Baixe o app para aproveitar ainda mais
Prévia do material em texto
Mercado de Energia Elétrico Brasileiro RUAN DUARTE JALES ANSELMO ESTUDO ORIENTADO I - PPGET INTERNAL Conteúdo Comercialização de energia no Brasil Programação da operação do SIN Formação de preços de liquidação de diferenças (PLD) Mecanismo de Realocação de Energia (MRE) Contratos de energia elétrica Incertezas no setor de comercialização Desenhos de mercado Pesquisas acadêmicas Proposta da dissertação Comercialização de energia INTERNAL Instituições do setor elétrico brasileiro INSTITUIÇÕES DO SETOR ALGUNS EVENTOS SIGNIFICATIVOS MME ANEEL ONS EPE CCEE CMSE RE-SEB 2001 - Racionamento Fonte: Apresentação do MME sobre modernização do setor elétrico INTERNAL Regulamentação do setor Fonte: Apresentação sobre o mercado de energia da FGV INTERNAL Ambientes de contratação Fonte: Apresentação do Bernardo Bezerra no curso de Gerencia de Riscos em Comercialização no CTEE INTERNAL Número de agentes na CCEE Fonte: CCEE – apresentação do Rui Altieri para UNICAMP Número de consumidores no mercado livre e percentual de carga entre os mercados ACR e ACL Fonte: CCEE – apresentação do Rui Altieri para UNICAMP INTERNAL Limites de demanda para consumidores livres A Portaria Nº 514/2018, alterada pela Portaria Nº 465/2019 definiu a redução da demanda mínima para contratação de energia de fontes convencionais no período de 2019 até 2023 Atualmente consumidores cuja demanda seja superior a 500 kW podem ser livres desde que comprem energia incentivada Fonte: Lastro de energia incentivada – 8ª Edição Novembro/20 - CCEE Limites mínimos de carga para contratação de energia convencional INTERNAL Ambientes de contratação Fonte: Apresentação do Bernardo Bezerra no curso de Gerencia de Riscos em Comercialização no CTEE INTERNAL Funcionamento do mercado •Agentes participantes do ambiente de contratação livre (ACL) podem comprar e vender energia livremente para o futuro Período anterior a contabilização •Verifica-se a quantidade de energia excedente ou faltante de cada agente •Saldo = Recurso- Requisito Cálculo do mercado de curto prazo (MCP) •Todo agente deve liquidar o excedente valorando ao PLD •É como se cada agente tivesse que “Comprar” a quantidade de energia que ficou em déficit ou “Vender” a quantidade de energia que ficou sobrando Liquidação dos excedentes (ex-post) •Os agentes devedores do MCP devem dinheiro para a CCEE •Em seguida a CCEE repassa o dinheiro para os agentes credores do MCP Repasse de financeiro Período de Contabilização INTERNAL Exemplo de contabilização Gerador A +100MWh Gerador B +50MWh Consumidor A -90MWh Consumidor C -10MWh Consumidor B -50MWh INTERNAL Exemplo de contabilização Geração ≈ Carga Gerador A +100MWh Gerador B +50MWh Consumidor A -90MWh Consumidor C -10MWh Consumidor B -50MWh +150MWh -150MWh INTERNAL Exemplo de contabilização Comercializador A Gerador A +100MWh Gerador B +50MWh Consumidor A -90MWh Consumidor C -10MWh Consumidor B -50MWh INTERNAL Exemplo de contabilização 50MWh Gerador A +100MWh Gerador B +50MWh Consumidor A -90MWh Consumidor C -10MWh Consumidor B -50MWh Comercializador A INTERNAL Exemplo de contabilização 50MWh Gerador A +100MWh Gerador B +50MWh Consumidor A -90MWh Consumidor C -10MWh Consumidor B -50MWh Comercializador A Comercializador B INTERNAL Exemplo de contabilização 50MWh 10MWh Gerador A +100MWh Gerador B +50MWh Consumidor A -90MWh Consumidor C -10MWh Consumidor B -50MWh Comercializador A Comercializador B INTERNAL Exemplo de contabilização Gerador A +100MWh Gerador B +50MWh Comercializador A Comercializador B 50MWh 10MWh Saldo = 100-70-20 Saldo: +10MWh Saldo: +50-40-10 Saldo: 0MWh Saldo: 70+40-50-30 Saldo: +30MWh Saldo: 20+10-40-20-10 Saldo: -40MWh Saldo: 0MWh Saldo: 0MWh Saldo: 0MWh Consumidor A -90MWh Consumidor C -10MWh Consumidor B -50MWh INTERNAL Exemplo de contabilização Gerador A Gerador B Comercializador A Comercializador B Saldo: +10MWh Saldo: 0MWh Saldo: +30MWh Saldo: -40MWh Saldo: 0MWh Saldo: 0MWh Saldo: 0MWh Consumidor A Consumidor C Consumidor B INTERNAL Exemplo de contabilização Gerador A Comercializador A Comercializador B Recebe: 30 x PLD Paga: 40 x PLD [R$] = [MWh] x [R$/MWh] Recebe: 10 x PLD CCEE Observação: Os agentes que ficaram com saldo zero não tiveram nenhum impacto no MCP (Gerador B, Consumidores A, B e C) Repasse financeiro Programação da operação do SIN ENTENDENDO A FORMAÇÃO DO PLD INTERNAL Programação da operação do SIN A programação da operação do SIN é feita de forma que a demanda seja atendida pelo menor custo operativo total A programação do SIN é feita utilizando uma cadeia de modelos de otimização desenvolvido pelo CEPEL ◦ NEWAVE – Modelo probabilístico considerando 5 anos de operação ◦ DECOMP – Modelo determinístico e probabilístico considerando 2 meses de operação ◦ DESSEM – Modelo determinístico considerando 14 dias de operação O sistema elétrico brasileiro é programado considerando um sistema hidrotérmico, ou seja, o custo operacional é formado basicamente pelo custo térmico INTERNAL Programação da operação do SIN Resultado operação Afluências futuras Despachar GT ou GH? Momento atual Qual é a decisão que minimiza o custo total? Despachar GT; Não utilizar os reservatórios; Aumentar custo. Alta Risco de vertimento Baixa Ok Despachar GH; Utilizar os reservatórios; Reduzir o custo. Alta Ok Baixa Risco de déficit INTERNAL Programação da operação do SIN Fonte: Apresentação “30 ANOS DE STOCHASTIC DUAL DYNAMIC PROGRAMMING (SDDP)” do Mario Veiga na UFRJ INTERNAL Algumas características dos decks utilizados nos modelos NEWAVE • Discretização mensal no horizonte de 5 anos de estudo +5 anos de pós estudo • Agrupa as usinas hidrelétricas e seus reservatórios em Reservatórios Equivalentes de Energia (REE) • A Demanda é determinística e estimada por uma das diretorias do ONS • A geração das usinas não simuladas (eólicas, solares e demais usinas despachadas descentralizadamente) é determinística • O modelo resulta em uma função de custo futuro e 2 mil séries de simulações de operação com cenários de afluências distintos DECOMP • Discretização semanal no primeiro mês e mensal no segundo mês de estudo • Utiliza a Função de Custo Futuro (FCF) resultante do NEWAVE • Considera usinas hidrelétricas individualizadas DESSEM • Discretização semi-horário no primeiro dia e por patamares no restante • Utiliza a FCF resultante do Decomp • Previsão de geração eólica com o modelo utilizando dados anemométricos e curvas Vento x Potência • Considera unit commitment das UTEs INTERNAL Reservatórios equivalentes de energia Fonte: CEPEL INTERNAL Acoplamento entre os modelos DECOMP NEWAVE DECOMP NEWAVE Fonte: CCEE Formação de preços de liquidação de diferenças (PLD) INTERNAL Rotinas do ONS e CCEE nas rodadas dos modelos Fonte: CCEE INTERNAL Formação de PLD Os modelos calculam o Custo Marginal de Operação (CMO), que é o custo necessário para atender mais 1MW no sistema O ONS roda ◦ O Newave mensalmente para definir a FCF de médio prazo ◦ O Decomp semanalmente para definir a FCF de curto prazo ◦ O Dessem diariamente para definir o CMO semi-horário (ou horário no caso da CCEE) Da mesma forma a CCEE também roda toda a cadeia de modelos para definir o PLD ◦ A diferença entre o resultado do ONS (CMO) e da CCEE (PLD) ocorre devido as diferenças inseridas nos Decks ◦ Limite do PLD entre um piso e um teto (valor mínimo e valor máximo) definidos pela ANEEL ◦ A CCEE não considera restrições elétricas internas dos subsistemas ◦ etc INTERNAL Limites máximos e mínimos do PLD Fonte: CCEE *vigente somente a partir do ano de 2021, para o ano de 2020 será divulgado junto com o PLD horário sombra INTERNAL Algumas variáveis que influenciam o PLD Dados técnicos das usinas despachadascentralizadamente • Dados operativos, histórico de vazões, etc Dados técnicos dos equipamentos de transmissão Declarações dos geradores • Térmicos: disponibilidade, custo variável e inflexibilidade • Hidro: disponibilidade Projeções de demanda Cronograma de expansão das unidades geradoras Disponibilidade de combustível Hidrologia INTERNAL Problema geral: evitar o risco do PLD Fonte: Apresentação do Bernardo Bezerra no curso de Gerencia de Riscos em Comercialização no CTEE INTERNAL Fonte: Apresentação do Bernardo Bezerra no curso de Gerencia de Riscos em Comercialização no CTEE Problema geral: evitar o risco do PLD Mecanismo de realocação de energia (MRE) ENTENDENDO O FUNCIONAMENTO DO MECANISMO QUE SÓ EXISTE NO BRASIL INTERNAL O problema ❑No Brasil o despacho é centralizado, isto é, a geração de energia das usinas despachadas centralizadamente não dependem do próprio gerador ❑Se a solução ótima de despacho para o SIN seja guardar água nos reservatórios para utilizar em um momento posterior, as usinas hidráulicas que forem impedidas de gerar energia serão prejudicadas? ❑Se existir uma Usina A a montante de uma Usina B e a Usina A segurar toda água que chegar no rio, como a Usina B conseguirá gerar energia? INTERNAL Solução adotada: MRE 0 5 10 15 20 Usina A Usina B Usina C Usina D 10 5 15 20 Geração Geração INTERNAL Solução adotada: MRE 0 2 4 6 8 10 12 14 16 18 20 Usina A Usina B Usina C Usina D Geração Recebido Cedido 10 5 15 20 +2,5 +7,5 -2,5 -7,5 1 0 1 0 1 0 1 0 INTERNAL Solução adotada: MRE ❑Para evitar o risco hidrológico foi criado, em 2 de julho de 1998 pelo decreto nº 2665, o Mecanismo de Realocação de Energia (MRE) ❑O MRE retira o risco hidrológico das usinas hidráulicas ❑O MRE compartilha toda geração do mecanismo entre os participantes ❑O recurso energético considerado na liquidação do MCP para as usinas participantes do MRE é igual a garantia física multiplicado pelo GSF ❑O GSF é a proporção de geração de todos os participantes do MRE divido pela Garantia Física dos mesmos ❑Como o GSF depende das informações de geração, o seu valor oficial é calculado no período de contabilização 𝐺𝑆𝐹 = σ𝐺𝑒𝑟𝑎çã𝑜 σ𝐺𝑎𝑟𝑎𝑛𝑡𝑖𝐹𝑖𝑠𝑖𝑐𝑎 Contratos de energia elétrica e as incertezas do setor INTERNAL Ambientes de contratação Fonte: Apresentação do Bernardo Bezerra no curso de Gerencia de Riscos em Comercialização no CTEE INTERNAL Exemplos de contratos Normalmente negociados em balcão ▪ Submercado: SE/CO ▪ Período de Fornecimento: 01/06/2021 até 30/06/2021 ▪ Tipo de Energia: Convencional ▪ Sazonalização: Flat ▪ Modulação: N/A ▪ Flexibilidade: 0% Contrato de curto prazo Contrato de médio/longo prazo ▪ Submercado: SE/CO ▪ Período de Fornecimento: 01/10/2021 até 31/12/2021 ▪ Tipo de Energia: I5 ▪ Sazonalização: Flat ▪ Modulação: N/A ▪ Flexibilidade: 0% INTERNAL Exemplos de contratos Normalmente vendas para consumidores ▪ Submercado: SE/CO ▪ Período de Fornecimento: 01/01/2022 até 31/12/2027 ▪ Tipo de Energia: Convencional ▪ Sazonalização: 20% ▪ Modulação: 10% ▪ Flexibilidade: 15% Contrato com flexibilidade e modulação Exemplo de Sazo e exercício de flexibilidade 0 3 an e mar a r mai un u ago et out no de M m Contrato Sa o Con umo INTERNAL Exemplos de contratos leilões realizados em 2019 ▪ Fonte: Solar/Eólica ▪ Submercado: SE/CO ou Sul ou NE ▪ Período de Fornecimento: 01/01/2023 até 31/12/2041 ▪ Tipo de Energia: I5 ▪ Sazonalização: Conforme Curva Certificação P90 ▪ Modulação: Conforme a Geração ▪ Flexibilidade: Conforme a Geração com limite de +/- 10% Características do Produto Características do Produto ▪ Fonte: Solar/Eólica ▪ Submercado: SE/CO ou Sul ou NE ▪ Período de Fornecimento: 01/01/2023 até 31/12/2037 ▪ Tipo de Energia: I5 ▪ Sazonalização: Conforme Curva Certificação P90 ▪ Modulação: flat para Eólicas e curva de geração para solar ▪ Flexibilidade: Conforme a Geração com limite de +/- 10% INTERNAL Exemplos de contratos ▪ Contrato de energia em que o preço contratual é igual ao PLD ▪ Neste tipo de contrato também é comum considerar um Spread, onde o preço contratual será PLD + Spread ▪ Neste tipo de contrato o preço do contrato só é definido após a divulgação do PLD Contrato à PLD Contrato Collar ▪ Contrato de energia em que o preço contratual é igual ao PLD considerando um limite máximo e/ou mínimo ▪ Este contrato é semelhante ao contrato à PLD, porém o limite máximo e mínimo são definidos pelas partes dos contratos INTERNAL Exemplos de contratos ▪ Neste contrato a energia contratual é igual a um percentual da geração Contrato de capacidade Outros tipos de contratos ▪ Existem vários tipos de contratos no ACL e no ACR INTERNAL Mercado de Curto prazo ou Mercado Spot No Brasil, todos os agentes devem liquidar seu excedente ou déficit de energia no mercado spot valorando essa energia ao PLD e a CCEE é responsável por arrecadar e distribuir o dinheiro para os agentes envolvidos no mercado spot Cada agente irá pagar ou receber do MCP com a seguinte equação: ◦ 𝑹𝒆𝒄𝒆𝒊𝒕𝒂 = (𝑹𝒆𝒄𝒖𝒓𝒔𝒐𝑬𝒏𝒆𝒓𝒈é𝒕𝒊𝒄𝒐 − 𝑹𝒆𝒒𝒖𝒊𝒔𝒊𝒕𝒐𝑬𝒏𝒆𝒓𝒈é𝒕𝒊𝒄𝒐) × 𝑷𝑳𝑫 ◦ Unidades: ◦ 𝑃𝐿𝐷: [𝑅$/𝑀𝑊] ◦ 𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝐸𝑛𝑒𝑟𝑔é𝑡𝑖𝑐𝑜 𝑒 𝑅𝑒𝑞𝑢𝑖𝑠𝑖𝑡𝑜𝐸𝑛𝑒𝑟𝑔é𝑡𝑖𝑐𝑜: 𝑀𝑊ℎ ◦ 𝑅𝑒𝑐𝑒𝑖𝑡𝑎: [𝑅$] ◦ Onde ◦ 𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝐸𝑛𝑒𝑟𝑔é𝑡𝑖𝑐𝑜 é 𝑛𝑜𝑟𝑚𝑎𝑙𝑚𝑒𝑛𝑡𝑒 = 𝐺𝑒𝑟𝑎çã𝑜 + 𝑄𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒𝐶𝑜𝑛𝑡𝑟𝑎𝑡𝑜𝑠𝐶𝑜𝑚𝑝𝑟𝑎 ◦ Dependendo do agente pode ser Garantia Física Alocada no lugar de Geração ◦ 𝑅𝑒𝑞𝑢𝑖𝑠𝑖𝑡𝑜𝐸𝑛𝑒𝑟𝑔é𝑡𝑖𝑐𝑜 = 𝐶𝑜𝑛𝑠𝑢𝑚𝑜 + 𝑄𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒𝐶𝑜𝑛𝑡𝑟𝑎𝑡𝑜𝑠𝑉𝑒𝑛𝑑𝑎 INTERNAL Exemplo de receita no mercado de energia elétrica INTERNAL Exemplo de receita no mercado de energia elétrica Liquidação no mercado de curto prazo PLD = R$ 150 / MWh INTERNAL Liquidação no mercado de curto prazo Exemplo de receita no mercado de energia elétrica Receita total do Comercializador Y PLD = R$ 150 / MWh INTERNAL Resultado financeiro dos contratos ❑O sucesso financeiro de um contrato depende do PLD: 𝑅𝑒𝑐𝑒𝑖𝑡𝑎𝐶𝑜𝑛𝑡𝑟𝑎𝑡𝑜𝑉𝑒𝑛𝑑𝑎𝑅$ = 𝑄𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒𝑀𝑊ℎ 𝑥 𝑃𝑟𝑒ç𝑜𝐶𝑜𝑛𝑡𝑟𝑎𝑡𝑜 𝑅$ 𝑀𝑊ℎ − 𝑃𝐿𝐷 𝑅$ 𝑀𝑊ℎ 𝑅𝑒𝑐𝑒𝑖𝑡𝑎𝐶𝑜𝑛𝑡𝑟𝑎𝑡𝑜𝐶𝑜𝑚𝑝𝑟𝑎𝑅$ = 𝑄𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒𝑀𝑊ℎ 𝑥 (−𝑃𝑟𝑒ç𝑜𝐶𝑜𝑛𝑡𝑟𝑎𝑡𝑜 𝑅$ 𝑀𝑊ℎ + 𝑃𝐿𝐷 𝑅$ 𝑀𝑊ℎ ) ❑Qual preço contratual conseguirei lucro? INTERNAL Plataforma BBCE Incertezas do setor INTERNAL Algumas incertezas e problemas enfrentados na comercialização de energia elétrica Projeção de geração própria Projeção do preço de mercado Projeção de flexibilidade dos contratos (consumo dos clientes) Liquidez de produtos negociados Diferença de preços por submercado Valor do prêmio por energia incentivada Projeção de PLD Projeção de carga Projeção de ENA Projeção de geração das usinas não simuladas do SIN Outros problemas Restrições de vazão mínima Linhas de Transmissão Despacho fora da ordem de mérito Mudanças dos modelos de otimização Previsão de GSF Lastro Incadimplência Desenhos de Mercado de Energia MERCADO DE ENERGIA ELÉTRICA INTERNACIONAL INTERNAL Tipos de mercado Mercado de varejo ◦ Energia vendida aos consumidores residenciais e comerciais com baixo consumo de energia Mercado atacado ◦ Energia vendida em grandes blocos para comercializadoras, distribuidores e grandes consumidores ◦ Esquema comprador único ◦ Geradores vendem apenas para um único comprador (normalmente empresa que pertence ao Estado), que vende para distribuidores e consumidores ◦ Ex.: China, Coreia do Sul ◦ Esquema livre INTERNAL Tipos de mercado atacadista Gross pool ◦ Despacho centralizado ◦ Despacho não depende de contratos ◦ Despacho baseado no preço unitário de geração de cada gerador em função de ordem de mérito, onde o último gerador despachado determina o preço de mercadoNet pool ◦ Despacho em função dos contratos firmados até poucas horas antes ◦ Podem ser: ◦ Day ahead: geradores realizam ofertas para o dia seguinte ◦ Intraday: ocorre até pouco tempo antes da operação em tempo real ◦ Tempo real: tempo real INTERNAL Mecanismo ex-post ❑Em diversos mercados existe um mecanismo de conciliação de diferenças devido as diferenças entre “pre i ão e rea i ado” ❑No Brasil o preço do mecanismo de conciliação de diferenças é chamado de Preço Líquido de Diferenças (PLD) e é calculado pela CCEE INTERNAL Coreia do Sul Restruturado em 2001 Modelo atual é o esquema do comprador único Mercado de curto prazo ◦ O preço de oferta de cada gerador é calculado mensalmente por um comitê subordinado à Korean Power Exchange (KPX) ◦ Diariamente cada gerador informa a disponibilidade de geração para a KPX ◦ Diariamente a KPX calcula a demanda prevista para o dia seguinte e recebe as ofertas de disponibilidades de cada gerador ◦ Despacho feito por ordem de mérito (do gerador mais barato ao mais caro) até que a geração seja igual a demanda ◦ O preço de mercado é igual ao preço da térmica mais cara despachada (System Marginal Price) INTERNAL Estados Unidos da América Os agentes compram e vendem energia no mercado day ahead para cada hora do dia seguinte e estas operações determinam o despacho Também existe um mercado em tempo real para que os agentes ajustem suas posições conforme a operação em tempo real e neste mercado o preço é determinado a cada 5 minutos INTERNAL Alemanha ❑Geradores podem vender energia livremente ❑Mercado atacadista e mercado de varejo ❑Todos os consumidores finais podem comprar energia livremente ❑Mercado day ahead e mercado intraday ❑Predominantemente térmico Fonte: P&D Características dos sistemas elétricos e do setor elétrico de países e/ou estados selecionados (2014) INTERNAL Espanha ❑Geradores podem vender energia livremente ❑Mercado atacadista e mercado de varejo ❑Todos os consumidores finais podem comprar energia livremente ❑Mercado day ahead ❑Despacho por oferta, onde o despacho é definido por ordem de mérito da oferta mais barata até a mais cara ❑Preço definido pela oferta mais cara despachada ❑Predominantemente térmico Fonte: P&D Características dos sistemas elétricos e do setor elétrico de países e/ou estados selecionados (2014) INTERNAL Itália ❑Geradores podem vender energia livremente ❑Mercado atacadista e mercado de varejo ❑Todos os consumidores finais podem comprar energia livremente ❑Mercado day ahead e intraday ❑Predominantemente térmico Fonte: P&D Características dos sistemas elétricos e do setor elétrico de países e/ou estados selecionados (2014) INTERNAL Noruega ❑Geradores e comercializadores podem vender energia livremente ❑Todos os consumidores finais podem comprar energia livremente ❑Preço por oferta e demanda e preços por área ❑Predominantemente hidráulico Fonte: P&D Características dos sistemas elétricos e do setor elétrico de países e/ou estados selecionados (2014) INTERNAL Espanha ❑Geradores podem vender energia livremente ❑Mercado atacadista e mercado de varejo ❑Todos os consumidores finais podem comprar energia livremente ❑Mercado day ahead ❑Despacho por oferta, onde o despacho é definido por ordem de mérito da oferta mais barata até a mais cara ❑Preço definido pela oferta mais cara despachada ❑Predominantemente térmico Fonte: P&D Características dos sistemas elétricos e do setor elétrico de países e/ou estados selecionados (2014) INTERNAL Portugal ❑Geradores podem vender energia livremente ❑Todos os consumidores finais podem comprar energia livremente ❑Predominantemente térmico Fonte: P&D Características dos sistemas elétricos e do setor elétrico de países e/ou estados selecionados (2014) INTERNAL Características dos mercados de curto prazo em alguns países * Forma de despacho centralizado faz referência ao mercado de energia tipo gross pool. O despacho por contrato físico faz referência ao mercado de energia tipo net pool. ** Somente países que têm Mecanismos de Conciliação de Diferenças estruturalmente importantes. *** China tem um mercado tipo comprador único enquanto o setor elétrico. **** México está em processo de reforma. Pesquisas PESQUISAS RELACIONADAS COM A PROPOSTA DA DISSERTAÇÃO INTERNAL Otimização de Portfolios de Comercialização de Energia no Brasil Dissertação de mestrado na FGV Autor: Mário Guerreiro Ribeiro Ano: 2017 • Proposta da dissertação • Utilizar Teoria de Markowitz em portfolios de energia • Observações • Considera cenários de PLD do NEWAVE • Base mensal • Compara o CVAR com o VAR INTERNAL Gerenciamento de Riscos: Otimização Multiobjetivo e Análise de Portfólio de Compra e Venda de Energia Dissertação de mestrado na UFMG Autor: Fellipe Fernandes Goulart dos Santos Ano: 2013 • Proposta da dissertação • Calcular o risco para montar uma fronteira de pareto ótima • Observações • Método elipsoidal • eP@R • Usa a saída do newave (2000 séries) • Considera apenas usinas participantes do MRE INTERNAL Risk Constrained Portfolio Selection of Renewable Sources in Hydrothermal Electricity Markets Artigo publicado no IEEE Autores: Alexandre Street, Luiz Augusto Barroso, Bruno Flach, Mario Veiga Pereira, and Sérgio Granville Ano: 2009 • Proposta do artigo • Qual é o percentual de geração de uma PCH e uma usina de biomassa que eu devo contratar para mitigar o risco ao PLD? • Diversificação de portfolio com complementariedade de fontes de geração • Observações • Modelo de otimização estocástica • Considera cenários de gerações, cenários de PLD e cenários de percentuais de contratação • Cenários de PLD do NEWAVE • Base mensal INTERNAL Contracting Strategies for Renewable Generators: A Hybrid Stochastic and Robust Optimization Approach Artigo publicado no IEEE Autores: Bruno Fanzeres, Alexandre Street, Luiz Augusto Barroso Ano: 2015 • Proposta do artigo • Modelo de otimização de portfolio para proteger uma comercializadoras de cenários ruins de PLD (piso ou teto) considerando seu portfolio • “Propomo um mode o que com ina em um único pro ema de otimização a abordagem da análise de stress endógeno para os preços spot via otimização robusta com a abordagem estocástica para a repre entação da geração de onte reno á ei .” • Observações • Combinação de otimização robusta e estocástica • Considera cenários de gerações, cenários de PLD e cenários de percentuais de contratação • Não considera cenários de PLD do NEWAVE, os cenários de PLD são “criado ” no e tudo • Base mensal A Hybrid MILP and Benders Decomposition Approach to Find the Nucleolus Quota Allocation for a Renewable Energy Portfolio Artigo publicado no IEEE Autores: Lucas Freire, Alexandre Street, Delberis A. Lima, Luiz Augusto Barroso Ano: 2015 INTERNAL Otimização de Portfólios de Contratos de Energia Elétrica Utilizando Algoritmos Genéticos Multiobjetivo Dissertação de mestrado Autor: RITCHIE GUDER Ano: 2009 • Proposta do artigo • Utilizar otimização com Inteligência artificial INTERNAL Metodologia para Análise de Risco com PLD Horário Artigo do XXV SNPTEE Autores: MONICA DE SOUZA ZAMBELLI; JOYCE MICHELLE DE FARIA; ALECSANDRI DE ALMEIDA SOUZA DIAS Ano: 2019 • Proposta do artigo • Metodologia para transformar o PLD mensal obtido pelo NEWAVE em PLD horário com base no histórico • Observações • Analisa cenários de PLD horário e verifica o risco de uma usina aos cenários de PLD horário INTERNAL Using Value-at- Risk for effective energy portfolio risk management Autores: Halkos, George and Tsirivis, Apostolos Origem: Grécia Ano: 2019 • Proposta do artigo • Pesquisa sobre o uso das variações do VaR como medida de risco aplicados em publicações INTERNAL Autores: Florentina Paraschiv, Risto Hadzi-Mishev, Dogan Keles Origem: Alemanha Ano: 2016 Extreme value theory for heavy tails in electricity prices • Proposta do artigo • Calcular o riscofinanceiro extremo de um portfolio de energia na alemanha INTERNAL A risk-averse optimization model for trading wind energy in a market environment under uncertainty Autores: H.M.I. Pousinho, V.M.F. Mendes, J.P.S. Catalão Origem: Portugal Ano: 2011 • Proposta do artigo • Calculo o risco de comercializar a geração de uma usina eólica com um estudo de caso em Portugal • Observações • Otimização calculada com programação estocástica • Cenários de previsões de geração eólica e preços gerados com inteligência artificial em um formato de árvore • Modelo previsor contém a combinação de transformada wavelet, PSO e redes neurofuzzy. • Maximiza a receita restringindo a um valor máximo de CVaR • Preços horários para o dia seguinte INTERNAL Portfolio optimization of electricity markets participation using forecasting error in risk formulation Autores: Ricardo Faia, Tiago Pinto, Zita Vale and Juan Manuel Corchado Origem: Portugal Ano: 2021 • Proposta do artigo • Otimização de portfolio considerando erro nas previsões de preço • Observações • Otimização usando PSO • Projeção de cenários com redes neurais INTERNAL Risk Metrics Modeling As Applied To Electric Energy Commercialization Problems Autores: Claudemir Chateaubriand de Sousa, Rafael Bambirra Pereira, Petr Iakovlevitch Ekel, Samuel Pereira da Rocha, Thiago Melo Machado-Coelho Origem: Brasil Ano: 2019 • Proposta do artigo Analisa as medidas de risco utilizadas em comercialização de energia e propõe uma medida de risco que agrega várias métricas para definir um nível de risco INTERNAL Energy portfolio risk management using time-varying extreme value copula methods Autores: Ahmed Ghorbel, Abdelwahed Trabelsi Origem: EUA Mercado de óleo e gás Ano: 2014 • Proposta do artigo Calcula o risco de um portfolio de óleo e gás comparando o uso de variações do VaR com o método de copula • Método combina as distribuições INTERNAL On the construction of hourly price forward curves for electricity prices Autores: Rüdiger Kiesel, Florentina Paraschiv, Audun Sæther, Origem: ALemanha Ano: 2018 • Proposta do artigo Projeção de preço horária para o mercado alemão de energia INTERNAL Estratégia Ótima de Contratação sob Incerteza de Usinas Hidrelétricas Reversíveis nos Ambientes Livre e Regulado com Preço de Liquidação das Diferenças Horário Resumo Autores: Bruno Fanzeres, Felipe Klein Ano: 2018 • Proposta do artigo Analisar qual é a melhor estratégia de contratação de uma usina reversível INTERNAL Multivariate portfolio optimization under illiquid market prospects: a review of theoretical algorithms and practical techniques for liquidity risk management Autores: Mazin A. M. Al Janabi Origem: México Mercado financeiro Ano: 2020 • Proposta do artigo Calcular o risco de um portfolio usando uma métrica que considera a falta de liquidez do mercado (LVaR) • Observações: Ele sugere várias combinações do Lvar com outras métricas de risco INTERNAL Modelos de otimização para o problema de portfólio de um gerador hidrelétrico em um ambiente de mercados de energia Tese de doutorado na Unesp Autor: Tiago Forti da Silva Ano: 2019 • Proposta do artigo Otimização de um portfolio de uma usina hidrelétrica considerando o mercado pool e de futuros. • Observações Otimização estocástica linear inteiro mista para o modelo de médio prazo e otimização estocástico quadrático inteiro misto para o modelo do dia seguinte INTERNAL Distribuição de frequência na seleção de portfólios ótimos e uma medida do risco com espaço objetivo aumentado Tese de doutorado na PUC Autor: Marcos Huber Mendes Ano: 2020 O novo modelo de simulação com análise de frequência inclui a frequência de ocorrência dos resultados ótimos como uma terceira dimensão e utiliza uma nova heurística para calcular a probabilidade de ocorrência de todos os cenários possíveis, para calcular a probabilidade de ocorrência de todos os ótimos e para selecionar o ótimo mais frequente, o ótimo modal (OM), e os seus relacionados risco do portfólio ótimo modal, retorno do portfólio ótimo modal, percentuais a investir em cada ativo ótimos modais e a fronteira eficiente ótima modal (FEOM). INTERNAL Análise comparativa entre modelos de inteligência computacional para previsão do preço futuro no mercado de energia brasileiro Artigo Autor: Matheus e outros Ano: 2019 INTERNAL Sazonalização ótima de energia e formação de portfólios ótimos de contratos de energia Artigo Autor: Adriano C. Lisboa, e outros Ano: 2015 INTERNAL Outros artigos usando IA Firefly Algorithm for Cardinality Constrained Mean-Variance Portfolio Optimization Problem with Entropy Diversity Constraint • Nebojsa Bacanin and Milan Tuba (2014) Portfolio optimization using novel co-variance guided Artificial Bee Colony algorithm • Kumar D, Mishra K (2017) Cardinality-Constrained portfolio optimization using an improved quick artificial bee colony algorithm • Suthiwong D, Sodanil M (2017) INTERNAL Outros artigos usando IA Portfolio Optimization based on Synthetic Fish Congestion Algorithm and Artificial Intelligence: in the Condition of Uncertainty and Half-Variance Risk • Ghahderijani R (2020) Portfolio Selection Using Genetic Algorithm • Sefiane SBenbouziane M (2012) Building portfolios based on machine learning predictions • Kaczmarek T, Perez K (2021) INTERNAL Outros artigos usando IA Portfolio optimization-based stock prediction using long-short term memory network in quantitative trading • Ta V,Liu C,Tadesse D (2020) Deep Reinforcement Learning for Optimizing Finance Portfolio Management • Hu Y, Lin S (2019) High-low strategy of portfolio composition using evolino RNN ensembles • Stankeviciene J, Maknickiene N,Maknickas A (2017) INTERNAL Outros artigos usando IA Hybrid artificial intelligence and robust optimization for a multi-objective product portfolio problem Case study: The dairy products industry • Goli A,Khademi Zare H,Tavakkoli-Moghaddam R,Sadeghieh A. (2019) Artificial Intelligence applied to Stock Market Trading: A Review • FERNANDO G D C FERREIRA, AMIR H GANDOMI, AND RODRIGO T N CARDOSO (2017) A survey of swarm intelligence for portfolio optimization: Algorithms and applications • Ertenlice O,Kalayci C (2018) Proposta da dissertação Otimização de portfol io de energia INTERNAL Resumo das pesquisas lidas ➢Simulação de Monte Carlo ◦ Em “Risco De Mercado Na Comercialização De Energia Elétrica: Uma Análise Estruturada Com Foco No Ambiente De Contratação Livre-ACL” oi ca cu ado o ri co con iderando a compra de energia de uma usina eólica e biomassa e considerando que o comercializador também é um gerador hidráulico ➢Otimização estocástica + robusta ◦ Em “Contracting Strategie or Renewa e Generator : A Hy rid Stocha tic and Ro u t Optimi ation Approach” os autores utilizam otimização estocástica + rubusta para calcular a contratação ótima de uma comercializadora comprando energia de geradores e do mercado considerando valores extremos de cenários ➢Programação estocástica de dois estágios – Programação Linear ◦ Em “Ri k Con trained Port o io Se ection o Renewa e Source in Hydrotherma E ectricity Market ” oi calculado o portfolio ótimo de uma comercializadora comprando energia de uma usina PCH e uma biomassa INTERNAL Resumo das pesquisas lidas ➢Programação linear inteira mista + Decomposição de Benders ◦ Em “A Hybrid MILP and Benders Decomposition Approach to Find the Nucleolus Quota Allocation for a Renewable Energy Portfolio” oi de inido a ocação ótima de um Poo de comparti hamento de cota ➢Teoria dos jogos com Programação linear inteira mista + Decomposição de Benders ◦ Em “On the comparison of computationally efficient quota-sharing methodologies for large-scale renewable generation portfolios” otimização de alocação ótima de um Pool de compartilhamento de cotas ➢Algoritmos genéticos ◦ Em “Otimização De Portfólios De ContratosDe Energia Elétrica Utilizando Algoritmos Genéticos Multiobjetivo” oram ca cu ado ário port o io ótimo para um comercia i ador INTERNAL Objetivo ➢O objetivo da dissertação é criar um modelo que otimiza a contratação de energia de uma comercializadora para atender seus compromissos contratuais de forma que o risco da exposição ao PLD horário seja minimizado e a margem da comercializadora seja maximizada ➢Neste modelo serão considerados as incertezas da exposição ao PLD horário, da geração das usinas, da flexibilidade e modulação exercida pelos contratos com os consumidores, da diferença de preço entre submercados. Além das incertezas, será considerado a baixa liquidez da contratação de energia em submercados diferentes do sudeste ➢Apresentar um estudo de caso com dados reais do setor brasileiro ➢Objetivos secundários: ➢Comparar a utilização de um modelo de inteligência artificial (ou parcialmente de I.A. – híbrido) com um modelo convencional ➢Metodologia para criar séries horárias com base nas séries mensais do NEWAVE ➢Precificar o risco da modulação/sazonalização ➢Metodologia de redução de cenários do NEWAVE INTERNAL Esquema das operações simuladas Comercializadora Solar Eólica PCH Consumidor perfil A Consumidor perfil B Contratos de quantidade Contratos por capacidade ? ? ? ? ? ? INTERNAL Incertezas PLD horário Preços futuros de mercado de energia Consumo de energia, i.e., exercício de flexibilidade/modulação de consumidores Geração das fontes contratadas Liquidez dos produtos por submercados INTERNAL Cenários de preços futuros • Assume premissas como custo de combustível, expansão do sistema, demanda do sistema e etc. • Modelo de médio/longo prazo só trabalha com dados por semana/patamar • Usado pela maioria dos trabalhos Cenários de preços gerados pelo modelo de otimização de despacho hidrotérmico adotado no brasil (NEWAVE) • Utilizar uma metodologia para fazer a redução de cenários?Redução de cenários do NEWAVE • Assume que, de certa forma, preços passados influenciam nos preços futurosPrevisor de preços spot • Otimização que considera cenários extremos de preçosCenários extremos INTERNAL Cenários de preços futuros horários ➢Se utilizarmos os cenários de preços do NEWAVE, como transformá-los em preços horários? ➢O artigo “Metodo ogia para Aná i e de Ri co com PLD Horário” a orda uma metodo ogia que considera o perfil histórico do PLD horário em relação ao PLD semana/patamar e considera que os preços horários sempre terão este mesmo perfil ➢Problemas: ◦ Metodologia feita com base em médias ◦ Pouco histórico de preços horários disponíveis (2019 em diante) até o momento INTERNAL Contribuições ➢Auxiliar a tomada de decisão de uma comercializadora na contratação de energia ➢Calcular o risco de um portfolio de energia devido a incerteza das variáveis do problema (PLD, geração, consumo) ➢Definir uma metodologia para calculo de risco ao PLD horário de médio prazo ➢Explorar a complementariedade sazonal e do perfil horário de diferentes fontes de geração de energia ➢Utilização de inteligência artificial para calcular o risco de um portfolio de energia ➢Definir o custo da flexibilidade de um contrato de energia elétrica para um consumidor ➢Calculo do risco de um portfolio de energia considerando a liquidez do mercado INTERNAL Contribuições adicionais em relação aos demais trabalhos existentes* ➢Calculo do risco considerando o PLD horário e suas incertezas ➢Calculo do risco considerando variáveis horárias (PLD, geração e consumo) ➢Abordagem de otimização usando inteligência artificial aplicada a comercialização de energia elétrica no Brasil ➢Metodo ogia para “ a orar” sazonalização e/ou modulação considerando as incertezas do setor ➢Metodologia para estimar perfil de PLD horário ➢Calculo do risco de um portfolio de energia considerando a liquidez do mercado de energia elétrico brasileiro ➢Outras possibilidades: oMetodologia para redução de cenários aplicada aos cenários gerados pelo NEWAVE *Trabalhos lidos Fim
Compartilhar