Monografia - 24 Nov 2018

AMANDA DELPOIO FIORAVANTI
MARCOS ROBERTO FRANCO FILHO
Modelos de negócio para viabilização de fontes renováveis no mercado livre

de energia
São Paulo
2018
AMANDA DELPOIO FIORAVANTI
MARCOS ROBERTO FRANCO FILHO
Modelos de negócio para viabilização de fontes renováveis no mercado livre

de energia
Monografia apresentada à Escola

Politécnica da Universidade de São Paulo
para a disciplina Projeto de Formatura II
PSI3592
Orientador: Prof. Dr. Dorel Soares Ramos
São Paulo
2018
RESUMO
Este trabalho visa estabelecer uma proposição de modelos de negócio viáveis do

ponto de vista econômico-financeiro, regulatório, fiscal e operacional, suportados por
ferramentas de simulação, para análises dos principais condicionantes viabilizadores
de operações comerciais e de investimento envolvendo fontes renováveis no mercado
livre de energia. Tendências globais apontam para a transição do Mercado Cativo de
Energia para o Mercado Livre, fazendo-se necessário explorar oportunidades na
expansão da matriz energética brasileira, formada principalmente por usinas
hidrelétricas, através do estudo de como se obter vantagem competitiva no ambiente
de mercado livre com base na diversificação dos ativos de geração de energia (na
existência de atratividade para que os investimentos ocorram). Com o intuito de
auxiliar esta transição, foi realizado um estudo detalhado dos fatores por trás da
viabilidade de arranjos comerciais em energia renovável, com foco no ambiente de
mercado livre, e foi desenvolvida análise/modelagem/simulação para o estudo dos
modelos de negócio, pensando na relação Risco x Retorno. Este projeto foi elaborado
na Escola Politécnica da USP, Departamento de Sistemas Eletrônicos e de Energia e
Automação, com dois semestres de duração e foi desenvolvido ao longo do ano de
2018. Os alunos responsáveis pelo projeto são Amanda Delpoio Fioravanti e Marcos
Roberto Franco Filho, com apoio e orientação do professor Dorel Soares Ramos. Por
se tratar de um projeto que estuda viabilidade econômica e envolve modelagem e
simulação de modelos de negócio, o valor gasto no trabalho pode ser desconsiderado,
em um primeiro momento. As ferramentas utilizadas ao longo do projeto são de uso
livre ou foram disponibilizados pelo professor orientador Dorel, de acordo com as
necessidades pontuais.
Palavras-Chave: Energia Renovável; Risco; Complementaridade; Geração.

SUMÁRIO
1 INTRODUÇÃO ......................................................................................................... 8
1.1 CONSIDERAÇÕES INICIAIS ............................................................................ 8
1.2 MOTIVAÇÃO ..................................................................................................... 8
1.3 DECLARAÇÃO DA NECESSIDADE ................................................................. 9
1.4 DECLARAÇÃO DO PROBLEMA ..................................................................... 10
1.5 OBJETIVOS..................................................................................................... 11
1.6 RESULTADOS ESPERADOS ......................................................................... 14
2 REVISÃO DA LITERATURA ................................................................................. 15
2.1 DESCRIÇÃO GERAL DA ÁREA EM QUE SE INSERE O PROJETO ............. 15
2.2 DESCRIÇÃO GERAL DOS CONCEITOS ENVOLVIDOS E LEVANTADOS
PELO GRUPO ....................................................................................................... 18
2.2.1 Teoria do Portfólio e Teorema de Markowitz ............................................. 20
2.2.2 Teoria dos jogos ........................................................................................ 21
2.2.3 Modelo MiniMax ........................................................................................ 21
2.2.4 Value at Risk (VaR) e Conditional Value at Risk (CVaR) .......................... 22
2.2.5 Cash Flow at Risk Estocástico e IRR Estocástica ..................................... 22
2.2.6 Otimização Linear (Dual Simplex) ............................................................. 23
2.2.7 Algoritmos Genéticos e Evolucionários ..................................................... 23
2.2.8 Modelagem através de Redes Neurais Artificiais ...................................... 24
2.2.9 Método de Monte Carlo ............................................................................. 25
2.2.10 Análise de cenários com Redes Bayesianas .......................................... 25
2.2.11 Newave e Decomp .................................................................................. 26
3 METODOLOGIA DE IMPLEMENTAÇÃO .............................................................. 28
3.1 CONCEITO ESCOLHIDO ................................................................................ 28
3.2 METODOLOGIA .............................................................................................. 30
3.2.1 Análise de Portfólio - Cálculo de Receita .................................................. 30
3.2.2 Análise de Portfólio - Estudo de Risco VaR e CVaR ................................. 33
3.2.3 Análise de Portfólio - Combinação das Usinas ......................................... 33
3.2.4 Análise de Modelo de Negócios ................................................................ 34
4 RESULTADOS ....................................................................................................... 35
4.1 VISÃO GERAL DO SIMULADOR .................................................................... 35
4.2 INTERFACE COM O USUÁRIO ...................................................................... 35
4.3 CÁLCULO DA RECEITA HIDRELÉTRICA ...................................................... 39
4.4 CÁLCULO DA RECEITA EÓLICA ................................................................... 42
4.5 ANÁLISE DE RISCO ....................................................................................... 44
4.5 FORMAÇÃO DO PORTFÓLIO ........................................................................ 46
4.6 MODELO DE NEGÓCIO ................................................................................. 48
5 DISCUSSÃO .......................................................................................................... 53
6 CONCLUSÃO ........................................................................................................ 60
7 PESQUISA BIBLIOGRÁFICA ............................................................................... 62
APÊNDICE A – Códigos em VBA ............................................................................. 64
1 INTRODUÇÃO
1.1 CONSIDERAÇÕES INICIAIS
Neste projeto foram desenvolvidos quadros e modelos de simulação de negócio

que mitiguem os riscos associados a comercialização de energia no Ambiente de
Contratação Livre. Espera-se com isso encontrar formas de viabilizar a diversificação
da matriz energética brasileira do ponto de vista econômico-financeiro, com especial
enfoque em fontes de energia renováveis.
Acreditamos que os conhecimentos envolvidos para a realização deste trabalho
estão amplamente vinculados com a formação em engenharia e a preparação para o
mercado de trabalho. Viabilização de energias renováveis constitui tema
extremamente atual e de suma importância para a sustentabilidade do planeta, ao
passo que modelagens matemáticas e análises estocásticas estão diretamente
ligadas ao curso de engenharia.
O projeto foi realizado em dois semestres, no decorrer das disciplinas Projeto de
Formatura I e II. A primeira dedicou-se à prova de conceito (PoC) e a segunda à
implementação do projeto. Para traçarmos a prova de conceito, contudo, primeiro
devemos definir o conceito em si. Esta introdução visa elucidar o conceito adotado e
as motivações para sua escolha.
1.2 MOTIVAÇÃO
O setor elétrico vem rompendo paradigmas mundo afora graças à inovação em

tecnologia e processos, digitalização, conectividade e fortalecimento do consumidor.
No Brasil, o setor elétrico, que já é expressivo, vem crescendo e está em plena
transformação. Espera-se que após anos de investimentos deficitários em
infraestrutura, um novo ciclo de aportes pode chegar a R$2 tri nos próximos 8 anos,
sendo aproximadamente R$ 360 bi destinados ao setor de energia elétrica.
Cresce no país também um cenário de fortalecimento do consumidor final. As
empresas, hoje consolidadas no mercado cativo, deverão se modernizar, se tornar
mais competitivas, desenvolver novas estratégias e modelos de negócio para que
possam alocar adequadamente os recursos, maximizando o retorno e mitigando os
riscos. A maior penetração do ambiente livre de comercialização de energia e a
crescente distribuição da produção colocarão em xeque o equilíbrio econômico de
toda a cadeia produtiva. A matriz energética brasileira se tornará cada vez mais
renovável, não convencional e imprevisível.
Dessa forma, a principal motivação por trás desta pesquisa é o de aproveitar as
oportunidades que vêm surgindo no setor energético brasileiro, oriundas tanto da
expectativa de que se inicie um novo ciclo de investimentos no país quanto dos
espaços que se criam na mudança do ambiente de comercialização brasileiro para o
mercado livre. Busca-se através do projeto entender melhor o setor energético
brasileiro (seus obstáculos, potenciais de crescimento e otimização); utilizar os
conhecimentos de engenharia para auxiliar a estruturação de modelos de negócio
mais competitivos e inteligentes; e desenvolver familiaridade com análises de risco
complexas (que envolvem conceitos muito importantes para o mercado de trabalho
como um todo).
1.3 DECLARAÇÃO DA NECESSIDADE
A alta concentração de usinas hidrelétricas na matriz energética brasileira faz

com que cresça cada vez mais a importância das fontes renováveis na manutenção
das condições de fornecimento e na segurança do suprimento energético do país.
Surge aqui a necessidade de um aprofundamento nos estudos que envolvem essas
fontes renováveis alternativas, por meio de uma análise detalhada dos possíveis
benefícios da complementação entre essas fontes em um portfólio diversificado.
O Brasil possui uma natural vantagem em relação aos demais países, inerente
a sua grande extensão territorial e presença de diferentes climas e condições
geográficas a serem explorados. Justamente as específicas disponibilidades de
geração de cada região do país, em cada época do ano, gera uma complementaridade
que pode auxiliar na mitigação de riscos associados aos meios de produção quando
considerados individualmente.
Desse cenário surge a oportunidade de explorar de maneira eficiente a criação
de portfólios com ativos de regiões e de fontes renováveis distintas que fazem com
que investimentos em novos projetos e com que o cenário de comercialização
brasileiro foque não somente nas características técnicas dos meios isolados, mas na
composição e vantagem econômica que a diversificação pode trazer. Neste contexto,
especificamente no caso deste projeto, cabe identificar modelos de negócio
otimizados de comercialização de energias renováveis através do Mercado Livre de
Energia.
A importância do Mercado Livre de Energia é crescente e sua representatividade
já chega a 25% de toda a carga do SIN (Sistema Interligado Nacional). Neste mercado,
os consumidores são livres para comprar energia diretamente dos geradores e
comercializadores, através de contratos bilaterais com condições livremente
negociadas, como preço, prazo, volume, entre outros. O número de possíveis modelos
de negócio, portanto, torna-se tremendo, fazendo-se necessária a análise e busca dos
modelos mais vantajosos, tanto economicamente, quanto em termos de diversificação
de energias limpas. Para se chegar a tais modelos, faz-se necessário detalhado
estudo das variáveis que os compõem e das influências que cada fator pode ter nos
modelos de negócio, através de modelagem, simulações e robustas análises de
cenários.
1.4 DECLARAÇÃO DO PROBLEMA
Atualmente o Brasil possui uma matriz energética pouco diversificada em relação

à geração de eletricidade 一 as hidrelétricas representaram cerca de 64% de sua
produção em 2016, segundo a EPE (Empresa de Pesquisa Energética). Essa elevada
concentração de meios de produção, no entanto, pode resultar em problemas de
abastecimento, como o da crise hídrica enfrentada pelo Brasil em 2015. Além disso,
as grandes usinas vêm sofrendo grandes pressões em relação aos impactos
socioambientais por elas causados como desvio dos rios, alagamento de regiões
próximas, trato indevido da fauna e flora locais, entre outros.
Outra problematização é que, sob a perspectiva do investidor brasileiro, grandes
projetos de infraestrutura requerem elevadíssimos graus de investimento e
comprometimento de capital que são empecilhos em um país em que há grande
dificuldade e há altos custos envolvidos em se obter financiamento devido a taxas de
juros elevadas. O sistema financeiro, de modo geral, não apoia obras de infraestrutura
com retornos de longo prazo, restando praticamente o BNDES como fonte de
recursos.
Uma forma de obter melhores condições de financiamento poderia ser o de
envolver nos projetos mecanismos de mitigação de riscos, como através de
complementaridade entre ativos, com o uso de modelos de negócio e
desenvolvimento de contratos que se mostrem capazes de justificar os investimentos.
Neste contexto, evidencia-se a grande complexidade por trás de tais modelos de
negócio, que exigem muito estudo e coleta de dados, não sendo trivial a análise de
viabilidade de projetos e da comercialização através da estruturação de portfólios de
energias provenientes de diferentes fontes e regiões do país.
Por último, ainda na conjuntura do cenário de comercialização brasileiro, que
caminha cada vez mais para a ampliação do ACL (Ambiente de Contratação Livre),
os consumidores buscarão no quadro competitivo preços mais baixos do que aqueles
sendo ofertados por empresas no ACR (Ambiente de Contratação Regulado), mas
estarão ao mesmo tempo sujeitos a uma volatilidade maior dos preços. Isso fará com
que os consumidores busquem cada vez mais estratégias sólidas de composição do
portfólio de contratos de compra de energia.
Sob à ótica desses problemas, o país vem tentando diversificar sua matriz
energética tornando, portanto, necessário estudar modelos de negócio viáveis, tanto
financeiramente como social e ambientalmente, de diversificação entre fontes
renováveis e entre sites (solar, eólica, hídrica e biomassa).
1.5 OBJETIVOS
O objetivo principal deste projeto é estudar e propor modelos de negócio que

viabilizem a comercialização de energias renováveis sob a lente do Mercado Livre de
Energia através de ferramentas de otimização para análises de risco e retorno e
simulações que permitam avaliar a complementaridade (sazonais e geográficas) de
diferentes fontes de energia na comercialização e formação de portfólios.
Com o intuito de alcançar o objetivo principal, deseja-se primeiramente
apresentar uma contextualização sobre o cenário brasileiro atual de comercialização
de energia: como funciona, como sua estrutura se compara com as utilizadas em
mercados internacionais e quais as tendências esperadas no médio e longo prazo
para a mesma. É dada especial ênfase para o entendimento do funcionamento do
mercado livre (Ambiente de Contratação Livre - ACL), suas vantagens e desvantagens
em relação ao Ambiente de Contratação Regulada (ACR).
É, também, essencial compreender os diversos sistemas de produção de
energias renováveis, seus impactos ambientais, capacidades de geração e
distribuição, limitações, custos associados e principalmente os impactos da
complementaridade entre essas diferentes fontes no suprimento de energia. Este
trabalho visa utilizar ferramentas de simulação para efeito de quantificação dos
benefícios financeiros e da mitigação de riscos inerentes à estratégia diversificação
de fontes renováveis na comercialização conjunta, comparando os efeitos de
complementaridade em diversos cenários.
Por fim, chega-se ao objetivo final deste projeto de propor um modelo de
negócios otimizado e pertinente ao cenário brasileiro de comercialização, com o
aprimoramento dos modelos de simulação com métricas tradicionais do mercado
financeiro (VaR e CVaR), para definição do nível ótimo de risco, e com análise de
viabilidade com as técnicas de Fluxo de Caixa Estocástico (Cash Flow at Risk) e Valor
Presente Líquido (VPL) Estocástico.
Figura 1 – Árvore de Objetivos
Os estudos e o projeto em si estão divididos em algumas frentes que permitirão

alcançar o objetivo principal de propor modelos de negócio otimizados. As duas
primeiras etapas, Estudo sobre Modelos de Comercialização e Prova de Conceito:
Evidenciar Sinergias, são as duas quebras de uma grande etapa de pesquisas
bibliográficas, maior entendimento do tema e desenvolvimento do modelo inicial. As
duas etapas posteriores são aquelas por trás da simulação e análise das dos
diferentes cenários a serem estudados e do desenvolvimento do simulador de
modelos de negócio otimizados.
i. Estudo sobre Modelos de Comercialização
O entendimento de modelos já existentes nacional e internacionalmente nos
dará uma noção inicial dos aspectos mais relevantes, prós e contras de cada modelo
e uma primeira noção dos potenciais de melhoria em âmbito nacional. Buscaremos
aqui entender o que é o mercado livre (Ambiente de Contratação Livre - ACL), suas
vantagens e desvantagens em relação ao Ambiente de Contratação Regulada (ACR),
além de representatividade do mesmo e suas expectativas de crescimento.
ii. Prova de Conceito

A Prova de Conceito é a etapa de desenvolvimento do modelo inicial do
projeto, que servirá como base para todo o restante do ano. Este modelo é capaz de
fornecer a receita esperado do portfólio no curto prazo, somada à receita acordada
por contrato bilateral. Nele realizou-se uma simulação simples de portfólio com uma
usina eólica e outra hidrelétrica, que permitirá entender melhor a complementaridade
entre as energias.
iii. Construção do Simulador

Neste momento quebrou-se a análise em diversos cenários buscando energias
que melhor atendam os segmentos de consumidores mais interessantes
economicamente e produzam maiores benefícios, quantificando os investimentos,
incentivos e custos envolvidos, além das capacidades e limitações de atuação para
cada cenário. Serão comparados os diferentes cenários e modelos sob a ótica de
complementaridade entre as energias e lucratividade através da ferramenta de testes
de hipóteses Solver, Teoria de Markowitz e quantificação de riscos.
iv. Otimização do Modelo Computacional

A última etapa deste trabalho objetivou propor modelos de negócios alternativos,
que representem otimizações ao modelo brasileiro. Aqui o modelo será aperfeiçoado
e finalizado com as devidas análises estocásticas de riscos, buscando as melhores
proporções de diversificação do portfólio por tipo, geografia e tamanhos das
fornecedoras de energia.
1.6 RESULTADOS ESPERADOS
Os resultados esperados no início deste projeto eram que fossem desenvolvidos

um ou mais modelos de negócios que apresentem soluções viáveis e pertinentes que
sejam capazes de ao mesmo mitigar riscos e trazer retornos financeiros satisfatórios
através da comercialização de energias renováveis no mercado livre de energia
brasileiro. Ao longo deste relatório, tornar-se-á evidente que esses resultados foram
atingidos.
Inicialmente, foi desenvolvida uma pesquisa bibliográfica norteada pelo objetivo
de dar sustentação teórica a todos os tópicos da abordagem pretendida, utilizando
Notas Técnicas da EPE (Empresa de Pesquisa Energética), Resoluções da ANEEL
(Agência Nacional de Energia Elétrica), relatórios do CCEE (Câmara de
Comercialização de Energia Elétrica), além de teses e artigos voltados para o tema
de modelos de negócios para comercialização de energia elétrica. As tecnologias
relevantes a serem estudadas serão as referentes à produção de energia solar, eólica,
biomassa e hidráulica (com foco em pequenas hidrelétricas).
O material coletado a partir dos estudos bibliográficos será a base para o
desenvolvimento de simulações e modelos a partir de softwares de processamento
de dados, como Excel, VBA e Solver, para primeiras análises de complementaridade
das energias e de risco e retorno de cenários mais relevantes. Essas primeiras
análises têm como objetivo familiarização com esse tipo de modelagem e com cada
possível cenário de estratégia de comercialização conjunta de energias provenientes
de fontes e localidades distintas.
Após essa etapa intermediária de familiarização com os cenários mais básicos,
foram desenvolvidos os modelos de negócio em si, com simulações de otimização de
complementaridade e viabilidade econômica e financeira que levaram em
consideração nível ótimo de risco (métricas VaR e CVaR) e técnicas de análise de
investimentos (Fluxo de Caixa Estocástico e Valor Presente Líquido Estocástico).
2 REVISÃO DA LITERATURA
2.1 DESCRIÇÃO GERAL DA ÁREA EM QUE SE INSERE O PROJETO
A nível global, o ambiente de livre comercialização vem penetrando a indústria

de eletricidade, ocasionando reestruturações e mudanças regulamentares na mesma.
Consequência direta dessas transformações é a promoção de eficiência econômica
através da competição, que podemos observar em diversos países.
Analisando os mercados internacionais, entende-se que quanto maior for a
participação do consumidor, maior será a influência do preço e da competição na
eficiência. A Figura 2 mostra um mapa com o estágio de evolução de cada país,
considerando a seguinte classificação, de acordo com VIANA, A. G (Leilões como
mecanismo alocativo para um novo desenho de mercado no Brasil):
i. Monopólio Verticalmente Integrado: mercado composto por empresas
integradas, normalmente estatais, as quais são responsáveis pela geração,
transmissão, distribuição e comercialização de energia elétrica para os
consumidores finais, independentemente do tamanho, nível de consumo e nível
de tensão desses consumidores. Em alguns países, criam-se empresas
verticalmente integradas para atenderem diferentes localidades geográficas, as
quais podem ou não estar ligadas entre si por meio de uma holding regional ou
nacional.
ii. Verticalmente Integrado + PIE: mercado composto por empresas integradas,
porém elas não conseguem per si gerarem toda a energia elétrica necessária
para atender aos consumidores e passam a complementar a geração por meio
da compra com os PIEs, sendo este processo de compra realizado por meio
de chamada pública ou leilões.
iii. Unbundling + PIE: mercado composto por empresas segregadas nos
segmentos de geração, transmissão e distribuição, mas que normalmente
possuem alguma ligação societária em uma holding estatal ou privada.
Também se complementa a geração necessária para atender os consumidores
com compras por meio dos PIEs.
iv. Mercado Atacadista: mercado com diversas empresas competindo nos
segmentos de geração e comercialização de energia, com transações de
balcão, plataformas organizadas e, eventualmente, bolsas de energia elétrica.
Ressalta-se que a comercialização é competitiva somente no nível de atacado,
havendo ainda uma regulação por algum meio de tarifa para os pequenos
consumidores. Os segmentos de transmissão e distribuição permanecem como
monopólios naturais regulados na lógica de custo do serviço. Normalmente há
um Operador de Mercado que compatibiliza o que ocorre na dimensão
comercial e na dimensão física.
v. Mercado Atacadista + Varejo: mercado com diversas empresas competindo
nos segmentos de geração e comercialização de energia elétrica e com plena
liberdade de escolha de todos os consumidores, independentemente do nível
de tensão e do volume de consumo. Também é necessária a atuação de um
Operador de Mercado, mas há um espaço muito pequeno para o Estado ou
políticos estabelecerem políticas por meio do mercado de energia elétrica, dado
que só há o conceito de tarifas nos serviços de transporte.
Figura 2 – Desenhos de Mercado Internacionais
Fonte: VIANA, A. G. Leilões como mecanismo alocativo para um novo desenho de mercado no Brasil
(Dissertação de Doutorado)
No Brasil, classificado como mercado atacadista, em meio às diversas mudanças

no setor elétrico originadas na década de 90, distribuidoras e grandes consumidores
de energia passaram a firmar contratos bilaterais com as geradoras de forma livre, o
que elevou a concorrência e eficiência da indústria. Segundo a Associação Brasileira
dos Comercializadores de Energia (Abraceel), as empresas que fizeram a transição
para o Ambiente de Contratação Livre (o Mercado Livre) economizaram um total de
R$ 70 bilhões, em 13 anos, em relação ao que teriam gasto no Ambiente de
Contratação Regulado.
Uma vez que a energia passou a ser tratada como commodity, o preço para os
consumidores atacadistas deixou de ser uma tarifa única que cobria todos os custos
da geradora, e passou a variar segundo oscilações de mercado. Por conseguinte,
empresas geradoras e comercializadoras passaram a assumir os riscos da
comercialização de energia. A possibilidade de não conseguir fechar contratos de
venda, ou de os contratos firmados tornarem-se insatisfatórios, tornou-se uma
realidade, propiciando, assim, a ampla aplicação de modelos de otimização de
portfólio na área.
Por último, resta deixar clara a diferença entre os dois ambientes de contratação,
o Regulado e o Livre. De acordo com a Aneel, o ACR define-se por ser o “segmento
do mercado no qual se realizam as operações de compra e venda de energia elétrica
entre agentes vendedores e agentes de distribuição, precedidas de licitação,
ressalvados os casos previstos em lei, conforme regras e procedimentos de
comercialização específicos”.
Na prática, é o ambiente de contratação caracterizado pela participação, na
ponta de venda, de geradoras e comercializadoras, sendo que as comercializadoras
só podem atuar nos leilões de energia existente. Na ponta de compra estão as
distribuidoras de energia elétrica, que devem atender os seus consumidores. A
contratação é normalmente realizada por meio dos leilões do ACR e seus contratos
são regulados quanto ao preço, montante e prazo de suprimento, sendo que só há
liberdade para definição do preço no momento da competição nos leilões.
Já o Ambiente de Contratação Livre, de acordo com a Aneel, é o “segmento do
mercado no qual se realizam as operações de compra e venda de energia elétrica,
objeto de contratos bilaterais livremente negociados, conforme regras e
procedimentos de comercialização específicos”. Nele são estabelecidos os contratos
do ACL, livremente pactuados no que tange a preço, montante e prazo de suprimento,
podendo ser firmados em plataformas de negociação ou em formato balcão (OTC).
Através de análises econômico-financeiras, os modelos de otimização de
portfólio tratados neste projeto se propõem a estipular uma carteira de ativos
financeiros que apresente a melhor relação risco-retorno possível dentro do ACL. A
mitigação dos riscos pode ser obtida através da diversificação, balanceamento da
carteira, entre outras estratégias. A determinação dos montantes ideais de energia
provindos de diferentes fornecedores, no entanto, é não trivial, fazendo-se necessário
uso de equacionamentos matemáticos estocásticos, vistos ao longo deste documento.
2.2 DESCRIÇÃO GERAL DOS CONCEITOS ENVOLVIDOS E LEVANTADOS PELO

GRUPO
Como descrito na Declaração do Problema, os principais desafios são: um

cenário brasileiro de pouca diversificação da matriz energética, dificuldade de
financiamento de grandes projetos de infraestrutura e mudança do ambiente de
comercialização do mercado regulado para o livre. Para confrontar esses problemas,
é necessário entender que tipo de soluções seriam capazes de impactar o cenário
descrito.
Para impulsionar a diversificação da matriz energética, seria de grande ajuda ter
a capacidade de desenvolver portfólios otimizados em relação ao risco, com ativos
diversificados tanto em relação à fonte energética (eólica, solar, etc.) como localização
geográfica dentro do país.
A dificuldade de financiamento, muito ligada a incertezas de retornos financeiros
de longo prazo, pode também, em parte, se beneficiar dessa mitigação de riscos
proveniente de uma carteira de ativos energéticos diversificada. Quanto menor o risco
com o qual o investidor enxerga o projeto, maior a facilidade de conseguir
financiamentos.
Por último, uma modelagem capaz de descrever de maneira mais concreta quais
serão os impactos que virão a partir da tendência de mudança do mercado regulado
para o mercado livre seria de grande relevância para as empresas conseguirem se
posicionar de maneira eficiente nesse novo cenário e aproveitarem eventuais
oportunidades financeiras e operacionais.
Identificados os requisitos do trabalho, passa-se a enxergar o problema a ser
resolvido neste projeto como sendo o de desenvolver uma modelagem que permita
criar portfólios otimizados com foco em mitigação de riscos. A solução deste problema,
que é subconjunto dos grandes desafios do cenário brasileiro identificados, será o
foco deste projeto de formatura daqui em diante.
Figura 3 – Problematização
A proposta desse projeto é, então, definir modelos de negócio com o

desenvolvimento de uma modelagem, de um simulador, que permita encontrar o
balanço ótimo da carteira de ativos dadas as faixas aceitáveis de retorno e risco.
Outrossim, faz parte desse projeto a elaboração de premissas condizentes com a
situação brasileira e escolha de relações retorno risco iniciais razoáveis para a
obtenção, como saída da ferramenta, de um modelo de negócio já otimizado em
relação aos atualmente adotados no Brasil.
A construção deste simulador é dependente da escolha apropriada dos
equacionamentos necessários para a descrição dos fenômenos envolvidos. Para isso,
é importante levantar os conceitos e técnicas existentes nos campos da ciência e
engenharia que sejam relevantes neste tipo de problema. Discorreremos, então, sobre
suas vantagens e limitações a fim de definir as abordagens que adotaremos no
decorrer do projeto.
Quebraremos as técnicas e equacionamentos a seguir descritos em 4 categorias
de aplicações dentro do simulador: estimação de produção, comparação entre
portfólios, métricas de risco e otimização computacional do modelo. Vale ressaltar que
nem todas as técnicas foram utilizadas ao longo do projeto e que este tópico do
relatório visa trazer que tipo de conceitos e soluções existem no mercado para que se
estabeleça uma base para este projeto.
2.2.1 Teoria do Portfólio e Teorema de Markowitz
A teoria do portfólio, dentro do contexto de modelamento de negócios para a

comercialização de energia, é aplicável na comparação de cenários na busca pela
proporção ótima de fontes energéticas dadas certas faixas de retorno e risco
aceitáveis.
Enunciada por Markowitz, a teoria diz que cada investimento possui um
determinado risco e retorno esperado. Quantitativamente, utilizam-se as medidas
estatísticas de valor esperado e variância da distribuição dos retornos para descrevê-
los. Sob a ótica do investidor, o retorno esperado e a volatilidade dos prováveis
retornos são aspectos fundamentais na definição de um portfólio ótimo. Fixado o nível
de retorno requerido, utiliza-se o equacionamento da variância total do portfólio de
forma a encontrar a proporção de risco mínimo. Analogamente, fixado o risco
aceitável, pode-se encontrar o portfólio que produz retorno máximo, a partir do valor
esperado, contudo.
Figura 4 – Teorema de Markowitz
Fonte: Investidor em Valor (2016)

De forma geral, existe um consenso quanto ao uso do valor esperado da
distribuição dos retornos para representar o retorno de um investimento, o mesmo,
porém, não se aplica à utilização da variância como métrica de risco.
2.2.2 Teoria dos jogos
A teoria dos jogos pode ser outra abordagem no tema de diversificação de

portfólios. Tomando como jogadores as unidades de geração, com uma determinada
garantia física, e o jogo sendo cooperativo, em que se deve decidir entre vender sua
energia através de um contrato de médio prazo, com preço fixo, ou deixar uma parcela
de sua garantia física descontratada, buscando maiores ganhos com a liquidação no
curto prazo ao PLD.
Com o objetivo de maximizar a aversão ao risco, é assumido que conjuntos de
jogadores podem formar alianças, de forma que suas garantias físicas se
complementem, gerando produtos cuja negociação trará́ benefícios para ambos. Tais
alianças, quando formadas por jogadores cuja geração tem perfil complementar,
possuem um produto mais robusto, podendo oferecer preços mais agressivos no
mercado, o que significa uma grande vantagem sobre as alianças com portfólios
menos complementares.
2.2.3 Modelo MiniMax
O modelo Minimax utiliza teoria dos jogos para seleção de portfólio usando o
mínimo retorno como medida de risco. Ele consiste em maximizar os retornos mínimos
esperados, isto é, minimizar a possível perda máxima.
Um exemplo de modelo Minimax é o de Deng, Li e Wang (2005), que admite que
no mercado estão disponíveis n ativos que oferecem retornos variáveis e com certo
nível de risco, e um ativo sem risco que oferece uma taxa de retorno fixa. A alocação
é considerada como sendo feita através destes n ativos com risco e do ativo sem risco.
Neste caso, o valor esperado do retorno de cada ativo não pode ser menor que o
retorno do ativo sem risco. Através de um ponderador variável (um parâmetro) de
aversão ao risco na modelagem, é possível encontrar uma estratégia que forneça o
melhor do pior caso, aquela que maximiza o retorno esperado através do pior caso
possível dos valores para os retornos de cada ativo.
2.2.4 Value at Risk (VaR) e Conditional Value at Risk (CVaR)
O VaR é uma estimativa da máxima perda potencial, a um dado nível de

confiança, que uma instituição financeira estaria exposta durante um período
padronizado (dia, semana, ano etc.). Comumente utilizado como gestor de riscos
independentes na flutuação dos preços de commodities. O racional é encontrar o
mínimo VaR a partir dos pesos dos ativos no portfólio. O VaR, todavia, deve ser visto
como um procedimento necessário, mas não suficiente, para o controle do risco, pois
nada nos diz sobre qual é a perda esperada nos dias em que a perda supera o
intervalo de confiança. Existem algumas formas de calcular o VaR: VaR paramétrico
ou analítco; o VaR de Monte Carlo; e o VaR histórico.
O Conditional Value At Risk é um aprimoramento do VaR. Com base nas
probabilidades, sob certas condições, de uma certa perda exceder o VaR.
Matematicamente, CVaR é derivado de uma média ponderada entre o VaR e as
perdas que o excedem. O nível de confiança é definido como o valor esperado
condicional das perdas de um portfólio, dado que as perdas a serem contabilizadas
são as maiores ou iguais ao VaR.
2.2.5 Cash Flow at Risk Estocástico e IRR Estocástica
A metodologia do Cash-Flow-at-Risk (CFaR), que busca determinar a pior queda

no fluxo de caixa gerada pela influência dos fatores de risco. É considerado a principal
ferramenta de apoio a decisão dos gestores financeiros. Sua utilização permite prever
possíveis cenários de sobras ou escassez de caixa e permitir ações corretivas de
forma antecipada. No âmbito deste projeto, ela nos ajudaria a estimar o impacto da
diversificação entre ativos, buscando que as sazonalidades de produção de diferentes
fontes, em conjunto, sejam complementares minimizando o fluxo de caixa em risco.
Observe que a análise deve ser estocástica, ao invés de determinísticas, pois a
produção das usinas depende de variáveis estocásticas, a saber, a hidrologia, o vento
e o sol.
A taxa interna de retorno (IRR- Internal Rate Of Return), é um complemento do
cash flow at risk. Representa a taxa de lucros esperada de um investimento durante
sua vida útil. A IRR é, na verdade, a taxa de desconto que leva o valor presente líquido
a zero. Isso é mais ou menos a taxa de desconto na qual o valor presente das saídas
de caixa é igual ao valor presente das entradas de caixa. O que significa que o
investimento será vantajoso caso a IRR seja maior que o custo do capital.
2.2.6 Otimização Linear (Dual Simplex)
Formado por uma função linear e por um conjunto de inequações lineares,

denominados função objetivo e restrições do problema, respectivamente; a
programação linear objetiva fornecer ferramentas para encontrar o valor máximo ou
mínimo possível em uma função linear cujas variáveis possuem restrições.
Geometricamente, um poliedro convexo —chamado de conjunto dos pontos
viáveis —é definido pelas restrições lineares. Ao passo que a função objetivo é linear,
infere-se que uma solução ótima pode apenas ocorrer em um ponto da fronteira do
conjunto de pontos viáveis.
O algoritmo simplex resolve problemas de programação linear construindo uma
solução admissível no vértice do poliedro, e então percorrendo os vértices do poliedro
que sucessivamente possuem valores mais altos da função objetivo até encontrar o
máximo. O dual simplex representa um aprimoramento do simplex primal clássico,
com relação à busca otimizada, podendo ser utilizado para a otimização do modelo
com base nas restrições lineares do sistema.
2.2.7 Algoritmos Genéticos e Evolucionários
Inspirados na teoria da evolução das espécies, os algoritmos genéticos

consistem em gerar uma primeira "população" de vetores solução com características
aleatórias. Atribuem-se, então, pontuações de acordo com o desempenho desses
vetores em alcançar os objetivos propostos. As melhores soluções, são selecionadas
para a próxima iteração e têm suas características misturadas entre si, e ainda se
podem inserir mutações nas características, com o intuito de a aumentar a
"variabilidade genética" dos vetores. Este processo será repetido quantas vezes for
necessário até que a melhor solução seja encontrada.
Este algoritmo é aplicável à geração de portfólios aleatórios, onde a função de
pontuação, à qual os vetores proporção seriam submetidos, deve levar em conta
métricas de retorno-risco e estimativas estocásticas de produção de energia
relacionadas.
2.2.8 Modelagem através de Redes Neurais Artificiais
Redes Neurais Artificiais são sistemas computacionais, de implementação em

hardware ou software, que imitam as habilidades computacionais do sistema nervoso
biológico, usando um grande número de processadores simples (neurônios artificiais)
e interconectados entre si.
Figura 5 – Redes Neurais Artificiais
Fonte: Medium (2017)
Uma das técnicas, o Multi Layer Perceptron (MLP) através de Error Back
Propagation, inclusive foco da disciplina PSI3471, Fundamentos de Sistemas
Eletrônicos Inteligentes, consiste em encontrar um conjunto de pesos sinápticos que
minimizem o erro quadrático médio através da bússola do gradiente (gradiente
descendente) para um dado conjunto de amostras.
Desta forma, a rede neural artificial pode ser configurada como um regressor
capaz de fornecer em sua saída composições ótimas de portfólio, estimativa de preço
de energia, quantidade de energia gerada em um parque por determinado período de
tempo, entre muitas outras aplicações pertinentes a este projeto.
2.2.9 Método de Monte Carlo
A simulação de Monte Carlo é uma técnica matemática computadorizada que

permite às pessoas contabilizar o risco na análise quantitativa e na tomada de
decisões. A técnica é usada por profissionais em áreas tão díspares como finanças,
gerenciamento de projetos, energia, manufatura, engenharia, pesquisa e
desenvolvimento, seguros, petróleo e gás, transporte e meio ambiente.
A simulação de Monte Carlo fornece ao tomador de decisão uma série de
resultados possíveis e as probabilidades de que eles ocorram, para qualquer escolha
de ação. A simulação de Monte Carlo realiza a análise de risco construindo modelos
de resultados possíveis substituindo um intervalo de valores - uma distribuição de
probabilidade - para qualquer fator que tenha incerteza inerente. Em seguida, calcula
os resultados repetidamente, cada vez usando um conjunto diferente de valores
aleatórios das funções de probabilidade.
Dependendo do número de incertezas e das faixas especificadas para eles, uma
simulação de Monte Carlo pode envolver milhares ou dezenas de milhares de
recálculos antes de ser concluída, o que pode ser um processo lento e custoso. A
simulação de Monte Carlo produz distribuições de possíveis valores de resultados.
No contexto deste projeto, entraria para análise de cenários das diferentes
composições da carteira, já que o método permite modelar diferentes combinações
de valores para diferentes entradas, permitindo enxergar exatamente quais entradas
tiveram determinados valores quando certos resultados ocorreram.
2.2.10 Análise de cenários com Redes Bayesianas
Redes Bayesianas são modelos em que os eventos são conectados uns aos
outros com probabilidades. A probabilidade de uma causa é inferida pelo teorema de
Bayes quando o efeito da causa é observado. RBs são grafos acíclicos direcionados
em que a direção das setas pode ser explicada com causalidade. A RB funciona com
regra da cadeia sobre a distribuição de probabilidade conjunta de cada variável. De
acordo com a regra da cadeia, as probabilidades marginais e condicionais podem ser
calculadas para cada nó da rede.
A técnica BN pode ser usada para construir cenários de investimento em energia,
ajudando a entender a representação gráfica da estrutura do problema, bem como a
quebrar o problema de representar a distribuição conjunta de muitas variáveis em
grupos. Os RBs podem ser usados para várias finalidades diferentes, incluindo
agrupamento de classificações, previsão, raciocínio abdutivo (determinação da
inferência diagnóstica) e tomada de decisão.
2.2.11 Newave e Decomp
Newave é um modelo de otimização de médio prazo (até 5 anos) através do qual

é possível determinar a estratégia de geração hidráulica e térmica que minimiza o
valor esperado do custo de operação para todo o período de planejamento. Um dos
principais resultados desse modelo são as funções de custo futuro, utilizadas pelo
Decomp para cálculo do impacto da utilização da água armazenada nos reservatórios.
O Newdesp, um dos componentes do Newave, serve para consulta às funções
de custo futuro geradas pelo módulo de otimização (NEWAVE em si). Ele apresenta
dois modos de execução (consulta e despacho) que, em resumo, são capazes de
fornecer os custos marginais de operação para um período estudado, em cada
patamar de carga considerado para cada subsistema.
Por último, o Decomp é um modelo de otimização de curto prazo (até 12 meses),
que representa as vazões previstas, a aleatoriedade das vazões do restante do
período através de uma árvore de possibilidades (cenários de vazões) e o parque
gerador individualizado (usinas hidráulicas e térmicas por subsistemas).
Seu objetivo é determinar a energia gerada pelas usinas hidráulicas e térmicas
que minimiza o custo de operação ao longo do período dado o conjunto de
informações disponíveis (carga, vazões, disponibilidades, limites de transmissão entre
subsistemas, função de custo futuro do NEWAVE). Os principais resultados desse
modelo são os despachos de geração por usina hidráulica e térmica de cada
submercado, e os custos marginais de operação para cada estágio por patamar de
carga.
Figura 6 – Newave e Decomp
Fonte: CCEE
3 METODOLOGIA DE IMPLEMENTAÇÃO
3.1 CONCEITO ESCOLHIDO
O conceito escolhido é o de criar um simulador que gere, a partir de modelagem

estocástica, modelos de negócio que viabilizem as energias renováveis no mercado
livre de energia, em um cenário brasileiro de pouca diversificação da matriz
energética, de dificuldade de financiamento de grandes projetos de infraestrutura e de
mudança do ambiente de comercialização do mercado regulado para o livre.
O simulador será uma ferramenta através da qual será possível estabelecer uma
proporção ótima de ativos em um portfólio, a partir da relação Risco x Retorno
desejada, com inputs de premissas e parâmetros de entrada. O tratamento será
estocástico, visto que a produção das usinas a serem estudadas depende de variáveis
estocásticas, a saber, a hidrologia, o vento e o sol.
São parte da base de dados do simulador valores históricos pertinentes à
modelagem como receita, custo de produção e energia gerada, para cada tipo de
ativo. As variáveis de entrada do simulador são: preço contratado da energia, sob o
ponto de vista do dono da hidrelétrica, percentual de contratação e ano atual (termos
de contrato); ano de referência e garantia física (características da hidrelétrica); ano
de referência, preço contratado (preço da energia eólica contratada para compor o
portfólio) e potência instalada (características para a eólica).
Em um primeiro momento, seriam o de mínimo retorno esperado, risco disposto
a correr, quantos ativos deseja-se ter na carteira, entre outros. A saída do nosso
simulador seria justamente uma proporção ótima de ativos que permite ao usuário
encontrar o melhor modelo de negócio de acordo com o que foi por ele definido como
parâmetros de entrada.
Com o conceito proposto, é possível explorar as diferentes disponibilidades de
geração de cada região do país, em cada época do ano, gerando uma
complementaridade que pode auxiliar na mitigação de riscos associados aos meios
de produção quando considerados individualmente. A criação de portfólios com ativos
de regiões e de fontes renováveis distintas fazem com que investimentos em novos
projetos e com que o cenário de comercialização brasileiro se aproveite não somente
das características técnicas dos meios isolados, mas da composição e vantagem
econômica que a diversificação pode trazer.
Além disso, através do conceito de solução deste projeto, será possível atender
à necessidade que surge, a partir do momento em que o ambiente regulado vai
perdendo força com o tempo, de buscar os modelos de negócio mais vantajosos, tanto
economicamente, quanto em termos de diversificação de energias limpas. Os
consumidores, ao passarem a serem livres para comprar energia diretamente dos
geradores e comercializadores, através de contratos bilaterais com condições
livremente negociadas, como preço, prazo e volume, encontrarão uma quantidade
enorme de possíveis modelos e uma ferramenta como a proposta neste trabalho
torna-se essencial.
Tal modelagem foi feita a partir de alguns dos conceitos de solução existentes
levantados no item 2.2, que funcionarão como métodos de cálculo pelos quais se
deseja chegar ao nosso conceito de solução proposto de viabilizar energias
renováveis a partir de modelos de negócio e composição de portfólios otimizados por
simulação.
Entrando em maiores detalhes, os métodos de solução são baseados em
Algoritmos Genéticos e Evolucionários e otimização Linear (Dual Simplex), através da
ferramenta Solver do Excel. Nas análises de avaliação e mitigação de riscos, são
utilizadas métricas de Risco CVaR e VaR, que estimam a máxima perda potencial
com o intuito de encontrar o mínimo valor a partir das proporções dos ativos no
portfólio.
Nas análises econômica e financeira, são aplicados o Cash Flow at Risk e Valor
Presente Líquido Estocástico. O primeiro reflete a pior queda no fluxo de caixa gerada
pela influência dos fatores de risco, isto é, até que ponto os fluxos de caixa futuros
podem ficar abaixo das expectativas como consequência de alterações nas variáveis
de mercado. O segundo se trata do retorno proveniente de um fluxo de caixa estimado
com incerteza (estocástico).
Ainda, no contexto de formação de portfólios otimizados, serão empregados
Teoria de Portfólio e Teorema de Markowitz, através do qual é possível fazer a melhor
alocação dos ativos de uma carteira, em que o risco é mínimo para um dado nível de
retorno esperado.
3.2 METODOLOGIA
O produto final é basicamente dividido em duas partes. Uma é denominada

Análise de Portfólio e a outra Análise de Modelo de Negócios, sendo que a primeira
fornece os inputs necessários para a segunda. O que o usuário espera ter como
resultado do produto final é o Modelo de Negócios, isto é, o entendimento do cenário
em que o dono da hidrelétrica compra a energia que a usina eólica produz e assume,
assim, o risco de geração da produção eólica, mesmo não sendo dono dela.
3.2.1 Análise de Portfólio - Cálculo de Receita
A Prova de Conceito deste projeto, apresentada na primeira parte da disciplina,

foi desenvolver um modelo de cálculo de receita de curto prazo. Ela é primeira etapa
da metodologia utilizada. Serão desenvolvidos neste item 3.2.1 explicações mais
aprofundadas sobre como o modelo inicial apresentado na prova de conceito funciona
e quais as metodologias que estão por trás do cálculo da receita.
Ser capaz de calcular as receitas de energia hidráulica e eólica, mensalmente,
provenientes de diferentes regiões do Brasil, é a base para o desenvolvimento de todo
o restante do projeto, em que pretendeu-se estudar as diferentes associações entre
essas fontes para a estruturação de um modelo de negócios rentável (uma carteira de
ativos otimizados sob a óptica Risco x Retorno).
Como ponto de partida, em linhas gerais, para qualquer tipo de energia, sua
receita é aquilo acordado por contrato, somado daquilo que se produziu a mais que o
contratado e vendido a preço spot. No caso contrário, quando se produz menos do
que aquilo que está no contrato, é necessária a compra do que resta da energia no
mercado spot, que pode estar num preço inferior ou superior ao acordado.
Mecanismo de Realocação de Energia

A primeira análise realizada é a do cálculo de receita hidrelétrica, um pouco mais
complexa que a eólica. As usinas hidrelétricas brasileiras sujeitas ao despacho
centralizado da ONS operam através de um mecanismo financeiro chamado
Mecanismo de Realocação de Energia (MRE), que visa o compartilhamento dos riscos
hidrológicos das geradoras. O MRE realoca contabilmente a energia, transferindo o
excedente (daqueles que geraram além de sua garantia física) para aqueles que
geraram abaixo.
O mecanismo busca garantir a otimização dos recursos hidrelétricos do Sistema
Interligado Nacional (SIN) e surgiu principalmente por dois motivos. O primeiro é
devido as grandes extensões territoriais do país, em que existem diferenças
hidrológicas significativas entre as regiões, com períodos secos e úmidos não
coincidentes. Uma região em período de seca armazena água e, por consequência,
gera abaixo da média, enquanto uma região em período de chuva produz energia
acima da média, o que resulta em transferência de energia entre essas regiões.
O segundo fator é a existência de várias usinas alocadas em um mesmo rio, em
cascata. Nessa condição, a operação otimizada para uma usina não necessariamente
corresponde à operação otimizada de todo o sistema interligado.
Na prática, então, aquilo que a usina hidrelétrica produziu não é
necessariamente a quantidade de energia que ela terá disponível para
comercialização, mas sim essa energia multiplicada por um fator.
Preço de Liquidação das Diferenças

Voltando à definição inicial, a receita é aquilo que está no contrato, somado ao
que se produziu a mais que o contratado e vendido a preço spot. No caso da
hidrelétrica, a receita, então, não vem necessariamente da energia produzida, mas da
energia alocada para essa usina através do MRE e de sua garantia física.
No caso tratado neste projeto de comercialização no mercado livre de energia,
os contratos são bilaterais com condições livremente negociadas, como preço, prazo
e volume. Quando a energia alocada não é suficiente para honrar o contrato, é
necessária a compra da energia restante no mercado spot. Este “custo spot” deve
entrar na conta para cálculo de receita no presente estudo. Vale ressaltar que no caso
contrário, quando há excedente de energia alocada em relação à contratada, este
custo passa a ser, na verdade um acréscimo de receita.
O preço da energia no mercado spot, ou PLD, Preço de Liquidação das
Diferenças, é definido semanalmente pelo CCEE (Câmara de Comercialização de
Energia) para cada patamar de carga com base no Custo Marginal de Operação,
limitado por um preço máximo e mínimo vigentes para cada período de apuração e
para cada Submercado. Já o Custo Marginal de Operação é definido por variáveis
como condições hidrológicas, demanda de energia, preços de combustível, custo de
déficit, entrada de novos projetos e disponibilidade de equipamentos de geração e
transmissão.
Receita
O modelo final será discutido em detalhes no item 4 Resultados, mas as abas
“Receita Total Hidrelétrica” e “Receita Total Eólica” são o reflexo da discussão deste
tópico. São nessas abas em que são calculadas as receitas provenientes de contrato
somadas ao custo spot (que pode ser positivo ou negativo, dependendo do excesso
ou escassez de energia produzida). A fórmula para a energia hidrelétrica é como a
seguinte:
Receita Hidrelétrica = (Energia Alocada - Energia Contratada) * PLD + Energia

Contratada * Preço Contratado
Para o caso da energia eólica, a lógica é semelhante. Compra-se energia se a

produção é menor do que a energia prometida por contrato e vende-se o excedente,
no mercado spot. A principal diferença é que na energia eólica não existe um
Mecanismo de Realocação de Energia. Aquilo que é produzido, de acordo com o perfil
de ventos em determinado período, é aquilo que está disponível para comercialização.
O preço spot (PLD) é o mesmo e serve para todo o mercado de energia. A fórmula,
semelhante à hidrelétrica, é:
Receita Eólica = (Energia Produzida - Energia Contratada) * PLD + Energia

Contratada * Preço Contratado
A primeira parte da Análise de Portfólio é, então, entender como a receita é

calculada nas diferentes fontes de energia estudadas, através do Excel, com uma
modelagem capaz de fornecer, para um dado perfil de geração, a receita
correspondente.
As energias eólica e hidrelétrica tem perfis de geração próprios, com
sazonalidades diferentes, e ter um modelo capaz de calcular a receita dessas fontes,
é um passo importante em direção ao objetivo final de criar um simulador capaz de
gerar modelos de negócios (composições de carteira) otimizados que explorem a
complementaridade entre os perfis de geração.
3.2.2 Análise de Portfólio - Estudo de Risco VaR e CVaR
Como analisado na revisão literária, o VaR é uma estimativa da máxima perda

potencial aceita pelo dono do portfólio, com o racional de variar os pesos dos ativos
no portfólio de forma a encontrar o VaR mínimo.
O Conditional Value At Risk é um aprimoramento do VaR, em que se calcula a
média ponderada entre as perdas dos valores que estão fora do intervalo de confiança
definido pelo VaR e o próprio VaR (média das perdas com valores abaixo do VaR). O
nível de confiança é definido como o valor esperado condicional das perdas de um
portfólio, dado que as perdas a serem contabilizadas são as maiores ou iguais ao
VaR.
A partir de um intervalo de confiança de 95%, foram construídas abas nos
modelos que fornecem VaR e CVar tanto para a hidrelétrica quanto para a usina
eólica, separadamente (“VaR e CVaR - Hidrelétrica” e “VaR e CVaR Eólica”).
3.2.3 Análise de Portfólio - Combinação das Usinas
Calculadas as receitas e as métricas de VaR e CVaR separadamente para as

usinas hidrelétrica e eólica, a conclusão da Análise de Portfólio deve ser entender
quais os efeitos de combinar as usinas em um mesmo portfólio, ao invés de tê-las
isoladas. O que se busca aqui é encontrar um valor de CVaR para as usinas
combinadas maior que para elas somadas, mas consideradas separadamente. Isto
porque um CVaR maior significa que a média das receitas abaixo do VaR ainda é alta
e, portanto, há menor dispersão (corre-se menos risco de a receita ser baixa). O valor
de referência mínimo para o CVaR ser considerado aceitável é de 80% da receita de
referência (é a receita referente à garantia física da usina multiplicada pelos preços
de contrato).
As abas “Receita CP Portfólio” e “Receita Total Portfólio” fazem o cálculo da
combinação das receitas dos dois ativos. As sinergias criadas pelos diferentes perfis
de geração de cada um dos ativos é o que justifica a minimização do risco e
maximização do retorno. Na aba “VaR e CVaR do Portfólio” são calculadas as novas
métricas. Os resultados desta análise serão apresentados no item 4.
É a partir da Análise de Portfólio, isto é, da análise dos cenários dos ativos em
separado e em conjunto sob o ponto de vista do dono do portfólio, que se torna
possível encontrar o percentual ótimo de contratação.
3.2.4 Análise de Modelo de Negócios
A Análise de Modelo de Negócio é o estudo, sob o ponto de vista do dono de

uma usina hidrelétrica, da compra da energia de uma usina eólica, assumindo o risco
de geração. A compra é realizada no Ambiente de Contratação Livre, através de
contrato bilateral entre o dono da usina hidrelétrica e o dono da usina eólica, com
preços, prazos e volumes contratados específicos.
Uma das variáveis de entrada dessa análise é justamente o percentual de
contratação ótimo, proveniente da Análise de Portfólio. A Análise de Modelo e
Negócios é realizada em torno desse valor ótimo, variando também a potência da
usina eólica (cuja energia será comprada) e o preço pago por essa energia, criando
diversos cenários diferentes.
Calcula-se o CVaR para cada hipótese diferente de volume de contração e preço
(tendo em vista, também, o mínimo de 80% da receita de referência), sendo que o
cenário com maior CVaR encontrado é o considerado ótimo e recomendado para o
usuário. O volume (o percentual de contração) o preço neste cenário ótimo são os
resultados que definem o modelo de negócios para o cliente, são as saídas da
simulação.
4 RESULTADOS
Os resultados do projeto estão presentes neste item 4 através de uma descrição

detalhada do modelo em Excel criado, aba a aba, e de discussões em relação aos
valores encontrados e aos resultados que eram esperados, em comparação ao que
foi efetivamente identificado.
As análises foram realizadas com as seguintes entradas iniciais:
i. Preço contratado de R$150/MWh, 88% de contração e ano atual 2018 (termos
de contrato)
ii. Ano de referência para hidrografia de 1955 e garantia física de 500 MW (dados
da hidrelétrica)
iii. Ano de referência para níveis de vento de 1955, preço contratado de
R$130/MWh e potência instalada de 300MW
4.1 VISÃO GERAL DO SIMULADOR
A descrição mais geral do funcionamento do modelo e dos conceitos e dinâmicas

por trás de como as abas se relacionam foi apresentada no item 3.2 Metodologia. O
detalhamento aqui, portanto, está mais relacionado ao resultado final do simulador, e
de como ele funciona. Vale recordar que o modelo final foi praticamente o mesmo
desde o início do projeto e que este foi sendo modificado e crescendo ao longo dos
dois semestres.
Como visão geral, o modelo apresenta abas separadas por cores, com cada cor
representando um agrupamento de cálculos de uma mesma análise ou parte de uma.
Um resumo das diferentes abas e descrição de cada uma delas está presente na aba
“Index” do modelo.
4.2 INTERFACE COM O USUÁRIO
As primeiras abas em verde claro são as abas principais do modelo, são a

interface com o usuário, e as únicas com as quais ele deve efetivamente se preocupar.
São as abas de input e output de dados.
Em “Input Usinas”, todas as células em azul são entradas que o usuário fornece.
Ele é capaz de definir os parâmetros iniciais dos termos de contrato e as
características de sua usina hidrelétrica e da usina eólica cuja energia pretende
contratar:
i. Preço Contratado (R$/MWh): Preço de contratação da energia pelos clientes
no mercado.
ii. Porcentagem de Contração: É a relação de quanto da capacidade e da energia
disponível está contratada e de quanto está disponível para venda no mercado livre
de energia. É um input que serve para normalizar a Análise de Portfólio para comparar
a usina hidrelétrica, a usina eólica e as duas juntas (estudo de complementaridade)
em uma mesma base.
iii. Ano Atual: Usuário insere o ano em que está fazendo a simulação.
iv. Ano de Referência para Estimativa de Hidrografia: O modelo utiliza bases
históricas de hidrografia para estimar a receita dos próximos cinco anos. Estima-se
que a hidrografia do ano de referência (e dos anos seguintes a ele) irão se repetir nos
próximos cinco anos a partir do Ano Atual (input anterior)
v. Garantia Física PCH (MW): Capacidade da usina hidrelétrica
vi. Preço Contratado: Preço que está nos termos do contrato bilateral
estabelecido entre os donos das usinas (preço de compra da energia sob a ótica do
dono da usina hidrelétrica). É o que a hidrelétrica pagaria para a eólica, no modelo de
negócio.
Figura 7 - Inputs do Usuário
Fonte: Modelo Próprio Desenvolvido

Os quatro botões à esquerda são os responsáveis por rodar as simulações. O
primeiro gera os gráficos de análise de portfólio, o segundo otimiza o percentual de
contratação (é a Análise de Portfólio em si), o terceiro gera os gráficos de Análise de
Modelo de Negócio e o quarto determina o limite máximo de contratação da eólica.
Os quatro botões foram construídos com programação em VBA para automatizar
todos os processos que estão por trás da geração dos gráficos e das otimizações. Os
códigos estão disponibilizados no Apêndice A.
Figura 8 - Botões de Controle
O pressionar do primeiro botão faz com que os valores da aba “Análise de

Portfólio” sejam atualizados e que os gráficos que relacionam receita do portfólio com
o percentual de contração sejam gerados. De forma semelhante, o terceiro botão gera
os dados que alimentam a aba “Análise de Modelo de Negócio” e cria os gráficos
correspondentes.
O segundo e quarto botões rodam a programação em VBA responsável por
otimizar o percentual de contração (relação da energia contratada com a vendida no
mercado spot) e por encontrar as características do modelo de negócio,
respectivamente.
A aba “Análise de Portfólio” apresenta a análise utilizada para determinar o
percentual de contratação ótimo. Nelas estão, em primeiro lugar, entre as linhas 4 e
8, um resumo dos parâmetros utilizados e uma tabela que compara os ativos em
separado e em conjunto no portfólio.
Figura 9 - Parâmetros da aba “Análise de Portfolio”
Figura 10 - Resumo de Resultados da aba “Análise de Portfolio”
Nota-se que, como esperado, no exemplo de simulação da Fig. 10, que o CVaR
do portfólio (R$368,664,401.08) foi maior do que a soma dos CVaR das usinas
separadas (R$267,278,753.76). Além disso, pela relação dos contratos com o
mercado e do contrato entre a hidrelétrica e a eólica, a receita do portfólio também é
ligeiramente maior, no caso estudado. Por último, está presente também o valor de
referência mínimo para o CVaR ser considerado aceitável (80% da receita de
referência).
Nas linhas 11 a 17 estão as receitas estimadas, semestralmente, dos ativos
separados e do portfólio. Abaixo, ainda na mesma aba, estão os valores da Análise
de Portfólio e os gráficos de receita em função do percentual de contratação.
A aba “Análise de Modelo de Negócio” contém as saídas da simulação em
relação ao preço ótimo de contração, energia a ser contratada e percentual de
contratação ótimo, dado um ano de referência. Além disso, é apresentada uma tabela
de comparação de estimativa de receita semestral e de CVaR entre a usina eólica e
o portfólio e também os valores limite de 80% da receita de referência.
Figura 11 - Parâmetros Otimizados
Figura 12 - Análise de Modelo de Negócio
4.3 CÁLCULO DA RECEITA HIDRELÉTRICA
As próximas abas do modelo, em salmão (Fig. 13), estão fortemente conectadas

com as definições presentes no item 3.2.1 Análise de Portfólio - Cálculo de Receita.
A primeira aba, “CMO”, ou Custo Marginal de Operação, fornece os dados
necessários para definição dos Preços de Liquidação das Diferenças, de acordo com
a descrição na Fig. 14. O Preço da Liquidação das Diferenças é o preço da energia
de curto prazo independentemente do tipo de usina, por isso o PLD calculado nestas
duas abas é utilizado tanto para energia hidrelétrica tanto para eólica.
Figura 13 - Cálculo do PLD

Figura 14 - Preço de Liquidação das Diferenças
As três próximas abas, em azul, são específicas ao cálculo da receita de curto

prazo de uma hidrelétrica. A aba “GSF” (Fig. 16) contém a relação do percentual de
energia que todos os geradores participantes do MRE geraram em relação ao total da
Garantia Física conjunta do MRE em um determinado mês. A Energia Alocada é,
então, esse fator GSF multiplicado pela Garantia Física da usina (Fig. 17). Por último,
a aba “Receita CP Hidrelétrica” calcula a diferença entre a energia alocada e a energia
contratada e multiplica esse valor pelo PLD. Neste caso, é a receita proveniente da
sobra de energia vendida no mercado spot (ou necessidade de compra de energia no
caso de escassez, se o número der negativo).
Figura 15 - Abas para Receita de Curto Prazo de Hidrelétrica

Figura 16 - Fator de Escala de Geração
Figura 17 - Energia Alocada

Figura 18 - Receita no Curto Prazo para a Hidrelétrica
A última aba em azul “Receita Total Hidrelétrica” é onde calcula-se a soma das
receitas provenientes do curto prazo e da energia contratada.
Figura 19 - Receita Total Hidrelétrica
4.4 CÁLCULO DA RECEITA EÓLICA
As três primeiras abas em verde claro são as de cálculo da receita de curto prazo
da energia eólica enquanto a última serve para o cálculo da receita total, em lógica
semelhante a dinâmica da hidrelétrica. A produção de energia eólica em um
determinado mês é a potência instalada multiplicada pelo fator de capacidade desse
mês. Os fatores de capacidade e produção de energia elétrica pela usina eólica estão
nas Figuras 21 e 22. A receita de curto prazo neste caso é a energia produzida,
subtraída da contratada (energia não comprometida) multiplicada pelo PLD (Fig. 23).
Figura 20 - Abas para Receita de Curto Prazo de Eólica
Figura 21 - Fator de Capacidade para Usinas Eólicas
Figura 22 - Produção Eólica

Figura 23 - Receita no Curto Prazo para Eólica
Figura 24 - Receita Total Eólica
4.5 ANÁLISE DE RISCO
As duas abas do modelo em que são calculadas as métricas de risco históricas

são “VaR e CVaR Hidrelétrica” e “VaR e CVaR Eólica”. Nelas estão aplicados os
conceitos levantados na revisão de literatura. O VaR foi utilizado com intervalo de
confiança de 95% (em todo o modelo), sendo que o CVaR é a média das perdas de
valor abaixo do VaR. Os valores estão sendo calculados semestralmente para cada
um dos possíveis anos de referência (Figs. 26 e 27). Estão sendo consideradas,
portanto, 176 amostras. A Fig. 28 mostra o histograma do cálculo de VaR e CVaR
para a energia eólica.
Figura 25 - Abas de VaR e CVaR
Figura 26 - VaR e CVaR Hidrelétrica
Figura 27 - VaR e CVaR Eólica

Figura 28 - Histograma Eólica
4.5 FORMAÇÃO DO PORTFÓLIO
As três abas em vermelho do modelo trabalham com a integração das duas

usinas utilizadas (Fig. 29). A primeira aba corresponde à receita total de curto prazo
gerada levando em consideração as produções das usinas hidrelétrica e eólica ao
mesmo tempo (Fig. 30) enquanto a receita total, na aba “Receita Total Portfólio”, é
aquela que integra a receita de curto prazo calculada somada à receita de contrato
(Fig. 31).
O VaR e CVaR históricos são calculados na última aba de forma semelhante aos
ativos separado, também semestralmente, a partir das receitas totais do portfólio (Fig.
32). O histograma que representa o cálculo das métricas de risco para o portfólio está
representado na Fig. 33.
Figura 29 - Abas para o Portfólio

Figura 30 - Receita de Curto Prazo do Portfólio
Figura 31 - Receita Total do Portfólio
Figura 32 - VaR e CVaR do Portfólio

Figura 33 - Histograma Portfólio
4.6 MODELO DE NEGÓCIO
As abas em roxo são aquelas por trás dos cálculos das receitas do Modelo de
Negócio (tanto hidrelétrica quanto eólica) e das métricas de risco VaR e CVaR.
Figura 34 - Abas do Modelo de Negócio
A receita hidrelétrica no modelo de negócio segue a equação a seguir:
Receita Hidrelétrica no Modelo de Negócio = Receita de Curto Prazo + Receita

de Contrato - Custo de Contrato da Eólica
Quebrando ainda mais:

Receita Hidrelétrica no Modelo de Negócio = Receita de Curto Prazo + (Preço
Contratado × Volume de Energia Contratado) - (Preço de Contrato da Eólica ∗ Volume
de Energia Eólica Produzida)
As equações são um reflexo da discussão do item 3.2.4 Análise de Modelo de

Negócios. O estudo, aqui, é feito sob o ponto de vista do dono da usina hidrelétrica,
interessado em diversificar seu portfólio e mitigar riscos de geração. A compra é feita
através de contrato bilateral com preços, prazos e volumes contratados específicos.
A receita hidrelétrica no modelo de negócio é a soma da receita de curto prazo
com a receita de contrato (que é o preço contratado no mercado multiplicado pelo
volume de energia contratado), subtraído do custo de contrato da eólica, isto é, quanto
está sendo pago pela energia eólica comprada pelo contrato bilateral entre o dono da
hidrelétrica e o dono da usina eólica.
Figura 35 - Receita Hidrelétrica no Modelo de Negócio
A segunda aba é utilizada somente como referência de quanto o dono da eólica

está recebendo pela venda da energia para o dono da elétrica. Os valores desta aba
não são utilizados na conta de modelo de negócios para o usuário. A equação é como
a seguinte:
Receita Eólica no Modelo de Negócio = Preço de Contrato da Eólica ∗ Volume

de Energia Eólica Produzida
Figura 36 - Receita Eólica no Modelo de Negócio
Por último, são calculados os VaR e CVaR do portfólio no modelo de negócios

sob o ponto de vista do dono da hidrelétrica, isto é, do usuário.
Figura 37 - VaR e CVaR do Modelo de Negócio
Os cálculos dos diferentes cenários de valor presente líquido, para cada ano de
referência, estão sendo feitos na aba “NPV”, representada na Fig. 38.
Figura 38 – Abas Valor Presente Líquido
Para última análise estocástico-financeira, nesta aba, para cada ano de

referência (87 amostras desde 1931), utilizando uma taxa de desconto de 15%, estão
sendo calculados os valores presentes líquidos das receitas no modelo de negócios e
da hidrelétrica considera isoladamente.
Figura 39 – Valor Presente Líquido

Os valores nesta aba são separados por classes, para montagem de um
histograma (Fig. 40) e algumas métricas calculadas servem como auxilio para
discussão dos resultados do item 5 deste documento (Fig. 41).
Figura 40 – Base do Histograma
Figura 41 – Métricas de Comparação

5 DISCUSSÃO
O simulador pode ser dividido em dois grandes blocos que se complementam. O

primeiro deles se refere a demonstrar a existência de sinergia entre os dois tipos de
usinas e a encontrar o percentual ótimo de contratação de energia em detrimento à
quantidade de energia mantida para venda no mercado spot.
A complementaridade vem do entendimento dos resultados da aba “Análise de
Portfólio”. A Fig.10 mostra exatamente o que foi discutido no item 3.2.3 Análise de
Portfólio - Combinação das Usinas. O efeito de combinar as usinas em um mesmo
portfólio, ao invés de tê-las isoladas, é um CVaR maior. O CVaR do portfólio foi de
R$368,664,401.08, valor superior à soma dos CVaR das usinas separadas
(R$267,278,753.76). Um CVaR maior significa que a média das receitas abaixo do
VaR ainda é alta e, portanto, há menor dispersão de valores (corre-se menos risco de
a receita ser baixa).
As Figs. 42 a 45 são os gráficos que resultam da Análise de Portfólio e que
indicam graficamente, mais uma vez, a existência de complementaridade entre as
usinas hidrelétrica e eólica.
O valor de 80% da receita de referência, considerado o mínimo patamar de risco
(mínimo CVaR), não é atingido quando se considera a usina hidrelétrica isoladamente.
Nas Figs. 44 e 45, entretanto, nota-se que por volta de 87% de contratação, o CVaR
ultrapassa o mínimo e prova-se que o risco se tornou menor.
Figura 42 - Análise do mínimo CVaR da hidrelétrica
Figura 43 - Análise do mínimo CVaR da hidrelétrica

Figura 44 - Análise do mínimo CVaR do portfólio
Figura 45 - Análise do mínimo CVaR do portfólio
O segundo bloco do simulador é aquele que calcula as variáveis ótimas de um

possível modelo de negócios composto de uma hidrelétrica e de energia contratada a
partir de uma usina eólica. Os resultados fornecidos pelo processo de otimização são
os valores ótimos que o dono de uma usina deve ter em mente ao pensar em
diversificar seu portfólio. Os valores encontrados são percentuais de contratação
ótima, capacidade da usina eólica cuja energia será comprada e limite máximo de
preço a ser pago pela contratação da energia eólica.
A Fig. 46 representa uma análise de sensibilidade desenvolvida para avaliação
do impacto do preço de compra da energia no CVaR e consequentemente no nível de
risco aceito pelo dono do portfólio. A análise foi feita fixando-se o porcentual de
contração em 88% com uma seleção de pontos que permite comparar, para diferentes
patamares de preço de compra de energia, a quantidade de eólica (Potência Instalada
MW do gráfico) em que o CVaR se mantém aceitável, isto é, maior do que 80% da
receita de referência.
No eixo x, está o preço da energia sendo paga para a eólica enquanto que a reta
laranja representa a métrica CVaR e as barras azuis a potência eólica contratada. A
análise foi feita com um preço de contratação da energia no mercado fixo em R$
150/MWh, com uma usina hidrelétrica de 500MW e, deixando claro novamente, um
percentual de contração da energia de 88%.
Figura 46 - Análise de sensibilidade sobre preço de compra
O resultado apresentado na Fig. 46 mostra que as sinergias e a redução do nível

de risco proveniente da adição da eólica no portfólio permitem que o dono da usina
hidrelétrica pague pela energia contratada da eólica, dependendo do volume, um valor
maior do que o preço de contratação do mercado. Isto quer dizer que o CVaR se
mantém acima de 80% da receita de referência no modelo de negócio mesmo
pagando para a eólica mais do que seria recebido com a venda da energia por contrato
para o mercado. No ponto utilizado na análise, com uma potência instalada comprada
de 250MW, pelas métrica de risco, seria possível realizar a compra da energia por um
preço de R$ 164/MWh, aproximadamente 10% acima dos R$ 150/MWh contratados
no mercado.
Esse é o tipo de análise que pode ser feita para que o gerente do portfólio
entenda qual o preço que pode ser pago pela energia proveniente da eólica. Em
eventuais negociações, os resultados dessa análise de modelo de negócio permitem
ao dono da hidrelétrica ter um ponto de referência de quanto deveria pagar por cada
patamar de volume de energia, dando enorme poder de negociação ao mesmo tempo
que mantém o nível de risco dentro do aceitável.
A Fig. 47 é uma continuação da análise estabelecida pela Fig. 46. Para um
mesmo preço, traçou-se a curva de como o CVaR se comporta com a variação do
volume de energia eólica contratada.
Figura 47 - Análise de sensibilidade sobre preço de compra (cont.)
A interpretação dos resultados apresentados na Fig. 47 é o efeito de quanto risco

da eólica está sendo absorvido pela hidrelétrica. Enquanto o volume contratado está
baixo (na faixa aproximadamente entre 100 MW e 200 MW), o efeito da contratação é
positivo para o CVaR e as sinergias criadas causam uma redução do risco com o
aumento da potência. A partir dos 200 MW, percebe-se um efeito reverso em que o
aumento do volume contratado, na verdade, aumenta o risco inerente ao portfólio. Isso
acontece porque o risco proveniente da geração eólica passa a ser maior do que os
benefícios criados pela complementaridade entre as energias (o volume de eólica
contratado passa a se tornar mais significativo em comparação com os 500 MW da
hidrelétrica e seus riscos passam a se tornar mais relevantes).
Em outras palavras, existe um ponto ótimo, para cada curva de preço de
contratação, em que a eólica torna-se relevante o suficiente para reduzir os riscos do
portfólio através da complementaridade, mas não grande o suficiente para que seus
próprios riscos afetem o portfólio de maneira mais negativa do que as sinergias
criadas.
Figura 48 – Valor Presente Líquido do Modelo de Negócios e da Hidrelétrica
Por último, a Fig. 48 mostra, sob uma perspectiva financeira, o comportamento

dos fluxos estocásticos de receita tanto da hidrelétrica sozinha quanto da hidrelétrica
dentro do modelo de negócio. A representação do comportamento é feita através de
uma análise estocástica de possíveis VPL, em ambos os casos, distribuídos em um
histograma. A média do Valor Presente Líquido da hidrelétrica considerada
isoladamente é de R$ 353 milhões, com um desvio padrão de R$28 mil, enquanto que
a média do modelo de negócios é de R$ 398 milhões.
A análise mostra que a formação do modelo de negócios como defendido nesta
monografia é capaz de gerar um benefício médio de R$ 45 milhões ou um aumento
de quase 13% no Valor Presente Líquido esperado de uma usina hidrelétrica isolada.
Novamente, comprovam-se as vantagens, agora sob um ponto de vista estocástico-
financeiro, da formação de um portfólio com ativos de fontes diferentes e de perfis de
geração distintos, não somente com diminuição de risco, mas com aumento de retorno
esperado a partir das sinergias.
Por simplificação, o estudo foi feito considerando um modelo de negócio
somente com dois tipos de ativos (hidrelétrico e eólico), mas a mesma lógica poderia
ser aplicada em situações reais do mercado em que o usuário apresenta, na verdade,
diversos ativos de diferentes fontes com perfis de geração diferentes.
Somente como observação, o tempo utilizado para as otimizações,
principalmente para a geração dos gráficos, é bem elevado dada a quantidade de
cenários sendo avaliados pela programação em VBA. Para uma quantidade maior de
ativos e a criação de um simulador mais robusto, seria necessária a utilização de
programas de otimização mais robustos.
6 CONCLUSÃO
O projeto seguiu uma ordem lógica de aprendizado e atividades. Primeiro,

giraram em torno de entender como funciona a comercialização de energia, com um
estudo aprofundado das diferenças entre os Ambientes de Contratação Livre e
Regulado, como funcionam os mercados de energia em diferentes países e quais
poderiam ser as abordagens possíveis ao problema.
Com essa base teórica, foi possível começar a montar o simulador como um
modelo de cálculo de receita de curto prazo. Essa foi a primeira dinâmica importante
para não só para adaptação à modelagem em Excel, mas também para entender
como o mercado de energia funciona na prática.
Foram aplicados os conceitos de como o preço spot da energia é definido no
Brasil, desde o Mecanismo de Realocação de Energia (MRE), que visa o
compartilhamento dos riscos hidrológicos das geradoras, até a definição do PLD,
Preço de Liquidação das Diferenças, valor definido semanalmente pelo CCEE
(Câmara de Comercialização de Energia) para cada patamar de carga, com base no
Custo Marginal de Operação.
O trabalho se estendeu também ao cálculo da receita de uma usina hidrelétrica
e de uma usina eólica, com análise de complementaridade de como esses ativos se
comportam quando inseridos em um mesmo portfólio, sob à ótica de risco e retorno e
das métricas VaR e CVaR.
Um dos objetivos deste projeto sempre foi o de identificar modelos de negócio
otimizados de comercialização de energias renováveis através do Mercado Livre de
Energia. Para isso, um passo importante foi o de comprovar e identificar que a
complementaridade efetivamente existe e é significativa.
A presença de diferentes climas, condições geográficas e disponibilidade de
fontes geração variadas no Brasil, em cada época do ano, são fortes indícios para que
os resultados esperados fossem o de comprovação que existem sinergias
significativas que podem ser aproveitadas no país.
Os resultados encontrados a partir da análise de VaR e CVaR dos ativos
mostraram exatamente isso. Sendo o CVaR uma métrica inversamente proporcional
ao risco, era esperado que os valores encontrados para as usinas separadamente
fossem menores do que quando considerados juntos em um mesmo portfólio.
Os valores encontrados na Fig. 10 mostram que o CVaR do portfólio
(R$368,664,401.08) foi maior do que a soma dos CVaR das usinas separadas
(R$267,278,753.76). Apesar desses valores representarem somente um dos
possíveis cenários de formação de portfólio, eles já claramente indicam o benefício da
diversificação.
Desse cenário, surge a oportunidade de explorar de maneira eficiente a criação
de modelos de negócio com ativos de regiões e de fontes renováveis distintas que
aproveitem o benefício econômico que a diversificação pode trazer.
Por isso, o último passo do projeto se direcionou a atender nosso objetivo final
de criar um simulador capaz de fornecer ao usuário um modelo de negócios otimizado,
através do cálculo do cenário ideal de volume de energia eólica e preço contratados
para maximizar o retorno e mitigar os riscos de geração de uma usina hidrelétrica,
com a adição de energia proveniente de uma segunda fonte renovável.
O que o simulador fornece, dados os passos e descrição presentes no item 4,
são justamente os valores ótimos (de preço, percentual de contração e volume) que o
dono de uma usina hidrelétrica (o usuário) deve utilizar para a criação de seu modelo
de negócio e para diversificação de seus ativos (com a inclusão de energia eólica em
seu portfólio).
O objetivo deste projeto sempre foi o de aproveitar as caraterísticas do mercado
de energia brasileiro, da mudança do ambiente regulado para o livre, e das diferentes
fontes de energia presentes no país para facilitar a viabilização, através de simulação,
de usinas de fontes renováveis de energia que, quando consideradas isoladamente,
seriam inviáveis economicamente, mas se consideradas em um mesmo portfólio,
criam sinergias suficientes para tornarem-se atrativas.
Estudos e projetos como este apresentado podem ser capazes de aumentar o
retorno de investidores ao mesmo tempo em que se traz benefícios para a natureza e
diminui-se a dependência da matriz elétrica brasileira em relação às hidrelétricas.
7 PESQUISA BIBLIOGRÁFICA
Empresa de Pesquisa Energética (EPE). (2017). Balanço Energético Nacional.
Câmara de Comercialização de Energia Elétrica (CCEE). (2011) Relatório de

Informações ao Público Análise Anual.
Centro de Gestão de Tecnologia e Inovação (CGTI). (2011) Desenvolvimento de

Modelo Evolutivo para Dimensionamento de Usinas Termoelétricas.
VIANA, A. G. Leilões como mecanismo alocativo para um novo desenho de

mercado no Brasil (Dissertação de Doutorado). São Paulo: Universidade de São
Paulo, 2018.
BORO, S. R. Análise da complementaridade entre fontes renováveis não

convencionais como mecanismo de proteção para mitigação de riscos de
mercado (Dissertação de Mestrado). São Paulo: Universidade de São Paulo, 2014.
Pozo A.; Cavalheiro A. F.; Ishida C.; Spinosa E.; Rodrigues E. M.: Computação
Evolutiva (Apostila). Universidade Federal do Paraná, 2017
TONELLI, A. V. P. Modelo Computacional para gestão de riscos na

Comercialização de Energia Elétrica (Dissertação de Mestrado). Itajubá:
Universidade Federal de Itajubá, 2006.
BERGAMASCO, B. C. O Modelo Minimax e a Incerteza na Gestão de Portfólio

(Trabalho de Formatura). São Paulo: Universidade de São Paulo, 2006.
Câmara de Comercialização de Energia Elétrica (CCEE). Metodologia de Preços.

Disponível em: <https://www.ccee.org.br/portal/faces/pages_publico/o-que-
fazemos/como_ccee_atua/precos/metodologia_de_precos?_adf.ctrl-state=2bmw3
c8we_1&_afrLoop=72034172367308#!%40%40%3F_afrLoop%3D72034172367308
%26_adf.ctrl-state%3D2bmw3c8we_5>. Acesso em: 13 mai. 2018.
Ramos, A. e Gondim, C. Os Desafios do Setor Elétrico Brasileiro, Avanços

Esperado Frente à Transformação Global. PricewaterhouseCoopers (pwc), 2017.
Cinar, D. e Kayakutlu, G. Scenario analysis using Bayesian networks: A case

study in energy sector. Department of Industrial Engineering, Istanbul Technical
University, 2009.
Del Moral, E. Material da disciplina Fundamentos de Sistemas Eletrônicos

Inteligentes. São Paulo: Universidade de São Paulo, 2018.
Palisade. Monte Carlo Simulation.

Disponível em: <http://www.palisade.com/risk/monte_carlo_simulation.asp>. Acesso
em: 13 mai. 2018.
Bego, M. S. Cash-Flow-at-Risk: Análise e Aplicação em Uma Empresa de Energia.
(Dissertação de Mestrado). Universidade Federal de Pernambuco, 2007.
Parente, L. S. O Fluxo de Caixa Estocástico como Ferramenta de Apoio a Decisão

Empresarial (Artigo). Faculdade 7 de Setembro, Fortaleza, 2016.
Baran R. Análise de Desempenho de Fundos de Gerenciamento Ativo: Um

Estudo Comparativo (Dissertação de Mestrado) Pontifícia Universidade Católica –
PUC-Rio, 2004
Custodio, J. E. Método analítico para a otimização de portfólios de energia

elétrica. (Trabalho de Formatura). Universidade de Brasília, 2016.
Reuters São Paulo. Novo ciclo de aportes em infraestrutura no Brasil pode somar
R$ 2 tri em 8 anos, 2018. Disponível em: <https://www.dci.com.br/economia/novo-
ciclo-de-aportes-em-infraestrutura-no-brasil-pode-somar-r-2-tri-em-8-anos-
1.704300>. Acesso em: 13 mai. 2018.
Câmara de Comercialização de Energia Elétrica (CCEE). Mecanismo de Realocação

de Energia. Disponível em:
<https://www.ccee.org.br/portal/faces/pages_publico/o-que-
fazemos/como_ccee_atua/mre_contab?_afrLoop=192022717629226&_adf.ctrl-
state=5q343yfqk_14#!%40%40%3F_afrLoop%3D192022717629226%26_adf.ctrl-
state%3D5q343yfqk_18>. Acesso em: 30 jun. 2018.
Câmara de Comercialização de Energia Elétrica (CCEE). Preços. Disponível em:

<https://www.ccee.org.br/portal/faces/oquefazemos_menu_lateral/precos?_afrLoop=
192379766077117&_adf.ctrl-state=5q343yfqk_27#!%40%40%3F_afrLoop%3
D192379766077117%26_adf.ctrl-state%3D5q343yfqk_31>. Acesso em: 30 jun. 2018.
Ipea. O que é mercado spot. Disponível em:

<http://www.ipea.gov.br/desafios/index.php?option=com_content&view=article&id=20
99:catid=28&Itemid=23>. Acesso em: 30 jun. 2018.
Pohlheim, H. The Multipopulation Genetic Algorithm: Local Selection and

Migration. Disponível em:
<http://www.pohlheim.com/Papers/mpga_gal95/gal2_2.html>. Acesso em: 30 jun.
2018.
APÊNDICE A – Códigos em VBA
Módulo A: Botão de Otimização do Portfólio Contratado
Sub Otimizacao_Contratado_Portfolio_Solver()
'
' Otimizacao_Contratado_Portfolio_Solver Macro
Range("Porcentagem_contratacao").FormulaR1C1 = "='Análise de Portfólio'!R[-1]C[-3]"
Sheets("Análise de Portfólio").Activate
SolverReset
SolverOk SetCell:="$G$7", MaxMinVal:=1, ValueOf:=0, ByChange:="$D$5", Engine:=1 _
, EngineDesc:="GRG Nonlinear"
SolverAdd CellRef:="$H$7", Relation:=3, FormulaText:="Receita_Referencia_80"
SolverSolve
Sheets("Input Usinas").Activate
Range("Porcentagem_contratacao").Select
Selection.Copy
Selection.PasteSpecial Paste:=xlPasteValues, Operation:=xlNone, SkipBlanks _
:=False, Transpose:=False
Application.CutCopyMode = False
End Sub
Módulo B: Geração dos Gráficos da Análise de Portfólio
Sub Analise_Portfolio_Graficos()
Sheets("Análise de Portfólio").Activate
Range("d6") = Range("Ano_Ref_Hidr").Value
Range("C1048576").End(xlUp).Select
Do While ActiveCell.Row > 20
Range("Porcentagem_contratacao").Value = ActiveCell.Value
ActiveCell.Offset(0, 1) = Range("Receita_Semestral_Media_Portfolio").Value
ActiveCell.Offset(0, 2) = Range("CVaR_Portfolio").Value
ActiveCell.Offset(0, 3) = Range("Receita_Referencia_80").Value
ActiveCell.Offset(0, 7) = Range("Receita_Semestral_Media_Hidreletrica").Value
ActiveCell.Offset(0, 8) = Range("CVaR_Hidreletrica").Value
ActiveCell.Offset(0, 9) = Range("Receita_Referencia_80_Hidreletrica").Value
ActiveCell.Offset(0, 13) = Range("Receita_Semestral_Media_Eolica").Value
ActiveCell.Offset(0, 14) = Range("CVaR_Eolica").Value
ActiveCell.Offset(0, 15) = Range("Receita_Referencia_80_Eolica").Value
ActiveCell.Offset(-1, 0).Select
Loop
End Sub
Módulo C: Limite Máximo de Contratação de Eólica
Sub LimiteMaxContrat_Eolica()
'
' LimiteMaxContrat_Eolica Macro
'
'
Range("Porcentagem_contratacao").FormulaR1C1 = "='Análise Modelo de Negócio'!R6C9"
Range("Preço_Contrato_Eolica").FormulaR1C1 = "='Análise Modelo de Negócio'!R8C9"
Range("Pot_Instalada_Eolica").FormulaR1C1 = "='Análise Modelo de Negócio'!R7C9"
Sheets("Análise Modelo de Negócio").Select
%%%%%%%%%%%%%%%%%%%%%%SOLVER%%%%%%%%%%%%%%%%%%%
%%%%
SolverOk SetCell:="$I$8", MaxMinVal:=1, ValueOf:=0, ByChange:="$I$8,$I$7,$I$6" _
, Engine:=1, EngineDesc:="GRG Nonlinear"
SolverAdd CellRef:="$I$8", Relation:=3, FormulaText:="$D$6"
SolverAdd CellRef:="$I$8", Relation:=1, FormulaText:="$D$7"
SolverAdd CellRef:="$I$7", Relation:=3, FormulaText:="$E$6"
SolverAdd CellRef:="$I$7", Relation:=1, FormulaText:="$E$7"
SolverAdd CellRef:="$I$6", Relation:=3, FormulaText:="$F$6"
SolverAdd CellRef:="$I$6", Relation:=1, FormulaText:="$F$7"
SolverAdd CellRef:="$M$7", Relation:=3, FormulaText:="$N$7"

SolverSolve
'%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Sheets("Input Usinas").Activate
Range("Porcentagem_contratacao").Select
Selection.Copy
Range("Preço_Contrato_Eolica").Select
Selection.Copy
Range("Pot_Instalada_Eolica").Select
ActiveCell.Offset(0, 1).FormulaR1C1 = "=ROUND(Pot_Instalada_Eolica,0)"
ActiveCell.Offset(0, 1).Select
Selection.Copy
Range("Pot_Instalada_Eolica").Select
Selection.Offset(0, 1).ClearContents
Range("Preço_Contrato_Eolica").Select
End Sub
Módulo D: Geração dos Gráficos de Modelo de Negócios
Sub Analise_ModeloNegocio_Graficos()
Sheets("Análise Modelo de Negócio").Activate

Range("i10") = Range("Ano_Ref_Hidr").Value
Range("C1048576").End(xlUp).Select
Do While ActiveCell.Row > 20
Range("Preço_Contrato_Eolica").Value = ActiveCell.Value
Range("Pot_Instalada_Eolica").Value = ActiveCell.Offset(0, 1).Value
Range("Porcentagem_contratacao").Value = ActiveCell.Offset(0, 2).Value
ActiveCell.Offset(0, 3) = Range("Receita_Semestral_Media_ModeloNegocio").Value
ActiveCell.Offset(0, 4) = Range("CVaR_ModeloNegocio").Value
ActiveCell.Offset(0, 5) = Range("Receita_Ref_Mensal_Hidr").Value * 6
ActiveCell.Offset(-1, 0).Select
Loop
End Sub

Monografia - 24 Nov 2018

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Monografia - 24 Nov 2018

Enviado por

Direitos autorais:

Formatos disponíveis

AMANDA DELPOIO FIORAVANTI

MARCOS ROBERTO FRANCO FILHO

Modelos de negócio para viabilização de fontes renováveis no mercado livre

Modelos de negócio para viabilização de fontes renováveis no mercado livre

Monografia apresentada à Escola

Orientador: Prof. Dr. Dorel Soares Ramos

Este trabalho visa estabelecer uma proposição de modelos de negócio viáveis do

Palavras-Chave: Energia Renovável; Risco; Complementaridade; Geração.

1.1 CONSIDERAÇÕES INICIAIS

Neste projeto foram desenvolvidos quadros e modelos de simulação de negócio

O setor elétrico vem rompendo paradigmas mundo afora graças à inovação em

1.3 DECLARAÇÃO DA NECESSIDADE

A alta concentração de usinas hidrelétricas na matriz energética brasileira faz

1.4 DECLARAÇÃO DO PROBLEMA

Atualmente o Brasil possui uma matriz energética pouco diversificada em relação

O objetivo principal deste projeto é estudar e propor modelos de negócio que

Figura 1 – Árvore de Objetivos

Os estudos e o projeto em si estão divididos em algumas frentes que permitirão

ii. Prova de Conceito

iii. Construção do Simulador

iv. Otimização do Modelo Computacional

Os resultados esperados no início deste projeto eram que fossem desenvolvidos

2.1 DESCRIÇÃO GERAL DA ÁREA EM QUE SE INSERE O PROJETO

A nível global, o ambiente de livre comercialização vem penetrando a indústria

Figura 2 – Desenhos de Mercado Internacionais

No Brasil, classificado como mercado atacadista, em meio às diversas mudanças

2.2 DESCRIÇÃO GERAL DOS CONCEITOS ENVOLVIDOS E LEVANTADOS PELO

Como descrito na Declaração do Problema, os principais desafios são: um

A proposta desse projeto é, então, definir modelos de negócio com o

A teoria do portfólio, dentro do contexto de modelamento de negócios para a

Figura 4 – Teorema de Markowitz

Fonte: Investidor em Valor (2016)

A teoria dos jogos pode ser outra abordagem no tema de diversificação de

2.2.3 Modelo MiniMax

O VaR é uma estimativa da máxima perda potencial, a um dado nível de

2.2.5 Cash Flow at Risk Estocástico e IRR Estocástica

A metodologia do Cash-Flow-at-Risk (CFaR), que busca determinar a pior queda

2.2.6 Otimização Linear (Dual Simplex)

Formado por uma função linear e por um conjunto de inequações lineares,

2.2.7 Algoritmos Genéticos e Evolucionários

Inspirados na teoria da evolução das espécies, os algoritmos genéticos

2.2.8 Modelagem através de Redes Neurais Artificiais

Redes Neurais Artificiais são sistemas computacionais, de implementação em

Figura 5 – Redes Neurais Artificiais

Fonte: Medium (2017)

2.2.9 Método de Monte Carlo

A simulação de Monte Carlo é uma técnica matemática computadorizada que

2.2.10 Análise de cenários com Redes Bayesianas

2.2.11 Newave e Decomp

Newave é um modelo de otimização de médio prazo (até 5 anos) através do qual

3.1 CONCEITO ESCOLHIDO

O conceito escolhido é o de criar um simulador que gere, a partir de modelagem

O produto final é basicamente dividido em duas partes. Uma é denominada

3.2.1 Análise de Portfólio - Cálculo de Receita

A Prova de Conceito deste projeto, apresentada na primeira parte da disciplina,

Mecanismo de Realocação de Energia

Preço de Liquidação das Diferenças

Receita Hidrelétrica = (Energia Alocada - Energia Contratada) * PLD + Energia

Para o caso da energia eólica, a lógica é semelhante. Compra-se energia se a

Receita Eólica = (Energia Produzida - Energia Contratada) * PLD + Energia

A primeira parte da Análise de Portfólio é, então, entender como a receita é

Como analisado na revisão literária, o VaR é uma estimativa da máxima perda

3.2.3 Análise de Portfólio - Combinação das Usinas

Calculadas as receitas e as métricas de VaR e CVaR separadamente para as