Análise de um modelo inteligente de contratação de energia elétrica no curto prazo para distribuidoras

Abstract

Neste artigo é apresentada uma nova abordagem de um modelo inteligente de otimização sob incerteza para determinar a contratação de energia elétrica no curto prazo (referente aos leilões A-1 e Ajuste) para distribuidoras de energia elétrica. Nesse modelo estão incluídas todas as regras de contratação e repasse à tarifa, definidas pela ANEEL, para as distribuidoras. O processo de otimização utiliza um algoritmo genético, e busca minimizar o custo associado à contratação de energia elétrica, as penalidades por subcontratação e o custo da liquidação (compra/venda) desta energia ao PLD (Preço de Liquidação das Diferenças). A contratação ótima é calculada considerando vários cenários de consumo, obtidos a partir de simulação Monte Carlo, para um período de cinco anos de análise. As decisões de contratação do modelo são tomadas nos dois primeiros anos desse período. A avaliação dos resultados do sistema é feita considerando uma combinação entre o Valor Esperado (VE) da distribuição de custos e o CVaR (Conditional Value at Risk), para os diferentes cenários de consumo. O modelo também usa o PLD_robusto, que busca minimizar a exposição da distribuidora ao PLD. Para ilustrar os resultados do modelo proposto é apresentado um estudo de caso baseado em dados reais. Os resultados obtidos são comparados com alguns resultados de contratação que não consideram o modelo de otimização proposto. Essa comparação é feita para se verificar o quanto o método proposto pode ser melhor que soluções baseadas apenas em análises intuitivas. Além disso, estudos adicionais são apresentados considerando os mecanismos de compensação de sobras e déficits, notadamente MCSD4% e MCSD_Ex-post, previstos na legislação vigente do setor elétrico para minimizar os riscos associados à contratação de energia para as distribuidoras.

Otimização na Contratação de Energia: Uma Análise de Sensibilidade Sobre a Demanda

“…Por consequência, as distribuidoras se deparam com um grande problema relacionadoà incerteza da sua demanda de energia, bem como a previsão do PLD. Para o tratamento da incerteza envolvida em relação a demanda de energia, na literatura encontram-se trabalhos que utilizam três cenários de demanda (otimista, pessimista e referência) conjuntamente com a otimização do problema, como em [5] e [7], já [11] e [13] fazem o uso de simulações de vários cenários de demanda, e [10] utiliza a lógica fuzzy para tratar as variáveis de incerteza.…”

“…Somado a isso, cada uma possui duração de contratos e início de suprimento diferenciados, conforme descrito na Tabela 1. Muitos autores na literatura analisaram este problema de otimização olhando para um horizonte de curto prazo, considerando apenas os leilões de Ajuste e A-1, como [12] que resolveram o problema com lógica fuzzy, [7] que utilizaram a técnica de Algoritmos Genéticos, outros autores consideraram um horizonte de longo prazo, como [8] que utilizaram a técnica de Algoritmos Genéticos e Evolução Diferencial e [6] que utilizou técnicas de programação linear.…”

Otimização Comercial De Um Parque Eólico No Brasil Utilizando Simulação De Monte Carlo Com Variáveis Climáticas Exógenas E Uma Nova Função De Preferência

“…Quanto às previsões de velocidade dos ventos e de geração de energia eólica, MILLIGAN et al (1995) e BARTHELMIE et al (2008 (POURSINHO et al, 2011;RUDLOFF et al, 2014;FÂNZERES et al, 2012;LAZO et al, 2012). Essa extensão permite a definição de diferentes níveis de aversão ao risco do gestor em função de níveis de CVaR ou valores de corte, estando alinhada com a ideia de STREET (2008) de cinco ou mais pontos de interesse das empresas para especificação de funções utilidades lineares por partes.…”