Escolar Documentos
Profissional Documentos
Cultura Documentos
São Paulo
2018
AMANDA DELPOIO FIORAVANTI
MARCOS ROBERTO FRANCO FILHO
São Paulo
2018
RESUMO
1.2 MOTIVAÇÃO
1.5 OBJETIVOS
Fonte: VIANA, A. G. Leilões como mecanismo alocativo para um novo desenho de mercado no Brasil
(Dissertação de Doutorado)
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)
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.
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.
Fonte: CCEE
3 METODOLOGIA DE IMPLEMENTAÇÃO
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:
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
A última aba em azul “Receita Total Hidrelétrica” é onde calcula-se a soma das
receitas provenientes do curto prazo e da energia contratada.
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).
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.
Os cálculos dos diferentes cenários de valor presente líquido, para cada ano de
referência, estão sendo feitos na aba “NPV”, representada na Fig. 38.
Pozo A.; Cavalheiro A. F.; Ishida C.; Spinosa E.; Rodrigues E. M.: Computação
Evolutiva (Apostila). Universidade Federal do Paraná, 2017
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.
Sub Otimizacao_Contratado_Portfolio_Solver()
'
Sheets("Análise de Portfólio").Activate
SolverReset
, EngineDesc:="GRG Nonlinear"
, EngineDesc:="GRG Nonlinear"
, EngineDesc:="GRG Nonlinear"
SolverSolve
Sheets("Input Usinas").Activate
Range("Porcentagem_contratacao").Select
Selection.Copy
:=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
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(-1, 0).Select
Loop
End Sub
Módulo C: Limite Máximo de Contratação de Eólica
Sub LimiteMaxContrat_Eolica()
'
'
'
%%%%%%%%%%%%%%%%%%%%%%SOLVER%%%%%%%%%%%%%%%%%%%
%%%%
'%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Sheets("Input Usinas").Activate
Range("Porcentagem_contratacao").Select
Selection.Copy
:=False, Transpose:=False
Range("Preço_Contrato_Eolica").Select
Selection.Copy
:=False, Transpose:=False
Range("Pot_Instalada_Eolica").Select
ActiveCell.Offset(0, 1).Select
Selection.Copy
Range("Pot_Instalada_Eolica").Select
:=False, Transpose:=False
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()
Range("C1048576").End(xlUp).Select
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