Mercado de Energia Elétrico Brasileiro - EO (1)

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