se os valores de CMO considerando o
histórico de vazões de 1932 a 2000, com uma configuração hidráulica e térmica
pré-definida. A título de ilustração, a Figura 20 mostra o gráfico do CMO médio
obtido da “simulação histórica” do Newave, do subsistema SE/CO, considerando
o caso (configuração) do MAE de fevereiro de 2001.
80
70
60
50
CMO (R$/MWh)
40
30
20
10
0
fe 2
fe 3
fe 4
fe 5
06
ju 2
ju 3
ju 4
ju 5
ju 6
ou 2
ou 3
ou 4
ou 5
ou 6
ag 02
de 02
ag 03
de 3
ag 04
de 04
ag 05
de 5
ag 06
de 6
ab 2
03
ab 4
05
06
0
0
r/0
r/0
r/0
r/0
r/0
0
0
t/0
t/0
t/0
0
0
z/
z/
z/
z/
z/
o/
o/
o/
o/
o/
n/
n/
n/
n/
n/
v/
t/
v/
v/
t/
v/
v/
ab
ab
ab
fe
Figura 20. CMO médio a partir de simulação histórica (SE-CO, em fev/02)
No segundo caso, tem-se a chamada “simulação sintética” do Newave. A

Figura 21 mostra o gráfico do CMO médio obtido desta simulação com 2000
cenários, do subsistema SE/CO, considerando também o caso (configuração) do
MAE de fevereiro de 2001. Observe-se que os dados que geraram a Figura 20 e a
Figura 21 são as médias dos diversos cenários de CMO do início ao final do
período de planejamento (fevereiro de 2002 a dezembro de 2006).
9
Não confundir com o que os estatísticos comumente denominam ‘dados históricos’, ou seja, os
valores passados de uma série temporal.
80
70
60
50
CMO (R$/MWh)
40
30
20
10
0
fe 2
fe 3
fe 4
fe 5
06
ju 2
ju 3
ju 4
ju 5
ju 6
ou 2
ou 3
ou 4
ou 5
ou 6
ag 02
de 02
ag 03
de 3
ag 04
de 04
ag 05
de 5
ag 06
de 6
ab 2
03
ab 4
05
06
0
0
r/0
r/0
r/0
r/0
r/0
0
0
t/0
t/0
t/0
0
0
z/
z/
z/
z/
z/
o/
o/
o/
o/
o/
n/
n/
n/
n/
n/
v/
t/
v/
v/
t/
v/
v/
ab
ab
ab
fe
Figura 21. CMO médio a partir de simulação sintética (SE-CO, fev/02)
As duas fontes de informação consideram todas as demais variáveis que

integram um despacho usual em sistemas hidrotérmicos. Note-se, ainda, que os

cenários de energia armazenada (EARM) indicam, mesmo que indiretamente, a
operação esperada do sistema para cada estágio, partindo sempre do mesmo
volume inicial em todos os cenários (ver capítulo 3 para detalhes deste cálculo).
Finalmente, a Figura 22 mostra alguns cenários do Newave para as variáveis
ENA, EARM e CMO. Assim, operando-se o sistema com cada um dos valores de
ENA e EARM ilustrados na figura, chega-se a um determinado valor de CMO. No
exemplo, valores elevados de ENA e EARM levam a valores baixos de CMO.
80000 ENA
60000
40000
20000
0
t
ai
v
ar
n
ju
se
no
ja
m
m
200000 EARM
150000
100000
50000
0
t
ai
v
ar
n
ju
se
no
ja
m
m
200 CMO
150
100
50
0
t
ai
v
ar
n
ju
se
no
ja
m
m
Figura 22. Dados simulados pelo Newave de ENA, EARM e CMO
5.4.
Modelo de Previsão do Preço Spot
O objetivo é obter uma distribuição esperada do preço spot em um mês de

referência T para o mês T+k, onde k é o horizonte de previsão, em meses, com k =
1, ..., 6. A Figura 23 mostra o modelo proposto que possui três variáveis de
entrada e uma de saída. Sugere-se aqui o uso de sistemas neuro-fuzzy (SNF),
entretanto, outros modelos podem ser empregados10.
10
No estudo de caso do próximo capítulo, os desempenhos dos modelos neuro-fuzzy são
comparados com modelos de redes neurais, utilizando a metodologia proposta.
ENAT ,T + k
EARM T ,T + k Sistema Preço Spot T ,T + k

Neuro-Fuzzy
CMOT ,T + k
Figura 23. Modelo de previsão do preço spot via SNF
onde:
k : horizonte de previsão;
ENAT ,T + k : valor esperado de ENA em T para T+k;
EARM T ,T + k : valor esperado de EARM em T para T+k;
CMOT ,T + k : valor esperado de CMO em T para T+k;
Preço Spot T ,T + k : preço spot previsto em T para T+k;

As variáveis de entrada ENA e EARM são as mais importantes para a

previsão do preço spot (Medeiros & Souza, 2002). Pode-se questionar, no entanto,
a utilização de valores de CMO como entrada do modelo de previsão, pois esta é,
em última análise, justamente a variável que se quer prever.
Muitas vezes, o tomador de decisão tem uma informação mais precisa da
variação do preço para os meses subseqüentes, mas precisa limitar-se às
simulações baseadas no histórico do Newave. Introduzindo a variável CMO (em
T-1 para T+k) na fase de treinamento do sistema, fornece-se uma informação mais
precisa sobre o preço spot para o mês T+k; na verdade essa variável representa a
segunda melhor estimativa para o preço no instante T (a melhor estimativa é usada
na saída do sistema para o treinamento dos pesos – veja Figura 24 a seguir). Além
disso, diversos testes indicaram que a inclusão dessa variável traz uma melhora no
ajuste do modelo. Note-se, por fim, que a cada mês tem-se uma atualização da
tripla {ENA, EARM, CMO}, pois um novo caso é calculado.
O ajuste do modelo de previsão é obtido com as variáveis da Figura 24.
Nesta figura, estão indicados as variáveis para o treinamento do sistema de
previsão do preço spot neuro-fuzzy k-meses-à-frente.
ENˆ AT ,T + k | Newave
EARˆ M T ,T + k | Newave Sistema

CMˆ OT ,T + k | Newave
Neuro-Fuzzy
CMˆ OT −1,T + k | Newave
Figura 24. Modelo proposto para o treinamento
onde:
ENˆ At ,t + k | Newave : valor estimado pelo Newave de ENA em T para T+k;
EARˆ M t ,t + k | Newave : valor estimado pelo Newave de EARM em T para T+k;
CMˆ Ot −1,t + k | Newave : valor estimado pelo Newave de CMO em T-1 para T+k;
CMˆ Ot ,t + k | Newave : valor estimado pelo Newave de CMO em T para T+k.

Observe-se na Figura 24 que todas as variáveis estão condicionadas aos

parâmetros do modelo Newave e são fornecidas pelo programa do planejamento
da operação. É importante ressaltar o que foi dito anteriormente: a escolha das
variáveis do modelo previsor depende da forma e disponibilidade dos dados, uma
vez que nem todas as variáveis têm o número suficiente de dados para o ajuste dos
parâmetros. Além disso, a escolha será função do SNF definido, pois alguns
modelos limitam o número de entradas e saídas.
Estimados os parâmetros (pesos) do modelo, pode-se, então, fazer análises
de cenários ou simulações com as variáveis de entrada em t para se obter a
distribuição do preço para t+k. No próximo capítulo, mostra-se um exemplo passo
a passo da aplicação do modelo proposto.
Um possível modelo mensal para previsão do preço spot k meses-à-frente
(k=1,..., 6) é mostrado na Figura 25. Como se pode verificar este modelo não é
único, pois se desdobra em seis, um para cada passo na previsão. É possível
construir também um modelo geral, para todos os meses do ano. Neste caso,
bastaria utilizar todos os dados mensais para o treinamento do SNF.
ENAT ,T + k EARM T ,T + k CMOT ,T + k
Sistema Neuro-
Fuzzy Preço Spot T ,T +1
1-passo-à -frente
k=1
Sistema Neuro-
Fuzzy Preço Spot T ,T + 2
2-passos-à -frente
k=2
Sistema Neuro-
Fuzzy Preço Spot T ,T +3
3-passos-à -frente
k=3
Sistema Neuro-
4-passos-à -frente
k=4
Sistema Neuro-
Fuzzy
Preço Spot T ,T +5
5-passos-à -frente
k=5
Sistema Neuro-
6-passos-à -frente
k=6
Figura 25. Modelo previsor via SNF de um a seis passos à frente
No próximo capítulo, serão feitos diversos estudos de caso aplicando o

modelo da Figura 25 e os resultados comparados com um modelo de redes neurais
artificiais (RNA) do tipo feedforward backpropagation, 3x5x1, empregando a
metodologia proposta. A título de ilustração, a Figura 26 traz o modelo de RNA a
ser utilizado. Para mais detalhes sobre este modelo consulte Haykin (1999).
Figura 26. Modelo de redes neurais para a previsão do preço spot

Até aqui foi apresentada a metodologia, bem como os modelos propostos

para a previsão do preço spot de energia elétrica no Brasil. Passa-se a discutir o
uso da inferência fuzzy e de sistemas neuro-fuzzy neste contexto, isto é, fornece-
se uma motivação para o emprego da inferência fuzzy na previsão de curto prazo
do preço spot de energia elétrica no Brasil.
5.5.
Inferência Fuzzy para a Previsão do Preço Spot
Mesmo antes do recente período de racionamento de energia que atravessou

o Brasil, não era preciso ser um grande especialista na área para concluir que o
fornecimento de energia depende, entre outros fatores, fortemente das vazões, do
nível de armazenamento do sistema, além, é claro, da concretização das obras
planejadas. No período de racionamento, a escassez de energia ficou indicada no
alto preço da energia no MAE, chegando ao custo de déficit, R$684,00/MWh,
durante quatro meses de 2001. No início de 2003, com os reservatórios cheios e

sem problemas com as chuvas, o mesmo MAE negocia o MWh por apenas
R$4,00.
No curto prazo, mesmo utilizando apenas o bom senso, sem nenhuma
análise estatística, é possível concluir que, se existe abundância de água (altas
vazões) e os reservatórios estão cheios (existe muita água armazenada) então os
preços são baixos. Por outro lado, se existe escassez de água e os reservatórios
estão vazios então os preços são altos.
O difícil na análise acima é quantificar os relacionamentos entre as vazões,
níveis de armazenamentos e preços, pois os conhecimentos ou expressões
lingüísticas são imprecisos, ou seja, possuem um certo grau de nebulosidade
(fuzziness) na descrição de sua natureza. Vem daí a idéia inicial de se usar a
Teoria dos Conjuntos Nebulosos (Fuzzy Sets), criada por Zadeh (1965), na
modelagem do preço spot no Brasil, pois a mesma fornece uma forte base
matemática que permite o manuseio dessas imprecisões11.
Os primeiros modelos fuzzy utilizados para a previsão do preço spot no
Brasil (Medeiros et al, 2000) mostraram que a construção das funções de
11
Não é o objetivo aqui descrever a Teoria de Conjuntos Nebulosos. Um rápido tutorial sobre o
assunto, no entanto, pode ser obtido em Mendel (1995).
pertinência para as variáveis de interesse é razoavelmente difícil. Uma pequena

variação nos parâmetros destas funções produz uma grande variação no preço
spot, indicando que o emprego de outra técnica de inteligência artificial (redes
neurais) poderia ser útil na estimação dos pesos.
De fato, os sistemas neuro-fuzzy (SNF) aplicados à previsão do preço de
curto prazo (spot) da energia elétrica no Brasil têm obtido bons resultados
(Medeiros et al, 2002; Medeiros & Souza, 2002). A razão para o bom desempenho
com esta classe de modelos é que os mesmos implementam um sistema de
inferência fuzzy através de uma arquitetura paralela distribuída, permitindo assim
a integração de conhecimentos implícitos (dados do Newave) e explícitos
(conhecimento de notório saber ou de especialistas).
Em modelagem, é comum utilizar opções híbridas dadas todas as vantagens
destas sobre as técnicas de identificação de sistemas de per si. Ao se combinarem
duas ou mais técnicas, cria-se muitas vezes um sinergismo que pode levar a um
sistema mais poderoso, ou seja, o sistema híbrido final geralmente tem mais poder
de interpretação, de aprendizado, de generalização etc. que os modelos
individuais12. Verifica-se que os sistemas ditos “inteligentes” têm aplicação em
diversas áreas, como controle, previsão, classificação, reconhecimento de padrões,
aproximação de funções, etc.
Existem basicamente três formas para a construção de sistemas híbridos a
partir das técnicas de identificação de sistemas, a saber: seqüencial; auxiliar e
incorporado (Souza, 1999:6).
Assim, no modelo híbrido seqüencial um subsistema atua como a entrada de
outro subsistema. Por exemplo, pode-se usar um pré-processador estatístico
acionando uma rede neural. Esta é a forma mais fraca de hibridização. No modelo
híbrido auxiliar, um subsistema é chamado por outro subsistema para realizar
uma tarefa auxiliar. Por exemplo, uma rede neural invoca um algoritmo genético
para realizar a otimização de seus pesos, ou de sua estrutura. Por fim, no modelo
híbrido incorporado, não há separação visível entre os subsistemas. Neste
modelo, os paradigmas estão combinados em sua forma mais forte, pois um
contém o outro. Os exemplos mais comuns de um modelo híbrido incorporado são
os sistemas neuro-fuzzy.
12
Cf. Souza (1999).
Uma série de arquiteturas de sistemas neuro-fuzzy tem sido proposta na

literatura nos últimos anos. Dentre essas, pode-se citar o sistema ANFIS (Jang,
1993); FSOM (Vuorimaa, 1994); NEFCLASS (Nauck & Kruse, 1995) e
NEFCON (Nauck & Kruse, 1994; Nürnberger, Nauck & Kruse, 1999); NFHB e
NFHQ (Souza, 1999). A maioria desses modelos trabalha com um número
reduzido de entradas, em razão da “maldição da dimensionalidade” (explosão
combinatorial), pois apresentam restrições para criar sua própria estrutura e
conjunto de regras e, em muitos casos, têm estrutura fixa13. Além disso, perde-se a
interpretabilidade quando se adota sistemas do tipo Sugeno (ver, e.g., Jang, 1993).
Passa-se a descrever o sistema ANFIS, um dos modelos mais conhecidos e
utilizados na prática, e que será utilizado no próximo capítulo para modelar o
preço spot de energia elétrica no Brasil.
5.6.
ANFIS: Adaptive Neuro-Fuzzy Inference System
5.6.1.
Descrição e Restrições
A arquitetura ANFIS (Adaptive Neuro-Fuzzy Inference System ou Adaptive

Network-based Inference System) foi proposta por J.-S. Jang (Jang, 1993). É
talvez o sistema neuro-fuzzy mais conhecido e empregado devido as suas
qualidades de bom classificador e previsor14.
Estruturalmente, verifica-se que a única limitação na configuração da rede
para os sistemas adaptativos como o ANFIS é que esta deve ser do tipo
feedforward (Jang, Sun & Mizutani, 1997). Apesar desta mínima restrição, as
redes adaptativas podem ser empregadas em uma ampla variedade de aplicações,
como na tomada de decisão, no processamento de sinais e em controle. A seguir
descreve-se a arquitetura do sistema de inferência ANFIS.
13
As exceções são as classes de modelos recursivos hierárquicos, como o NFHB e NFHQ (Souza,
1999; Souza, Vellasco & Pacheco, 2000 e 2002).
14
Uma possível extensão ao ANFIS é o modelo CANFIS (Coative Neuro-Fuzzy Modelling)
proposto por Mizutani & Jang (1995). Uma das vantagens deste modelo é que ele aceita múltiplas
entradas e múltiplas saídas.
5.6.2.
Arquitetura
Por simplicidade, considere um sistema de inferência fuzzy com duas

entradas x e y e uma saída z. Para um modelo fuzzy Sugeno de primeira ordem,
um conjunto usual de regras “se-então” é a seguinte15:
Regra 1: Se x é A1 e y é B1 , então f1 = p1 x + q1 y + r1
Regra 2: Se x é A2 e y é B2 , então f 2 = p 2 x + q 2 y + r2
A Figura 27(a) ilustra o mecanismo de raciocínio para este modelo fuzzy
Sugeno de primeira ordem com duas entradas e duas regras; a arquitetura ANFIS
equivalente é aquela mostrada na Figura 27(b), onde os nós da mesma camada
têm funções similares. A seguir, passa-se a descrever cada camada do modelo.
A1 B1
w1 f1=p1x+q1y+r1
w1f1 + w2f2
__________
f=
A2 X B2 X w1 + w2
=
- 1f1 + w- 2 f2
w
w2 f2=p2x+q2y+r2
Y y
Y
x
Camada 1
(a) Camada 4
A1 Camada 2 Camada 3 Camada 5

x y
x
w1 -1
w - 1 f1
A2 Π Ν w
Σ f
B1 Π w2
Ν -2
w
- 2 f2
w
y
B2
(b)
Figura 27. Modelo fuzzy Sugeno (a) e Arquitetura ANFIS equivalente (b)
15
Cf. Jang, Sun & Mizutani (1997).
Camada 1. Cada nó nesta camada é um nó adaptativo com uma função nó

do tipo (denota-se a saída do i-ésimo nó na camada l como Ol ,i ):
O1,i = µ Ai ( x), para i = 1, 2, ou

(5.1)
O1,i = µ Bi −2 ( y ), para i = 3, 4
onde x (ou y) é a entrada para o nó i e Ai (ou Bi −2 ) é um rótulo lingüístico (como
“pequeno” ou “grande”) associado a este nó. Em outras palavras, O1,i é a função de
pertinência de um conjunto fuzzy A (= A1 , A2 , B1 ou B2 ) e especifica o grau em que

a entrada x (ou y) satisfaz o quantificador A. Aqui, a função de pertinência para A
pode ser qualquer função de pertinência parametrizada apropriadamente, tal como
a função sino generalizada:
1
µ A ( x) = 2 bi (5.7)
x − ci
1+
ai
onde { ai , bi , ci } forma o conjunto de parâmetros.
Camada 2. Cada nó nesta camada é um nó fixo rotulado Π , cuja saída é o

produto de todos os sinais de entrada:
O2,i = wi = µ Ai ( x) µ Bi ( y ), i = 1,2. (5.8)
Cada nó de saída dessa camada representa o nível de disparo (firing

strength), wi, da regra. Em geral, qualquer operador T-norm16 pode ser usado
como função nó nesta camada.
Camada 3. Cada nó i nesta camada é um nó rotulado N. A partir dessa

camada temos o processo defuzzificador. A saída desse nó, chamada nível de
disparo normalizada, é dada pela razão entre o i-ésimo nível de disparo da regra e
a soma de todas os níveis de disparo:
wi (5.39)
O3,i = wi = , i = 1,2.
w1 + w2
16
Operadores T-norm (Triangular norm) são classes de operadores de interseção fuzzy (funções
de duas posições T(.;.)) que obedecem a requerimentos básicos de associatividade, comutatividade,
monoticidade e fronteiras. Para mais detalhes, consulte e.g. Jang (1993).
Camada 4. Cada nó i nesta camada é um nó adaptativo com uma função

nó:
O4 ,i = wi ⋅ f i = wi ( pi x + qi y + ri ) i = 1,2. (5.4)
Onde wi é um nível de disparo normalizado da camada 3 e { pi , qi , ri } é o

conjunto de parâmetros deste nó. Tem-se, então, um produto entre os níveis de
disparo normalizados e o valor do conseqüente da regra em si. Por isso,
parâmetros nesta camada são denominados parâmetros conseqüentes.
Camada 5. Cada nó i nesta camada é um nó fixo rotulado Σ , que calcula a

saída geral do sistema como a soma de todos os sinais de sua entrada:
∑w ⋅ f i i
Saída = O5,i = ∑ wi ⋅ f i = i (5.9)
i ∑w i
i
Note-se que a arquitetura dessa rede adaptativa não é única; pode-se

combinar as camadas 3 e 4 para se obter uma rede equivalente com somente

quatro camadas. Da mesma forma, é possível também normalizar os pesos na
última camada (id, ibid:338).
Finalmente, a Figura 28(a) mostra uma arquitetura ANFIS que é equivalente
a um modelo Sugeno de primeira ordem de duas entradas com nove regras, onde
cada entrada tem três funções de pertinência associadas, e a Figura 28(b) ilustra
como o espaço de entrada bi-dimensional é particionado em nove regiões fuzzy
sobrepostas (grid), cada uma delas governadas por uma regra fuzzy se-então. A
identificação dos parâmetros do modelo ANFIS é realizada, em geral,
empregando algoritmos de aprendizagem híbrida, isto é, combinando estimação
de mínimos quadrados com retropropagação (Mathworks, 2001).
Parâmetros Parâmetros do
Y
Y
da Premissa Conseqüente
x
Π Ν 1
B3
A1 Π Ν 2 3 6 9
Π Ν 3
x A2
Π Ν
B2
4
. 2 5 8
A3 . Σ
Π . Ν 5 f
.
.
B1 Π . Ν 6
B1
1 4 7
Π Ν 7
x B2
Π Ν 8
X
B3
1
Π Ν 9 A1 A2 A3
y 1
(a)
X
(b)
Figura 28. Arquitetura ANFIS para (a) modelo Sugeno e (b) espaço de entrada
6
Estudo de Casos
6.1.
Introdução
A metodologia apresentada no capítulo anterior será avaliada neste capítulo

utilizando diversos casos oficiais do MAE. “Caso” é um conjunto de arquivos
contendo os dados necessários para se obter o preço spot. Ele é atualizado a cada
estágio (mês ou semana) sendo que, na prática, o caso do mês T é calculado no
final do mês anterior, isto é, ainda em T-1. A rigor é possível utilizar a
metodologia de previsão do preço spot proposta para todo o período de
planejamento (em geral de cinco anos à frente); porém, o horizonte de previsão

que será avaliado neste capítulo é de até seis meses à frente, com discretização
mensal. Além de seis meses, parece não ser interessante a utilização da
metodologia, de acordo com os resultados encontrados.
Observe-se ainda que, desde julho de 2002, o preço spot no Brasil é definido
semanalmente pelo ONS, utilizando os programas Newave e Decomp,
desenvolvidos pelo CEPEL. Nada impede que se utilize o mesmo modelo
proposto aqui a cada semana, desde que se disponha de dados para o treinamento
do sistema neuro-fuzzy.
Para se realizar a previsão mensal a partir de julho de 2002, foi necessário
adotar o valor da primeira semana do mês como sendo o preço spot do mês em
questão. O ONS forneceu os dados de energia natural afluente (ENA) e energia
armazenada (EARM) e o MAE os de preços spot1.
Inicialmente, os valores esperados de CMO do Newave são brevemente
analisados, a partir das distribuições esperadas de CMO no período de janeiro de
2001 a maio de 2002. Elas foram obtidas de 10 cálculos oficiais de janeiro a
outubro de 2001. Em seguida, um estudo de caso passo a passo é realizado com
um determinado mês de referência (abril de 2002).
1
Dados obtidos das respectivas páginas na Internet.
Estudos de Casos 102
Ainda, aplicando-se a metodologia proposta, são obtidas distribuições

estimadas do CMO via sistemas neuro-fuzzy (SNF) para T+k, nos períodos pré-
racionamento (fevereiro a maio de 2001) e pós-racionamento (março a maio de
2002). O período pré-racionamento é particularmente importante porque antecede
aquele com preços bem elevados, embora o desafio seja ainda maior devido às
intervenções realizadas no preço spot praticado à época. Como se sabe, durante o
período de racionamento o preço spot foi definido como sendo igual ao custo de
déficit, independentemente dos resultados do programa Newave.
Faixas de variação são propostas para as variáveis de entrada do sistema e
intervalos de confiança são estabelecidos pelos percentis 5% e 95% das
distribuições estimadas do preço spot. As estatísticas de desempenho e
comparação utilizadas para o ajuste dos modelos são aquelas apresentadas nas
equações (6.1) a (6.5) abaixo. Por fim, são apresentadas as distribuições esperadas
para T+k utilizando a metodologia proposta via SNF bem como comparações das
previsões pontuais e intervalos definidos pelos percentis das distribuições.

Considere que Yt é a observação no tempo T e Ft é a previsão para o mesmo
período, com erro dado por et = Yt – Ft. Então, tem-se que:
• MAE (Mean Absolute Error ou Erro Médio Absoluto):

1 n (6.1)
∑ et
n t =1
• MSE (Mean Squared Error ou Erro Médio Quadrático):
1 n 2 (6.2)
∑ et
n t =1
• MPE (Mean Percentage Error ou Erro Percentual Médio):
1 n (6.3)
∑ PEt
n t =1
onde:
 Y − Ft 
PEt =  t  × 100
 Yt 
• MAPE (Mean Absolute Percentage Error ou Erro Perc. Médio Absoluto):
1 n (6.4)
∑ | PEt |
n t =1
• U-Theil:
2
 Ft +1 − Yt +1 
n −1
∑
t =1 
  (6.5)
U=
Yt 
2
n −1
 Yt +1 − Yt 
∑t =1 

Yt 

onde:
U = 1: o método ingênuo é tão bom quanto a técnica de previsão que esta sendo
testada;
U < 1: a técnica de previsão que está sendo testada é melhor que o método
ingênuo.
U > 1: não existe razão para utilizar a técnica de previsão que está sendo testada
uma vez que usando o método ingênuo produz-se melhores resultados.
6.2.
Análise dos Valores Esperados do CMO Obtidos do Newave
O Newave fornece valores esperados do custo marginal do sistema (CMO)

para todo o período de planejamento (em geral cinco anos), discretizados
mensalmente, para cada um dos subsistemas. Observe-se que, a cada novo cálculo
do Newave são obtidos também valores esperados de energia natural afluente
(ENA) e energia armazenada (EARM) usados no cálculo do valor esperado de
CMO de cada estágio para todo o período de planejamento.
O preço MAE para um determinado mês é calculado pelo ONS através da
construção de um novo caso ao final do mês imediatamente anterior. As saídas
oficiais utilizadas na prática fornecem N (em geral 2000) valores esperados de
CMO para o mês em questão, levando em consideração também os N valores
simulados/definidos de ENA e EARM. É preciso ressaltar que o valor do preço
spot para um determinado mês não é calculado diretamente desses 2000 valores
esperados de CMO, mas através de um único despacho, levando em consideração
as previsões de mercado, ENA e nível de armazenamento para o mês seguinte no
chamado “Programa Mensal de Operação” (PMO).
Enfim, geralmente esse conjunto de N valores de CMO é a única fonte de
informação que o tomador de decisão dispõe para sua estratégia de
comercialização. Uma pergunta importante é se as distribuições mensais
esperadas do CMO, fornecidas pelo Newave são boas (informativas, com pouca
variância) e confiáveis o suficiente para esse tomador de decisões. Na verdade,
como o Newave faz simulações de ENA (e não previsões) considerando todas as

possibilidades de ocorrência das vazões, de acordo com seu histórico, os valores
de CMO acabam sendo influenciados pela alta variabilidade das vazões,
resultando em distribuições esperadas de CMO pouco informativas e com grande
variância.
Na Figura 29 são apresentadas as curvas médias dos valores mensais de
CMO (2000 valores) no período de janeiro de 2001 a maio de 2002 obtidos do
Newave a partir de 10 cálculos oficiais (janeiro a outubro de 2001). Seus
correspondentes desvios padrão são apresentados na Figura 30.
800
700 Real
600 Jun-01
Mai-01
500
Jul-01
R$/MWh
Abr-01
400
Ago-01
300
Mar-01
200 Set-01
Fev-01
100 Out-01
Jan-01
0
jan/01 fev/01 mar/01 abr/01 mai/01 jun/01 jul/01 ago/01 set/01 out/01 nov/01 dez/01 jan/02 fev/02 mar/02 abr/02 mai/02
Figura 29. Valores médios de CMO de casos oficiais do Newave em 2001

350
300
250
jan/01
fev/01
mar/01
200
abr/01
Std(CMO)
mai/01
jun/01
jul/01
150
ago/01
set/01
out/01
100
Jan/01
50
0
jan/01 jul/01 jan/02 jul/02 jan/03 jul/03 jan/04 jul/04 jan/05 jul/05
Figura 30. D.P. do CMO de casos oficiais do Newave em 2001

Observe-se na Figura 29 que todas as médias se concentram na faixa entre

R$100/MWh e R$200/MWh ao final do horizonte de previsão. De fato, ao
considerar a entrada de obras no futuro (usinas/linhas), as estimativas do Newave
dos CMO tendem a cair para um determinado patamar, em geral abaixo do inicial.
Note-se que o comportamento dos desvios na Figura 30 mostra a enorme
dispersão do CMO.
Isso pode indicar que o preço spot apresentaria reversão à média. Porém,
observe que essas são estimativas do Newave que consideram os cenários de ENA
para o médio prazo, e não representam o comportamento do processo do preço
spot publicado (ver Figura 11), pois, no curto prazo, o preço spot sofre influência
de fatores de curto prazo, o que descartaria a aplicação do modelo de reversão
para a média.
Ainda na Figura 29, observe-se que, a partir do mês T+2, as estimativas do
CMO – dadas pela média das 2000 séries mensais de CMO – parecem
sobreestimar o preço quando o preço spot se encontra em período de subida
(janeiro a junho) e subestimá-lo quando o mesmo está decrescendo (julho a
outubro). Em outras palavras, as estimativas médias do Newave para os meses
T+k parecem guardar uma certa “memória”, não apresentando variações bruscas,
mês a mês, tal como ocorre com a série real do preço spot.
Considere-se agora o ano de 2001 como referência e as médias das 2000

séries simuladas de CMO para o mês T+k (k = 1, ..., 6), obtidas do Newave,
definidas como os valores previstos k meses-à-frente do preço spot. A Tabela 5
traz as estatísticas básicas das “previsões” do Newave, a saber: média, desvios,
erros percentuais e MAPE, entre janeiro e outubro de 2001.
Pela Tabela 5 e Figura 31 é possível notar que as médias das previsões, com
algumas exceções, crescem naturalmente com k. Além disso, são encontrados
valores altos em T=setembro e T=outubro de 2001, especialmente para o ano de
2002. Isto pode ser parcialmente explicado por ser o período final do
racionamento, fazendo com que os preços descessem para um patamar muito
baixo, da ordem de R$10/MWh, a partir de março de 2002. De fato, em patamares
como este os erros percentuais podem se tornar exorbitantes, porém eles são
obviamente menos importantes do que os mesmos erros percentuais aplicados a
valores elevados de preço spot.
Apesar de compreender o período de racionamento, a partir de junho de

2001, os resultados do Newave mostrados na Figura 29, na Figura 30 e na Figura
31 são importantes porque mostram exatamente o que o tomador de decisão
dispõe para sua estratégia de comercialização. O objetivo da próxima seção será,
então, obter melhores resultados utilizando a metodologia proposta, via sistemas
“inteligentes” (neuro-fuzzy e redes neurais). É preciso deixar claro que o modelo
proposto não substitui o Newave; muito pelo contrário, se utiliza dele para
melhorar a qualidade da informação, ou seja, melhorar a previsão do preço spot.
Tabela 5. Estatísticas das estimativas do preço do Newave (2.000 cenários)

Mês de Referência Previsões 6-meses-à-frente
Mês T T+1 T+2 T+3 T+4 T+5 T+6
Janeiro 2001 98.53 99.37 100.88 100.91 105.65 109.56
(99.59) (115.93) (128.19) (144.61) (155.81) (164.12)
{-38.53} {-40.14} {-60.00} {-78.06} {-84.55} -83.98
[65.14] [71.02] [73.60] [80.79] [84.55] [84.01]
Fevereiro 2001 216.00 218.00 222.18 223.44 229.74 235.85
(182.57) (202.59) (219.62) (231.77) (239.66) (245.73)
{30.12} {-13.56} {-51.69} {-67.33} {-66.41} {-65.52}
[88.67] [71.28] [64.24] [67.33] [66.47] [65.58]
Março 2001 251.38 255.57 258.74 259.62 265.59 274.59
(167.36) (198.83) (214.76) (227.95) (235.45) (244.07)
{-0.32} {-44.43} {-62.17} {-62.04} {-61.17} {-59.85}
[56.48] [55.13] [62.17] [62.04] [61.22] [59.96]
Abril 2001 399.62 401.04 401.17 400.28 403.99 409.56
(208.28) (238.84) (250.85) (261.90) (266.48) (281.95)
{-13.11} {-41.37} {-41.35} {-41.48} {-40.94} {21.89}
[40.23] [41.37] [41.35] [41.54] [41.00] [82.46]
Maio 2001 524.47 521.63 522.13 522.49 518.95 485.36
(189.98) (211.09) (220.64) (233.71) (252.82) (277.61)
{-23.32} {-23.74} {-23.66} {-23.61} {54.45} {44.45}
[23.32] [23.74] [23.69] [23.64] [90.09] [91.76]
Junho 2001 581.98 581.20 578.71 574.43 529.97 257.48
(150.74) (167.85) (177.96) (219.71) (262.64) (255.88)

{-14.91} {-15.03} {-15.39} {70.96} {57.73} {-23.37}
[14.91] [15.04] [15.47] [94.53] [96.09] [76.82]
Julho 2001 444.20 444.03 439.57 413.24 210.16 134.77
(185.68) (215.08) (257.99) (300.13) (233.73) (131.69)
{-35.06} {-35.08} {30.82} {22.99} {-37.45} {-59.89}
[35.06] [35.08] [77.45] [90.68] [76.68] [67.45]
Agosto 2001 308.01 312.19 313.20 173.72 113.50 110.94
(164.37) (243.66) (291.91) (224.11) (130.35) (144.09)
{-54.97} {-7.09} {-6.79} {-48.30} {-66.22} {-17.67}
[54.97] [66.92] [84.45] [80.67] [72.87] [86.04]
Setembro 2001 184.77 184.32 148.61 103.55 109.45 111.38
(157.11) (215.99) (195.92) (134.09) (149.33) (160.93)
{-45.01} {-45.14} {-55.77} {-69.18} {-18.78} {1268.31}
[59.47] [75.38] [78.32] [76.44] [88.23] [1292.75]
Outubro 2001 119.82 107.33 85.81 74.65 80.60 83.44
(151.42) (148.83) (105.20) (121.08) (138.84) (152.55)
{-64.34} {-68.05} {-74.46} {-44.60} {890.17} {616.82}
[75.66] [79.27] [77.25] [86.16] [927.58] [667.33]
Março 2002 8.06 8.12 8.27 8.18 8.31 8.32
(6.47) (7.81) (8.56) (9.04) (9.50) (9.72)
{-30.79} {-59.60} {-9.07} {-48.84} {-43.47} {19.17}
[54.88] [65.54] [75.94] [68.26] [69.60] [99.24]
Abril 2002 9.89 9.99 10.12 9.41 9.81 10.41
(6.45) (7.68) (8.43) (8.55) (9.26) (11.29)
{-50.77} {9.91} {-36.70} {-36.05} {40.51} {160.27}
[53.99] [66.00] [56.47] [60.60] [96.37] [202.87]
Maio 2002 17.55 16.97 16.70 16.93 18.41 19.92
(8.67) (9.69) (10.54) (11.69) (15.16) (19.33)
{93.12} {6.14} {13.53} {142.50} {360.24} {174.06}
[106.51] [50.68] [58.48] [159.77] [370.52] [203.33]
MAPE Médio 49.86 51.47 58.27 69.23 168.91 276.68
Legenda: Média (Desvio padrão) {Erro percentual} [MAPE da amostra]
t = Fevereiro 2001 t = Março 2001
800.00 800.00
700.00 700.00
600.00 600.00
Real Real
500.00 500.00
R$/MWh
R$/MWh
Newave Newave
400.00 400.00
Perc5 Perc5
300.00 300.00
Perc95 Perc95
200.00 200.00
100.00 100.00
0.00 0.00
mar/01 abr/01 mai/01 jun/01 jul/01 ago/01 abr/01 mai/01 jun/01 jul/01 ago/01 set/01
t = Abril 2001 t = Maio 2001
1200.00 1200.00
1000.00 1000.00
Real Real
800.00 800.00
R$/MWh
R$/MWh
Newave Newave
600.00 Perc5 600.00 Perc5
400.00 Perc95 400.00 Perc95
200.00 200.00
0.00 0.00
mai/01 jun/01 jul/01 ago/01 set/01 out/01 jun/01 jul/01 ago/01 set/01 out/01 nov/01
t = Março 2002 t = Abril 2002
35,00 40.00
35.00
30,00
30.00
25,00
Real Real
25.00
R$/MWh
R$/MWh
20,00 Newave Newave

20.00
15,00 Perc5 Perc5
15.00
10,00
Perc95 Perc95
10.00
5,00 5.00
0,00 0.00
abr/02 mai/02 jun/02 jul/02 ago/02 set/02 mai/02 jun/02 jul/02 ago/02 set/02 out/02
t = Maio 2002
70.00
60.00
50.00
Real
R$/MWh
40.00 Newave
30.00 Perc5
20.00
Perc95
10.00
0.00
jun/02 jul/02 ago/02 set/02 out/02 nov/02
Figura 31. Estimativas de preço do Newave com intervalos (perc. 5% e 95%)
6.3.
Aplicação da Metodologia Passo-a-Passo
6.3.1.
Escolha das Variáveis
Esta seção tem por objetivo realizar um estudo prático aplicando a

metodologia proposta no capítulo anterior. Observe-se que são feitas aqui
comparações com resultados do Newave, mas estas comparações não serão
exaustivas.
A configuração adotada é a do caso oficial (caso base) de abril de 2002 (T =

abril de 2002) e, a título de ilustração, o foco será apenas na previsão do preço
spot 1 passo-à-frente, ou seja, buscar-se-á uma distribuição esperada do preço spot
somente para maio de 2002. Outros horizontes e demais casos serão apresentados
na próxima seção. As variáveis que não serão utilizadas neste estudo são ENA,
EARM e CMO.
Considere-se que quando o Newave faz o cálculo com o referido caso, tem-
se uma distribuição das variáveis ENA e EARM para T+k = maio de 2002 (Figura
32). Neste caso específico, a média e desvio padrão da distribuição de ENA são de
26.000 e 5.000 MWmédios, respectivamente. A média e desvio padrão da
distribuição de EARM, por sua vez, são de 122.000 e 11.000 MW mês,
respectivamente. Observe-se que o intervalo de variação dessas variáveis é muito
grande, variando de um mínimo de 13.842 MWmédios e máximo de 45.832
MWmédios para ENA, e de 93.947 MW mês a 160.361 MW mês para a EARM.
600 500
450
500
400
350
400
300
300 250
200
200
150
100
100
50
0 0
1 1.5 2 2.5 3 3.5 4 4.5 5 0.9 1 1.1 1.2 1.3 1.4 1.5 1.6 1.7
4 5
x 10 x 10
(a) (b)
Figura 32. Histograma da (a) ENA e (b) EARM para T+1=Maio/02 (Newave)
Assim, a partir dos valores de ENA e EARM da Figura 32 é possível

calcular via despacho operativo uma distribuição esperada do CMO para cada um
dos 2000 cenários, para o mês de maio de 2002 (Figura 33). O valor esperado
(média) e a mediana desta distribuição são, respectivamente, 9,89 e 8,58 reais o
MWh. Considerando essas estatísticas como estimadores para o preço spot e
sabendo que o preço que vigorou em maio de 2002 foi de R$20,09, tem-se erros
percentuais aproximados de –50% e –57%, respectivamente2.
2
A média será a estatística usada aqui como o estimador do preço spot.
500
450
400
350
300
250
200
150
100
50
0
0 5 10 15 20 25 30 35
Figura 33. Histograma do CMO para T+1=Maio/02 (Newave)
6.3.1.1.
Definição das Faixas de Variação
De acordo com o verificado na Figura 32, os intervalos de variação de ENA

e EARM são bem grandes. Assim, o próximo passo é a definição de faixas de
variação suficientemente largas de ENA e EARM, porém com menor variância
do que as simuladas pelo Newave. Em última análise, buscam-se melhores
distribuições esperadas de ENA e EARM para maio de 2002. Isso pode ser feito
através de modelo univariados (como o ARIMA), via sistemas “inteligentes”,
através da análise das distribuições das variáveis ou mesmo de forma ad hoc.
Por exemplo, para o caso em questão, podem-se definir as seguintes faixas
de variação: ENA (15.000; 30.000) MWmédios; EARM (95.000; 120.000) MW
mês. Note-se que o CMO também ganha sua faixa de variação definida e.g., entre
(0; 30) reais o MWh. É interessante observar que essas faixas não necessariamente
devem incluir o valor real, até porque não se conhecem ainda os valores
verdadeiros para o mês T+k, isto é, maio de 2002; porém, é preciso que elas
estejam dentro dos limites mínimo e máximo dos valores simulados pelo Newave
(Figura 32). Observa-se, entretanto, que na maioria dos casos esses limites de
variação incluem os valores reais, pois estes são bem amplos. Isso acontece
também com maio de 2002, onde os valores reais de ENA e EARM foram,
respectivamente, de 23.933 MWmédios e 110.140,50 MW mês, e o preço spot
R$20,09.
6.3.1.2.
Estimação dos Parâmetros: Treinamento
O próximo passo é treinar um SNF com os dados definidos nas etapas

anteriores para que se possa obter uma estimava ou uma distribuição de CMO.
Neste estudo de caso, utilizar-se-á um sistema do tipo ANFIS, tal como descrito
no capítulo anterior3. A Tabela 6 mostra os parâmetros do modelo utilizado.
Tabela 6. Parâmetros do modelo neuro-fuzzy ANFIS

Parâmetros Valor
Número de nós 34
Número de parâmetros lineares 32
Número de parâmetros não lineares 18
Número total de parâmetros 50
Número de pares de dados de treinamento 1.714
Número de pares de dados de checagem 286
Número de regras fuzzy 8
Número de épocas 50
Número de funções de pertinência por variável de entrada 2
Tipo da função de pertinência Gbellmf
Método AND (operador t-norma) Produto
Método OR (operador t-conorma) Máximo
Na etapa de treinamento, utilizar-se-ão três variáveis: ENA, EARM e CMO,

da maneira como foi definida anteriormente no modelo previsor. A função de
pertinência associada às três variáveis de entrada é a sino generalizada, “Gbellmf”
(Generalized bell curve membership function), uma extensão da pdf Cauchy. A
Figura 34 ilustra as funções de pertinência iniciais adotadas para as variáveis de
entrada.
3
Na próxima seção, os resultados serão comparados com os obtidos através de uma rede neural.
baix o alto baix o alto

1 1
Grau de pertinenc ia
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 10 20 30 2 3 4
CMO ENA 4
x 10
baix o alto
1
0.8
0.6
0.4
0.2
1 1.2 1.4 1.6

EARM 5
x 10
Figura 34. Funções de pertinência iniciais das entradas do modelo
Diversos testes foram realizados e concluiu-se que a utilização de mais de

duas funções de pertinência por variável não apresentaria um ganho que
compensasse o esforço computacional. Além disso, o modelo fica muito ajustado
aos dados de treinamento (in sample) comprometendo os resultados de validação
do modelo (out-of-sample).
Na Tabela 7 são mostradas as regras fuzzy do sistema e as equações finais
das funções de pertinência de saída do sistema. Como são duas funções de
pertinência por variável, tem-se oito regras ao total. Observe-se que as saídas são
funções lineares das variáveis de entrada. Ainda, as funções de pertinência e as
regras definem qual das funções de saída será usada e quando.
Tabela 7. Regras fuzzy e equações finais de saída para maio de 2002

SE CMO E ENA E EARM Então PREÇO SPOT =
(é baixo) (é baixa) (é baixa) –0,3034*CMO – 0,001203*ENA – 0,0007903*EARM + 128,5
(é baixo) (é baixa) (é alta) 0,7388*CMO + 0,0001596*ENA – 0,0004341*EARM + 68,84
(é baixo) (é alta) (é baixa) 1,039*CMO – 0,0006999*ENA + 0,0001325*EARM + 18,03
(é baixo) (é alta) (é alta) –1,249*CMO – 0,0001104*ENA + 0,0000445*EARM – 6,583
(é alto) (é baixa) (é baixa) 0,3241*CMO + 0,0005609*ENA – 0,0005879*EARM + 64,79
(é alto) (é baixa) (é alta) –1,951*CMO – 0,006734*ENA – 0,0052*EARM + 828,4
(é alto) (é alta) (é baixa) –1,438*CMO + 0,005251*ENA – 0,004706*EARM + 342,4
(é alto) (é alta) (é alta) 11,36*CMO – 0,0005778*EARM + 0,0006073*EARM + 36,1
O SNF consegue um bom ajuste, como é possível verificar pela Figura 35,
que mostra o gráfico dos ajustes aos dados de treinamento e de validação com os
últimos trinta valores das respectivas amostras4, e pela Figura 36, que traz a
comparação das funções de distribuição cumulativa (cdf) das duas estimativas. A
Tabela 8, por sua vez, apresenta as estatísticas do ajuste do modelo.
Todos esses resultados comprovam que com apenas duas variáveis, ENA e
EARM, mais a estimativa do CMO, é possível ajustar um bom modelo para o
preço spot. Apesar dos resultados apresentados aqui se referirem apenas ao caso
de maio de 2002, o mesmo desempenho foi encontrado aplicando-se um SNF em
diversos meses de 2001 e 2002 (próxima seção).
25 25
Real Real
P revisto P revisto
20 20
15 15
R$/MW h
R$/MW h
10 10
5 5
0 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
(a) (b)
Figura 35. Resultados do ajuste do modelo (a) estimação e (b) validação
4
Como existiam dados suficientes, optou-se por utilizar 85% dos mesmos na amostra de
treinamento e os outros 15% na amostra de validação, aproximadamente.
0.9
0.8
0.7
0.6
F(x)
0.5
0.4
0.3
0.2
0.1 Newave
Estimada
0
0 5 10 15 20 25 30 35
x
Figura 36. CDF do Preço estimado via SNF e Newave
Tabela 8. Resultados do ajuste do SNF em T=Abril/2002 para Maio/2002
Amostras Estatísticas Valores

Treinamento MAE 1.08
(in sample) MSE 2.14

MAPE 14.82
UTHEIL 0.12
MPE 0.20
Validação MAE 1.08
(out-of-sample) MSE 1.93
MAPE 13.41
UTHEIL 0.09
MPE -0.56
Finalmente, a Figura 37 mostra o relacionamento entre o preço spot e as

variáveis ENA e EARM do caso em questão. Note-se que, segundo este
mapeamento, as relações entre o preço e as variáveis ENA e EARM, ao se levar
em consideração todo o espaço, são não-lineares, ao contrário do que se poderia
pensar inicialmente. Como se pode verificar nessa figura, um modelo linear por
partes também pode, a priori, ser uma opção para a modelagem do preço.
(a)
(b) (c)
Figura 37. Relação entre o preço spot e (a) variáveis (b) ENA (c) EARM
6.3.1.3.
Simulação e Previsão
Definidas as faixas de variação das variáveis de entrada e após o

treinamento do SNF é possível estimar uma distribuição do preço spot para T+k
(maio de 2002), a partir da simulação das variáveis de entrada segundo uma
determinada distribuição. Com relação a esta distribuição empírica das variáveis
de entrada, considera-se que não existe nenhum conhecimento prévio das
variáveis para o mês em que se quer prever, com exceção dos limites mínimo e
máximo. Em outras palavras, utilizam-se distribuições uniformes discretas para a
simulação dos valores das variáveis de entrada do modelo. Evidentemente, o uso
de distribuições mais adequadas (mais informativas) deve levar a melhores
distribuições do preço spot, porém o intuito neste capítulo é apenas demonstrar a
metodologia proposta.
Observe-se que a vantagem de se utilizar sistemas como o SNF é que todo o

procedimento é feito de forma rápida, sem a necessidade de se utilizar novamente
o Newave para investigar relações, simular valores ou fazer análises de cenários
das variáveis ENA, EARM e Preço. Além disso, a solução via SNF possibilita a
eventual simulação de um número de cenários diferente dos 2.000 do Newave.
Por exemplo, nos estudos de caso deste capítulo foram considerados 9.261
cenários de cada variável CMO, ENA e EARM na estimação do preço spot (mês
T para T+k).
Assim, após a simulação e cálculo do preço no modelo ajustado, tem-se uma
distribuição estimada do preço spot para maio de 2002 (Figura 38). Observe-se
que ela é única para as distribuições das variáveis de entrada adotadas.
Obviamente, ao se alterar as distribuições simuladas, muda-se também a
distribuição esperada para o preço spot do mês em questão.
1800
1600
1400
1200
1000
800
600
400
200
0
5 10 15 20 25 30 35
Figura 38. Histograma do preço spot estimado para T+1=Mai/02
É interessante notar, também, que a média da distribuição estimada da

Figura 38 é R$18,01, ou seja, obteve-se agora um erro percentual na previsão
pontual de aproximadamente –10%. Os percentis 5% e 95% da distribuição
estimada são de R$9,41 e R$27,63, respectivamente.
Apesar do erro percentual via SNF ter sido bem menor do que o obtido pelo
Newave, o mais importante é que a distribuição estimada do preço para maio de
2002 é mais informativa e “comportada” do que a distribuição obtida com os
2.000 valores de CMO (Figura 33), o que traz um ganho para o tomador de
decisão.
Uma observação importante é que nos testes realizados, os eventuais valores
de preço maiores que o custo de déficit foram truncados em R$684,00 e o menor
valor adotado de saída do modelo foi de R$4,00. Estes são os respectivos valores
máximos e mínimos adotados atualmente para o preço spot. Note-se que o SNF
proposto é flexível caso esses valores máximos e mínimos venham a sofrer
qualquer alteração no futuro. A seguir, diversos outros casos serão apresentados e
resultados comparados para diferentes horizontes de previsão.
6.4.
Estudos Comparativos
Nesta seção são apresentados os resultados a partir de diversos meses de

2001 e 2002. Dois períodos foram escolhidos para a previsão do preço spot: um
período pré-racionamento (fevereiro a maio de 2001) e outro pós-racionamento

(março a maio de 2002).
O primeiro período é importante porque apresenta uma fase de elevação nos
preços e valores próximos ao custo de déficit, embora tenham ocorrido neste
período fortes intervenções na série de preço. Como se constatará, esse período
em particular representa um enorme desafio para os modelos de previsão em
decorrência da subida drástica no preço spot praticado. O segundo período, pós-
racionamento, é também muito importante porque apresenta preços em um
patamar muito baixo (R$4,00/MWh a R$20,00/MWh), com uma transição nada
suave com o período anterior (racionamento).
Na Figura 39 são mostradas comparações das previsões pontuais via
Newave, SNF e RNA. Observe-se que a denominação “faixas” no gráfico refere-
se à aplicação dos respectivos métodos apenas utilizando os dados do Newave
compreendidos dentro das faixas de variação das variáveis de entrada CMO, ENA
e EARM, definidas mais adiante na Tabela 10 (ou seja, um subconjunto dos 2000
cenários). Note-se, ainda, que a solução via SNF é a que melhor segue o
movimento do preço spot, tendo a solução RNA também obtido bons resultados.
A Tabela 9 mostra os MAPE das estimativas pontuais do preço spot
considerando os seis meses-à-frente. Observe-se que, em média, o MAPE da
metodologia empregando os SNF foi ligeiramente menor que o das RNA e

aproximadamente 10% menor do que o do Newave.
800 800
700 Real 700
Real
600 Newave 600 Newave
500 Newave faixas 500 Newave faixas
R$/MWh
R$/MWh
400 RNA 400 RNA
300 RNA faixas Newave 300 RNA faixas Newave
200 SNF 200 SNF
100 SNF faixas Newave 100 SNF faixas Newave
0 0
t = Abril 2001 t = Maio 2001
800 800
700 700
Real Real
600 Newave 600 Newave
500 Newave faixas 500 Newave faixas
R$/MWh
R$/MWh
400 RNA 400 RNA

300 RNA faixas Newave 300 RNA faixas Newave
200 SNF 200 SNF
100 SNF faixas Newave 100 SNF faixas Newave
0 0
45 25
40
Real Real
35 20
Newave Newave
30
Newave faixas Newave faixas
R$/MWh
R$/MWh
15
25
RNA RNA
20
RNA faixas Newave 10 RNA faixas Newave
15
10
SNF SNF
5
5
SNF faixas Newave SNF faixas Newave
0 0
t = Maio 2002
20
18
16
Real
14 Newave
Newave faixas
R$/MWh
12
10 RNA
8 RNA faixas Newave
6
SNF
4
SNF faixas Newave
2
0
Figura 39. Comparação entre as previsões pontuais e os valores reais
Tabela 9. MAPE das previsões pontuais seis meses-à-frente

Mês T Newave RNA SNF
fev/01 49.11 46.97 42.93
mar/01 48.33 31.70 36.20
abr/01 33.36 32.43 23.17
mai/01 32.21 34.08 32.74
mar/02 34.65 45.71 64.78
abr/02 55.07 79.14 64.35
mai/02 132.65 49.79 53.65
Média 55.05 45.69 45.40
Tabela 10. Faixas de variação das variáveis CMO, ENA e EARM
Mês T T+k CMO ENA EARM

fev/01 mar/01 [100; 200] [30000; 40000] [50000; 60000]
abr/01 [100; 300] [20000; 40000] [50000; 60000]
mai/01 [100; 300] [15000; 25000] [35000; 60000]
jun/01 [400; 680] [8000; 20000] [30000; 60000]
jul/01 [400; 684] [8000; 15000] [25000; 45000]
ago/01 [400; 684] [8000; 15000] [25000; 45000]
mar/01 abr/01 [100; 400] [20000; 40000] [50000; 60000]
mai/01 [100; 500] [15000; 25000] [40000; 50000]
jun/01 [400; 684] [8000; 20000] [30000; 50000]
jul/01 [400; 684] [8000; 15000] [25000; 45000]
ago/01 [400; 684] [8000; 12000] [25000; 40000]
set/01 [400; 684] [5000; 10000] [15000; 40000]
abr/01 mai/01 [200; 500] [15000; 25000] [40000; 50000]
jun/01 [400; 600] [10000; 25000] [30000; 45000]
jul/01 [400; 684] [6000; 15000] [25000; 45000]
ago/01 [400; 684] [6000; 15000] [15000; 25000]
set/01 [400; 684] [6000; 15000] [15000; 25000]
out/01 [400; 684] [20000; 40000] [35000; 55000]
mai/01 jun/01 [400; 600] [8000; 20000] [30000; 45000]

jul/01 [400; 680] [6000; 15000] [25000; 45000]
ago/01 [400; 684] [6000; 15000] [15000; 25000]
set/01 [400; 684] [6000; 15000] [15000; 35000]
out/01 [500; 684] [6000; 35000] [6000; 10000]
nov/01 [300; 684] [20000; 35000] [15000; 35000]
mar/02 abr/02 [0; 30] [20000; 30000] [95000; 120000]
mai/02 [0; 100] [20000; 30000 [95000; 120000]
jun/02 [0; 100] [10000; 35000] [85000; 130000]
jul/02 [0; 100] [20000; 30000] [95000; 120000]
ago/02 [0; 100] [10000; 15000] [95000; 120000]
set/02 [0; 100] [10000; 20000] [70000; 140000]
abr/02 mai/02 [0; 30] [15000; 30000] [95000; 120000]
jun/02 [0; 40] [15000; 30000] [95000; 120000]
jul/02 [0; 40] [15000; 30000] [80000; 100000]
ago/02 [0; 40] [10000; 25000] [80000; 100000]
set/02 [0; 50] [10000; 15000] [85000; 90000]
out/02 [0; 50] [10000; 25000] [85000; 120000]
mai/02 jun/02 [0; 35] [15000; 30000] [95000; 120000]
jul/02 [0; 35] [10000; 25000] [90000; 120000]
ago/02 [0; 50] [10000; 20000] [80000; 100000]
set/02 [0; 50] [10000; 20000] [80000; 100000]
out/02 [0; 50] [10000; 20000] [80000; 100000]
nov/02 [0; 50] [10000; 40000] [80000; 120000]
Pode-se melhorar os resultados dos modelos SNF e RNA apenas

aumentando-se o número de cenários. Por exemplo, para o mês de abril de 2002,
aumentando-se o número de cenários de 9.261 (default nos estudos) para 29.791,

consegue-se uma diminuição no índice dos SNF de 64,35% para 51,45%, isto é,
mais de 20% de melhora do MAPE, abaixo inclusive do valor obtido pelo
Newave. Mudanças nas faixas de variação também levam a significativas quedas
dessa estatística.
Finalmente, na Figura 40, são mostradas as previsões do preço spot a partir
de cada mês T para os meses T+k de junho a agosto de 2001 e de junho de 2002 a
agosto de 2002; Deve-se notar que diferentemente dos estudos anteriores, fixam-
se agora os meses T+k e varia-se o mês de referência T.
t + k = Junho 2001 t + k = Julho 2001
700 700
600 fev/01 600 fev/01
500 mar/01 500 mar/01
R$/MWh
R$/MWh
400 400
abr/01 abr/01
300 300
200
mai/01 200
mai/01
100 Real 100 Real
0 0
Newave Newave RNA faixas SNF faixas RNA SNF Newave Newave RNA faixas SNF faixas RNA SNF
faixas Newave Newave faixas Newave Newave
t + k = Agosto 2001 t + k = Junho 2002
700 35
600 fev/01 30
mar/02
500
abr/02
R$/MWh
400
mar/01 25
R$/MWh
300 abr/01 20 mai/02

200 15
mai/01 Real
100
10
0 Real
5
Newave Newave RNA SNF RNA SNF
0
faixas faixas faixas
New ave New ave RNA faixas SNF faixas RNA SNF
Newave Newave faixas New ave New ave
t + k = Julho 2002 t + k = Agosto 2002
20 30
18 mar/02 mar/02
16 25
14 abr/02 abr/02
20
R$/MWh
R$/MWh
12
10
mai/02 mai/02
15
8 Real 10
Real
6
4 5
2
0 0
New ave New ave RNA faixas SNF faixas RNA SNF New ave New ave RNA faixas SNF faixas RNA SNF
faixas New ave New ave faixas New ave New ave
t + k = Setembro 2002
25
mar/02
20
abr/02
R$/MWh
15
mai/02
10
Real
5
0
Newave Newave RNA faixas SNF faixas RNA SNF
faixas Newave Newave
Figura 40. Comparações entre os modelos para diversos meses-à-frente
Pode-se verificar pela Figura 40 que os métodos obtiveram resultados

semelhantes no período pós-racionamento, devido aos preços spot baixos
praticados à época. No entanto, em todos os casos as estimativas do Newave
crescem com os meses, independentemente se o preço esteja subindo ou em

queda.
Além disso, o Newave não conseguiu captar os preços spot elevados no
período pré-racionamento com alguns meses de antecedência, como se pode
verificar, e.g., nas estimativas feitas em T=fevereiro, março e abril de 2001 para
T+k com k=junho, julho e agosto de 2001, ao contrário dos SNF e do modelo de
redes neurais que conseguiram prever uma subida considerável nos preços com
seis meses de antecedência.
Na Figura 41 são mostradas as previsões pontuais (médias das distribuições
simuladas) via SNF com intervalos definidos pelos percentis 5% e 95%.
Comparando-as com os valores do Newave, verifica-se que os intervalos obtidos
aqui são bem mais “justos” do que os do Newave, sendo que os mesmos incluem
todos os valores reais no período pós-racionamento. Observe-se, porém, que no
período pré-racionamento, especialmente em fevereiro e março de 2001, os
intervalos definidos pelos percentis das distribuições não incluíram os valores

reais, que, aliás, foram definidos como sendo o custo de déficit.
800.00 800.00
700.00 700.00
600.00 600.00
Real 500.00
500.00 Real
R$/MWh
SNF
R$/MWh
400.00 400.00 SNF
Perc5
300.00 300.00 Perc5
Perc95
200.00 200.00 Perc95
100.00 100.00
0.00 0.00
mar/01 abr/01 mai/01 jun/01 jul/01 ago/01 -100.00 abr/01 mai/01 jun/01 jul/01 ago/01 set/01
t = Abril 2001 t = Maio 2001
1200.00 1200.00
1000.00 1000.00
Real Real
800.00 800.00
R$/MWh
R$/MWh
SNF SNF
600.00 Perc5 600.00 Perc5
400.00 Perc95 400.00 Perc95
200.00 200.00
0.00 0.00
60.00 45.00
40.00
50.00
35.00
40.00 Real 30.00 Real
R$/MWh
R$/MWh
SNF 25.00 SNF

30.00
Perc5 20.00 Perc5
20.00 Perc95 15.00 Perc95

10.00
10.00
5.00
0.00 0.00
t = Maio 2002
45.00
40.00
35.00
30.00 Real
R$/MWh
25.00 SNF
20.00 Perc5
15.00 Perc95
10.00
5.00
0.00
Figura 41. Estimativas de preço via SNF com intervalos (perc. 5% e 95%)
A Tabela 11 mostra os valores estimados (previsões pontuais) do preço spot

com a aplicação do SNF k-meses-à-frente, com k = 1, ..., 6. Traz também os erros
percentuais e MAPE. Comparando-os com os resultados do Newave, nota-se que
os desvios e o MAPE médio são, em geral, menores com a metodologia proposta,
embora se possa encontrar também valores exorbitantes para os erros percentuais
e MAPE (e.g., em maio de 2001 para k = 4, 5 e 6).
Tabela 11. Estatísticas das previsões do preço spot com SNF (9.261 cenários)
Mês T T+1 T+2 T+3 T+4 T+5 T+6
Fevereiro 2001 449.94 273.17 420.92 564.60 531.91 478.44
(61.74) (112.32) (103.69) (71.20) (88.83) (197.84)
{171.05} {8.31} {-8.48} {-17.46} {-22.24} {-30.05}
[171.05] [38.18] [19.33] [18.23] [23.30] [36.64]
Março 2001 279.93 441.96 491.39 446.70 266.13 147.90
(108.41) (104.76) (110.95) (141.57) (146.56) (126.64)
{11.00} {-3.90} {-28.16} {-34.69} {-61.09} {-78.38}
[36.21] [19.29] [28.19] [34.72] [61.09] [78.38]
Abril 2001 486.11 515.86 552.68 561.04 1145.29 322.15
(120.39) (115.46) (172.23) (103.50) (1638.20) (1454.77)
{5.70} {-24.58} {-19.20} {-17.98} {67.44} {-4.12}
[22.89] [24.59] [21.16] [18.30] [161.55] [182.97]
Maio 2001 572.14 431.33 502.10 568.23 572.75 238.01
(77.99) (221.83) (200.98) (1558.93) (603.50) (876.80)
{-16.35} {-36.94} {-26.59} {-16.93} {70.46} {-29.16}
[16.35] [37.02] [27.43] [138.75] [146.02] [137.17]
Março 2002 10.33 20.75 25.35 14.23 13.19 19.49
(5.89) (8.13) (17.53) (15.39) (6.60) (11.74)
{-11.22} {3.30} {178.90} {-5.69} {-10.36} {179.18}
[44.57] [33.23] [188.96] [76.89] [37.72] [182.28]
Abril 2002 18.01 10.90 8.60 11.68 10.80 13.50
(5.62) (5.24) (5.69) (7.58) (3.87) (11.71)

{-10.34} {19.88} {-42.99} {-20.60} {54.77} {237.49}
[24.83] [51.25] [49.35] [48.43] [70.57] [244.90]
Maio 2002 12.24 10.82 16.58 11.88 9.72 9.68
(5.48) (6.75) (11.22) (8.26) (4.95) (9.80)
{34.70} {-28.28} {12.69} {70.14} {142.90} {33.21}
[56.50] [45.86] [55.47] [96.43] [147.09] [88.98]
MAPE Médio 53.20 35.63 55.70 61.68 92.48 135.90
Legenda: Estimativa SNF (Desvio padrão) {Erro percentual} [MAPE dos cenários]
Utilizando as mesmas faixas de variação definidas na Tabela 10, a Figura 42

mostra os resultados a partir de um modelo de redes neurais artificiais (RNA) do
tipo feedforward backpropagation, 3x5x1 (Figura 26).
800.00 800.00
700.00 700.00
600.00 600.00
Real Real
500.00 500.00
R$/MWh
R$/MWh
RNA RNA
400.00 400.00
Perc5 Perc5
300.00 300.00
Perc95 Perc95
200.00 200.00
100.00 100.00
0.00 0.00
t = Abril 2001 t = Maio 2001
1200.00 1200.00
1000.00 1000.00
Real Real
800.00 800.00
R$/MWh
R$/MWh
RNA RNA
600.00 Perc5 600.00 Perc5
400.00 Perc95 400.00 Perc95
200.00 200.00
0.00 0.00
50.00 30.00
40.00 25.00
Real 20.00 Real

R$/MWh
R$/MWh
30.00
RNA RNA
15.00
20.00
Perc5 Perc5
Perc95 10.00 Perc95

10.00
5.00
0.00 0.00
t = Maio 2002
25.00
20.00
Real
R$/MWh
15.00
RNA
10.00
Perc5
Perc95
5.00
0.00
Figura 42. Estimativas de preço via RNA com intervalos (perc. 5% e 95%)
Ainda com relação à Figura 42, observe-se que os intervalos definidos

pelos percentis são menores nos modelos de RNA do que nos SNF, embora mais
valores reais do preço estejam fora dos intervalos de confiança.
A Tabela 12 mostra os valores estimados do preço com a aplicação das
RNA k-meses-à-frente, com k = 1, ..., 6, bem como os erros percentuais e MAPE.
Comparando os resultados com os do SNF e do Newave, nota-se que os desvios e
os MAPE são, em geral, menores, e são encontrados menos valores exorbitantes.
Assim, as estatísticas de comparação são, em geral, melhores nos modelos de
RNA, mas suas previsões pontuais podem eventualmente cair fora do intervalo de
confiança, o que não ocorre com o Newave e os sistemas neuro-fuzzy.
Tabela 12. Estatísticas das previsões do preço spot com RNA (9.261 cenários)
Mês T T+1 T+2 T+3 T+4 T+5 T+6
Fevereiro 2001 442.61 267.53 421.28 516.51 476.48 370.29
(50.91) (125.69) (107.19) (101.51) (102.28) (83.25)
{166.63} {6.08} {-8.40} {-24.49} {-30.34} {-45.86}
[166.63] [42.70] [20.32] [24.49] [30.34] [45.86]
Março 2001 239.27 434.15 483.73 448.42 326.77 249.61
(126.98) (100.25) (111.09) (132.74) (88.68) (35.53)
{-5.13} {-5.60} {-29.28} {-34.44} {-52.23} {-63.51}
[44.62] [18.93] [29.28] [34.44] [52.23] [63.51]
Abril 2001 513.09 539.16 547.00 603.96 285.31 94.74
(92.38) (100.05) (129.59) (72.49) (101.50) (37.70)
{11.56} {-21.17} {-20.03} {-11.70} {-58.29} {-71.80}
[19.92] [21.17] [20.12] [11.70] [58.29] [71.80]
Maio 2001 568.14 540.30 586.22 212.79 380.20 100.07
(83.61) (140.75) (83.47) (156.63) (121.61) (0.00)
{-16.94} {-21.01} {-14.30} {-68.89} {13.16} {-70.22}
[16.94] [21.01] [14.30] [68.89] [30.08] [70.22]
Março 2002 10.25 21.14 13.50 5.29 17.30 15.78
(6.35) (5.88) (3.13) (2.25) (3.98) (6.06)
{-11.90} {5.21} {48.50} {-64.97} {17.57} {126.08}
[48.06] [24.54] [54.92] [64.97] [25.47] [129.12]
Abril 2002 17.04 13.73 9.52 11.44 13.77 14.09
(5.11) (4.00) (4.82) (5.28) (2.74) (5.96)

{-15.18} {51.07} {-36.92} {-22.20} {97.28} {252.17}
[24.72] [55.04] [42.21] [35.97] [97.28] [252.62]
Maio 2002 14.03 11.80 14.42 10.88 10.22 6.60
(4.34) (6.26) (4.32) (2.45) (3.01) (5.67)
{54.35} {-21.79} {-1.96} {55.91} {155.50} {-9.23}
[57.63] [40.54] [24.55] [56.44] [155.50] [66.14]
MAPE Médio 54.07 31.99 29.39 42.41 64.17 99.90
Legenda: Estimativa RNA (Desvio padrão) {Erro percentual} [MAPE dos cenários]
7
Conclusão
7.1.1.
Considerações Finais
Uma metodologia foi proposta para a previsão do preço spot da energia

elétrica em sistemas hidrotérmicos com base hidráulica, como o brasileiro,
baseada em sistemas neuro-fuzzy e programas do planejamento da operação.
Construiu-se uma função “preço spot” para horizontes de previsão de até seis
meses através da simulação do cálculo feito pelo Newave, considerando variáveis
como energia natural afluente, energia armazenada e custo marginal de operação,
sendo fixas as demais condições. As distribuições estimadas do preço spot obtidas

nos casos estudados são mais informativas e com menor dispersão do que àquelas
disponíveis via Newave.
Uma importante característica do modelo de previsão proposto é sua
rapidez. O sistema leva menos de 1 minuto para estimar o preço em T para T+k
(k=1,..., 6), viabilizando análises de sensibilidade, de cenários ou simulações dos
níveis de armazenamentos e afluências, Além disso, é possível expressar a relação
(estrutura) existente entre as principais variáveis que afetam o preço, devido às
características intrínsecas de um modelo neuro-fuzzy (regras fuzzy).
No capítulo introdutório, foram apresentadas as principais motivações para a
previsão do preço spot – levando-se em conta o novo paradigma do setor elétrico
–, uma discussão sobre a literatura nacional e internacional sobre o tema, os
objetivos principais da tese, as principais hipóteses e as condições sob as quais os
resultados são válidos.
As principais motivações que levaram a maioria dos países do mundo a
adotar a visão mercadológica no setor de energia elétrica nas últimas duas décadas
foram apresentadas no segundo capítulo. Além disso, foram discutidos as
principais características, os desafios e as perspectivas do processo de reformas do
setor elétrico, sendo a experiência brasileira destacada.
Conclusão 127
Abordaram-se, também, os modelos teóricos de mercados, apresentando

duas classificações para os diversos processos de reestruturação da indústria de
energia elétrica: a de Tenenbaum et al (1992) e a de Hunt & Shuttleworth (1996).
Além disso, as correntes mercadológicas Pool e bilateral foram descritas
brevemente, bem como o sistema de despacho adotado no Brasil, denominado
“Tigh Pool”. Finalmente, a modelagem da política de energia e do mercado foi
abordada introduzindo os sistemas dinâmicos (SD), seus objetivos e processos de
construção, incluindo alguns exemplos da estratégia de decisão em lances nos
leilões de energia para o curto e longo prazos.
No terceiro capítulo, apresentaram-se as principais características do sistema
elétrico brasileiro e o processo de formação do preço spot da energia elétrica no
Brasil e no mundo, com ênfase para os sistemas hidrotérmicos. Ressalta-se a
importância do planejamento da operação para a construção de modelos previsão
do preço da energia elétrica no Brasil, pois é através de sua cadeia de modelos,
desenvolvido pelo Cepel, que se pode obter, para cada subsistema, o custo
marginal de operação, atualmente o valor base para o preço nas negociações no
âmbito do mercado atacadista de energia.
Ainda com relação ao terceiro capítulo, é interessante observar que o cálculo
da função de custo futuro não leva em consideração o fato de que um déficit de
carga (racionamento) geralmente leva a prejuízos bem maiores que aqueles
causados por um vertimento. Em outras palavras, um racionamento tem
exatamente o mesmo peso que um vertimento no cálculo do custo operativo. Se
um peso maior fosse dado a uma afluência mais baixa, o valor esperado do custo
operativo seria maior, alterando assim a própria função de custo futuro, o que
poderia indicar um sinal econômico mais adequado para a expansão do sistema.
O quarto capítulo apresentou a questão dos riscos econômico-financeiros no
mercado de compra e venda de eletricidade, especialmente para o Brasil.
Inicialmente, fez-se uma análise descritiva das variáveis mais importantes para o
preço no escopo do risco hidrológico, incluindo o custo marginal de operação.
Abordou-se, também, o problema da volatilidade do preço spot no Brasil. Noções
sobre os riscos financeiros da contratação ou exposição ao preço spot foram
apresentadas e discutiram-se, brevemente, as medidas de risco mais usadas na
prática, como a volatilidade, a medida de arrependimento minimax, o valor a risco
(Value-at-Risk) e a função utilidade. Além disso, foram analisados os contratos de
Conclusão 128
energia elétrica, um dos mais comuns instrumentos de proteção (hedge) da

indústria.
No quinto capítulo, procurou-se descrever a metodologia proposta para a
previsão do preço de curto prazo (“spot”) no Brasil (seis meses à frente) usando
uma abordagem proposta de simulação através de sistemas neuro-fuzzy.
Inicialmente, foi apresentado o estado da arte em previsão do preço spot de
energia elétrica no Brasil e no mundo. Os modelos de previsão do preço spot
foram definidos e discutidos.
No sexto capítulo, foram apresentados e discutidos alguns estudos de caso
usando a metodologia proposta no capítulo anterior para a previsão do preço spot
no Brasil. Inicialmente, fez-se um estudo passo-a-passo aplicando o modelo
neuro-fuzzy ANFIS ao caso do mês de abril de 2002, para, em seguida, apresentar
diversos casos em dois períodos definidos: pré e pós-racionamento (junho de 2001
a fevereiro de 2002).
Todas as distribuições estimadas dos preços spot foram mostradas, bem

como resultados em termos de erros relativos e MAPE. Verificou-se que essas
distribuições apresentaram melhores propriedades estatísticas e forneceram
informações mais qualificadas ao tomador de decisões, com respeito às previsões
do preço spot no Brasil até seis passos à frente, do que àquelas obtidas utilizando
apenas o Newave.
É interessante observar, ainda, que a definição de faixas de variação para as
variáveis de entrada do modelo trouxe melhores resultados para a previsão do
preço, uma vez que permite que especialistas possam sugerir distribuições para as
variáveis simuladas.
Verificou-se que os erros de previsão são função do número de simulações e
dos tipos de distribuições ou faixas de variação adotados. Empregou-se uma
distribuição uniforme discreta para simular cada variáveis de entrada, entretanto, o
uso de outras distribuições empíricas, certamente trará melhores resultados para as
previsões, diminuindo a incerteza e o risco na estratégia de comercialização.
Nos estudos de caso, a título de comparação com o modelo neuro-fuzzy, foi
utilizado ainda um modelo usual de redes neurais do tipo feedforward
backpropagation. Os resultados encontrados utilizando os sistemas “inteligentes”
nos encorajam a continuar pesquisando o assunto.
Conclusão 129
7.1.2.
Trabalhos Futuros
Como trabalhos futuros, propõe-se investigar:

• Outras distribuições para as variáveis de entrada dos modelos inteligentes
(neuro-fuzzy/redes neurais). O uso de distribuições uniformes, como se fez
na tese, por um lado permite o uso do modelo de previsão quando não se
dispõe de qualquer informação à respeito do preço para T+k, mas, por
outro lado traz um aumento na dispersão da distribuição estimada do preço
spot;
• Outras variáveis importantes para a previsão do preço spot, bem como o
uso de valores semanais. O preço spot semanal no Brasil merece ser
investigado, apesar do modelo oficial de formação do preço “Decomp”
não fornecer, ainda, os valores sintéticos semanais de armazenamentos,
afluências e custo marginais de operação, necessários para o treinamento
do modelo neuro-fuzzy;
• Modelo geral para todo o ano. Utilizando a metodologia da tese, criar-se-ia
um modelo único para o ano todo, podendo ou não referenciar no modelo
o mês a ser previsto;
• Outros sistemas neuro-fuzzy, particularmente os hierárquicos do tipo do
NFHB e NFHQ (Souza et al 2002 e 2000; Souza, 1999). Uma grande
vantagem de tais sistemas é a interpretabilidade das relações entre as
variáveis, informando diretamente quais variáveis de entrada são as mais
importantes para o preço spot, devido à estrutura hierárquica em árvore
dessa classe de modelos;
• Modelos de volatilidade do tipo ARCH-GARCH para o preço spot.
Bibliografia
ABREU, Y.V. A Reestruturação do Setor Elétrico Brasileiro: Questões e

Perspectivas. Dissertação de Mestrado. Universidade de São Paulo (USP),
1999.
AIRES, J.C.O.; PEREIRA, M.V.F.; LIMA, M.C.; BARROSO, L.A. & LINO, P.
The Efectiveness of Demand Elasticity in Competitive Hydrothermal
Systems. 14th Power Systems Computation Conference, Sevilla, 24-28 July,
2002.
ALVARADO, F. Market Power: A Dynamic Definition, 1998. [On-line]

<http://www.pserc.wisc.edu/ecow/get/publicatio/1998public/paper1.pdf>.
Acesso em: 01/02/2003.
AMARAL, L.F. Modelos Lineares e Não-Lineares na Modelagem do Preço

Spot de Energia Elétrica do Brasil. Dissertação de Mestrado. Dept. Eng.

Elétrica. Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio),
2003.
AMARAL, L.F. & SOUZA, R.C. Modelos Autoregressivos de Múltiplos

Regimes com Transição Suave na Modelagem do Preço de Curto Prazo
(“Spot”) de Energia Elétrica. Relatório PUC-Rio/CEPEL, 2002.
ANCONA, J.J. A Bid Solicitation and Selection Method for Developing a

Competitive Spot Pricee Electric Market. IEEE Transactions on Power
Systems, vol. 12, no. 2, 1997.
ANGELUS, A. Electricity Price Forecasting in Deregulated Markets. The

Electricity Journal, April, 2001, p. 32-41.
AROCENA, P.; KÜHN, K.-U. & REGIBEAU, P. Regulatory Reform in the

Spanish Electricity Industry: A Missed Opportunity for Competition.
Energy Policy, no. 27, 1999, p. 387-399.
BAÍLLO, A.; VENTOSA, M.; RIVIER, M.; RAMOS, A. & RELAÑO, G.

Bidding in a Day Ahead Electricity Market: A Comparison of
Decomposition Techniques. 14th Power Systems Computation Conference,
Sevilla, 24-28 July, 2002.
BARROSO, L.A.N. Esquemas Competitivos em Sistemas Hidrotérmicos:

Comportamento Estratégico de Agentes Geradores em Ambiente de
Mercado. Dissertação de Mestrado. Instituto de Matemática, Universidade
Federal do Rio de Janeiro (UFRJ), 2000.
Bibliografia 131
BASTIAN, J.; ZHU, J.; BANUNARAYANAN, V. & MUKERJI, R. Forecasting

Energy Prices in a Competitive Market. IEEE Computer Application in
Power, July, 1999, p. 40-45.
BEGGS, C. Energy Management, Supply and Conservation. Oxford:

Butterworth-Heinemann, 2002.
BERNARD, J.; ETHIER, R.; MOUNT, T. & SCHULZE, W.; ZIMMERMAN,

R.D.; GAN, D.; MURILLO-SÁNCHEZ, C.; THOMAS, R.J. & CHULER,
R. Markets for Electric Power: Experimental Results for Alternative
Auction Institutions. IEEE Proceedings of the Hawaii International
Conference On System Sciences, Kona, Hawaii, 1997.
[Also available on-line] <http://www.pserc.wisc.edu/ecow/get/publicatio/
1998public/HICSS98 _ Mount.pdf>. Acesso em: 01/02/2003.
BERTSEKAS, D. Nonlinear Programming. MIT, 1995.
BINATO, S & PEREIRA, M.V.F. Decentralized Planning of Hydroelectric

Power Systems. IEEE Transactions on Power Systems, vol. 10, no. 1,
1995.
BINATO, S.; PEREIRA, M.V.F. & GRANVILLE,A New Benders

S.
Decomposition Approach to Solve Power Transmission Network
Design Problems. IEEE Transactions on Power Systems, vol. 16, no. 2,
2001.
BJORGAN, R.; LIU, C.-C. & LAWARRÉE, J. Financial Risk Management in a

Competitive Electricity Market. IEEE Transaction on Power Systems,
vol. 14, no. 4, 1999.
BOWER, J.; BUNN, D.W. & WATTENDRUP, C. A Model-based Analysis of

Strategic Consolidation in the German Electricity Industry. Energy
Policy, no. 29, 2001, p. 987-1005.
BORENSTEIN, S. Understanding Competitive Pricing and Market Power in

Wholesale Electricity Markets. The Electricity Journal, July, 2000, p. 49-
57.
BORENSTEIN, S. The Trouble With Electricity Markets and California's

Electricity Restructuring Disaster. Program on Workable Energy
Regulation (POWER). University of California Energy Institute, 2001.
BORENSTEIN, S. & BUSHNELL, J. An Empirical Analysis of the Potential

for Market Power in California’s Electricity Industry. Program on
Workable Energy Regulation (POWER). University of California Energy
Institute, 1997.
[On-line] <http://www.ucei.berkeley.edu/PDF/pwp044.pdf>. Acesso em:
11/12/2002.
Bibliografia 132
BORENSTEIN, S.; BUSHNELL, J.; KNITELL, C.R. & WOLFRAM, C. Trading

Inefficiences in California’s Electricity Market. Program on Workable
Energy Regulation (POWER). University of California Energy Institute,
2001.
11/12/2002.
BORN, P.H. & ALMEIDA, A.A. Mudanças Estruturais no Setor Elétrico:

Formação e Regulação de Preços. Seminário Internacional da CIER.
Quito, Equador, 1998.
[On-line]<http://www.provedor.nuca.ie.ufrj.br/provedor/biblioteca/
regulação.htm>. Acesso em 11/12/2002.
BOX, G.E.P.; JENKINS, G.M. & REINSEL G.C. Time Series Analysis:
Forecasting and Control, third edition, Prentice Hall, 1994.
BREIPOHL, A.M. Electricity Price Forecasting Models. IEEE Power

Engineering Society Winter Meeting, vol. 2, 2002.
BROWN, A.C. The Privatization of Brazil’s Electricity Industry: Sector

Reform or Restatement of the Government’s Balance Sheet? Inter-
American Development Bank, 2002.
BRUNEKREEFT, G. A Multiple-unit, Multiple-period Auction in the British

Electricity Spot Market. Energy Economics, no. 23, 2001, p. 99-118.
BUNN, D.W. (Ed.) Strategic Price Risk in Wholesale Power Markets. London:
Risk Books, 2001.
BUNN, D.W. & OLIVEIRA, F.S. Agent-based Simulation – An Application to

the New Electricity Trading Arrangements of England and Wales.
IEEE Transactions on Evolutionary Computation, vol. 5, no. 5, 2001.
BUNN, D.W. Forecasting Loads and Prices in Competitive Power Markets.

Proceedings of the IEEE, vol. 88, no. 2, 2000.
BUNN, D.W. & LARSEN, E.R. System Modelling for Energy Policy. John
Wiley & Sons Ltd., 1997.
BUNN, D.W. & DYNER, I Systems Simulation to Support Integrated Energy

Analysis and Liberalized Planning. International Transaction in
Operational Research, vol. 3, no. 2, 1996, p. 105-115.
BUNN, D.W. & LARSEN, E.R. Sensitivity of Reserve Margin to Factors

Influencing Investment in the Electricity Market of England and
Wales. Energy Policy, no. 29, 1992, p. 420-429.
BUNN, D.W. & VLAHOS, K. Evaluation of the Long-term Effects on UK

Electricity Prices Following Privatisation. Fiscal Studies, no. 10, 1989, p.
104-116.
Bibliografia 133
BUSHNELL, J. Water and Power: Hydroelectric Resources in the Era of

Competition in the Western US. Program on Workable Energy
Regulation (POWER). University of California Energy Institute, 1998.
11/12/2002.
CAZZOL, M.V.; GARZILLO, A. & INNORTA, M. Strategic Bidding for an

Independent Power Poducer in a Competitive Energy Market with
Inter-Area Constraints. 14th Power Systems Computation Conference,
Sevilla, 24-28 July, 2002.
CEPEL. DECOMP: Determinação da Coordenação da Operação a Curto

Prazo. Manual do Usuário v. 7.1 e Manual de Referência, 1999.
CEPEL. NEWAVE I e II: Planejamento da Operação a Longo Prazo de

Subsistemas Hidrotérmicos Interligados. Manual do Usuário,
Especificação Funcional e Manual de Metodologia, 1999b.
DAY, C.J & BUNN, D.W. Generation Asset Divestment in the England and
Wales Electricity Market: A Computational Approach to Analysing
Market Power. Decision Technology Centre, London Business School,

1999.
DAVISON, M.; ANDERSON, C.L.; MARCUS, B. & ANDERSON, K. (2002).

Development of a Hybrid Model for Electrical Power Spot Prices. IEEE
Transaction on Power Systems, vol. 17, no. 2.
DE LA TORRE, T.; FELTES, J.W.; SAN ROMÁN, T.G. & MERRIL, H.M.
Deregulation, Pricvatization, and Competition: Transmisión Planning
Under Uncertainty. IEEE Transactions on Power Systems, vol. 14, no. 2,
1999.
DEB, R.; ALBERT, R.; HSUE, L-L. & BROWN, N. How to Incorporate
Volatility and Risk in Electricity Price Forecasting. The Electricity
Journal, May, 2000, p. 65-75.
DEKRAJANGPETCH, S. & SHEBLÉ, G.B. Structures and Formulations for

Electric Power Auctions. Electric Power Systems Research, no. 54, 2000,
p. 159–167.
________. Bidding Information to Generate Bidding Strategies for

LaGrangian Relaxation-based Auctions. Electric Power Systems
Research, no. 52, 1999, p. 87–96.
DEL SOL, P. Responses to Electricity Liberalization: The Regional Strategy

of a Chilean Generator. Energy Policy, no.30, 2002, p. 437–446.
Bibliografia 134
DENG, S. Pricing Electricity Derivatives Under Alternative Stochastic Spot

Price Models. Proceedings of the 33rd Hawaii International Conference on
System Sciences, 2000.
[Also available on-line] <http://www.pserc.wisc.edu/ecow/get/publicatio/
1998public/paper1_deng.pdf>. Acesso em 01/02/2003.
________. Stochastic Models of Energy Commodity Prices and Their

Applications: Mean Reverting with Jumps and Spikes. PSERC, W.P.
98-28, 1998.
[On-line] <http://www.ucei.berkeley.edu/ucei/PDF/pwp073.pdf>. Acesso
em: 11/12/2002.
DONDO, M.G. & EL-HAWARY, M.E. Application of Fuzzy Logic Electricity

Pricing in a Deregulated Environment. IEEE Canadian Conference on
Electrical and Computer Engineering. Proceedings of CCECE’96, 1996.
DUARTE JR., A.M. Risco: Definições, Tipos, Medição e Recomendações para

seu Gerenciamento. Resenha BM&F, 114, 1996, p. 25-33.
DYNER, I. & LARSEN, E.R. From Planning to Strategy in the Electricity

Industry. Energy Policy, no. 29, 2001, p. 1145 –1154.
DYNER, I & BUNN, D.W. A Systems Simulation Platform to Support Energy

Policy in Colombia. In: System Modelling for Energy Policy. John Wiley
& Sons Ltd: Chap.13, 1997.
ELETROBRÁS. RE-SEB Projeto de Restruturação do Setor Elétrico

Brasileiro. Eletrobrás/Coopers & Lybrand. Working Papers, 1998.
ETHIER, R. Valuing Electricity Assets in Deregulated Markets: A Real

Options Model with Mean Reverting and Jumps. Working Paper. New
York: Cornell University, 1999.
ETHIER, R. & MOUNT, T. Estimating the Volatility of Spot Prices in

Restructured Electricity Markets and the Implications for Options
Values. New York: Cornell University, 1998.
FOSSO, O.B.; GJELSVIK, A.; HAUGSTAD, A.; MO, B. & WANGENSTEEEN,

I. Generation Scheduling in a Deregulated System. The Norwegian
Case. IEEE Transactions on Power Systems, vol. 14, no. 1, 1999.
GARY, S & LARSEN, E.R. Improving Firm Performance in Out-of-

equilibrium, Deregulated Markets using Feedback Simulation Models.
GREEN, R. Draining the Pool: The Reform of Electricity Trading in England

and Wales. Energy Policy, no. 27, 1999, p. 515-525.
Bibliografia 135
GORESTIN, B.; CAMPODONICO, N.M.; COSTA, J.P.; PEREIRA, M.V.F.

Power System Expansion Planning Under Uncertainty. IEEE
Transaction on Power Systems, vol. 8, no. 1, 1993.
________. Stochastic Optimization of a Hydro-Thermal System Including

Network Constraints. IEEE Transaction on Power Systems, vol. 7, no. 2,
1992.
GUTIERREZ, C.E.C. Eliminação do Ruído por Encolhimento de Wavelets:

Uma Aplicação à Série de Preço Spot de Energia Elétrica do Brasil.
Dissertação de Mestrado. Dept. Eng. Elétrica. Pontifícia Universidade
Católica do Rio de Janeiro (PUC-Rio), 2002.
HARVEY, A.C. Forecasting, Structural Time Series Models and the Kalman
Filter. Cambridge, 1989a.
________. Time Series Models. Second Edition, Cambridge, 1989b.
HAYKIN, S. Neural Network: A Comprehensive Foundation. Prentice Hall,

NJ, 1999.
HAMMONS, T.J.; CORREDOR, P.H.; FONSECA, A.M.; MELO, A.C.G.;

RUDNICK, H.; CALMET, M. & GUERRA, J. Competitive Generation
Agreements in Latin American Systems with Significant Hydro
Generation. IEEE Power Engineering Review, vol. 19, no. 9, 1999, p. 4-
21.
HAUCH, J. The Danish Electricity Reform, Energy Policy, vol. 29, 2001, p.
509-521.
HONG, Y.-Y. & HSIAO, C.-Y. Locational Marginal Price Forecasting in

Deregulated Electricity Markets Using Artificial Intellingence. IEE
Procedings of Generation, Transmition and Distribution, vol. 149, no. 5,
2002, pp. 621-626.
________. Locational Marginal Price Forecasting in Deregulated Electricity

Markets Using a Recurrent Neural Networks. IEEE Power Engineering
Society Winter Meeting, 2001, p. 539-544.
HUDNICK, H. Competitive Generation Arrangements in Chile. In: Hammons,

T.J. et al. “Competitive Generation Agreements in Latin American Systems
with Significant Hydro Generation”. IEEE Power Engineering Review, vol.
19, no. 9, 1999, p. 12-14.
HULL, J. Introdução aos Mercados Futuros e de Opções. São Paulo:

BM&F/Cultura, 2a ed., 2000.
________. Options, Futures and Other Derivatives Securities. Prentice Hall,

1997.
Bibliografia 136
HUNT, S. & SHUTTLEWORTH, G. Competition and Choice in Electricity.

New York: Wiley, 1996.
JANG, J.-S. R.; SUN, C.-T. & MIZUTANI, E. Neuro-Fuzzy and Soft
Computing. Upper Sadle River, NJ: Prentice Hall, 1997.
JANG, J.-S.R. ANFIS: Adaptive-Network-Based Fuzzy Inference System.

IEEE Transactions on Systems, Man, and Cybernetics, vol. 23, no. 3, 1993,
p.665-685.
JOHANNSSON, S. & ELIASSON, E.B. Simulation Model of the Hydro-

Thermal Power System in Iceland, 2002.
[On-line] <http://www.veldi.is/uploads/files/F304E3BC4A8B.pdf>. Acesso
em 01/02/2003.
LAITINEN, K.; HOVILA, J.; MANNILA, T. & KORPINNEN, L. Electric

Utility Deregulation and Restructuring and Power Technologies.
International Conference on Electric Utility Deregulation and
Reestructuring and Power Technologies 2000, City University, London,
2000.
JOHNSEN, T.A. Demand, Generation and Price in the Norwegian Market for
Electric Power. Energy Economics, no. 23, 2001, p. 227-251.
KELMAN, R.; BARROSO, L.A.N. & VEIGA, M.V.F. Market Power

Assessment and Mitigation in Hydrothermal Systems. IEEE
Transactions on Power Systems, vol. 16, no. 3, 2001.
KELMAN, R. Exemplo da Cadeia de Modelos de Planejamento Operativo. In:

“A Nova Operação do Sistema Elétrico Brasileiro”. 3a ed. DEE/CEE, PUC-
Rio, 1999.
KELMAN, J.; PEREIRA, M.V.F.; ARARIPE NETO, T.A.; SILVA, L.F.C.A.; &
SALES, P.R.H. Águas Doces no Brasil – Capital Ecológico, Uso e
Conservação. Hidroeletricidade, vol. 1, 1999, p. 371-418.
KEPPO, J. & RÄSÄNEN, M. Pricing of Electricity Tariffs in Competitive

Markets. Energy Economics, vol. 21, 1999, p. 213-223.
KLIGERMAN, A.S. Avaliação da Instabilidade do Preço do Mercado de

Energia Elétrica Obtido a Partir do Custo Marginal de Curto Prazo.
Monografia. Instituto de Economia, UFRJ, 1999.
KNITTEL, C.R. & ROBERTS, M.R. An Empirical Examination of

Deregulated Electricity Prices. Program on Workable Energy Regulation
(POWER). University of California Energy Institute, 2001.
11/12/2002.
Bibliografia 137
KORENEFF, G. et al. Electricity Spot Price Forecasting as a Part of Energy

Management in De-Regulated Power Market. IEEE International
Conference on Energy Management and Power Delivery. Proceedings of
EMPD'98, vol. 1, 1998.
KRAUSE, G.G. Mercado Spot e Energia Elétrica: Uma Commodity Como

Outra Qualquer? Revista Brasileira de Energia, vol. 4, no 1, 1995.
LARSEN, E.R. & BUNN, D.W. Deregulation in Electricity: Understanding

Strategic and Regulatory Risk. Journal of the Operational Research
Society. no. 50, 1999, p. 337-344.
LEÓN, A. & RUBIA, A. Comportamiento del Precio y Volatilidad en el Pool

Eléctrico Español, 2001.
[On-line] <http://www.fcym.com/Iworkshop%20110601/electricityangel%
20leon. PDF>. Acesso em 01/02/2003.
LJUNG, L. System Identification Toolbox. ver.5, The MathWorks, Inc., 2001.
________. System Identification: Theory for the User, first ed., New Jersey:
Prentice-Hall, Inc., 1987.
LOMI, A. & LARSEN, E. Learning Without Experience: Strategic

Implications of Deregulation and Competition in the Electricity
Industry. European Management Journal, vol. 17, no. 2, 1999, p. 151-163.
MACEIRA, M.E.P.; DUARTE, V.S. & MARCATO, A.L.M. Modelo

Estratégico de Geração Hidrotérmica a Subsistemas Equivalentes.
Manual do Usuário do Modelo NEWAVE v. 9.2. Relatório CEPEL, 2001.
MACEIRA, M.E.P. Programação Dinâmica Dual Estocástica Aplicada ao

Planejamento da Operação Energética de Sistemas Hidrotérmicos com
Representação do Processo Estocástico de Afluências por Modelos
Auto-regressivos Periódicos. In: CEPEL. “NEWAVE I: Planejamento da
Operação a Longo Prazo de Subsistemas Hidrotérmicos Interligados”,
1999.
MACEIRA, M.E.P. & SUANNO, C.M. Representação do Sistema

Hidroelétrico, Patamares de Mercado e Evolução da Configuração
Hidrotérmica no Modelo NEWAVE. In: CEPEL. “NEWAVE I:
Planejamento da Operação a Longo Prazo de Subsistemas Hidrotérmicos
Interligados”, 1999a.
.
MACEIRA, M.E.P.; COSTA, A.P.C. & MARCATO, A.L.M. NEWAVE:
Especificação Funcional. In: CEPEL. “NEWAVE I: Planejamento da
Operação a Longo Prazo de Subsistemas Hidrotérmicos Interligados”,
1999b.
MACEIRA, M.E.P.; MELO, A.C.G.; COSTA, A.P.C.; MERCIO, C.M.; &

GORENSTEIN, B.G. Commercialization Risks in the Brazilian Market.
Bibliografia 138
International Conference on Electric Power Engineering, PowerTech

Budapest’99, 1999c , p. 85.
MACEIRA, M.E.P.; DAMAZIO, J.M.; GUIHARDI, A.O.; & DANTAS, H.M.

Periodic ARMA Models Applied to Weekly Streamflow Forecasts.
International Conference on Electric Power Engineering, PowerTech
Budapest’99, 1999d, p. 86.
MAGNUS, E. & MIDTTUN, A. The Norwegian Model: Competitive Public

Economy. In: “Electricity Market Reform in Norway”. Macmillian Press
Ltd., 2000.
MAKRIDAKIS, S.; WHEELWRIGHT, S. C. & HYNDMAN, R.J. Forecasting:

Methods and Applications, third edition, Wiley, 1998.
MARCATO, A.L.M. Representação Híbrida de Sistemas Equivalentes e

Individualizados para o Planejamento da Operação de Médio Prazo de
Sistemas de Potência de Grande Porte. Tese de Doutorado. Dept. Eng.
Elétrica. Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio),
2002.
MARZANO, L.G. Otimização de Portfolio de Contratos. Relatório de Estudo

Orientado. Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio),
2000.
MATHWORKS, The. Fuzzy Logic Toolbox. Ver. 2, 2001.
MEDEIROS, L.; BUNN, D.W. & SOUZA, R.C. Brazilian Electricity Market
and Price Forecasting. 22nd International Symposium on Forecasting,
Dublin, Ireland, 2002.
MEDEIROS, L. & SOUZA, R.C. Modelos Neurais e Neuro-Fuzzy na Previsão

do Preço de Curto Prazo (“Spot”) de Energia Elétrica. Relatório PUC-
Rio/CEPEL, 2002.
MEDEIROS, L., ARANHA, C.; SOUZA, R. C. & SALES, P.R.H. Modelos

ARMAX e de Funções de Transferência na Previsão do Preço de Curto
Prazo (“Spot”) de Energia Elétrica. Relatório PUC-Rio/CEPEL, 2001a.
________. Análise do Custo Marginal de Operação (CMO) via Matriz de

Transição. Relatório PUC-Rio/CEPEL, 2001b.
MEDEIROS, L.; SOUZA, R.C. & MONNERAT, K.F. Modelo de Análise de

Risco para Compra/Venda de Energia Elétrica no Curto Prazo.
Relatório PUC-Rio/LIGHT, 2000.
MEDEIROS, M.C. Modelos com Múltiplos Regimes para Séries Temporais:

Limiares, Transições Suaves e Redes Neurais. Tese de Doutorado, Dept.
Eng. Elétrica. Pontifícia Universidade Católica do Rio de Janeiro (PUC-
Rio), 2000.
Bibliografia 139
MENDEL, J.M. Fuzzy Logic Systems for Engineering: A Tutorial.

Proceedings of the IEEE, 1995.
MELO, A.C.G. The Brazilian Case. In: Hammons, T.J. et al. “Competitive
Generation Agreements in Latin American Systems with Significant Hydro
Generation”. IEEE Power Engineering Review, vol. 19, no. 9, 1999, p. 12-
14.
MENDONÇA, A.F. & DAHL, C. The Brazilian Electrical System Reform.

MIZUTANI, E. & JANG, J.-S. R. Coative Neural Fuzzy Modeling. IEEE

Procedings of the International Conference on Neural Networks, 1995, p.
760-765.
MIRANDA, V. & PROENÇA, M. Probabilistic Choice vs. Risk Analysis –

Conflicts and Synthesis in Power System Planning. IEEE Transaction on
Power Systems, vol. 13, no. 3, 1998a.
________. Why Risk Analysis Outperforms Probabilistic Choice as the

Effective Decision Support Paradigm for Power System Planning, IEEE

Transaction on Power Systems, vol. 13, no. 2, 1998b.
MME – Ministério das Minas e Energia. Plano Decenal 2003-2012: Relatório

Executivo. MME/CCPE, 2003.
________. Comitê de Revitalização do Modelo do Setor Elétrico: Relatório

Progresso no. 2. MME/CNPE/CGSE, 2002a.
________. Comitê de Revitalização do Modelo do Setor Elétrico: Relatório

Progresso no. 4. MME/CNPE/CGSE, 2002b.
MO, B.; GJELSVIK, A.; GRUNDT, A. & KARESEN, K. Optimisation of

Hydropower Operation in a Liberalised Market with Focus on Price
Modelling. IEEE Power Tech Proceedings, Porto, Portugal, vol. 1, 2001.
MORETTIN, P. Ondas e Ondaletas: Da Análise de Fourier à Análise de

Ondaletas. São Paulo: Edusp, 1999.
MOYA, O.E. Experience and New Challenges in the Chilean Generation and
Transmission Sector. Energy Policy, no. 30, 2002, p. 575–582.
MOUNT. Market Power and Price Volatility in Restructured Markets for

Electricity. Decision Support Systems, no. 30, 2001, p. 311–325.
NAILL, R. Managing the Energy Transaction. Cambridge, MA: Ballinger,

1977.
Bibliografia 140
NAUCK, D. & KRUSE, R. NEFCLASS – A Neuro-Fuzzy Approach for the

Classification of Data. In: George, K.M. et al (eds.) “Applied
Computing”. Procedings of the ACM Symposium on Applied Computing,
Nashville, Feb. 26-28, ACM Press, 1995.
________. An X-Window Based Simulator for Neural Fuzzy Controllers.

IEEE International Conference on Neural Networks. Proceedings of
WCCI’94, 1994, p. 1638-1643.
NÜRNBERGER, A.; NAUCK, D. & KRUSE, R. Neuro-fuzzy Control Based on

the NEFCON-model: Recent Developments. Soft Computing: Springer-
Verlag, vol. 2, 1999, p. 168-182.
PANDEY, R. Energy Policy Modelling: Agenda for Developing Countries.

Energy Policy, no. 30, 2002, p. 97–106.
PEREIRA, M.V.F.; MCCOY, M.F. & MERRILL, H.M. Managing Risk in the
New Power Business. IEEE Computer Applications in Power, vol. 13,
issue 2, 2000, p. 18-24.
PEREIRA, M.V.F. Funcionamento do ONS e MAE. In: “A Nova Operação do

Sistema Elétrico Brasileiro”, 3a ed. DEE/CEE, PUC-Rio, 1999.
PEREIRA, M.V.F.; CAMPODÓNICO, N. & KELMAN, R. Application of

Stochastic Dual DP and Extensions to Hydrothermal Scheduling. PSRI
Technical Report 012/99, 1999.
PEREIRA, M.V.F. & PINTO, L.M.V.G. Stochastic Optimization of a

Multireservoir Hydroelectric System: A Decomposition Approach.
Water Resources Research, no. 6, vol. 21, 1995, p.779-792.
PEREIRA, M.V.F. Optimal Stochastic Operations of Large Hydroelectric

Systems. Electrical Power & Energy Systems, vol. 11, no. 3, 1989, p. 161-
169.
PEREIRA, M.V.F. Optimal Scheduling of Hydrothermal Systems – an

Overview. Procedings of the IFAC Symposium on Planning and Operation
of Electric Energy Systems, Rio de Janeiro, 1985.
PLATTS – Power in Latin American Brazil’s MAE Returning to Normal. Issue

93, August 9, 2002, p. 3-4.
POST, D.L.; COPPINGER, S.S. & SHEBLÉ, G.B. Application of Auctions as a

Pricing Mechanism for the Interchange of Electric Power. IEEE
Transactions on Power Systems, vol. 10, no. 3, 1995.
PSRI. Modelo SDDP. Manual de Metodologia, PSRI, 2000.
________. Overview of the Brazilian Regulatory Framework. Technical

Report 39/98, 1998.
Bibliografia 141
RAMOS, J.L.M.; EXPÓSITO, A.G.; SANTOS, J.R.; LORA, A.T. & GUERRA,
A.R.M. Influence of ANN-Based Market Price Forecasting Uncertainty
on Optimal Pricing. 14th Power Systems Computation Conference, Sevilla,
24-28 July, 2002.
RANDERS, J. (ed.). Elements of the System Dynamics Method. MIT Press.

Cambridge, MA, 1980.
READ, W.S. Electric Utility Restructuring in North America. IEEE Power

Engineering Review, vol. 21, no. 5, 2001.
ROCHA, P.G.; MORAES JR., A.L. & MELO JR., A.B. Avaliação de Preço e
Risco na Comercialização de Energia Elétrica. CHESF, 2001.
SANTANA, E.A. & GOMES, A.A.C. A Reestruturação das Indústrias de

Rede: Uma Avaliação do Setor Elétrico Brasileiro. In: Borenstein, C.R.
(Org.) “Regulação e Gestão Competitiva no Setor Elétrico Brasileiro”.
Porto Alegre: Ed. Sagra Luzzato, 1999.
SILVA, B.N. Elaboração de um Modelo de Previsão dos Preços

Spot de Energia Elétrica no Brasil e Avaliação de uma Termelétrica

Utilizando a Teoria das Opções Reais. Dissertação de Mestrado. Dept.
Eng. Industrial. Pontifícia Universidade Católica do Rio de Janeiro (PUC-
Rio), 2001.
SILVA, B.N.; TEIXEIRA, J. P. & GOMES, L.L. Previsão de Preços Spot e

Avaliação Econômica de Projetos de geração Termelétrica. IX
Seminário de Planejamento Econômico-Financeiro do Setor Elétrico
(SEPEF), Recife-PE, Out. 2001.
[Also available on-line]. <http://www.cteep.com.br/informacoes/centro_inf
_ref/congre_semi/ix_sepef/telas/trabalhos/brunonogueira.PDF>. Acesso em
01/02/2003.
SILVA, E.L. Formação de Preços em Mercados de Energia Elétrica. Porto

Alegre: Editora Sagra Luzzato, 2001a.
SILVA, E.L. & FINARDI, E.C. Curso de Planejamento da Operação de

Sistemas Hidrotérmicos. In: “Processo de Estabelecimento do Preço
MAE”. CEPEL/UFSC/ASMAE, Rio de Janeiro, dezembro, 1999.
SILVA NETO, L.A. Derivativos: Definições, Emprego e Risco. São Paulo:

Atlas, 3a ed., 2000.
SILVEIRA, F.S.V.; MOROZOWSKI FILHO; NASSER, I.C. & SÁ JR., C.L.C.

Contratos de Energia: Impactos de Cláusulas de Flexibilidade. VIII
Seminário de Planejamento Econômico-Financeiro do Setor Elétrico
(SEPEF), Brasília, 2000.
Bibliografia 142
SIOSHANSI, F.P. California's Dysfunctional Electricity Market: Policy

Lessons on Market Restructuring. Energy Policy, no. 29, 2001, p. 735-
742.
SOUSA, R.L. Modelagem Estrutural do Preço Spot de Energia. Dissertação de

Mestrado. Dept. Eng. Elétrica. Pontifícia Universidade Católica do Rio de
Janeiro (PUC-Rio), 2003.
SOUZA, F.J. Modelos Neuro-Fuzzy Hierárquicos. Tese de Doutorado. Dept.

Eng. Elétrica. Pontifícia Universidade Católica do Rio de Janeiro (PUC-
Rio), 1999.
SOUZA, F.J.; VELLASCO, M.M.R. & PACHECO, M.A.C. Hierarchical

Neuro-fuzzy Quadtree Models. Fuzzy Sets and Systems, vol. 130, 2002,
p.189 –205.
SOUZA, F.J.; VELLASCO, M.M.R. & PACHECO, M.A.C. Hierarchical

Neuro-Fuzzy BSP Model – HNFB. Proc. of the Sixth Brazilian
Symposium on Neural Networks, 2000, p.286.
STEVENSON, M. Filtering and Forecasting Spot Electricity Prices in the

Increasingly Deregulated Australian Electricity Market. University of

Technology Sydney, Working Paper, 2001.
SUANNO, C.M.; MACEIRA, M.E.P. & COSTA, J.P. Representação da

Variação da Produtibilidade no Algoritmo de Programação Dinâmica
Dual Estocástica – Projeto NEWAVE. In: NEWAVE I: Planejamento
da Operação a Longo Prazo de Subsistemas Hidrotérmicos
Interligados. Relatório CEPEL, 1999.
SUANNO, C.M.; BEZERRA, C.M.V.D. & MACEIRA, M.E.P. Manual do

Usuário do Modelo NEWAVE v.7.4. In: CEPEL. “NEWAVE I:
Planejamento da Operação a Longo Prazo de Subsistemas Hidrotérmicos
Interligados”, 1999.
TABORDA, O.A.F. & PINTO, L. Commercialization of Electric Energy in

Competitive Enviroments (A Fuzzy Approach). VII SEPOPE, Curitiba,
2000.
TENENBAUM, B.; LOCK, R. & BARKER, J. Electricity Privatization:

Strutuctural, Competitive and Regulatory Options. Energy Policy,
1992, p. 1134-1160.
TERÄSVIRTA, T. Specification, Estimation and Evaluation of Smooth

Transition Autoregressive Models. Journal of the American Statistical
Association no. 89, 1994, p. 208-218.
TESFATSION, L. Introduction to the JEDC Special Issue on Agent-Based

Computational Economics. Iowa State University, 2000a. [On-line]
<http://www.econ.iastate.edu/tesfatsi/>
Bibliografia 143
________. Structure, Behavior, and Market Power in an Evolutionary Labor

Market with Adaptive Search. Iowa State University, 2000b. [On-line]
<http://www.econ.iastate.edu/tesfatsi/>
TERRY, L.A.; PEREIRA, M.V.F.; ARARIPE NETO, T.A.; SILVA, L.F.C.A.; &
SALES, P.R.H. Coordinating the Energy Generation of the Brazilian
National Hydrothermal Electrical Generating System. Interfaces, vol.
16, no. 1, 1986a , p. 16-38.
________. Nas Malhas da Energia. Ciência Hoje. vol. 4, no. 23, 1986b , p. 40-
46.
TURKSON, J. & WOHLGEMUTH, N. Power Sector Reform and Distributed

Generation in Sub-Saharan Africa. Energy Policy, vol. 29, 2001, p. 135-
145.
UMBRIA, F.C. Modelo de Previsão de Preços Futuros de Energia. Tradener,

2002. [On-line] <http://www.cteep.com.br/informacoes/centro_inf_ref/
congre_semi/ix_sepef/telas/trabalhos/fernado-umbria.PDF>.
VEIGA, A. Avaliação de Carteiras de Contratos de Energia no MAE: Análise

de Risco e Retorno. In: “A Nova Operação do Sistema Elétrico
Brasileiro”, 3a ed. DEE/CEE, PUC-Rio, 1999.
VENTANA SYSTEMS, INC. Ventana Simulation Environment (VenSim

PLE32 version 5.0b), 2002.
VIEIRA, M.A.M. Comercialização de Energia em Sistemas de Potência.

Relatório de Estudo Orientado. PUC-Rio, 2000.
VIEIRA FILHO, X.; GORENSTIN, B.G.; MEDEIROS FILHO, J.A. &

OLIVEIRA, A.M. Energy Trading: The South American Experience.
VII SEPOPE, Curitiba, 2000a.
VIEIRA FILHO, X.; GORENSTIN, B.G.; SACRAMENTO, R.S.; MELO, A.C.G.

& MACEIRA, M.E.P. Comercialização de Energia no Mercado Spot:
Risco e Vantagens em um Sistema Hidrotérmico – Mecanismo de
Proteção. VII SEPOPE, Curitiba, 2000b.
VLAHOS, K. The Electricity Markets Microworld. In: Modelling and

Managing Competitive Electricity Markets. Energy Markets Group.
London Business School, 2002.
VOROPAI, N.I. & HANDSCHIN, E.J. Liberalization and Modernization of

Power Systems. IEEE Power Engineering Review, vol. 21, no. 1, 2001.
VUORIMAA, P. Fuzzy Self-Organizing Map. Fuzzy Sets and Systems, no. 66,
1994, p. 223-231.
Bibliografia 144
WANG, A.J. & RAMSAY, B. A Neural Network Based Estimator for

Electricity Spot-Pricing with Particular Reference to Weekend and
Public Holidays. Neurocomputing, no. 23, 1998, p. 47-57.
WEN, F.S. & DAVID, A.K. Strategic Bidding for Electricity Supply in a Day-
ahead Energy Market. Electric Power Systems Research, no. 59, 2001, p.
197–206.
XIAOHONG GUAN, F.G.; CAO, X-R. & PAPALEXOPOULOS, A. Forecasting

Power Market Clearing Price and Quality Using a Neural Network.
IEEE Power Engineering Society Summer Meeting, vol. 4, 2000.
ZADEH, L.A. Fuzzy Sets. Information and Control, vol. 8, 1965, p. 338-353.

Comercialização - Lúcio

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Comercialização - Lúcio

Uploaded by

Copyright:

Available Formats

Lúcio de Medeiros

Previsão do Preço Spot no Mercado de

Tese apresentada como requisito parcial para

Orientador: Reinaldo Castro Souza

Rio de Janeiro, Abril de 2003

Previsão do Preço Spot no Mercado de

Tese apresentada como requisito parcial para obtenção

Comissão Examinadora abaixo assinada.

Reinaldo Castro Souza

Marcos Azevedo da Silveira

Flávio Joaquim de Souza

Paulo Roberto de Holanda Sales

Rio de Janeiro, 25 de Abril de 2003

Previsão do preço spot no mercado de

Tese (doutorado) – Pontifícia

Inclui referências bibliográficas.

1. Engenharia elétrica – Teses. 2.

Ao meu orientador Prof. Reinaldo Castro Souza, pela indicação do objeto da

Ao meu co-orientador Prof. Derek W. Bunn, pelo inestimável apoio, incentivo e

Ao Prof. Paulo Roberto de Holanda Sales, pela experiente e segura contribuição

Ao CEPEL e a Eletrobrás, pelo apoio a esta tese, em especial de Roberto Caldas,

A todos os colegas e ex-colegas da PUC-Rio, pela amizade, especialmente a

À banca, pela excelente contribuição, com críticas e sugestões ao texto.

Ao CNPq, pelas bolsas do doutorado e doutorado sandwich, sem as quais este

O objetivo da tese é propor uma metodologia para previsão do preço de

3 Formação do Preço da Energia Elétrica 39

4 Análise de Risco no Mercado de Energia Elétrica 64

5 Previsão do Preço Spot de Energia Elétrica 78

6 Estudo de Casos 101

Figura 1. Estratégia de lances via modelos dinâmicos 36

Figura 10. Cadeia de modelos para o planejamento da expansão e da operação 63

Tabela 1. Modelos estruturais de Hunt & Shuttleworth 31

reformas no setor de eletricidade vêm sendo executadas desde o final do século

Neste contexto, o preço da energia passou a exercer um papel fundamental,

aumento da volatilidade na série de preços no mercado à vista ou spot1 em

mercado atacadista de energia (MAE) considerando a previsão de carga e vazões e

tem-se notado um rápido crescimento no número de negócios realizados desde sua

Portanto, desenvolver modelos de previsão para os preços no curto prazo

Existem poucos modelos de previsão do preço spot propostos na literatura,

model) baseado em misturas de distribuições. O autor conclui que este modelo é

ruído. Em seguida, são aplicados às séries diversos modelos da classe TAR –

podendo chegar ao custo do déficit. O autor conclui que as probabilidades de o

Em função do número limitado de modelos propostos de previsão do preço

O modelo proposto para a previsão do preço spot de energia elétrica no

spot, devido às características intrínsecas de um modelo neuro-fuzzy

A proposta é trabalhar com o custo marginal de curto prazo ou custo

A escolha das variáveis para o modelo de previsão proposto foi feita de

Os modelos de previsão do preço aqui propostos são válidos para qualquer

Além deste capítulo introdutório, a tese está organizada em mais seis

hidrotérmicos com base hidráulica, como o brasileiro. As bases para o cálculo do

Tradicionalmente, as companhias de eletricidade, estatais ou privadas,

então, introduzindo um novo paradigma para o setor baseado na competição –

política de energia e do mercado trata dos sistemas dinâmicos inclusive colocando

No final do século passado, em conformidade com a lógica de mercado

das reformas do setor elétrico são o de se estabelecer a livre concorrência na

A despeito da tendência mundial das reformas no setor elétrico, não tem

Um exemplo disso é o próprio Reino Unido, que, na tentativa de resolver

A primeira experiência mundial em mercados competitivos em eletricidade

através de um ambiente onde preços, qualidade e nível de investimento pudessem

geradoras (CDEC)5. Se os preços regulados diferissem em mais de 10% dos

principal é despachar a geração e determinar os preços spot (Brunekreeft,

A partir do início da década de 90, seguindo em parte o receituário inglês, o

Na prática, o processo de reformas no Brasil se iniciou com uma série de

que diferentemente do concessionário de serviço público, passou a assumir os