Análise de Estratégias de Comercialização
de Agentes Geradores de Energia
Douglas F. A. Santos; Diego R. Pires
Universidade Federal de Itajubá – UNIFEI
Programa de Pós-Graduação em Engenharia Elétrica
Resumo– Com as mudanças que
ocorreram no setor elétrico mundial no final
da década de 90, inúmeras reformas foram
realizadas na maioria dos países do mundo,
cada país com a sua característica, mas a
maioria deles buscou mudar a estrutura
monopolista do setor elétrico para uma
estrutura competitiva para os agentes de
geração. As empresas de geração do mercado
brasileiro estão interessadas em qual
estratégia de contratação deve adotar, uma
vez que atuam em um mercado de contratos
bilaterais e no mercado spot, com o objetivo
de obter com o mínimo de risco o maior
retorno possível.
Este trabalho tem objetivo de apresentar
um algoritmo, baseado na teoria dos
algoritmos genéticos, para ajudar na tomada
de decisão de um agente gerador para o
problema de estratégia de comercialização de
energia.
Palavras-Chave – agentes geradores,
Algoritmo Genético, comercialização,
estratégia, energia, mercado brasileiro,
modelo linear.
I. INTRODUÇÃO
A reestruturação do setor elétrico mundial
iniciou a partir da década de noventa,
anteriormente na grande parte dos países a
geração, transmissão, distribuição
comercialização de energia elétrica eram
realizadas por empresas estatais e monopolistas.
Com estas mudanças no setor elétrico há a
necessidade de uma nova legislação, com isto
surge à competição em seus segmentos,
buscando maior eficiência econômica. A partir
dessa década a energia elétrica começa a ser
tratada como um produto, permitindo a
introdução do produtor independente e aos
grandes consumidores a escolha de seus
fornecedores (Arfux, 2011).
Segundo (Queiroz, 2010), a reestruturação do
setor elétrico teve o objetivo de gerar um
ambiente de desenvolvimento da oferta de
energia elétrica. Além da livre competição outros
fatores foram criados, como:
 Modicidade tarifária;
 Livre acesso às redes de transmissão e
distribuição;
 Liberdade na negociação de contratos;
 Universalização do serviço;
 Segurança do suprimento de energia
elétrica e uma regulação técnica e
econômica eficientes.
Apesar de cada país ter adotado reformas
distintas, a principal característica utilizada na
maioria deles é a desverticalização do setor,
trazendo o modelo de um mercado competitivo.
Desta forma, o mercado regulado, fixado aos
consumidores cativos, fica ultrapassado, sendo
substituído pelo mercado livre, onde os
consumidores de grande porte possuem liberdade
de escolha dos fornecedores (Bettega, 2001).
Este novo cenário coloca as empresas em um
novo ambiente, onde os agentes livres podem
tomar inúmeras escolhas, mas são responsáveis
pelos riscos das tomadas de decisões. Para os
produtores de energia pode-se mencionar como
riscos: o preço de comercialização, custo de
operação e manutenção, demanda e as condições
e características inerentes de cada mercado
(Magalhães, 2009).
Em um ambiente competitivo, os produtores
de energia precisam mais do que soluções como
feeling de negócio, soluções empíricas, ou
e estudos superficiais, como referência para
definição de sua estratégia de comercialização de
energia, necessitando do desenvolvimento de
ferramentas que auxiliem o setor. Desta forma,
para ajudar na escolha de estratégias os
produtores de energia passam a investir e utilizar
técnicas de controle financeiro e de tomada de
decisão. A decisão de uma estratégia tem o
objetivo de minimizar os riscos e maximizar a
rentabilidade das empresas em um mercado
competitivo (Oliveira, 2009).
Quanto à motivação e relevância do tema
abordado neste trabalho, se justifica por se tratar
de algumas estratégias tomadas para decisões
que envolvem análises complexas de
1
oportunidades de mercado. Desta forma, para
obter bons resultados é preciso realizar uma
observação cautelosa das possíveis
oportunidades de mercado. Segundo (Queiroz,
2010) é necessária a análise do momento de se
firmar o contrato, o montante a ser negociado, o
preço, a vigência, a projeção do preço em curto
prazo, a disponibilidade de lastro, a priorização
de clientes e as possibilidades de perdas.
As estratégias de comercialização de energia
têm sido abordadas na literatura, a seguir serão
apresentados alguns trabalhos.
Segundo (Liu, 2006) no mercado de energia
elétrica, os preços são mais instáveis do que em
outros mercados de commodities. Está
instabilidade nos preços do mercado mostra a
importância e necessidade da gestão de riscos.
Neste trabalho aborda alguns riscos que são
utilizados no mercado financeiro para o mercado
de energia elétrica. Além disso, este trabalho
também é desenvolvido técnicas suplementares
de gestão de riscos para lidar com as
especialidades do mercado do setor elétrico.
Em (Caberbo, 2005) é apresentado uma
metodologia para gerenciar o risco de empresas
de geração hidrelétricas e termelétricas no
período de um ano. Os riscos abordados estão nos
preços dos combustíveis, o fluxo da água, a
demanda de energia e o preço da eletricidade. A
metodologia apresentada contém três passos
fundamentais: a geração de alguns cenários de
preços, a aproximação destes cenários para uma
árvore multivariada e a otimização das decisões
operacionais e financeiras por meio de uma
programação estocástica.
Conforme dito em (Albuyeh, 2003) a
desregulamentação do setor de energia elétrica,
criou requisitos para os participantes nos
mercados de energia elétrica. Os participantes do
mercado precisam de ferramentas adequadas
para a tomada de decisão, pois, o operador tem
que além de monitorar o sistema de energia
necessita também de ferramentas para gerenciar
riscos, participar em vários mercados e gerenciar
ativos físicos e financeiros em um mercado
competitivo. O trabalho traz ferramentas
necessárias para auxiliar os agentes na
contratação de energia elétrica para alguns
ambientes de mercado.
Segundo (Ni, 2004), o desenvolvimento de
estratégias eficazes para otimizar curvas de
oferta de energia hidrelétrica e termelétrica
visando maximizar os lucros tem apresentado
uma tarefa importante e desafiadora. Este
trabalho utiliza uma otimização estocástica para
selecionar as curvas de ofertas para mercados de
energia.
Segundo (Bajpai, 2007), os geradores têm de
oferecer energia de forma ideal para maximizar
os lucros mesmo sem informações completas de
concorrentes. O trabalho traz a estratégia de
lance ideal de um gerador térmico em um
mercado spot considerando um modelo preciso
da função de custo operacional não linear; os
comportamentos dos preços de outros geradores
concorrentes são descritos usando uma função
normal de distribuição de probabilidade.
Em (Díaz, 2011) é realizado estudo de como
contratos de energia físicos e financeiros afetam
as estratégias dos geradores, mas não são
considerados contratos que determinam
quantidades de preços, estas quantidades são
assumidas como conhecidas e fixas. Estratégias
são adotadas para diferentes agentes e
quantidades contratadas, assumindo demandas
fixas.
Em (Ramos, 2006) é apresentado um modelo
de otimização baseado em Algoritmos genéticos
para auxiliar como ferramenta de apoio para
estratégias de comercialização de energia de
geradores. Este trabalho simula a previsão do
comportamento das distribuidoras antes dos
leilões, o que ajuda na tomada de decisão de
estratégia dos geradores nos possíveis leilões que
pretendem participar, maximizando os lucros
esperados.
Em (Pinto, 2014) é apresentada uma
ferramenta inteligente para a tomada de decisão
nos leilões de energia elétrica. A metodologia
proposta busca a otimização simultânea da
maximização da receita esperada e a
minimização do risco de contrato, para isto é
utilizado um algoritmo evolutivo inspirado em
enxame de partículas (SEA).
Destaca-se neste artigo o trabalho de (Queiroz,
2010), pois neste foi baseado o desenvolvimento
deste artigo. Em (Queiroz, 2010) é apresentada a
modelagem integrada do problema de definição
de estratégia de comercialização de energia
elétrico do ponto de vista de um gerador. O
objetivo é maximizar a receita de um vendedor
utilizando técnicas de programação linear em
conjunto com alguns cenários de riscos.
O objetivo geral desse trabalho é apresentar
uma nova ferramenta para auxiliar na tomada de
decisão de um agente gerador para o problema de
comercialização de energia. Esta ferramenta é
um algoritmo, baseado na teoria de algoritmos
genético, para escolha ótima de venda de energia
entre o mercado bilateral e o mercado de curto
prazo. Para alcançar o objetivo geral foram
identificados os seguintes objetivos secundários:
 Fazer uma revisão bibliográfica do
estudo proposto;
 Escolher entre as referências um cenário
2
 para realizar as simulações;
 Realizar as simulações;
 Analisar os resultados encontrados pelo
algoritmo genético e se possível
compara-los.
Este artigo está dividido da seguinte forma: na
seção 1 é apresentada uma introdução ao tema, o
estado da arte, uma motivação e os objetivos do
trabalho; na seção 2 está apresentado um resumo
do modelo de mercado brasileiro de energia,
assim como seus ambientes de contratação; na
seção 3 é apresentada uma abordagem sobre os
algoritmos genéticos; na seção 4 é apresentado o
modelo matemático utilizado; na seção 5 estão os
resultados obtidos para o modelo matemático
desenvolvido na seção 4; na seção 5 são
apresentados os resultados encontrados e na
seção 6 é apresenta a conclusão do trabalho.
II. Mercado de Energia
A. Introdução;
O modelo utilizado no Brasil na metade da
década de 90 considerava a geração e a
comercialização como atividades competitivas,
já a transmissão e a distribuição como
monopólios naturais, necessitando de uma
regulação e fiscalização intensa (Magalhães,
2009).
A estrutura do novo modelo procura garantir
aos clientes segurança no fornecimento de
energia a um determinado preço, garantida por
meio dos leilões de compra e venda de energia.
Desta forma, o novo modelo proposto foi
estruturado basicamente em: segurança de
suprimento, modicidade tarifária, ambientes de
contratação e competição na geração,
contratação de energia existente e de novas
plantas geradoras em ambiente regulado, acesso
a novas hidrelétricas por produtores
independentes de energia e a criação de novos
agentes institucionais (Oliveira, 2009).
Analisando em particular o cenário brasileiro,
novas instituições foram criadas para organizar
este novo cenário de comercialização da energia
elétrica. Foram criadas a:
 Agência Nacional de Energia Elétrica
(ANEEL): é o órgão responsável por
regular e fiscalizar a geração,
transmissão, distribuição e
comercialização de energia elétrica
velando pela qualidade do serviço,
sendo responsável pela relação entre as
concessionárias e os consumidores, e
também pelo estabelecimento das
tarifas a universalização de atendimento
dos consumidores (Abreu, 1999);
 Operador Nacional do Setor Elétrico
(ONS): empresa encarregada pela
coordenação da operação do sistema
elétrico interligado (Magalhães, 2009).
 Mercado Atacadista de Energia Elétrica
(MAE): instituição responsável pela
gestão de transações comerciais e
atacadistas, posteriormente esta
instituição foi substituída pela Câmara
de Comercialização de Energia Elétrica
(CCEE) (Magalhães, 2009).
B. Ambientes de contratação de energia;
A partir do novo modelo utilizado, a
comercialização da energia passou a contemplar
dois ambientes de contratação: ambiente de
contratação regulada (ACR) e o ambiente de
contratação livre (ACL). Todos os contratos,
sejam do ACR ou do ACL, têm de ser registrados
na CCEE, e servem de base para a contabilização
e liquidação das diferenças no mercado de curto
prazo (MCP). O MCP é um segmento da CCEE
onde são contabilizadas as diferenças entre
montantes de energia elétrica contratada pelos
agentes e o montante de geração e de consumo
efetivamente verificados e atribuídos aos agentes
(Susteras, 2006).
A partir do novo modelo utilizado, a
comercialização da energia passou a contemplar
dois ambientes de contratação. No ambiente de
contratação regulada, são atendidos os
consumidores (concessionárias de distribuição)
de tarifas reguladas por meio de contrato
regulado, as concessionárias adquirem a energia
elétrica por meio de leilões regulados. Para o
ambiente de contratação livre, ocorre a
contratação de energia para os consumidores
livres e especiais, geradores, comerciantes, por
intermédio de contratos livremente negociados
entre as partes (Lazo, 2012).
Na Figura 1 estão representadas as relações
entre os ambientes de contratações e seus
possíveis consumidores.
Figura 1. Representação do mercado brasileiro.
3
 Os agentes de geração de energia
comercializam a energia elétrica por meio de
contratos bilaterais e no mercado spot.
Segundo (Magalhães, 2009) os contratos
bilaterais de compra e venda de energia são
firmados entre os agentes que negociam
livremente por meio do mercado de contratação
livre.
Já o mercado spot (mercado de curto prazo)
corresponde as comercializações da quantia de
energia não vendidas no mercado bilateral
(Bettega, 2001).
C. O agente de Geração;
As usinas geradoras de energia elétrica são
divididas basicamente em três grupos, esta
divisão é realiza com base no combustível
utilizado para alimentar o processo de geração de
energia, os três grupos são (Oliveira, 2009):
 Hidrelétricas: utilizam a vazão da água
presente nos reservatórios;
 Termelétricas: queima de combustíveis
fósseis como o óleo, gás, carvão;
 Nucleares e fontes alternativas: as
usinas eólicas e fotovoltaicas, que
utilizam os ventos e a luz do sol para
gerar energia, respectivamente.
A proporção de geração de energia de cada
tipo de usina presente em um mercado de energia
define a matriz energética de país. Deste modo,
tipos de riscos estão ligados ao tipo de matriz
energética (Brasil e volume de chuva). Em
particular o cenário brasileiro, que apresenta uma
matriz energética basicamente hidrelétrica, os
ricos ligados ao volume de água dos reservatórios
são maiores do que em países que apresentam
matriz energética mais diversificada ou
predominantemente térmica (Oliveira, 2009).
As medidas de risco aplicadas ao setor elétrico
relacionadas com o risco de mercado são
normalmente adaptações derivadas do setor
financeiro. Os métodos mais utilizados para
calcular este tipo de risco são o desvio-padrão, a
volatilidade, o ValueatRisk (VaR) e o
ConditionalValueatRisk (CVaR) (Oliveira,
2009).
Segundo (Jorion, 1998) o VaR fornece uma
medida estatística da máxima provável perda do
portfólio quando o mercado se comporta de
maneira normal.
O CVaR é o valor médio das perdas após o
limite de confiança do VaR. Ou seja, mede a
média das piores perdas esperadas além do
nível de confiança medido pelo VaR para gerar
a média esperada das perdas.
III. Algoritmos Genéticos
Os Algoritmos Genéticos (AGs) são métodos
de busca de soluções inspirada em princípios
Darwinianos de seleção natural. De acordo com
a teoria de C. Darwin, o princípio de seleção
natural privilegia indivíduos com maior aptidão
ao meio. Estes têm maior probabilidade de
perpetuarem seus códigos genéticos para as
futuras gerações. Tais códigos genéticos
constituem a identidade de cada indivíduo
(Tanomaru, 1995).
Na Figura 2, um fluxograma do algoritmo
genético desenvolvido é apresentado. Nele, estão
os principais passos para a criação do algoritmo
genético genérico.
Figura 2. Representação de um fluxograma do algoritmo
genético desenvolvido.
Neste trabalho, foram utilizados conceitos de
um Algoritmo Genético simples. As restrições
estão vinculadas as características físicas do
gerador (máxima capacidade de geração) e as
limitações quanto as condições do contrato.
Cada passo que está indicado no fluxograma
da Figura 2 será explicado nas subseções
seguintes.
A. Codificação dos Indivíduos
No algoritmo genético, cada indivíduo
representa uma possível solução do problema.
Para o problema proposto de comercialização de
energia, cada indivíduo é representado por um
vetor de tamanho igual a C (o número total de
clientes para possível venda).
B. Codificação dos Cromossomos
O cromossomo de cada indivíduo foi
codificado na forma binária, em que bit “0”
significa à não venda de energia para aquele
cliente e o bit “1” denota a venda de energia para
tal cliente. A Figura 3 ilustra um exemplo para
dez candidatos, onde a venda seria realizada
apenas para os clientes 3 e 10.
4

Figura 3. Exemplo de codificação de um indivíduo.
C. Geração Inicial
Nesse trabalho, a inicialização de cada
indivíduo foi totalmente aleatória, não
apresentando qualquer influência nos resultados
encontrados. Desta forma, inicialmente todos os
indivíduos são inicializados com zero e logo após
são escolhidas posições aletoriamente para
colocar o bit 1 entre cada indivíduo da geração
inicial.
D. Seleção
Para a seleção dos indivíduos, foi utilizado o
método de torneio. Nesse método, dois
indivíduos são escolhidos aleatoriamente e o
indivíduo que apresentar maior aptidão entre eles
é selecionado para a etapa do cruzamento
(Soares, 1997; Pacheco, 1999; Rosa & Luz,
2009).
E. Cruzamento
O processo de cruzamento será utilizado após
a realização da seleção. No cruzamento, dois
indivíduos que passaram pela seleção são
escolhidos arbitrariamente e, assim, dão origem
a dois novos indivíduos. Assim, a ideia principal
do cruzamento é propagar as características dos
indivíduos da população aos novos indivíduos
gerados (Pacheco, 1999; Rosa & Luz, 2009).
Neste trabalho, foi utilizado o cruzamento com
ponto único. No método de ponto único, é
escolhido um ponto de corte e a partir desse
ponto o material genético dos pais é trocado
dando origem a dois novos cromossomos,
formados pela combinação das características
genéticas dos pais (Tanomaru, 1995; Soares,
1997).
O cruzamento foi realizado para todos os
indivíduos que passaram pela seleção e, assim, ao
fim do cruzamento a quantidade de indivíduos
filhos será igual ao número de indivíduos criados
na geração inicial. O ponto de corte escolhido foi
ao meio, dividindo assim os cromossomos dos
pais em duas partes de mesmo tamanho.
Na Figura 4 estão representados dois
indivíduos que passaram pela seleção. Observa-
se que os cromossomos de cada pai estão
representados por uma cor. Como o cruzamento
foi realizado com ponto único, dois novos
indivíduos contendo metade do cromossomo de
cada pai serão gerados.
Figura 4. Indivíduos selecionados para exemplificar o
cruzamento.
Na Figura 5 estão representados os dois novos
indivíduos filhos gerados pelo processo de
cruzamento.
Figura 5. Representação dos indivíduos filhos.
F. Mutação
O operador de mutação será executado após o
cruzamento e tem objetivo de realizar de forma
aleatória modificações genéticas de uma
população. Esta operação mostra-se importante,
pois, possibilita à população atual obter
propriedades genéticas que não existiam ou eram
pouco encontradas. O operador de mutação
basicamente seleciona a posição de um
cromossomo e muda-se o código para uma
codificação diferente, como no presente trabalho
foi utilizada a codificação binária, basta inverter
o bit (Tanomaru, 1995; Soares, 1997).
G. Factibilidade
Após o cruzamento, todos os filhos gerados e
todos os indivíduos que passaram pela seleção
são analisados com intuito de verificar se algum
deles apresentam violam a capacidade máxima
de geração do agente. Desta forma, se algum
destes indivíduos violarem a capacidade
máxima, eles são punidos recebendo valor da
função objetivo igual a zero.
H. Elitismo
É por meio do elitismo que o indivíduo de
maior aptidão estará garantido na nova geração,
fazendo com que assim as características do
melhor indivíduo sejam passadas de geração para
geração (Rosa & Luz, 2009).
I. Nova Geração
A nova geração de indivíduos é formada
aleatoriamente entre indivíduos selecionados e os
filhos desses indivíduos. Desta forma, 𝑛 − 1
indivíduos são selecionados também pelo
método de torneio entre os 2 ∗ 𝑛 indivíduos
5
compostos pela soma das duas populações (pais
e filhos). A única exceção é que o melhor
indivíduo estará garantido na nova geração
mesmo se ele não for escolhido aleatoriamente,
assim ao final de cada iteração do AG a nova
geração será formada por 𝑛 indivíduos, como
realizado na geração inicial.
J. Critério de Convergência
Após a formação da nova geração de
indivíduos, o AG retorna a etapa de seleção e
segue novamente algoritmo até ser formada uma
nova geração de indivíduos. Assim, o algoritmo
se repete até o número de gerações escolhidas; o
critério de parada do algoritmo é o número
máximo de gerações. O melhor indivíduo da
última geração é a solução final.
IV. Apresentação do modelo
Nesta seção é apresentado o modelo utilizado
nas simulações, onde o objetivo é auxiliar na
tomada de decisão para o problema de estratégia
de comercialização de energia de um agente
gerador. Vale ressaltar que este modelo foi
baseado no modelo linear utilizado em (Queiroz,
2010).
A. Modelo Matemático
O objetivo do modelo apresentado é auxiliar
no processo de tomada de decisão quando a
composição ideal de um portfólio de contratos de
venda de energia elétrica. A estratégia adotada é
baseada na modelagem matemática desenvolvida
das características do modelo de mercado
brasileiro de comercialização e busca sua solução
por meio de um modelo computacional baseado
em algoritmos genéticos.
Por meio da modelagem matemática busca-se
uma fórmula geral para um problema típico de
um agente gerador de energia elétrica. Adota-se
que este agente pode comercializar a energia
gerada através de dois mercados: o mercado de
curto prazo e também através de contratos
bilaterais.
Pode-se definir como lucro de um agente
gerador:
𝐿𝑡𝑜𝑡𝑎𝑙 = 𝑅𝐵𝑖𝑙 + 𝑅𝑆𝑝𝑜𝑡 − 𝐶𝑂&𝑀 − 𝐷𝐵𝑖𝑙 − 𝐷𝑃𝑒𝑛
Onde:
 𝐿𝑡𝑜𝑡𝑎𝑙 é o lucro total;
 𝑅𝐵𝑖𝑙 é a receita oriunda de contratos
bilaterais;
 𝐷𝐵𝑖𝑙 é a despesa decorrente da compra
de contratos bilaterais;
 𝑅𝑆𝑝𝑜𝑡 é o resultado proveniente da
liquidação no mercado de curto prazo;
 𝐶𝑂&𝑀 é o custo de operação e
manutenção;
 𝐷𝑃𝑒𝑛 é a eventual despesa proveniente
de penalidades impostas pelo regulador
pela insuficiência de lastro de energia.
Alguns aspectos foram considerados para o
desenvolvimento do modelo, como:
 Garantia Física: O modelo considera
um agente de geração com um portfólio
de venda fixa expresso em MW de
energia. A capacidade de contratação da
geradora está limitada a capacidade
física da mesma. Desta forma, a
participação dos agentes hidrelétricos
ao mecanismo de realocação de energia
(MRE) já está aplicada, assim como as
perdas de transmissão e internas.
 Risco de Submercado: O modelo não
apresenta risco de exposição entre
submercados, uma vez que os
empreendimentos de geração e todas as
cargas estão em um mesmo
submercado.
 Penalização de Lastro: A penalização
de lastro não é considerada no modelo,
uma vez que, o agente gerador utilizaria
um contrato bilateral na quantia que
falta para completar sua geração, mas
neste modelo não é considerado.
 Tipos de contratos e Ambientes de
Contratação: Neste modelo é utilizado
o ambiente ACL para formatação de
contratos.
 Preço de Liquidação de Diferenças
(PLD): Neste trabalho a matriz de
cenários de PLD é uma entrada do
modelo, sendo importante a análise da
evolução da oferta e da demanda por
energia elétrica.
 Custo de Operação e Manutenção: Os
custos de operação e manutenção são
desconsiderados no modelo (𝐶𝑂&𝑀 = 0).
 Discretização do Ambiente de
Contratação: A discretização do
horizonte de tempo utilizado no modelo
de contratação é mensal.
 Sazonalização e Modulação: No
modelo foi considerada a sazonalização
flat. Pois, é desconsiderado o patamar e
diferenças de preços inferiores ao
intervalo mensal.
 Custo de Penalidade de Capital: Os
custos de oportunidade de capital foram
desconsiderados.
6
 A partir das considerações realizadas
anteriormente e desconsiderando a contratação
de compra de contratos bilaterais (𝐷𝐵𝑖𝑙 = 0) e
excluindo também as despesas com as
penalidades (𝐷𝑃𝑒𝑛 = 0). Concluísse que a equação
que representa o lucro total de agente pode ser
descrita por:
𝐿𝑡𝑜𝑡𝑎𝑙 = 𝑅𝐵𝑖𝑙 + 𝑅𝑆𝑝𝑜𝑡
A receita oriunda de contratos bilaterais é
representada por:
𝑛𝑣 𝑇 diminui os riscos do agente gerador, mas a
𝑅𝐵𝑖𝑙 = ∑ ∑ 𝑄𝑣𝐵𝑖𝑙𝑡 . 𝜋𝑣𝐵𝑖𝑙𝑡
𝑣=1 𝑡=1
Onde:
 𝑣 é o índice associado com o contrato de
venda bilateral, tal que 𝑣 = 1, . . . , 𝑛𝑣;
 𝑡 é o índice associado ao mês, tal que
𝑡 = 1, . . . , 𝑇;
 𝑄𝑣𝐵𝑖𝑙𝑡 𝑢 é a quantidade de energia vendida
de cada usina em MWh, referente ao
contrato de venda 𝑣, mês 𝑡 e usina 𝑢;
 𝜋𝑣𝐵𝑖𝑙𝑡 𝑢 é o preço de venda do contrato
bilateral em R$/MWh, referente ao
contrato de venda 𝑣, mês 𝑡 e usina 𝑢.
A receita proveniente da liquidação no
mercado de curto prazo é:
𝑇 A Inteligência Computacional vem sendo
𝑆𝑝𝑜𝑡 𝑆𝑝𝑜𝑡
𝑅𝑆𝑝𝑜𝑡 = ∑ 𝑄𝑡 . 𝜋𝑡
𝑡=1
Onde:
𝑆𝑝𝑜𝑡
 𝑄𝑣 𝑡 é a quantidade de energia a ser
liquidada no mercado de curto prazo
abatida a quantidade vendida em
contratos de venda, referente ao mês 𝑡;
𝑆𝑝𝑜𝑡
 𝜋𝑡 é o preço spot no mês 𝑡, em
R$/MWh;
 𝑡 é o índice associado ao mês, tal que
𝑡 = 1, . . . , 𝑇;
𝑛𝑣 𝑇 𝑇
𝑆𝑝𝑜𝑡
𝐿𝑡𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑄𝑣𝐵𝑖𝑙𝑡 . 𝜋𝑣𝐵𝑖𝑙𝑡 + ∑ 𝑄𝑡
𝑣=1 𝑡=1 𝑡=1
Onde:
 𝐿𝑡𝑜𝑡𝑎𝑙 é a receita total de um agente, em
R$;
 𝑣 é o índice associado com o contrato de
venda bilateral, tal que 𝑣 = 1, . . . , 𝑛𝑣;
prazo em R$/MWh, referente ao mês 𝑡.
 𝑄𝑣𝐵𝑖𝑙𝑡 é a quantidade de energia vendida
de cada usina em MWh, referente ao
contrato de venda 𝑣 e mês 𝑡;
𝑆𝑝𝑜𝑡
 𝑄𝑣 𝑡 é a quantidade de energia a ser
liquidada no mercado de curto prazo
abatida a quantidade vendida em
contratos de venda, referente ao mês 𝑡;
É importante enfatizar que a comercialização
por meio de contratos bilaterais de longo prazo
negociação por meio do mercado de curto prazo
é a forma que traz maior rentabilidade. Desta
forma, estratégias de comercialização de energia
por meio de contratos diversificados passa a ser
a melhor alternativa considerando a minimização
de riscos e maximização dos lucros.
B. Formulação Aplicando Algoritmos
Genéticos
O problema financeiro de contratação está
ligado ao acoplamento no tempo e a incerteza,
uma vez que, a matriz energética
predominantemente hídrica necessita das chuvas
para manter os reservatórios em condições de
gerar energia para cumprir com os contratos.
Vale ressaltar que nenhum tipo de risco foi
considerado no modelo utilizado.
estudada e aplicada buscando inspiração na
natureza para desenvolvimento de sistemas
inteligentes de previsão, suporte à decisão,
controle e otimização (Pacheco, 1999). A
otimização consiste em encontrar mínimos e
máximos de funções que podem ser descritas
matematicamente (Martínez & Santos, 1998). Os
AGs vem sendo utilizados em diversos
problemas de tomada de decisão, entre eles a
comercialização de energia por uma agente
gerador.
A modelagem matemática da comercialização
de um agente gerador com base no modelo de
programação linear é:
𝑆𝑝𝑜𝑡 𝑛𝑣 𝑇 𝑇
. 𝜋𝑡 𝑆𝑝𝑜𝑡 𝑆𝑝𝑜𝑡
𝑀𝑎𝑥 ∑ ∑ 𝑄𝑣𝐵𝑖𝑙𝑡 . 𝜋𝑣𝐵𝑖𝑙𝑡 + ∑ 𝑄𝑡 . 𝜋𝑣 𝑡
𝑣=1 𝑡=1 𝑡=1
s.a.
𝑛𝑣
𝑆𝑝𝑜𝑡
∑ 𝑄𝑣𝐵𝑖𝑙𝑡 + 𝑄𝑡 ≤ 𝑄𝑡𝑀𝑎𝑥
𝑣=1

 𝑡 é o índice associado ao mês, tal que 𝑄𝑣𝐵𝑖𝑙𝑡 ≤ 𝑄𝑣𝑀𝑎𝑥

𝑡
𝑡 = 1, . . . , 𝑇;
𝑄𝑣𝐵𝑖𝑙𝑡 ≥ 0
 𝜋𝑣𝐵𝑖𝑙𝑡 é o preço de venda do contrato
𝑆𝑝𝑜𝑡
bilateral em R$/MWh, referente ao 𝑄𝑡 ≥0
contrato de venda 𝑣 e mês 𝑡.
𝑆𝑝𝑜𝑡 𝑄𝑣𝐵𝑖𝑙𝑡 − 𝑄𝑣𝐵𝑖𝑙(𝑡+1) =0
 𝜋𝑣 𝑡 é o preço do mercado de curto

7
 A função objetivo busca maximizar a receita Tabela 1. Volume máximo de cada cliente em MW
(Queiroz, 2010).
do agente gerador. A primeira restrição mostra
que a soma das quantias vendidas por contrato
bilateral e mercado spot tem que ser menor ou
igual a quantidade máxima gerada. Já na segunda
restrição está associado ao atendimento à
quantidade máxima a cada contrato de venda. A
terceira restrição mostra que todas as quantidades E na Tabela 2 estão os preços do contrato dos
de contratos bilaterais e spot tem que ser maior q candidatos.
zero. E para a última restrição leva em conta o
acoplamento temporal, assim uma decisão no Tabela 2. Preços do contrato dos candidatos em R$/MWh
(Queiroz, 2010).
estágio (𝑡) deve ser considerada no estágio (𝑡 +
1).

V. Resultados

Nesta seção serão apresentados os resultados

referentes as duas metodologias utilizadas por Nesta formulação foi aplicado que para toda
(Queiroz, 2010). energia não vendida entre os 20 contratos será
vendida no mercado de curto prazo. O preço de
A. Resultados e Parâmetros dos AGs cada mês do mercado de curto prazo é fixo e está
Para este primeiro caso considera-se que o apresentado na Tabela 3.
lastro do gerador é de 1.500 MW ao longo de
todo o horizonte do estudo, em cada estágio Tabela 3. Preço do mercado de curto prazo R$/MWh
avaliado. (Queiroz, 2010).
O período de simulação é de 14 meses. Na
Figura 2 estão os 20 contratos de candidatos e o
prazo dos contratos formatados pelo agente
gerador.

Com as quantidades e preços definidos é

possível aplicar o modelo de otimização
apresentado na seção 4. O resultando da alocação
ótima de energia elétrica nos contratos estão
apresentados na Tabela 4.

Tabela 4. Alocação ótima dos contratos em MW.

O montante que não foi vendido por meio de

Figura 6. Contratos candidatos (Queiroz, 2010).
Por meio da Figura 6 define-se que os
indivíduos serão representados por um vetor de
tamanho 20, uma vez que existem 20 candidatos.
Na Tabela 1 está representando a quantidade
máxima de energia, por mês e fixos, a ser
contratado por cada cliente.
contratos bilaterais será liquidado no mercado de
curto prazo. Na Tabela 5 estão os montantes
vendidos no mercado de curto prazo para o
método linear.
Tabela 5. Montante vendido no mercado de curto prazo em
MW.

8

O modelo apresentado não considerar as
incertezas associadas aos preços dos contratos.
Desta forma, o modelo computacional busca
apenas a maximização da receita do agente
gerador. A receita total do agente gerador para o
caso acima é de R$ 1.420.902.036,00.
Para o resultado encontrado foi utilizado
uma população inicial de 80 indivíduos, para 200
gerações e uma taxa de mutação de 1%. Vale
ressaltar que foram fixados o número de dias de
cada mês, sendo utilizado 30 dias por mês. Outro
fator relevante é que para todos os candidatos
pode ser vendido apenas a quantidade máxima
requerida ou não vender nenhuma quantidade.
Levando em consideração os parâmetros citados
o algoritmo apresentou tempo computacional de
2,3 segundos.
B. Método Linear
Para o método linear foi utilizada a
modelagem matemática apresentada a seção 4.
O método linear foi implementado por meio
da função linprog do Matlab®.
Os resultados encontrados por meio da função
linprog e em (Queiroz, 2010) são iguais, e serão
descritos a seguir.
O resultando da alocação ótima para o método
linear está apresentado na Tabela 6.
Tabela 6. Alocação ótima dos contratos em MW.
Como dito anteriormente, o que não foi
vendido por meio de contratos bilaterais será
liquidado no mercado de curto prazo. Na Tabela
7 estão os montantes vendidos no mercado de
curto prazo para o método linear.
Tabela 7. Montante vendido no mercado de curto prazo
em MW.
O modelo linear também não considerar as
incertezas associadas aos preços dos contratos.
Desta forma, o modelo computacional busca
apenas a maximização da receita do agente
gerador. A receita total do agente gerador para o
caso acima é de R$ 1.425.728.715,75.
C. Comparação
A seguir serão feitas algumas considerações
sobre os resultados encontrados nos dois
métodos:
O modelo linear apresentado em (Queiroz,
2010) apresenta um resultado melhor do que
proposto neste trabalho, mas para o modelo
linear o autor deixa de colocar informações como
os dias de cada mês, o que faz muita diferença
nos resultados obtidos para a função objetivo.
Outro fator que é utilizado no modelo linear e
não é considerado no modelo utilizando
algoritmo genético é a venda parcial de energia
para alguns candidatos, como pode ser observado
para os clientes 6 e 19 da Tabela 6.
VI. Conclusões
Por meio deste artigo conclui-se que o
resultado encontrado é inferior aos apresentados
para o modelo linear, mas essa comparação pode
estar sendo injusta, uma vez que os modelos
consideram algumas condições distintas.
Percebe-se também que como se trata de um
problema de otimização, não é possível afirmar
que a resposta encontrada é o ponto ótimo global,
ou seja, a melhor resposta para o problema. Mas
para o cenário criado e o modelo matemático
apresentado trata-se de uma das respostas ótimas
que atende as restrições do problema. 0,3385%.
Pode-se concluir também que o algoritmo
apresentado neste trabalho tem o potencial de ser
uma boa ferramenta para a tomada de decisão de
um agente gerador, pois o resultado está apenas
a 0,3385% abaixo do que seria a “resposta
ótima”. Outro fator que tem de ser levado em
consideração é o tempo computacional muito
baixo (2,3 segundos) apresentado pelo algoritmo.
Este fator é importante, pois, para inúmeras
mudanças de cenário a tomada de decisão possa
ser realizada em um tempo hábil.
Entende-se para que o modelo possa ficar
mais próximo do real, poderia ter sido
considerado os riscos de submercado, a
penalização de lastro, a venda parcial de energia
para cada candidato, os riscos e os custos de
operação e manutenção. Por isso, sugere-se para
trabalhos futuros a inserção de alguns parâmetros
para deixar o modelo o mais próximo possível do
real, mas que o algoritmo de otimização consiga
resolver em um tempo computacional razoável.
VII. REFERÊNCIAS
Abreu, Y. (1999). A Reestruturação do Setor Elétrico
Brasileiro: Questões e Perspectivas. Programa de Pós-
Graduação em Energia, Universidade de São Paulo.
9
Albuyeh, F. (2003). Decision support tools for market Tanomaru, J. (1995). Motivação, Fundamentos e Aplicações
participants. IEEE TRANSACTIONS ON POWER de Algoritmos Genéticos. Universidade de Tokushima,
SYSTEMS, VOL. 18, NO. 2, 512-516. 31.
Arfux, G. A. (2011). Definição de Estratégia de Teodoro, A. R. (2012). Análise da Implementação de
Comercialização de Energia Elétrica Via Métodos de Algoritmo Genético na Função de Griewank com
Otimização Estocática e Análise Integrada de Risco . Parametrização Variável . IV Seminário de Tecnologia
Programa de Pós-Graudação em Engenharia Elétrica. e Gestão , 3.
Universidade Federal de Santa Catarina.
Bajpai, P. (2007). Fuzzy Adaptive Particle Swarm
Optimization for. IEEE TRANSACTIONS ON
POWER SYSTEMS, VOL. 22, NO. 4, 2152-2160.
Bettega, R. (2001). O Impacto da Comercialização no
Mercado Spot de Energia na Análise de Viabilidade de
Hidrelétricas . RBRH - Revista Brasileira de Recursos
Hídricos, Volume 6, n.1, 43-70.
Caberbo, J. (2005). A Medium-Term Integrated Risk
Management Model for a Hidrothermal Generation
Company. IEEE TRANSACTIONS ON POWER
SYSTEMS, VOL. 20, NO. 3, 1379-1388.
Díaz, C. A. (2011). Impact of the Electricity Contracts on the.
Electr Power Syst Res, IEEE, 384–392.
Jorion, P. (1998). ValueatRisk, A Nova Fonte de Referência
para o Controle do Risco de Mercado. 1ª Ed. Bolsa de
Mercadorias & Futuros – BM&F.
Lazo, J. G. (2012). Análise de um Modelo Inteligente de
Contratação de Energia Elétrica no Curto Prazo Para
Distribuidoras. Revista Controle & Automação, Vol.23,
no.6, 711-725.
Liu, M. (2006). A Survey on Risk Management in Electricity
Markets. Power Engineering Society General Meeting,
IEEE , 6.
Magalhães, G. S. (2009). Comercialização de Energia
Elétrica no Ambiente de Contratação Livre: Uma
Análise Regulatório Institucional a Partir dos Contratos
de Compra e Venda de Energia Elétrica. Porgrama de
Pós-Graduação em Energia. Universidade de São
Paulo.
Martínez, J. M., & Santos, S. A. (1998). Métodos
Computacionais de Otimização. Departamento de
Matemática Aplicada, IMECC-UNICAMP, 255.
Ni, E. (2004). Optimal Integrated Generation Bidding and
Scheduling With Risk Management Under a
Deregulated Power Market. IEEE TRANSACTIONS
ON POWER SYSTEMS, VOL. 19, NO. 1, 600-609.
Oliveira, F. A. (2009). Estratégia de Comercialização de
Energia Elétrica Através da Otimização de Portfólios de
Contratos Utilizando Projetos de Experimentos de
Misturas. Programa de Pós-Graduação em Engenharia
Elétrica. Universidade Federal de Itajubá.
Pacheco, M. A. (1999). Algoritmos Genéticos: Princípios e
Fundamentos. Departamento de Engenharia Elétrica,
Pontifícia Universidade Católica do Rio de Janeiro , 9.
Pinto, M. S. (2014). Tomada de decisões em leilões de
energia elétrica de longo prazo. Revista chilena de
ingeniería, vol. 22 Nº 4, 539-546.
Queiroz, A. (2010). Sistema de Suporte às Estratégias de
Comercialização de Energia Elétrica. Programa De Pós-
Graudação em Engenharia Elétrica. Universidade
Federal de Santa Catarina.
Ramos, D. S. (2006). Utilização de Algoritmos Genéticos
para Previsão da Contratação de Energia pelas
Distribuidoras . IEEE LATIN AMERICA
TRANSACTIONS, VOL. 4, NO. 4, 268-278.
Rosa, T. O., & Luz, H. S. (2009). Conceitos Básicos de
Algoritmos Genético: Teoria e Prática. XI Encontro de
Estudantes de Informática do Tocantins, 27-37.
Soares, G. L. (1997). Algoritmos Genéticos: Estudo, Novas
Técnicas e Aplicações. Programa de Pós-Graduação em
Engenharia Elétrica, Universidade Federal de Minas
Gerais, 137.
Susteras, G. L. (2006). Aplicação de Algoritos Genéticos
Para Previsão do Comportamento das Distribuidoras
Como Apoio À Estratégia de Comercialização de
Energia de Agentes Geradores. Programa de Pós-
Graduação em Engenharia Elétrica, Escola Politécnica
da Universidade de São Paulo (USP).

10