Professional Documents
Culture Documents
Comercialização - Lúcio
Comercialização - Lúcio
Tese de Doutorado
Ricardo Tanscheit
DEE/PUC-Rio
Mônica Barros
DEE/PUC-Rio
Plutarcho M. Loureço
CEPEL
Marley M. B. R. Vellasco
Coordenadora Setorial do Centro Técnico Científico - PUC-Rio
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
PUC-Rio - Certificação Digital Nº 9916936/CA
[ 12 ], 132 f. : il. ; 30 cm
CDD: 621.3
Agradecimentos
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.
nas análises do preço spot e ao Prof. Flávio Joaquim de Souza, pelo seu
importante apoio e sugestões nos sistemas Neuro-Fuzzy.
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.
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
PUC-Rio - Certificação Digital Nº 9916936/CA
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
PUC-Rio - Certificação Digital Nº 9916936/CA
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
Bibliografia 130
PUC-Rio - Certificação Digital Nº 9916936/CA
Lista de figuras
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
PUC-Rio - Certificação Digital Nº 9916936/CA
1
Algumas palavras muito citadas e consideradas jargões da área não serão grifadas na tese; entre
elas estão, por exemplo, “spot” e “Pool”.
Capítulo 1 - Introdução 15
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.
Capítulo 1 - Introdução 16
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.
Capítulo 1 - Introdução 17
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.
Capítulo 1 - Introdução 18
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
1.3.
Hipóteses
1.4.
Validade dos Resultados
1.5.
Organização da Tese
2.1.
Introdução
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
2.2.
Novo Paradigma do Setor Elétrico
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).
Mercados de Eletricidade 24
2.3.
Processo de Liberalização do Setor Elétrico
2.3.1.
Breve Histórico
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.
Mercados de Eletricidade 25
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).
Mercados de Eletricidade 26
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
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).
Mercados de Eletricidade 27
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).
Mercados de Eletricidade 28
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”.
Mercados de Eletricidade 29
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
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.
Mercados de Eletricidade 30
2.5.
Modelos Teóricos de Mercados
2.5.1.
Classificações Usuais
(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).
Mercados de Eletricidade 31
2.5.2.
Correntes Mercadológicas
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
PUC-Rio - Certificação Digital Nº 9916936/CA
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
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 -
PUC-Rio - Certificação Digital Nº 9916936/CA
Rendimentos
+
+ Custos +
Custo Unitário
Pool Prices
+ Geração
-
-
+
Novo Entrante Bid Prices
+ Capacidade
(competidor)
Figura 2. Estratégia de lances (curto e longo prazos)
3.1.
Introdução
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
3.2.
Sistema Elétrico Brasileiro
2
Cf. MME, 2003 (valores aproximados).
Formação do Preço da Energia Elétrica 41
3.3.
Planejamento da Operação em Sistemas Térmicos
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);
dh Demanda do sistema;
3.3.1.
Preço Spot em Sistemas Térmicos
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.
PUC-Rio - Certificação Digital Nº 9916936/CA
3.4.
Planejamento da Operação em Sistemas Hidrotérmicos
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.
PUC-Rio - Certificação Digital Nº 9916936/CA
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
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.
Formação do Preço da Energia Elétrica 47
• 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
∑ 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;
Formação do Preço da Energia Elétrica 48
• 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
PUC-Rio - Certificação Digital Nº 9916936/CA
onde:
vi ,t +1 variável de decisão que representa o armazenamento final da usina
3.4.2.1.
Programação Dinâmica Estocástica - PDE
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.
Formação do Preço da Energia Elétrica 51
3.4.2.2.
Programação Dinâmica Dual Estocástica - PDDE
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.
Formação do Preço da Energia Elétrica 53
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
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:
3.4.3.
Planejamento a Curto Prazo
PUC-Rio - Certificação Digital Nº 9916936/CA
8
Cf. Silva & Finardi (1999); Cepel (1999) e Silva (2001a).
Formação do Preço da Energia Elétrica 55
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
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
Médio Prazo
(1-5 anos)
Curto Prazo
(1 anos)
Programação
(1 semana)
Pré-despacho
(1 dia)
Despacho
(1 hora)
3.4.4.
Preço Spot em Sistemas Hidrotérmicos
PUC-Rio - Certificação Digital Nº 9916936/CA
9
Cf. Pereira (1999).
Formação do Preço da Energia Elétrica 59
3.5.
Cadeia de Modelos do Planejamento da Operação
• “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.
PUC-Rio - Certificação Digital Nº 9916936/CA
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”.
Formação do Preço da Energia Elétrica 60
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
• “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)
Formação do Preço da Energia Elétrica 61
Despacho
NEWAVE DECOMP individualizado e
CMO
FCF
• “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:
Formação do Preço da Energia Elétrica 62
SINV
Sistema de Inventário
de Bacias Hidroelétricas
AAEXP
Expansão da Geração
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
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
4.1.
Introdução
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
PUC-Rio - Certificação Digital Nº 9916936/CA
4.2.
Volatilidade do Preço Spot no Brasil
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).
Análise de Risco no Mercado de Energia Elétrica 66
800.0
700.0
600.0
500.0
CMO (R$/MWh)
Sudeste
Sul
400.0
Nordeste
Norte
300.0
PUC-Rio - Certificação Digital Nº 9916936/CA
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
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
PUC-Rio - Certificação Digital Nº 9916936/CA
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
4.3.
Riscos Hidrológicos
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)
PUC-Rio - Certificação Digital Nº 9916936/CA
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
20 12
10
10 6
ENA EARM
(a) (b)
Figura 16. Histogramas das séries históricas de (a) ENA e (b) EARM
4.4.
Riscos Financeiros
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)
PUC-Rio - Certificação Digital Nº 9916936/CA
4.5.
Contratos como Instrumentos de Proteção
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.
Análise de Risco no Mercado de Energia Elétrica 74
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
3
Pode-se minimizar também, em outras situações, o arrependimento médio ou o máximo benefício
(De la Torre et al, 1999).
Análise de Risco no Mercado de Energia Elétrica 76
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.
PUC-Rio - Certificação Digital Nº 9916936/CA
5.1.
Introdução
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
5.2.
Estado da Arte em Previsão do Preço Spot
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
2
Para detalhes sobre a estimação dos parâmetros, consulte e.g. Knittel & Roberts, 2001:11.
Previsão do Preço Spot de Energia Elétrica 81
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).
Previsão do Preço Spot de Energia Elétrica 82
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
PUC-Rio - Certificação Digital Nº 9916936/CA
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).
Previsão do Preço Spot de Energia Elétrica 84
5.3.
Metodologia Proposta
Modelo do Planejamento
Operativo (Newave)
Todas Todas
Entradas Variáveis de
Conhecidas Saída
Preço
Algumas
Spot
Modelo de Previsão do
Preço Spot
5
O Newave é o preferido, pois ele fornece o valor oficial do CMO.
Previsão do Preço Spot de Energia Elétrica 86
• 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
PUC-Rio - Certificação Digital Nº 9916936/CA
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.
Previsão do Preço Spot de Energia Elétrica 88
80
70
60
50
CMO (R$/MWh)
PUC-Rio - Certificação Digital Nº 9916936/CA
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
9
Não confundir com o que os estatísticos comumente denominam ‘dados históricos’, ou seja, os
valores passados de uma série temporal.
Previsão do Preço Spot de Energia Elétrica 89
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
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
PUC-Rio - Certificação Digital Nº 9916936/CA
150
100
50
0
t
ai
v
ar
n
ju
se
no
ja
m
m
5.4.
Modelo de Previsão do Preço Spot
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.
Previsão do Preço Spot de Energia Elétrica 91
ENAT ,T + k
onde:
k : horizonte de previsão;
ENAT ,T + k : valor esperado de ENA em T para T+k;
ENˆ AT ,T + k | Newave
onde:
ENˆ At ,t + k | Newave : valor estimado pelo Newave de ENA em T para T+k;
CMˆ Ot −1,t + k | Newave : valor estimado pelo Newave de CMO em T-1 para 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-
Fuzzy Preço Spot T ,T + 4
4-passos-à -frente
k=4
Sistema Neuro-
Fuzzy
PUC-Rio - Certificação Digital Nº 9916936/CA
Preço Spot T ,T +5
5-passos-à -frente
k=5
Sistema Neuro-
Fuzzy Preço Spot T ,T + 6
6-passos-à -frente
k=6
5.5.
Inferência Fuzzy para a Previsão do Preço Spot
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).
Previsão do Preço Spot de Energia Elétrica 95
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).
Previsão do Preço Spot de Energia Elétrica 96
5.6.
PUC-Rio - Certificação Digital Nº 9916936/CA
5.6.1.
Descrição e Restrições
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.
Previsão do Preço Spot de Energia Elétrica 97
5.6.2.
Arquitetura
A1 B1
PUC-Rio - Certificação Digital Nº 9916936/CA
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
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).
Previsão do Preço Spot de Energia Elétrica 98
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).
Previsão do Preço Spot de Energia Elétrica 99
∑w ⋅ f i i
Saída = O5,i = ∑ wi ⋅ f i = i (5.9)
i ∑w i
i
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
PUC-Rio - Certificação Digital Nº 9916936/CA
6
Estudo de Casos
6.1.
Introdução
1
Dados obtidos das respectivas páginas na Internet.
Estudos de Casos 102
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
PUC-Rio - Certificação Digital Nº 9916936/CA
800
700 Real
600 Jun-01
Mai-01
PUC-Rio - Certificação Digital Nº 9916936/CA
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
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
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
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
35,00 40.00
35.00
PUC-Rio - Certificação Digital Nº 9916936/CA
30,00
30.00
25,00
Real Real
25.00
R$/MWh
R$/MWh
t = Maio 2002
70.00
60.00
50.00
Real
R$/MWh
40.00 Newave
30.00 Perc5
20.00
Perc95
10.00
0.00
jun/02 jul/02 ago/02 set/02 out/02 nov/02
6.3.
Aplicação da Metodologia Passo-a-Passo
6.3.1.
Escolha das Variáveis
600 500
450
500
400
350
400
300
300 250
200
200
150
100
100
50
0 0
1 1.5 2 2.5 3 3.5 4 4.5 5 0.9 1 1.1 1.2 1.3 1.4 1.5 1.6 1.7
4 5
x 10 x 10
(a) (b)
Figura 32. Histograma da (a) ENA e (b) EARM para T+1=Maio/02 (Newave)
2
A média será a estatística usada aqui como o estimador do preço spot.
Estudos de Casos 110
500
450
400
350
300
250
200
150
100
50
0
0 5 10 15 20 25 30 35
6.3.1.1.
Definição das Faixas de Variação
PUC-Rio - Certificação Digital Nº 9916936/CA
6.3.1.2.
Estimação dos Parâmetros: Treinamento
Número de épocas 50
Número de funções de pertinência por variável de entrada 2
Tipo da função de pertinência Gbellmf
Método AND (operador t-norma) Produto
Método OR (operador t-conorma) Máximo
3
Na próxima seção, os resultados serão comparados com os obtidos através de uma rede neural.
Estudos de Casos 112
Grau de pertinenc ia
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 10 20 30 2 3 4
CMO ENA 4
x 10
baix o alto
1
Grau de pertinenc ia
0.8
0.6
0.4
0.2
EARM 5
x 10
O SNF consegue um bom ajuste, como é possível verificar pela Figura 35,
que mostra o gráfico dos ajustes aos dados de treinamento e de validação com os
últimos trinta valores das respectivas amostras4, e pela Figura 36, que traz a
comparação das funções de distribuição cumulativa (cdf) das duas estimativas. A
Tabela 8, por sua vez, apresenta as estatísticas do ajuste do modelo.
Todos esses resultados comprovam que com apenas duas variáveis, ENA e
EARM, mais a estimativa do CMO, é possível ajustar um bom modelo para o
PUC-Rio - Certificação Digital Nº 9916936/CA
preço spot. Apesar dos resultados apresentados aqui se referirem apenas ao caso
de maio de 2002, o mesmo desempenho foi encontrado aplicando-se um SNF em
diversos meses de 2001 e 2002 (próxima seção).
25 25
Real Real
P revisto P revisto
20 20
15 15
R$/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.
Estudos de Casos 114
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
(a)
PUC-Rio - Certificação Digital Nº 9916936/CA
(b) (c)
Figura 37. Relação entre o preço spot e (a) variáveis (b) ENA (c) EARM
6.3.1.3.
Simulação e Previsão
1800
1600
1400
1200
1000
800
600
400
200
0
5 10 15 20 25 30 35
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$4,00. Estes são os respectivos valores
máximos e mínimos adotados atualmente para o preço spot. Note-se que o SNF
proposto é flexível caso esses valores máximos e mínimos venham a sofrer
qualquer alteração no futuro. A seguir, diversos outros casos serão apresentados e
resultados comparados para diferentes horizontes de previsão.
6.4.
Estudos Comparativos
800 800
700 Real 700
Real
600 Newave 600 Newave
500 Newave faixas 500 Newave faixas
R$/MWh
R$/MWh
400 RNA 400 RNA
300 RNA faixas Newave 300 RNA faixas Newave
200 SNF 200 SNF
100 SNF faixas Newave 100 SNF faixas Newave
0 0
mar/01 abr/01 mai/01 jun/01 jul/01 ago/01 abr/01 mai/01 jun/01 jul/01 ago/01 set/01
800 800
700 700
Real Real
600 Newave 600 Newave
500 Newave faixas 500 Newave faixas
R$/MWh
R$/MWh
45 25
40
Real Real
35 20
Newave Newave
30
Newave faixas Newave faixas
R$/MWh
R$/MWh
15
25
RNA RNA
20
RNA faixas Newave 10 RNA faixas Newave
15
10
SNF SNF
5
5
SNF faixas Newave SNF faixas Newave
0 0
abr/02 mai/02 jun/02 jul/02 ago/02 set/02 mai/02 jun/02 jul/02 ago/02 set/02 out/02
t = Maio 2002
20
18
16
Real
14 Newave
Newave faixas
R$/MWh
12
10 RNA
8 RNA faixas Newave
6
SNF
4
SNF faixas Newave
2
0
jun/02 jul/02 ago/02 set/02 out/02 nov/02
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
PUC-Rio - Certificação Digital Nº 9916936/CA
Newave Newave RNA faixas SNF faixas RNA SNF Newave Newave RNA faixas SNF faixas RNA SNF
faixas Newave Newave faixas Newave Newave
700 35
600 fev/01 30
mar/02
500
abr/02
R$/MWh
400
mar/01 25
R$/MWh
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$/MWh
15
mai/02
10
Real
5
0
Newave Newave RNA faixas SNF faixas RNA SNF
faixas Newave Newave
800.00 800.00
700.00 700.00
600.00 600.00
Real 500.00
500.00 Real
R$/MWh
SNF
R$/MWh
400.00 400.00 SNF
Perc5
300.00 300.00 Perc5
Perc95
200.00 200.00 Perc95
100.00 100.00
0.00 0.00
mar/01 abr/01 mai/01 jun/01 jul/01 ago/01 -100.00 abr/01 mai/01 jun/01 jul/01 ago/01 set/01
1200.00 1200.00
1000.00 1000.00
Real Real
800.00 800.00
R$/MWh
R$/MWh
SNF SNF
600.00 Perc5 600.00 Perc5
400.00 Perc95 400.00 Perc95
200.00 200.00
0.00 0.00
mai/01 jun/01 jul/01 ago/01 set/01 out/01 jun/01 jul/01 ago/01 set/01 out/01 nov/01
60.00 45.00
40.00
50.00
35.00
40.00 Real 30.00 Real
R$/MWh
R$/MWh
t = Maio 2002
45.00
40.00
35.00
30.00 Real
R$/MWh
25.00 SNF
20.00 Perc5
15.00 Perc95
10.00
5.00
0.00
jun/02 jul/02 ago/02 set/02 out/02 nov/02
Figura 41. Estimativas de preço via SNF com intervalos (perc. 5% e 95%)
Tabela 11. Estatísticas das previsões do preço spot com SNF (9.261 cenários)
Mês de Referência Previsões 6-meses-à-frente
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
PUC-Rio - Certificação Digital Nº 9916936/CA
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
mar/01 abr/01 mai/01 jun/01 jul/01 ago/01 abr/01 mai/01 jun/01 jul/01 ago/01 set/01
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
mai/01 jun/01 jul/01 ago/01 set/01 out/01 jun/01 jul/01 ago/01 set/01 out/01 nov/01
50.00 30.00
40.00 25.00
R$/MWh
30.00
RNA RNA
15.00
20.00
Perc5 Perc5
PUC-Rio - Certificação Digital Nº 9916936/CA
0.00 0.00
abr/02 mai/02 jun/02 jul/02 ago/02 set/02 mai/02 jun/02 jul/02 ago/02 set/02 out/02
t = Maio 2002
25.00
20.00
Real
R$/MWh
15.00
RNA
10.00
Perc5
Perc95
5.00
0.00
jun/02 jul/02 ago/02 set/02 out/02 nov/02
Figura 42. Estimativas de preço via RNA com intervalos (perc. 5% e 95%)
Tabela 12. Estatísticas das previsões do preço spot com RNA (9.261 cenários)
Mês de Referência Previsões 6-meses-à-frente
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
PUC-Rio - Certificação Digital Nº 9916936/CA
7.1.1.
Considerações Finais
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
7.1.2.
Trabalhos Futuros
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
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.
BOX, G.E.P.; JENKINS, G.M. & REINSEL G.C. Time Series Analysis:
Forecasting and Control, third edition, Prentice Hall, 1994.
BUNN, D.W. (Ed.) Strategic Price Risk in Wholesale Power Markets. London:
Risk Books, 2001.
BUNN, D.W. & LARSEN, E.R. System Modelling for Energy Policy. John
Wiley & Sons Ltd., 1997.
DAY, C.J & BUNN, D.W. Generation Asset Divestment in the England and
Wales Electricity Market: A Computational Approach to Analysing
PUC-Rio - Certificação Digital Nº 9916936/CA
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.
HARVEY, A.C. Forecasting, Structural Time Series Models and the Kalman
Filter. Cambridge, 1989a.
HAUCH, J. The Danish Electricity Reform, Energy Policy, vol. 29, 2001, p.
509-521.
JANG, J.-S. R.; SUN, C.-T. & MIZUTANI, E. Neuro-Fuzzy and Soft
Computing. Upper Sadle River, NJ: Prentice Hall, 1997.
JOHNSEN, T.A. Demand, Generation and Price in the Norwegian Market for
Electric Power. Energy Economics, no. 23, 2001, p. 227-251.
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.
________. System Identification: Theory for the User, first ed., New Jersey:
Prentice-Hall, Inc., 1987.
PUC-Rio - Certificação Digital Nº 9916936/CA
MEDEIROS, L.; BUNN, D.W. & SOUZA, R.C. Brazilian Electricity Market
and Price Forecasting. 22nd International Symposium on Forecasting,
Dublin, Ireland, 2002.
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.
MOYA, O.E. Experience and New Challenges in the Chilean Generation and
Transmission Sector. Energy Policy, no. 30, 2002, p. 575–582.
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.
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.
ROCHA, P.G.; MORAES JR., A.L. & MELO JR., A.B. Avaliação de Preço e
Risco na Comercialização de Energia Elétrica. CHESF, 2001.
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.
VUORIMAA, P. Fuzzy Self-Organizing Map. Fuzzy Sets and Systems, no. 66,
1994, p. 223-231.
Bibliografia 144
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.
ZADEH, L.A. Fuzzy Sets. Information and Control, vol. 8, 1965, p. 338-353.
PUC-Rio - Certificação Digital Nº 9916936/CA