Dissertacao PrevisaoDePrecoDeEnergiaEletrica

UNIVERSIDADE FEDERAL DE ITAJUB
PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA
SIMULAO DE CUSTO MARGINAL EM

MERCADO DE ENERGIA ELTRICA UTILIZANDO
REDES NEURAIS
Anderson Rodrigo de Queiroz
Itajub, Abril de 2007
ii
UNIVERSIDADE FEDERAL DE ITAJUB

PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA
SIMULAO DE CUSTO MARGINAL EM MERCADO DE ENERGIA

ELTRICA UTILIZANDO REDES NEURAIS
Dissertao
apresentada
Universidade Federal de Itajub

como parte dos requisitos para a
obteno do grau de Mestre em
Cincias em Engenharia Eltrica.
rea de Concentrao: Sistemas
Eltricos de Potncia
Orientador: Jos
Marangon Lima
Co-Orientador:
Balestrassi
Ande rson Rodrigo de Queiroz
Itajub, Abril de 2007
Wanderley
Pedro
Paulo
DEDICATRIA
grandeza de meus pais, ao amor de minha noiva

e sabedoria de meus mestres, pois sem a
existncia e ajuda de cada um, este
trabalho no seria possvel.
iv
AGRADECIMENTOS
Primeiramente gostaria de agradecer ao bom Deus pela forma que todas as

coisas tm acontecido em minha vida, pela luz em meu caminho, pela sade e
fora e pelo seu amor que me fortalece e impulsiona.
Ao meu orientador Prof. Dr. Jos Wanderley Marangon Lima pelo auxlio e
incentivo
recebido
ao
longo
deste
trabalho
sendo
meu espelho
como
personalidade profissional. Agradeo pelas suas sbias orientaes que me

acompanharo por toda a minha carreira.
Ao meu co-orientador Prof. Dr. Pedro Paulo Balestrassi pelo apoio, pelas
contribuies fundamentais para a concluso dessa dissertao e tambm pela
forte amizade criada.
Ao meu amigo Francisco Oliveira do GESIS pela ajuda e pacincia. E
tambm a todos os demais colegas, amigos e professores da Universidade
Federal de Itajub.
A empresa CPFL, pelo apoio disponibilizado ao projeto de pesquisa e
desenvolvimento que foi o ponto inicial dessa dissertao.
A CAPES pela bolsa de mestrado disponibilizada que foi de relevncia
extrema durante esse perodo.
A minha querida Me Aparecida Solange Balasini, pois sem ela nada disso
seria possvel. Obrigado me pela forma que direcionou meus passos e pela
minha formao. Almejo e tenho certeza que irei muito alm, graas a voc!
Ao meu pai Norival Antnio de Queiroz, minhas irms Amanda e Aline,
meus avs Paulo e Mercedes e a todos os meus outros familiares.
Finalmente gostaria de agradecer minha amada noiva Luana M. M. Lima
pelo afeto, carinho, e amor incondicional. Voc me faz sonhar e querer ser uma
pessoa melhor a cada dia. Tambm agradeo aos seus familiares que me
acolheram em suas vidas com um carinho especial, me tratando sempre como um
filho.
RESUMO
A introduo da competio no setor eltrico fez com que o preo da eletricidade

se transformasse em uma das mais importantes variveis no mercado de energia.
Desta maneira, eficientes mtodos para estimao do preo da eletricidade tm se
tornado cruciais para maximizar os benefcios dos agentes participantes desse
mercado.
No Brasil, o preo da energia eltrica formado pelo custo marginal de operao

(CMO) obtido por um programa de otimizao (NEWAVE). Previses do CMO e
de sua volatilidade tem sido o maior problema no mercado brasileiro, pois, cada
simulao
no
NEWAVE
leva
aproximadamente
quatro
horas
de
tempo
computacional (em um Pentium IV 2GHz com 512MB de memria RAM) para ser
concluda.
Este trabalho apresenta um modelo rpido e eficiente para simular o preo da

energia eltrica no mercado brasileiro de energia, utilizando as tcnicas de Projeto
de Experimentos (DOE) e Redes Neurais Artificiais (RNA). O trabalho demonstra
que a combinao dessas duas tcnicas gera resultados promissores que podem
ser aplicados em gerenciamento de risco e anlise de investimentos .
vi
ABSTRACT
The introduction of competition on the electricity sector has turned the electricity
price the most important variable in the energy market. On this way, efficient
estimating methods of spot prices have became crucial to maximize the agent
benefits.
In Brazil the electricity price is formed by the marginal cost provided by an

optimization software (NEWAVE). Forecasting the Marginal Cost (CMO) and its
volatility has been the major problem in the Brazilian market because each
simulation on NEWAVE takes about four hours of computational time (in a Pentium
IV 2GHz with 512Mbytes of RAM memory).
This work presents a fast and efficient model to simulate the spot price based on
the Brazilian electricity market, using DOE (Design of Experiments) and ANN
(Artificial Neural Networks) techniques. The work proved that the combined
techniques provided promising results and should be applied to risk management
and investment analysis.
vii
SUMRIO
INTRODUO ............................................................................................................. 1
REVISO BIBLIOGRFICA ....................................................................................... 5

2.1
Introduo ............................................................................................................. 5
2.2
Preo da Energia Eltrica ................................................................................... 8
2.2.1
Sries Temporais ......................................................................................... 9
2.2.2
Modelos Economtricos............................................................................10
2.2.3
Sistemas Inteligentes ................................................................................11
2.2.4
Anlise de Equilbrio ..................................................................................12
2.2.5
Mtodos de Simulao..............................................................................13
2.3
A Experincia Brasileira ....................................................................................14
2.3.1
Reestruturao do setor eltrico brasileiro ............................................14
2.3.2
Formao de preo de energia no Brasil ...............................................18
2.3.2.1
O Modelo NEWAVE...........................................................................19
2.3.2.2
O Modelo DECOMP ..........................................................................20
2.3.3
3
Modelos de previso de preo propostos no Brasil .............................21
ABORDAGEM TERICA DO MODELO DE SIMULAO.................................23

3.1
Introduo ...........................................................................................................23
3.2
Programa NEWAVE ..........................................................................................23
3.2.1
Formulao do Problema .........................................................................24
3.2.2
Modelo Atual de Planejamento da Operao ........................................28
3.2.3
Modelagem dos Componentes do Sistema...........................................30
viii
3.2.4
3.3
Projeto de Experimentos...................................................................................38
3.3.1
Princpios Bsicos do DOE ......................................................................40
3.3.2
Estratgias do DOE ...................................................................................41
3.3.3
Objetivos do DOE ......................................................................................42
3.3.4
Tipos de DOE .............................................................................................44
3.3.4.1
Projeto Fatorial Completo .................................................................45
3.3.4.2
Projetos de Resoluo III e IV .........................................................47
3.3.4.3
Projetos Combinados ........................................................................49
3.3.5
3.4
Parmetros de Entrada e Sada do NEWAVE ......................................36
Definio das Etapas de Aplicao do DOE .........................................50
Redes Neurais Artificiais...................................................................................52
3.4.1
Fundamentos ..............................................................................................55
3.4.2
Topologias de Rede...................................................................................57
3.4.3
Metodologia de Aplicao das RNAs.....................................................59
3.4.4
Redes Neurais: Caractersticas do STATISTICA .................................60
ELABORAO DO MODELO PROPOSTO .........................................................63

4.1
Introduo ...........................................................................................................63
4.2
Modelagem do Sistema Hidroeltrico Atravs do NEWAVE ......................63
4.2.1
Sistema de Gerao Hidreltrico.............................................................65
4.2.2
Sistema de Gerao Trmico ..................................................................66
4.2.3
Demanda ou Mercado de Energia ..........................................................67
4.2.4
A Expanso da Oferta de Energia...........................................................68
4.2.5
Energia Afluente .........................................................................................69
ix
4.2.6
4.3
DOE Aplicado ao NEWAVE .............................................................................72
4.3.1
Primeira Aplicao do DOE......................................................................73
4.3.2
Segunda Aplicao do DOE.....................................................................77
4.3.3
Terceira Aplicao do DOE ......................................................................80
4.4
Variveis de Sada do NEWAVE .............................................................70
Redes Neurais Elaboradas...............................................................................83
4.4.1
Elaborao das RNAs no Software STATISTICA ...............................84
4.4.2
Arquitetura das Redes Elaboradas .........................................................84
4.4.3
Processamento das RNAs.......................................................................85
RESULTADOS OBTIDOS ........................................................................................88

5.1
Introduo ...........................................................................................................88
5.2
Resultados Obtidos para o CMO do Submercado Sudeste .......................88
5.2.1
RNA para CMO Baixo ...............................................................................93
5.2.2
RNA para CMO Alto ..................................................................................94
5.3
Simulaes Utilizando os Cenrios de Treinamento ...................................95
5.4
Simulaes Utilizando Casos Fora da Amostra ............................................99
5.5
Testes no Modelo de Simulao .................................................................. 102
5.5.1
Teste In Sample.................................................................................... 103
5.5.2
Teste Out of Sample ............................................................................ 105
CONCLUSO .......................................................................................................... 108

6.1
Trabalhos Futuros ........................................................................................... 110
6.2
Trabalhos Aceitos para Publicao.............................................................. 110
BIBLIOGRAFIA........................................................................................................ 111
x
ANEXOS........................................................................................................................... 115
ANEXO I - Multilayer Perceptron .............................................................................. 116
ANEXO II - O Algoritmo Backpropagation .............................................................. 119
ANEXO III - Procedimento de Elaborao das Redes Neurais........................... 122
xi
LISTA DE FIGURAS
Figura 2-1 Modelo de Mercado Desverticalizado ........................................................... 6

Figura 2-2 Ambientes de Contratao............................................................................17
Figura 2-3 Processo de Deciso para Sistemas Hidrotrmicos.................................19
Figura 2-4 Modelo de Sistema Equivalente ...................................................................20
Figura 3-1 Componentes do Sistema .............................................................................36
Figura 3-2 Variveis de Entrada e Sada do NEWAVE ...............................................38
Figura 3-3 Modelo de uma matriz de experimentos .....................................................40
Figura 3-4 Passos de Aplicao do DOE.......................................................................42
Figura 3-5 Identificao dos fatores pelo DOE .............................................................43
Figura 3-6 Utilizao do DOE para elaborao da amostra .......................................44
Figura 3-7 Tipos clssicos de experimentos - MINITAB .............................................45
Figura 3-8 Metodologia de Aplicao do DOE Combinado ........................................49
Figura 3-9 Procedimento de aplicao do DOE ...........................................................51
Figura 3-10 Modelagem Atravs das RNAs .................................................................53
Figura 3-11 Neurnio de McCulloch e Pitts ...................................................................56
Figura 3-12 Exemplos de Funes de Ativao ...........................................................57
Figura 3-13 Topologias de RNAs ...................................................................................58
Figura 4-1 Anlise Estatstica para a Varivel VEaf1 ..................................................70
Figura 4-2 Aplicao do DOE ao NEWAVE ..................................................................73
Figura 4-3 Diagrama de Pareto para o Grupo 1 DOE Plackett Burman................76
Figura 4-4 Criao do Fatorial Fracionado ....................................................................78
xii
Figura 4-5 Diagrama de Pareto para o Grupo1 DOE Fatorial Fracionado............79
Figura 4-6 Definio do Taguchi para os fatores principais........................................81
Figura 4-7 Arquitetura das RNAs Obtidas.....................................................................85
Figura 5-1 Custos Marginais de Operao do Submercado Sudeste .......................89
Figura 5-2 Influncia das variveis ReSub1 e VEaf1 no CMO do Sudeste .............91
Figura 5-3 CMO simulados pela RNA para o Submercado Sudeste ........................92
Figura 5-4 Mediana para o CMO do Sudeste ...............................................................93
Figura 5-5 CMO tpicos simulados com a RNAB..........................................................94
Figura 5-6 CMO extremos simulados com a RNAA .....................................................95
Figura 5-7 Modelo de Simulao Elaborado .................................................................96
Figura 5-8 Valores testados na RNAQ ...........................................................................97
Figura 5-9 Valores simulados pelo modelo de RNAs In Sample ........................99
Figura 5-10 CMO do Sudeste simulados na RNAQ.................................................. 101
Figura 5-11 CMO do Sudeste simulados com as trs RNAs em conjunto ........... 101
Figura 5-12 Carta de controle dos resduos In Sample ...................................... 105
Figura 5-13 Carta de controle dos resduos Out of Sample .............................. 107
Figura AI-1 Arquitetura de uma Rede MLP ................................................................ 118
Figura AIII-1 Etapas de elaborao de RNAs no STATISTICA ............................. 122
Figura AIII-2 Anlise de regresso com o IPS ........................................................... 123
Figura AIII-3 Seleo das variveis de entrada e sada ........................................... 123
Figura AIII-4 Nmero de RNAs Testadas e Escolhidas........................................... 124
Figura AIII-5 Critrios de seleo das RNAs ............................................................. 125
Figura AIII-6 Tipos de RNAs disponveis no software.............................................. 125
xiii
Figura AIII-7 Determinao do nmero de neurnios na camada oculta .............. 126
Figura AIII-8 Seleo da proporo treinamento, teste e seleo .......................... 127
Figura AIII-9 Tipos de codificao das sadas da MLP ............................................ 127
Figura AIII-10 RNAs a serem mostradas ao final do processo .............................. 128
Figura AIII-11 Processo de treinamento das RNAs.................................................. 128
Figura AIII-12 Grfico Simulao das RNAs X Valores do Newave ...................... 130
Figura AIII-13 Histograma de resduos........................................................................ 131
Figura AIII-14 Modelo de RNA elaborada ................................................................... 131
Figura AIII-15 Ferramenta Code Generator do STATISTICA.................................. 133
Figura AIII-16 Criao do algoritmo da RNA em linguagem C ................................ 133
xiv
LISTA DE TABELAS
Tabela 3-1 Exemplo Padro Para um Experimento com 3 Fatores em 2 Nveis ....46
Tabela 3-2 Tabela de Experimentos Para o Fatorial Fracionrio 2 3-1 .......................48
Tabela 4-1 Limites da varivel volume do reservatrio para os submercados ........66
Tabela 4-3 Limites das variveis - Custo das classes trmicas.................................66
Tabela 4-4 Limites de Mnimo e Mximo para a ITS de cada Submercado ............67
Tabela 4-5 Limites para o mercado de energia de cada submercado ......................68
Tabela 4-6 Limites das Variveis ExpHS .......................................................................69
Tabela 4-7 Limites das Variveis ExpTS para os Submercados ...............................69
Tabela 4-8 Limites da Varivel Energia Afluente de Agosto para os Submercados .......... 70
Tabela 4-9 Variveis de Sada do Programa NEWAVE ..............................................72

Tabela 4-10 Cenrios Gerados para o Plackett-Burman ............................................74
Tabela 4-11 Correlao Entre as Variveis de Sada ..................................................75
Tabela 4-12 Variveis principais definidas na 1 aplicao do DOE.........................77
Tabela 4-13 Valores p das Variveis de Influncia no Grupo 1 .................................80
Tabela 4-14 Experimentos gerados para os fatores principais ..................................82
Tabela 4-15 Experimentos gerados para os rudos .....................................................83
Tabela 5-1 Sensibilidade das respostas devido s entradas .....................................91
Tabela 5-2 Valores de simulao para o modelo de RNAs .......................................98
Tabela 5-3 Valores finais obtidos para o CMO do Sudeste ..................................... 100
Tabela 5-4 Faixa de Tolerncia para o CMO do Sudeste ........................................ 102
Tabela 5-5 Resduos relativos para os cenrios In Sample simulados............... 104
xv
Tabela 5-6 Resduos relativos para os cenrios Out of Sample simulados ....... 106
Tabela AI-1 Principais Funes de Ativao.............................................................. 117
Tabela AIII-1 Anlise da Srie Gerada pela RNA...................................................... 132
xvi
Lista de Abreviaturas
ANEEL Agncia Nacional de Energia Eltrica
MAE Mercado Atacadista de Energia Eltrica
ONS Operador Nacional do Sistema
EPE Empresa de Pesquisa Energtica
CCEE Cmara de Comercializao de Energia Eltrica
ACL Ambiente de Contratao Livre
ACR Ambiente de Contratao Regulada
SEB Setor Eltrico Brasileiro
MME Ministrio de Minas e Energia
DNAE Departamento Nacional de guas e Energia Eltrica
CMSE Comit de Monitoramento do Setor Eltrico
CEPEL Centro de Pesquisa em Energia Eltrica
SIN Sistema Interligado Nacional
NEWAVE Software de Otimizao Energtica utilizado no Brasil
DECOMP Software utilizado no Brasil para a formao de preo da energia
NEWDESP Software utilizado no Brasil para realizar o despacho timo das
usinas para o primeiro ms de estudo
DOE Design of Experiments (Projeto de Experimentos)
RNA Rede Neural Artificial
MLP Multi Layer Perceptron (Rede Neural Multicamadas)
CMO Custo Marginal de Operao
PLD Preo de Liquidao das diferenas
Backpropagation Algoritmo de treinamento de Redes Neurais
xvii
PDE Programao Dinmica Estocstica
PDDE Programao Dinmica Dual Estocstica
DOE Fatorial Tipo de Projeto de Experimentos, pode ser do tipo Fatorial
Completo ou Fatorial Fracionado
DOE de Plackett-Burman Tipo de Projeto de Experimentos de Resoluo III
DOE de Taguchi Tipo de Projeto de Experimentos robusto que utiliza as
variveis de rudo para elaborao do projeto experimental
IPS Intelligent Problem Solver
PCA Tcnica de Anlise de Componentes Principais
SNN Ferramenta Statistica Neural Networks
RNAQ Rede Neural de Qualificao
RNAB Rede Neural para simulao de casos qualificados como CMO baixo
RNAA Rede Neural para simulao de casos qualificados como CMO alto
xviii
Lista de Smbolos
ENA Energia natural afluente;

EARM Energia final armazenada nos reservatrios;
CMOT-1 Custo marginal de operao do perodo anterior ao estudo;
EAF Energia total afluente;
EA Energia Armazenvel mxima;
R Conjunto de usinas com reservatrio;
V l Capacidade de armazenamento do reservatrio i;
pi (hi ) Produtividade da usina i, funo da altura de queda lquida hi;

J i Conjunto de usinas a jusante do reservatrio i;
EC i Energia controlvel no estgio i;
AN s ,t Volume afluente natural dos reservatrios i no estgio j;

FR s Conjunto de usinas fio dgua entre i e o prximo estgio jusante;
EFt Energia fio dgua no estgio t;
F Conjunto de usinas fio dgua;

Q i Capacidade de turbinamento da usina i;
I i Volume incremental afluente;

M i Conjunto de reservatrios imediatamente a montante de i;
Sub1 Mercado de energia mensal do Submercado Sudeste (MW);

Sub2 Mercado de energia mensal do Submercado Sul (MW);
Sub3 Mercado de energia mensal do Submercado Nordeste (MW);
Sub4 Mercado de energia mensal do Submercado Norte (MW);
xix
Taxa Taxa de crescimento do mercado (%);
ReSub1 Nvel de reservatrio do Submercado Sudeste (%);
ReSub2 Nvel de reservatrio do Submercado Sul (%);
ReSub3 Nvel de reservatrio do Submercado Nordeste (%);
ReSub4 Nvel de reservatrio do Submercado Norte (%);
VEaf1 Energia Afluente do Submercado Sudeste (MW ms);
VEaf2 Energia Afluente do Submercado Sul (MW ms);
VEaf3 Energia Afluente do Submercado Nordeste (MW ms);
VEaf4 Energia Afluente do Submercado Norte (MW ms);
CO Custo do combustvel leo (R$/MWh);
CG Custo do combustvel gs natural (R$/MWh);
CC Custo do combustvel carvo (R$/MWh);
CD Custo do combustvel diesel (R$/MWh);
ITS1 Indisponibilidade de potencia das usinas trmicas do Sudeste (MW ano);
ITS2 Indisponibilidade de potencia das usinas trmicas do Sul (MW ano);
ITS3 Indisponibilidade de potencia das usinas trmicas do Nordeste (MW ano);
ExpHS1 Expanso da oferta hidrulica do Submercado Sudeste (MW);
ExpHS2 Expanso da oferta hidrulica do Submercado Sul (MW);
ExpHS3 Expanso da oferta hidrulica do Submercado Nordeste (MW);
ExpHS4 Expanso da oferta hidrulica do Submercado Norte (MW);
ExpTS1 Expanso da oferta trmica do Submercado Sudeste (MW);
ExpTS2 Expanso da oferta trmica do Submercado Sul (MW);
ExpTS3 Expanso da oferta trmica do Submercado Nordeste (MW);
Cmo11 Custo marginal de operao do Sudeste para patamar de carga pesado
(R$/MWh);
xx
Cmo12 Custo marginal de operao do Sudeste para patamar de carga mdio
(R$/MWh);
Cmo13 Custo marginal de operao do Sudeste para patamar de carga leve
(R$/MWh);
Cmo21 Custo marginal de operao do Sul para patamar de carga pesado
(R$/MWh);
Cmo22 Custo marginal de operao do Sul para patamar de carga mdio
(R$/MWh);
Cmo23 Custo marginal de operao do Sul para patamar de carga leve
(R$/MWh);
Cmo31 Custo marginal de operao do Nordeste para patamar de carga
pesado (R$/MWh);
Cmo32 Custo marginal de operao do Nordeste para patamar de carga mdio
(R$/MWh);
Cmo33 Custo marginal de operao do Nordeste para patamar de carga leve
(R$/MWh);
Cmo41 Custo marginal de operao do Norte para patamar de carga pesado
(R$/MWh);
Cmo42 Custo marginal de operao do Norte para patamar de carga mdio
(R$/MWh);
Cmo43 Custo marginal de operao do Norte para patamar de carga leve
(R$/MWh);
GH11 Gerao hidrulica mensal do Sudeste para patamar de carga pesado
(MW ms);
GH12 Gerao hidrulica mensal do Sudeste para patamar de carga mdio
(MW ms);
xxi
GH13 Gerao hidrulica mensal do Sudeste para patamar de carga leve (MW
ms);
GH21 Gerao hidrulica mensal do Sul para patamar de carga pesado (MW
ms);
GH22 Gerao hidrulica mensal do Sul para patamar de carga mdio (MW
ms);
GH23 Gerao hidrulica mensal do Sul para patamar de carga leve (MW
ms);
GH31 Gerao hidrulica mensal do Nordeste para patamar de carga pesado
(MW ms);
GH32 Gerao hidrulica mensal do Nordeste para patamar de carga mdio
(MW ms);
GH33 Gerao hidrulica mensal do Nordeste para patamar de carga leve (MW
ms);
GH41 Gerao hidrulica mensal do Norte para patamar de carga pesado (MW
ms);
GH42 Gerao hidrulica mensal do Norte para patamar de carga mdio (MW
ms);
GH43 Gerao hidrulica mensal do Norte para patamar de carga leve (MW
ms);
EARMF1 Energia armazenada final do Submercado Sudeste (MW ms);
EARMF2 Energia armazenada final do Submercado Sul (MW ms);
EARMF3 Energia armazenada final do Submercado Nordeste (MW ms);
EARMF4 Energia armazenada final do Submercado Norte (MW ms);
RSud Risco de dficit de energia no Submercado Sudeste (%);
RS Risco de dficit de energia no Submercado Sul (%);
RNste Risco de dficit de energia no Sub mercado Nordeste (%);
xxii
RN Risco de dficit de energia no Submercado Norte (%);
ME Margem de erro;
PSE Distncia de Lenths;
X Varivel de entrada do modelo de redes neurais;
Whj Matriz de pesos dos ramos para a primeira camada de uma rede neural;
B Valores de Bias;
g h Funo de transferncia da primeira camada de uma rede neural;
Wih Matriz de pesos dos ramos para a segunda camada de uma rede neural;
g i Funo de transferncia da segunda camada de uma rede neural;
d Valores de sada de uma rede neural;

S.D.Ratio Proporo do desvio padro do conjunto de valores dos resduos das
simulaes para o conjunto de sada original pelo desvio padro do conjunto de
valores reais;
Amostra Desvio padro do conjunto de valores reais;
Re sduos Desvio padro dos resduos das simulaes para o conjunto de sada
original;
CAPTULO 1 - INTRODUO
1 INTRODUO
Nas duas ltimas dcadas ocorreram transformaes no setor de energia eltrica

em todo o mundo, com o intuito de introduzir mecanismos de mercado. Dessa
maneira surge a figura do mercado de eletricidade, onde o preo da energia se
torna um parmetro relevante e de referncia para os agentes do setor.
No Brasil, essas mudanas incluem a introduo de novos agentes, a formao de

um ambiente dinmico, a reforma dos entes regulatrios, da operao do sistema
e do planejamento setorial e tambm a privatizao das empresas de energia
ligadas transmisso, gerao e distribuio de eletricidade.
Apesar de grandes mudanas j terem sido implementadas, o novo modelo do

setor eltrico ainda est sendo construdo. Esse modelo se diferenciou bastante
do modelo anterior que era caracterizado por um forte domnio do estado nas
decises associadas aos setores de infra-estrutura. A recente mudana retira a
administrao destes setores da mo do Estado reservando-o o papel de
regulador.
No Brasil o processo de reestruturao foi iniciado com a promulgao da lei 9704

de Concesses dos servios de energia eltrica, em 1995, e seguiu com a lei
10848 em 2004. Durante esse perodo foram criadas algumas implementaes de
cunho institucional para viabilizar mudanas no setor eltrico, destacando -se
algumas delas:
Criao da ANEEL (Agncia Nacional de Energia Eltrica) responsvel pela

regulamentao tcnica e econmica, pela fiscalizao e pela mediao;
Criao do Mercado Atacadista de Energia (MAE), hoje denominado

Cmara de Comercializao de Energia Eltrica (CCEE);
Dissertao de Mestrado Anderson Rodrigo de Queiroz
Criao do Operador Nacional do Sistema (ONS);
Criao da Empresa de Pesquisa Energtica (EPE).
No que se refere ao Mercado de Energia Eltrica administrado pela CCEE, a

energia passa a ser negociada livremente entre os agentes e o preo de curto
prazo obtido por um software de otimizao energtica denominado NEWAVE.
Na realidade, este software calcula o custo marginal de operao (CMO) que, no
caso brasileiro, serve de base para a definio do preo spot ou preo de
liquidao das diferenas (PLD).
Com a introduo da competio no setor, atravs da criao desse mercado, o

preo da energia passou a ser uma varivel importante que necessita ser prevista
na tomada de deciso de investimentos em gerao ou para a montagem de
portflios de contratos de compra e venda de energia eltrica. Para os
investimentos, o preo afeta a receita futura e consequentemente o fluxo de caixa.
Para os contratos, a variabilidade do preo pode significar um maior risco de
retorno para os contratos sendo, portanto, um fator preponderante na avaliao do
nvel de exposio ao risco de uma carteira de contratos.
A Lei 10848 de 2004 criou dois ambientes de contratao: ambiente de

contratao regulada (ACR) e o ambiente de contratao livre (ACL). O primeiro
obriga as distribuidoras a comprarem energia no longo prazo para o atendimento
dos seus consumidores cativos atravs de leiles de compra conduzidos pela
ANEEL. No segundo ambiente so feitas as transaes bilaterais entre
consumidores
livres,
comercializadores
geradores.
Neste
ambiente
estabelecido o PLD que serve para liquidar os desvios contratuais (montantes

contratados menos valores verificados) tanto dos contratos bilaterais do ACL como
dos contratos regulados do ACR.
O programa NEWAVE responsvel pela gerao do CMO, representa o gargalo
na avaliao dos riscos de investimentos e de carteiras, pois o seu tempo
computacional bastante elevado. Dado que a maioria dos aplicativos que
avaliam risco utilizam a Simulao de Monte Carlo que por sua vez baseada
num processo iterativo, o nmero de simulaes do programa NEWAVE tende a
ser elevado impactando no tempo computacional destes aplicativos.
A elaborao de um programa que substitua o NEWAVE de forma satisfatria com

tempos computacionais compatveis com uma anlise de risco foi sempre a
demanda do setor eltrico brasileiro. Existem duas formas de minimizar o tempo
computacional: ou se investe no processo de otimizao sem a garantia de que os
resultados encontrados sero compatveis com a verso oficial do NEWAVE ou se
tenta criar um clone que consiga reproduzir os mesmos resultados sob certas
condies. Este trabalho seguiu a segunda forma utilizando um conjunto de redes
neurais para mapear a entrada com a sada desse programa com o intuito de
obter resultados para a trajetria de preos de energia de uma maneira mais
expedita.
O objetivo deste trabalho apresentar uma metodologia para simular os custos

marginais obtidos a partir do NEWAVE, porm com um tempo computacional bem
inferior. Para tal foi desenvolvido um conjunto de redes neurais utilizando algumas
tcnicas para definio do conjunto de treinamento, da estrutura das redes e dos
respectivos ajustes.
Os captulos desta dissertao seguem a seqncia de formulao da

metodologia proposta. No Captulo 2 apresentada uma reviso bibliogrfica e no
Captulo 3 so apresentadas as ferramentas a serem empregadas na criao do
modelo para simulao do preo spot da energia eltrica. No Captulo 4
apresentado: o NEWAVE com suas funes e suas variveis principais de entrada
e sada; a aplicao da metodologia DOE utilizada para definir os casos de
NEWAVE a serem processados; e, o processo de obteno das redes neurais
artificiais (RNA). No Captulo 5 so apresentados os resultados obtidos para o
CMO do Submercado Sudeste obtidos atravs do modelo desenvolvido. Para
finalizar, no Captulo 6 so apresentadas as concluses deste trabalho.
CAPTULO 2 REVISO BIBLIOGRFICA
2 REVISO BIBLIOGRFICA
2.1 Introduo
A busca pela eficincia no setor eltrico pressupe a implantao da competio

nos seus vrios segmentos e a participao do governo como definidor de
polticas energticas. Para os pases em desenvolvimento onde o governo domina
esta atividade, alm do problema da eficincia existe uma carncia crnica de
recursos para investimentos no setor que tem levado a uma poltica macia de
privatizaes.
Na Amrica do Sul, em particular, as principais motivaes para a reforma foram o

esgotamento da capacidade de investimento dos pases e as perspectivas de
dificuldades de suprimento no curto prazo (Vieira Filho et al. 2000).
Os processos de introduo de mecanismos de competio no setor tm pautado

na
segregao
das
atividades
de
gerao, transmisso, distribuio
comercializao. Esta segregao se faz necessria para separar as atividades

que tm caractersticas monopolsticas das que podem ser liberadas para o livre
mercado.
Devido aos altos custos da transmisso e da distribuio de eletricidade e tambm

por causa da caracterstica de indstria de rede, as companhias de eletricidade,
estatais ou privadas, so consideradas monoplios naturais regulados1.
A comercializao do insumo energia foi desvinculada de seus servios

associados (ancilares, transmisso, operao e administrao) com o objetivo de
refletir ganhos de eficincia e qualidade no atendimento . Como conseqncia
1
No fcil identificar as partes supridora e os consumidores. O uso da rede por uma transao
pode inibir o uso da mesma por out ra comercializao.

desse modelo surgiram os mercados para a commodity energia eltrica. Essa
commodity diferencia-se das demais, pois no pode ser armazenada em grandes
quantidades e a demanda por esse insumo deve estar em equilbrio com a
produo. A Figura 2-1 apresenta o modelo de mercado desverticalizado para a
energia eltrica.
GERAO
GERADOR 1
GERADOR 2
DESPACHO
E
TRANSPORTE
GERADOR n
OPERADOR
DO SISTEMA E
DO MERCADO
VAREJO
E
DISTRIBUIO
D1
Dn
V1
Vn
CONSUMIDORES
FINAIS
CONSUMIDOR 1
MONOPLIO
CONSUMIDOR n
COMPETIO NO ATACADO E NO VAREJO
Figura 2-1 Modelo de Mercado Desverticalizado

Com a introduo desse Mercado de Eletricidade, o preo da energia passou a ser
uma varivel importante nas tomadas de deciso de investimentos em gerao ou
para a montagem de portflios de contratos de compra e venda de energia
eltrica.
Para os investimentos em gerao, o preo afeta a receita futura e

consequentemente o fluxo de caixa. Para os contratos, a variabilidade do preo
pode significar um maior risco de retorno sendo, portanto, um fator preponderante
na avaliao do nvel de exposio ao risco de uma carteira de contratos.

Desde que se iniciou o processo de reestruturao do setor eltrico, muitos
mtodos e tcnicas tm sido desenvolvidos para realizar estimaes do preo da
eletricidade em ambientes competitivos. Esses mtodos e tcnicas podem ser
categorizados em: anlise de equilbrio; mtodos de simulao; previso atravs
de sries temporais; modelos economtricos; e sistemas inteligentes (LI et al.,
2005).
As aplicaes desses mtodos e tcnicas de estimao de preo da eletricidade

podem ser realizadas em diferentes horizontes de tempo: Prximo dia; Curto
prazo; Mdio prazo; e, Longo prazo 2.
O preo da energia eltrica no curto prazo influencia o mercado diretamente. Os

agentes geradores utilizam esse preo para ajustar as suas estratgias para
definir o montante de energia que eles vo disponibilizar no pool (bidding do
gerador) para obter o maior benefcio possvel. Do outro lado da balana esto os
consumidores que podem desenvolver estratgias para otimizar o uso da energia
adquirida no pool ou utilizar produo prpria para se proteger contra altos preos
que possam surgir no mercado vista (NOGALES et al., 2002).
Melhorias nas estimativas do preo da energia no curto prazo podem modificar o

cenrio de movimentaes de um agente do mercado propiciando benefcios
financeiros significantes. Desenvolver modelos de estimao para os preos no
curto prazo, alm de identificar, medir e tratar os possveis riscos associados so
os novos desafios que a indstria de energia eltrica est enfrentando. O
desenvolvimento de ferramentas para tomada de decises na comercializao de
energia ou na avaliao de ativos reais em projetos de investimento.
No horizonte de mdio prazo, o preo da energia usado para desenvolver e

estimar o planejamento mensal para os contratos. Estimaes corretas desse
O horizonte de planejamento da operao em cinco anos no curt o prazo semanal, no mdio

prazo mensal e para o longo prazo anual.

preo para o mdio prazo so necessrias para o sucesso de negociaes de
contratos bilaterais entre geradores e consumidores (SZKUTA et al., 1999). Os
agentes de gerao utilizam esses preos para definir montantes para contratos
bilaterais de mdio e longo prazo e montantes de venda atravs de contratos
bilaterais e vendas no mercado vista, a fim de maximizar seus benefcios. De
maneira similar, os consumidores definem montantes a serem contratados atravs
de estratgias para maximizar o seu uso (NOGALES et al., 2002).
No longo prazo, os preos da energia eltrica influenciam as decises de

expanso da transmisso/distribuio.
2.2 Preo da Energia Eltrica
A estimao do preo de energia no antigo modelo monopolista, onde no existia

competio na atividade de gerao de energia, era realizada de uma maneira
praticamente direta (ANGELUS, 2001), pois as informaes das empresas eram
compartilhadas e a coordenao da operao e do planejamento do setor era
centralizado. Dessa maneira, existia um controle maior sobre a oferta e
consequentemente sobre os preos da energia eltrica que eram fixados pelo
governo.
Com o incio da reestruturao em alguns pases como Chile, Inglaterra, Noruega,

Argentina e Austrlia no comeo da dcada de 60, essa situao comeou a se
modificar pois as decises da oferta passam a ser dos agentes e no mais do
governo.
O preo da energia comeou a ter um papel de extrema importncia, pois sinaliza

ao investidor os custos necessrios para a expanso e operao do sistema. Em
cada um dos pases que passaram pelo processo de reestruturao do setor

foram criadas diferentes regras de mercado e consequentemente diferentes
modos de formao de preo.
A estimao de preo de energia eltrica relativamente recente, no entanto,

diversos modelos j foram propostos podendo ser agrupados em mtodos
estatsticos ou no-estatsticos. Ambos tm sido utilizados para estimar os preos
da energia em diferentes horizontes de tempo. Modelos de sries temporais,
modelos economtricos e modelos de sistemas inteligentes so as trs categorias
principais dos mtodos estatsticos. Os mtodos no estatsticos incluem anlise
de equilbrio e mtodos de simulao (LI et al., 2005).
2.2.1 Sries Temporais
Os modelos que utilizam sries temporais para realizar as previses do preo da

energia eltrica tentam capturar o comportamento normal do preo para realizar
previses exatas. Uma aplicao de sries temporais, com anlise de regresso
utilizada para realizar a previso de preos de energia no curto prazo na Finlndia
(KORENEFF et al., 1998).
Uma outra aproximao combina sries temporais com processos estocsticos

baseados em muitas variveis explicativas tais como: consumo, interrupes de
fornecimento,
reserva
girante,
elasticidade
da
demanda
de
energia
comportamento estratgico de previso dos preos (KIAN, KEYHANI, 2001).
Modelos auto-regressivos (AR) so populares na prtica de sries temporais. Os

modelos de regresso dinmica e funes de transferncia foram utilizados para
previso de preo de energia para o prximo dia no mercado espanhol e tambm
no mercado de eletricidade da Califrnia (NOGALES et al., 2002).

Para previses do preo da eletricidade foram tambm utilizados modelos ARIMA
(Auto Regressive Integrated Moving Average) com ou sem variveis explicativas
(CONTRERAS, et al., 2003). Para melhorar a performance desse mtodo foi
desenvolvida uma abordagem hbrida inserindo uma etapa de pr-processamento
com a utilizao de um filtro wavelet (CONEJO et al., 2005).
O modelo ARIMA foi utilizado para desenvolver um modelo de previso do preo

spot baseando-se no mercado de eletricidade da Califrnia. Nessa abordagem
foi desenvolvida uma aproximao para correo dos erros das estimaes e
estimao de intervalos de confiana para os preos (ZHOU et al., 2006).
O modelo GARCH (General Autoregressive Conditional Heteroscedasticity),

modelo tambm baseado em sries temporais, foi proposto nos mercados da
Espanha e Califrnia. Esse modelo utiliza as varincias passadas de algumas
variveis que impactam no preo final da eletricidade para prever as varincias
dos preos estimados, dessa forma obter no s a previso, mas a sua
volatilidade, ou seja, varincia (Garcia et al., 2005).
2.2.2 Modelos Economtricos
Os modelos economtricos tambm so utilizados para a estimao de preo de

energia eltrica sendo muitos desses modelos baseados em processos de
reverso mdia.
Com o propsito de inspecionar os preos da eletricidade, um modelo de carga

operado pelo preo faz uma boa aproximao da dinmica dos preos baseadas
nas inter-relaes entre a fonte de suprimento e a demanda. Esta modelagem
proposta por (SKANTZE et al., 2000) para estimar o preo da eletricidade
considerando uma conexo entre dois mercados distintos, onde , alm da
10

demanda de cada mercado, as curvas de oferta dos geradores so consideradas
como parmetros fundamentais para a estimao do preo.
Um outro modelo economtrico baseado em processo estocstico utilizado para

realizar estimaes do preo da eletricidade utilizando a demanda, a sazonalidade
e a disponibilidade de cada gerador como parmetros de entrada. Como resultado
fornece uma distribuio de probabilidade do preo spot da eletricidade baseada
no
despacho
econmico
dos
geradores
que
participam
do
mercado
(VALENZUELA, MAZUMDAR, 2001).
2.2.3 Sistemas Inteligentes
Modelos que realizam aproximaes com o uso de sistemas inteligentes so

classificados na literatura em: Redes Neurais Artificiais (RNA); Lgica Fuzzy e a
combinao dos dois mtodos obtendo-se o modelo Neuro-Fuzzy. Modelos que
utilizam as tcnicas de inteligncia artificial implementam um mapeamento de
todas as entradas com as sadas de um determinado sistema. O mapeando dos
algoritmos para estimar objetos atravs de uma amostra utilizado no
aprendizado destas redes.
Aplicaes tpicas de RNAs para a previso de preo da eletricidade utilizam as
redes Multi Layer Perceptron (MLP) (SZKUTA et al., 1999), ou Redes Neurais
Recorrentes (RNN) (HONG, HSIAO, 2002). Para aprimorar a exatido das
previses ou para acelerar o processo de treinamento off-line, algumas tcnicas
so associadas com as RNAs como: pr-processamento; preveno de super
aprendizado; e, truncamento dos valores discrepantes (GAO et al., 2000).
Entretanto, ainda est em aberto a questo se as RNAs podem ser precisas para
extrapolaes externas aos dados do conjunto de treinamento (BUNN, 2000).
Mltiplas RNAs podem ser utilizadas em cascata para aprimorar o modelo
11

(ZHANG et al., 2003) ou agrupadas em Committee Machine (GUO, LUH, 2004).
um tipo de rede neural que utiliza uma estratgia de combinao de respostas
de mltiplas RNAs para gerar a resposta final do modelo. Supe-se que a
combinao atravs desse tipo de RNA seja superior s respostas das redes
individuais. Conforme apresentado adiante, este trabalho utiliza esta tcnica.
No mercado de Victoria na Austrlia, uma aproximao do preo e demanda de

eletricidade no curto prazo foi realizada atravs de uma modelagem de redes
neurais artificiais. Para realizar as previses realizada uma seleo de
similaridade dos dias a fim de efetuar previses das curvas de demanda e de
preos da energia. Essas previses se aproximam aos valores existentes nos dias
similares que servem como base para esse processo. O preo e a demanda de
energia prevista so posteriormente corrigidos na sada da RNA atravs de uma
seleo dos dias similares do preo e da demanda (MANDAL et al., 2005).
Alm das RNAs, outros modelos de sistemas inteligentes so utilizados para
realizar as previses dos preos da eletricidade como, por exemplo, um sistema
de inferncia adaptativa Neuro-Fuzzy (ANFIS) descrito em RODRIGUEZ,
ANDERS, 2004.
Algumas tcnicas foram propostas na literatura combinando analise de volatilidade

com a previso de preo para avaliao de risco (BENINI et al., 2002),
(DAHLGREN et al., 2001). Tambm so encontradas aplicaes utilizando Teoria
de Caos combinadas com redes neurais artificiais para previso de preo na
Inglaterra (HONGMING, XIANZHONG, 2003).
2.2.4 Anlise de Equilbrio
O modelo de previso no estatstico que utiliza os efeitos inter-relacionados da

estrutura de mercado e seus mecanismos denominado Anlise de Equilbrio. A
12

anlise de equilbrio aplica teoria de jogos e perspectivas econmicas para prever
as estratgias de ofertas no mercado (BUNN, 2000). Esse modelo se mostra mais
favorvel para uma avaliao geral do que para uma avaliao especifica de
previso do preo da eletricidade para o prximo dia.
Neste caso, um modelo de custo de produo gera as curvas de oferta de curto

prazo dos agentes do mercado. Cada um dos agentes gerencia seu portiflio para
tentar maximizar os lucros considerando a estrutura dos seus custos e os
comportamentos esperados de seus competidores (BATLLE, BARQUN, 2005).
2.2.5 Mtodos de Simulao
Os modelos de simulao so utilizados para imitar a operao detalhada do

sistema eltrico de potncia. Consequentemente a simulao normalmente utiliza
programas de fluxo de potncia, despacho econmico timo com restries fsicas
do sistema, otimizao energtica, entre outros.
Os mtodos que utilizam simulao so mais realistas porque simulam a operao

real, entretanto, necessitam de um conjunto maior de dados face ao detalhamento.
As trajetrias das variveis de entrada devem ser tambm previstas para
incorporar ao mtodo.
Alguns exemplos destes mtodos so encontrados na literatura como modelos de

estratgias de portiflio incluindo simulao da produo de energia eltrica com
preos marginais locacionais (BASTIAN et al., 1999), ou a incorporao da
Simulao de Monte Carlo que relaciona as previses dos preos com suas
volatilidades (DEB et al., 2000).
Este trabalho esta direcionado para esta linha de mtodos conforme ser
apresentado nos captulos seguintes.
13
2.3 A Experincia Brasileira
A partir da dcada de 80, dois fatores contriburam para o endividamento do setor:

a dificuldade de financiamento externo a juros baixos e a impossibilidade de
repasse dos custos de capital e os custos operacionais para o consumidor. O
primeiro fato foi motivado pela escassez de recursos externos e o endurecimento
dos rgos tradicionais de investimento como o BIRD, Banco Mundial, etc. O
problema do repasse foi devido a utilizao das tarifas de energia eltrica para
controle da inflao.
2.3.1 Reestruturao do setor eltrico brasileiro
No incio da dcada de 90, seguindo a movimentao de reestruturao

internacional do setor, o Brasil iniciou o seu processo de desverticalizao das
atividades de gerao, transmisso e distribuio de energia. Foi ento criado o
papel do comercializador de energia, com o intuito de introduzir mecanismos de
competio nesse setor.
A reestruturao no Brasil ocorreu inicialmente atravs de uma srie de mudanas

na legislao, com o objetivo de se transferir do Estado para a iniciativa privada a
responsabilidade da operao e dos investimentos no sistema. Nesse momento o
Estado passaria a desenvolver apenas os papis de fiscalizador e regulador.
As atividades de transmisso e distribuio continuam enquadradas como

monoplios naturais, enquanto as atividades de gerao e comercializao de
energia passam a ser enxergadas como atividades propcias concorrncia.
Executou-se um processo de segmentao do setor eltrico e tambm de
privatizaes de grande parte das empresas de distribuio, algumas empresas
de gerao e mais recentemente empresas de transmisso.
14
Uma figura importante que surgiu com o novo modelo do setor foi a do consumidor
livre 3. Esse tipo de consumidor pode adquirir energia de qualquer fornecedor.
Segundo Kligerman (1999), a Lei nmero 9.074 de julho de 1995 (Lei das
Concesses) e o Decreto nmero 2003 de setembro de 1996 avanaram no
processo de reestruturao mediante a criao da figura do produtor independente
de energia que de maneira diferente do concessionrio de servio pblico, passou
a assumir os riscos de comercializao de sua energia ou parte dela, introduzi ndo
assim um carter mais competitivo no setor.
Entre agosto de 1996 e novembro de 1998, foi executado um extenso projeto para
a reestruturao do setor eltrico brasileiro (SEB), coordenado pelo Ministrio das
Minas e Energia (MME) contando com a participao de consultores da Coopers &
Lybrand, denominado RE-SEB (Eletrobrs, 1998). Um grande nmero de
trabalhos foi produzido irradiando uma srie de sugestes prticas para a
reestruturao desse setor no Brasil, inclusive a criao de um mercado
atacadista de energia, substituindo o sistema de preos regulamentados de
gerao.
O modelo proposto para o setor eltrico brasileiro seguiu os padres dos modelos
internacionais, mas sem deixar de detalhar as caractersticas diferenciadas do
sistema eltrico nacional, dentre as mais importantes possvel se destacar:
predominncia de gerao hidroeltrica com a interdependncia espacial e
temporal das usinas.
Neste novo modelo, para que pudesse ocorrer a competio, fazia-se necessria
introduo de um mercado livre para elaborao de Contratos de Compra e
Venda de Energia entre geradores, comerciali zadores e distribuidores. Os preos
Para se tornar um CL, o consumidor deve necessariamente possuir um montante superior a 3MW
de pot ncia instalada.
15

e os montantes de energia a serem contratados passam a ser negociados
bilateralmente entre os agentes. A comercializao passou a representar uma
atividade muito importante para as empresas.
Dessa forma os agentes passam a negociar a maior parcela de sua demanda

atravs de contratos bilaterais com o objetivo de proteger as partes contra a
exposio ao risco representado pela pote ncial volatilidade do preo spot de
energia. O CCEE que substitui o MAE hoje a entidade responsvel pela
liquidao do mercado ao preo PLD.
Com a inteno de substituir o DNAEE (Departamento Nacional de guas e

Energia Eltrica), a Lei n. 9.427 de 26/12/1996 criou a Agncia Nacional de
Energia Eltrica (ANEEL), regulamentada pelo Decreto n. 2.335 de 06/10/1997.
Esse rgo passa ento a ser o regulador do mercado, sendo que as suas
principais funes so
as de definir normas
e procedimentos para
funcionamento do sistema eltrico brasileiro (SEB).
Foi criado em maio de 1998 pela a Lei n. 9.648 a figura do Operador Nacional do
Sistema Eltrico (ONS), que uma instituio pblica de direito privado sem fins
lucrativos, cujas principais atividades so a da coordenao e controle da
operao das usinas de gerao e linhas de transmisso de energia eltrica do
sistema interligado brasileiro. O mercado de energia passa a ter uma cmara de
negociao denominado MAE. Tanto o ONS quanto o MAE foram regulamentados
pelo Decreto n. 2.655, de julho de 1998.
Em julho de 2003, o governo prope atravs do Ministrio de Minas e Energia um

novo modelo para o setor com o objetivo de diminuir a liberdade do mercado de
eletricidade (MME, 2003). Nesse modelo foi o Ambiente de Contratao Regulado
(ACR), onde a energia comprada atravs de leiles administrados pela ANEEL e
CCEE para todas as distribuidoras. Paralelamente a este ambiente continuou a
existir o mercado livre, chamado Ambiente de Contratao Livre (ACL), do qual
16

podem participar os produtores de energia independentes e os consumidores
livres. A Figura 2-2 apresenta os ambientes de contratao do modelo.
Geradores, Produtores Independentes,

Comercializadores
Ambiente de
Contratao
Regulada
(ACR)
CC
Preos dos Contratos

resultantes de leiles
Ambiente de
Contratao
Livre
(ACL)
CL
Preos dos Contratos

livremente negociados
Figura 2-2 Ambientes de Contratao

Os principais objetivos do Novo Modelo Institucional do Setor Eltrico visam
garantir a segurana de suprimento de energia eltrica, promover a modicidade
tarifria, atravs da contratao eficiente de energia para os consumidores
regulados e incentivar novos investimentos em gerao atravs de contratos de
longo prazo.
Em paralelo, foi instituda pela Lei 10847 de 2004 a Empresa de Pesquisa

Energtica (EPE) com o intuito de atuar no planejamento energtico do Brasil.
Outro rgo criado foi o Comit de Monitoramento do Setor Eltrico (CMSE),
institudo pela lei 10.848 de 2004, coordenado pelo MME contando com as
participaes da EPE, CCEE, ONS e ANEEL. O principal objetivo desse comit
acompanhar e avaliar permanentemente a continuidade e a segurana do
suprimento eletro-energtico em todo o territrio nacional.
Diversas regulamentaes e portarias, tanto do MME quanto do agente regulador

(ANEEL), vm buscando organizar uma estrutura de mercado no pas; pode-se
destacar as Resolues nos. 281, 282 e 286, de outubro de 1999, que
regulamentam o acesso e uso do sistema de transmisso e distribuio, e a
17

Resoluo no. 278, de julho de 2000, que estabelece u os limites e condies para
participao dos agentes econmicos nas atividades do setor de energia eltrica.
2.3.2 Formao de preo de energia no Brasil
No Brasil, os preos de curto-prazo ou preos spot da energia eltrica so

calculados atravs da utilizao de modelos computacionais de planejamento da
operao. No mercado brasileiro o preo spot estabelecido de uma maneira
diferente da maioria dos outros mercados estrangeiros que passaram pelo
processo de reestruturao 4. Ao invs de ocorrer um equilbrio entre a oferta e a
demanda, o preo baseado no custo marginal de operao calculado dentro do
processo de otimizao energtica.
O CEPEL (Centro de Pesquisa em Energia Eltrica) e a Eletrobrs vm

desenvolvendo modelos computacionais de otimizao energtica, desde 1977,
com o intuito de definir a utilizao de recursos hidrulicos e trmicos na operao
do sistema eltrico brasileiro a cada ms, isto , visando definir a estratgia de
operao. Para tanto, a abordagem minimizar o valor esperado do custo total de
operao ao longo do perodo de planejamento, bem como proceder a uma
anlise probabilstica do comportamento das afluncias.
O processo de otimizao consiste na deciso de quanto turbinar de gua dos

reservatrios e quanto gerar atravs de usinas trmicas, de modo que o custo total
at o final do horizonte de estudo seja minimizado.
Em um sistema hidrotrmico de extrema importncia deciso tomada em um

instante em um estgio qualquer da operao energtica, pois existe relao
direta com as conseqncias no futuro. Esta situao est ilustrada na Figura 2-3.
Na maioria desses mercados a formao do preo realizada atravs de ofertas de compra e

venda da energia.
18

Tomada
de Deciso
Afluncias
Futuras
Conseqncias
Operativas
ALTAS
Operao Econmica
BAIXAS
Dficit de Energia
ALTAS
Vertimento dos
Reservatrios
BAIXAS
Operao Econmica
Usar Gerao
Hidroeltrica
Minimizar o
Custo de
Combustveis
Usar Gerao
Termoeltrica
Manter o
Volume dos
Reservatrios
Figura 2-3 Processo de Deciso para Sistemas Hidrotrmicos

necessrio realizar-se uma comparao dos benefcios de utilizar a gua hoje
com a importncia de armazen-la para ser utilizada no futuro.
2.3.2.1
O Modelo NEWAVE
O preo da energia obtido atravs da utilizao da metodologia de programao

dinmica dual estocstica 5 (PEREIRA, 1989), (MACEIRA, 1993), (MACEIRA et al.,
1994), cujo cdigo foi denominado de NEWAVE (CEPEL, 1999).
O NEWAVE utilizado para estudos de planejamento da operao em horizontes

de cinco anos com discretizao mensal. Esse software realiza o despacho timo
das usinas hidrulicas e trmicas que pertencem ao sistema interligado Nacional
(SIN). O preo obtido a partir do custo marginal de operao 6.
Essa tcnica evita os problemas de dimensionalidade devidos a discretizao do espao de

estados, viabilizando a obteno da estratgia tima de operao para sistemas hidrotrmicos
interligados.
6
O custo marginal de operao do sistema obtido atravs do custo implcito da gua, da t rmica
flexvel mais cara despachada ou do custo do dficit em casos de racionamento.
19

Esse programa trabalha com o conceito de reservatrio equivalente. Essa tcnica
agrupa todos os reservatrios das usinas hidrulicas de um sistema em um s
reservatrio com uma usina que possui capacidade de gerao igual a soma das
capacidades de gerao de todas as usinas do sistema. A Figura 2-4 apresenta o
conceito de reservatrio equivalente aplicado ao sistema brasileiro.
Figura 2-4 Modelo de Sistema Equivalente

Em 1999, o NEWAVE ganhou outra atribuio alm da programao energtica e
comeou a ser amplamente utilizado pelas empresas de energia. Esta atribuio
se refere ao clculo do Custo Marginal de Operao (CMO), que a base para a
formao do preo da energia no mercado spot.
2.3.2.2
O Modelo DECOMP
Para a formao do preo da energia no mercado brasileiro, aps a obteno do

custo marginal discretizado ms a ms pelo programa NEWAVE, utiliza -se um
outro programa denominado DECOMP (CEPEL, 1999a) para decompor esse
CMO em base semanal.
20

O DECOMP comeou a ser utilizado a partir de julho de 2001. Este programa
tenta resolver o problema da operao no curto prazo e possui horizonte de um
ano gerando valores para o preo semanalmente.
A metodologia do clculo do preo conta ainda com o programa NEWDESP

(integrado ao NEWAVE), que utiliza a funo do custo futuro gerada pelo mdulo
de otimizao do NEWAVE para gerar os valores dgua e o despacho timo das
usinas para o primeiro ms do horizonte. Como resultados desse processo so
obtidos os custos marginais de operao para o perodo em estudo, para cada
patamar de carga e para cada submercado.
2.3.3 Modelos de previso de preo propostos no Brasil
Um modelo que utiliza redes neurais artificiais com modelo de backpropagation

foi utilizado para realizar previses do custo marginal de operao do mercado
brasileiro em funo do nvel dos reservatrios do sistema (PIRES, 2003). Nessa
abordagem, o autor utilizou os valores histricos das variveis de interesses
durante o perodo de janeiro de 1998 a maio de 2001 para treinamento das redes
neurais, os testes foram realizados para os meses de junho de 2001 at maio de
2003.
Foi proposta por MEDEIROS (2003) uma metodologia para previso do preo de
curto prazo (spot) da energia eltrica no Brasil baseada em sistemas Neuro-Fuzzy.
Nessa abordagem, foi gerado um histrico para algumas variveis de entrada a
partir de simulaes no programa NEWAVE. As variveis utilizadas para
elaborao do modelo foram:
ENA Energia Natural Afluente
EARM Energia Final Armazenada nos Reservatrios
CMOT-1 Custo Marginal de Operao do perodo anterior ao do estudo
21
Foi realizada a simulao de um caso do NEWAVE utilizando 2000 sries

sintticas, dessa maneira, para cada ms de estudo do NEWAVE so gerados
2000 valores de CMO, ENA e EARM que so utilizados no treinamento do modelo.
Depois disso, obtm-se atravs de rpidas simulaes no modelo as distribuies
estimadas do preo spot para os prximos seis meses. Os resultados
apresentados para o perodo de estudo obteve boa qualidade frente aos
programas do planejamento da operao. Alm disso, por ser rpido, o sistema de
previso final possibilita anlises de cenrios ou simulaes Monte Carlo.
Uma outra estratgia de modelagem do CMO foi apresentada no Brasil,

envolvendo modelos de sries temporais para modelar a srie do preo spot no
mercado eltrico brasileiro. A varivel utilizada para adequao do modelo foi a
EARMF e a ENA de 1995 setembro de 2002. Para elaborao dos testes nesse
modelo foram utilizados os casos de outubro de 2002 a janeiro de 2003 (AMARAL,
2003).
22
CAPTULO 3 ABORDAGEM TERICA DO MODELO DE SIMULAO
3 ABORDAGEM TERICA DO MODELO DE SIMULAO
3.1 Introduo
Conforme j mencionado, o presente trabalho visa desenvolver um modelo que

reproduza a simulao dos custos marginais realizada pelo NEWAVE. Este
trabalho opta por utilizar redes neurais para realizar esta funo, Para
compreenso dos passos propostos neste modelo, este captulo est dividido em
trs partes.
Na primeira parte feita uma descrio do programa NEWAVE que ser

substitudo pelas redes neurais. So descritas as variveis de entrada e sada,
assim como suas principais funes.
A segunda parte a ser abordada a tcnica de projeto e anlise de experimentos

(DOE). A partir dessa tcnica ser formulado o nmero de experimentos que
definir o conjunto de casos necessrios a serem processados no NEWAVE para
treinamento das redes neurais.
A terceira parte trata das redes neurais que sero utilizadas na modelagem do
programa NEWAVE.
3.2 Programa NEW AVE
O objetivo bsico do planejamento da operao de um sistema hidrotrmico

determinar metas de gerao para cada usina, a cada etapa, que atendam a
demanda e minimizem o valor esperado do custo de operao ao longo do
perodo de planejamento. Este custo composto pelo custo varivel de
23

combustvel das usinas trmicas e pelo custo atribudo s interrupes de
fornecimento de energia, representado por uma funo de penalizao dos dficits
de energia utilizando o custo do dficit.
Para determinao do custo existe a dependncia dos cenrios futuros de

operao. Alguns dos parmetros que definem estes cenrios so:
Condies hidrolgicas;
Demanda;
Preos de combustvel;
Entrada de novos projetos;
Disponibilidade de equipamentos de gerao e transmisso.
A previso destes parmetros muito complexa, e sujeita a uma grande incerteza.

Esta incerteza pode ser representada atravs de duas formas bsicas: forma
explcita - a distribuio de probabilidades do parmetro representada
diretamente no clculo da poltica de operao; forma implcita o efeito da
incerteza do parmetro representado atravs de anlises de sensibilidade ou da
utilizao de valores mdios.
O sistema hidroeltrico brasileiro apresenta duas caractersticas principais: os

reservatrios tm capacidade de regularizao plurianual e os perodos secos
podem apresentar durao de alguns anos. Dessa forma, fundamental
representar de forma precisa o efeito da estocasticidade das afluncias no
planejamento da operao em mdio prazo.
3.2.1 Formulao do Problema

a) Sistemas Puramente Trmicos
24

Em sistemas de gerao compostos somente de unidades trmicas, o custo de
cada usina depende basicamente do custo de combustvel. Portanto, o problema
de operao consiste em determinar a combinao de usinas que minimize o
custo total de combustvel (carvo, leo, nucleares, etc.) necessrio para atender
a demanda.
Em sua verso mais simples, este problema resolvido colocando as usinas em

ordem crescente do custo de produzir um MWh adicional (o custo incremental) e
ajustando a operao s flutuaes da demanda. Ainda que existam fatores
adicionais que tornam este problema mais complexo (perdas de energia,
limitaes nas linhas de transmisso, custos de partida, limites na taxa de
variao da produo energtica, etc.). O problema de operao de um sistema
trmico tem caractersticas bsicas, resumidas a seguir:
desacoplado no tempo, quer dizer, uma deciso de operao hoje no

tem efeito no custo de operao do prximo estgio;
As unidades tm um custo direto de operao, quer dizer, o custo de

operao de uma unidade no depende do nvel de gerao de outras
unidades; alm disso, a operao de uma unidade no afeta a capacidade
de gerao ou a disponibilidade de outra unidade;
A confiabilidade do fornecimento de energia depende somente da

capacidade total de gerao disponvel e no da estratgia de operao
das unidades do sistema.
b) Sistemas Hidrotrmicos
Ao contrrio dos sistemas puramente trmicos, sistemas com uma porcentagem
substancial de gerao hidroeltrica (semelhante ao sistema brasileiro) podem
25

utilizar a energia armazenada "grtis" nos reservatrios do sistema para atender a
demanda, substituindo assim a gerao dispendiosa das unidades trmicas.
Entretanto, o volume de gua afluente nos reservatrios desconhecido, pois

depende basicamente das afluncias que iro ocorrer no futuro. Alm disso, a
disponibilidade
de
energia
hidroeltrica
limitada
pela
capacidade
de
armazenamento nos reservatrios. Isto introduz uma relao entre uma deciso
de operao em uma determinada etapa e as conseqncias futuras desta
deciso. Por exemplo, se decidirmos utilizar energia hidroeltrica para atender o
mercado hoje e no futuro ocorrer uma seca, poder ser necessrio utilizar gerao
trmica de custo elevado ou, mesmo, interromper o fornecimento de energia. Por
outro lado, se optarmos por fazer uso mais intensivo de gerao trmica,
conservando elevados os nveis dos reservatrios e ocorrerem vazes altas no
futuro, poder haver vertimento no sistema, o que representa um desperdcio de
energia e, em conseqncia, um aumento desnecessrio no custo de operao.
O problema de planejamento da operao de sistemas hidrotrmicos possui

caractersticas que podem ser assim resumidas (TERRY et al., 1986):
acoplado no tempo, ou seja, necessrio avaliar as conseqncias

futuras de uma deciso no presente. A soluo tima um equilbrio entre
o benefcio presente do uso da gua e o beneficio futuro de seu
armazenamento,
medido
em
termos
da
economia
esperada
dos
combustveis das unidades trmicas;
A este problema dinmico se agrega o problema da irregularidade das

vazes
afluentes
aos
reservatrios,
que
variam
sazonalmente
regionalmente. Ademais, as previses das afluncias futuras so, em geral,

pouco precisas. A incerteza com respeito s vazes, aliada a incerteza com
respeito demanda de energia, faz do planejamento da operao de
sistemas hidrotrmicos um problema essencialmente estocstico;
26
acoplado no espao, ou seja, h interdependncia na operao de usinas

hidroeltricas, pois a quantidade de gua liberada em uma usina afeta a
operao de outra situada jusante;
O valor da energia gerada por uma hidroeltrica somente pode ser medido
em termos da economia resultante nos custos de gerao trmica ou
dficits evitados e no diretamente como uma funo apenas do estado da
usina;
Os objetivos de economia de operao e confiabilidade de atendimento so

claramente antagnicos: a mxima utilizao da energia hidroeltrica
disponvel a cada etapa a poltica mais econmica, pois minimiza os
custos de combustvel. Entretanto, esta poltica a menos confivel, pois
resulta em maiores riscos de dficits futuros. Por sua vez, a mxima
confiabilidade de fornecimento obtida conservando o
nvel dos
reservatrios o mais elevado possvel. Entretanto, isto significa utilizar mais

gerao trmica e, portanto, aumentar os custos de operao. O equilbrio
entre os custos de operao e a confiabilidade obtido atravs do custo do
dficit, que representa o impacto econmico associado interrupo do
fornecimento. A determinao do custo do dficit um problema muito
complexo, porm fundamental para a determinao da poltica de operao
mais adequada para o sistema. Se o custo do dficit muito baixo, resulta
em uma utilizao excessiva dos reservatrios e, portanto, em maiores
riscos de racionamento no futuro. Se o custo de dficit muito alto, resulta
em uma utilizao excessiva dos recursos termoeltricos do sistema e,
portanto, em custos de operao elevados.
c) Operao de Sistemas Interligados
27

A existncia de interligaes com os sistemas vizinhos permite uma reduo dos
custos de operao, atravs do intercmbio de energia e um aumento da
confiabilidade de fornecimento, atravs da repartio das reservas.
Em sistemas hidrotrmicos, necessrio determinar o valor da gerao

hidroeltrica. Como discutido anteriormente, o valor da energia hidroeltrica o
valor da gerao trmica que se poderia substituir hoje ou no futuro. Este valor
calculado como uma etapa do processo de determinao da poltica tima.
Com este conceito, pode-se representar uma hidroeltrica como uma "trmica"
cujo "custo marginal de operao" o valor da gua. Entretanto, importante
observar que este valor no se mede de maneira isolada em cada usina, pois
depende da operao conjunta do sistema. Em outras palavras, se a poltica tima
hidrotrmica de cada empresa for calculada de maneira isolada, os intercmbios
de energia posteriores, mesmo baseados nos valores da gua de cada empresa,
no resultam na operao mais econmica possvel.
Dessa forma, para obter os ganhos operativos mximos de um sistema

hidrotrmico interligado, necessrio operar o sistema de maneira integrada, isto
, otimizando conjuntamente a operao de todos os submercados, com o objetivo
de minimizar o custo de operao total. Esta a principal funo do programa
NEWAVE.
3.2.2 Modelo Atual de Planejamento da Operao
Surgiu em 1977 o primeiro modelo computacional de otimizao para o sistema

brasileiro, baseado na tcnica de programao dinmica estocstica, PDE. O
objetivo do modelo era definir a proporo tima de utilizao dos recursos
hidrulicos e trmicos na operao do sistema a cada ms, a partir da
28

minimizao dos custos de operao no horizonte de estudo e de uma anlise
probabilstica do comportamento das afluncias.
Como a estratgia de operao deve ser calculada para todas as possibilidades

de combinaes de nveis dos reservatrios e tendncias hidrolgicas, o problema
da operao tima do sistema torna-se rapidamente intratvel do ponto de vista
computacional. O nmero de estados cresce exponencialmente com o nmero de
reservatrios e, mesmo em sistemas com apenas dois ou trs reservatrios,
necessrio adotar simplificaes.
Como o crescente nmero de clculos atravs de PDE cresce exponencialmente

com o nmero de variveis includas no problema, em 1987 iniciou-se o
desenvolvimento de algoritmos para solucionar este problema. A tcnica
empregada foi a de programao dinmica dual estocstica (PDDE). O programa
NEWAVE amplamente utilizado hoje em dia foi originado desse algoritmo, e em
1998, o ONS comeou a utilizar o programa.
Mesmo utilizando a PDDE so necessrias diversas simplificaes para que seja

possvel executar todos os clculos. No caso do sistema brasileiro, que tem cerca
de 70 reservatrios, torna-se necessrio desenvolver mtodos capazes de
fornecer a soluo aproximada do problema de operao a um custo
computacional aceitvel.
A soluo adotada consiste em reduzir o nmero de variveis de estado atravs

da agregao dos diversos reservatrios. A metodologia empregada pode ser
assim resumida: agregar os reservatrios 7 do sistema em um nico reservatrio
equivalente de energia; agregar as afluncias ao sistema em afluncias
energticas equivalentes. Ao todo foram criados quatro mdulos para o programa
NEWAVE, descritos a seguir:
7
A utilizao da tcnica de agregao de reservatrios e afluncias baseia-se no fato de que o

custo de operao do sistema pode ser considerado uma funo da gerao total de
hidroelet ricidade e no das geraes individuais de c ada usina.
29
1. Mdulo de clculo do sistema equivalente Calcula os submercados

equivalentes de energia: energias armazenveis mximas, sries histricas
de energias controlveis e energias fio dgua, energia de vazo mnima,
energia evaporada, capacidade de turbinamento, correo da energia
controlvel em funo do armazenamento e perdas por limite de
turbinamento nas usinas fio dgua;
2. Mdulo de energias afluentes Estima os parmetros do modelo
estocstico e gera sries sintticas de energias afluentes que so utilizadas
no mdulo de clculo da poltica de operao hidrotrmica e para anlise
de desempenho no mdulo de simulao da operao;
3. Mdulo de clculo da poltica de operao hidrotrmica Determina a
poltica de operao mais econmica para os submercados equivalentes,
tendo em conta as incertezas nas afluncias futuras, os patamares de
demanda e a indisponibilidade dos equipamentos;
4. Mdulo de simulao da operao Simula a operao do sistema ao
longo do perodo de planejamento, para distintos cenrios de seqncias
hidrolgicas, falhas dos componentes e variaes da demanda. Calcula
ndices de desempenho, tais como a mdia dos custos de operao, dos
custos marginais, o risco de dficit e os valores mdios de intercmbio de
energia.
3.2.3 Modelagem dos Componentes do Sistema
Os parmetros de modelagem dos componentes do sistema gerao/transmisso

em geral variam por estgio, o que permite representar mudanas no sistema
(como por exemplo, a entrada de novas unidades geradoras no sistema) ou na
30

situao de operao (por exemplo, a restaurao de usinas trmicas afeta sua
taxa de sada forada).
a) Sistema de Gerao Hidroeltrico Representao Agregada
As usinas hidroeltricas se dividem em usinas com capacidade de regularizao e
usinas a fio d'gua. Observa-se que esta classificao depende do tipo de estudo
e da durao das etapas. Por exemplo, uma usina com capacidade de
regularizao semanal seria considerada como a fio d'gua no clculo da poltica
de operao de longo prazo. Entretanto, a representao de seu armazenamento
seria importante no clculo da deciso de operao de curto prazo.
No modelo agregado, o parque gerador hidroeltrico de cada regio

representado por um reservatrio equivalente de energia, com as seguintes
caractersticas:
A capacidade de armazenamento do reservatrio equivalente estimada

pela energia produzida pelo esvaziamento completo dos reservatrios do
sistema
de
acordo
com uma
poltica
de
operao
estabelecida.
Normalmente, adota-se a hiptese de operao em paralelo 8;
A energia total afluente EAF ao reservatrio equivalente se divide em duas

partes:
i) Energia controlvel, associada s vazes afluentes as usinas com

reservatrio e que pode ser armazenada no reservatrio equivalente;
ii) Energia de fio d'gua, associada s usinas sem reservatrio.
Os componentes do modelo equivalente so descritos a seguir.

8
Na operao em paralelo, os armazenament os e deplecionamentos so feitos paralelament e dos

reservat rios.
31
- Energia Armazenvel Mxima

A energia armazenvel mxima EA definida como a energia total produzida pelo
esvaziamento completo dos reservatrios do sistema a partir do volume
armazenado mximo, sem considerar novas afluncias e de acordo com uma
regra de operao:
Ji
i 1
j 1
EA Vi ( i (hi ) j (h j ))
Eq. 3.1
Onde EA : energia armazenvel mxima;
R : conjunto de usinas com reservatrio;
Vi : capacidade de armazenamento do reservatrio i ;
i hi : produtividade da usina i , funo da altura de queda lquida h i ;

J i : conjunto de usinas a jusante do reservatrio i .
- Energia Controlvel
A energia controlvel a energia que pode ser efetivamente incorporada ao
reservatrio equivalente de energia, at o limite EA . Esta energia estimada
como o produto do volume afluente natural a cada reservatrio com a soma de
sua produtibilidade e as de todas as usinas a fio d'gua existentes entre o
reservatrio e o prximo reservatrio a jusante.
FRi
i 1
j 1
ECt ANi ,t ( i (hi ) j (h j ))
Eq. 3.2
onde EC t : energia controlvel no estgio t ;

AN i ,t : volume afluente natural dos reservatrios i no estgio t ;
32

FR i : conjunto de usinas a fio dgua entre i e o prximo reservatrio a
jusante.
- Energia a Fio Dgua
A energia a fio d'gua corresponde energia afluente s usinas a fio d'gua, a
qual no pode ser armazenada. Esta energia calculada multiplicando-se a
produtibilidade da usina pela diferena entre o volume afluente natural e o volume
afluente natural s usinas com reservatrio situadas imediatamente a montante.
Estes volumes so limitados pelo limite de turbinamento mximo em cada usina a
fio d'gua.
EFt i (hi ) min{ I i ; Qi }
Eq. 3.3
i 1
Onde EFt : energia a fio dgua no estgio t ;
F : conjunto de usinas a fio dgua;
Qi : capacidade de turbinamento da usina i ;

Mi
I i : volume incremental afluente, dado por: I i ANi AN j

j 1
M i : conjunto de reservatrios imediatamente a montante de i .
- Energia Natural Afluente

A deciso de se utilizar os estoques de energia que podem ser representados pela
gua armazenada nos reservatrios, uma deciso importante nessa etapa e
conseqentemente, est ligado intrinsecamente incerteza das afluncias futuras.
A partir dos registros histricos de vazes naturais afluentes a cada usina

hidroeltrica possvel construir uma srie histrica de energias afluentes ao
reservatrio equivalente.
33
Devido ao comprimento limitado desta srie histrica, ajusta-se um modelo

estocstico para produzir sries sintticas de energias afluentes que so
empregadas no clculo da poltica tima e simulao da operao.
Devido a esse fato o modelo apresenta duas caractersticas distintas: a primeira

delas de que o programa tem a capacidade de produzir secas to severas
quanto s observadas no registro histrico, a segunda diz respeito a sua
formulao, que permite express-lo em funo das variveis de estado a cada
estgio (CEPEL, 2006).
b) Sistema de Gerao Trmico
As usinas trmicas so representadas no NEWAVE por grupos de trmicas com
custos semelhantes (classes trmicas). Os parmetros bsicos das classes
trmicas so apresentados a seguir:
Gerao mxima;
Gerao mnima;
Custo incremental de operao ($/MWh);
Fator de disponibilidade mdio devido a sadas foradas e programa de

manuteno.
c) Interrupo do Fornecimento
O dficit de fornecimento de energia representado como uma unidade trmica
de capacidade igual demanda, com custo de operao igual ao custo atribudo
interrupo de fornecimento de energia. Este custo pode ser varivel de acordo
com a profundidade do dficit, prevendo-se um mximo de quatro segmentos
lineares.
d) Limites de Intercmbio
34
O intercmbio entre sistemas vizinhos representado atravs de:
Limites de intercmbio (MW);
Coeficientes de perdas;
Fator de disponibilidade devido a sadas foradas.
Os limites de intercmbio so calculados atravs de estudos de fluxo de potncia

e
estabilidade.
Supe-se
que
as
empresas
dispem
de
ferramentas
computacionais e metodologia para este tipo de estudo.
No se representam aspectos de tenso nem os eventuais limites de transmisso

interna ou mesmo a necessidade de suporte de reativo.
e) Demanda
A demanda representada como blocos (potncia; durao) ao longo do estgio.
Prev-se at trs patamares de demanda por estgio nos modelos de clculo de
poltica de operao e simulao da operao. Observa -se que a representao
da demanda "cronolgica", e no de tipo "curva de durao de carga". Desta
forma, representa-se a diversidade espacial das demandas em sistemas vizinhos.
A Figura 3-1 apresenta os diversos componentes do sistema e seus respectivos

itens.
35
Demandas
Energia armazenvel mxima
Gerao Hidroeltrica
Energia controlvel
Energia a fio d'gua
Gerao mxima
Gerao mnima
Gerao Trmica
Custo incremental de operao [$/MWh]
Fator de indisponibilidade
Intercmbio Mximo [MW]
Intercmbio Vizinho
Coeficiente de perdas
Fator de disponibilidade - sadas foradas
Interrupo de Fornecimento
Figura 3-1 Componentes do Sistema
3.2.4 Parmetros de Entrada e Sada do NEW AVE
O objetivo principal do clculo da poltica de operao determinar para cada

estgio do perodo de planejamento, as trocas ou intercmbios entre os
submercados e as metas de gerao para os submercados equivalentes e usinas
trmicas do sistema que reduzam ao mnimo o valor esperado dos custos de
operao.
Para a realizao do clculo da poltica de operao, so consideradas algumas

restries operativas no programa NEWAVE. Essas restries contemplam o
balano de energia, os limites de armazenamento e o turbinamento.
Os
parmetros de entrada necessrios para a realizao desse clculo so:
Variveis ligadas s condies hidrolgicas;
Dados das usinas trmicas (ex: preos dos combustveis);
Dados das usinas hidrulicas (ex:nvel de reservatrio);
Entrada de novos projetos de gerao;
36
Demanda ou mercado de energia;
Custo do dficit;
Disponibilidade dos equipamentos de gerao e transmisso;
Dados de intercmbio de energia.
Ainda so includas informaes sobre dados gerais nas variveis de entrada do

programa que, dentre algumas delas, pode-se citar, o horizonte do estudo e
nmero de submercados. Alm destes dados ainda existem alguns outros
especficos para cada submercado (Sudeste/Centro-Oeste, Sul, Nordeste e
Norte), por exemplo, usinas hidreltricas e trmicas que compem o submercado.
Para os geradores hidroeltricos so includos os dados do submercado a que

pertencem, o ndice da usina a jusante, o ndice do posto de vazes, a potncia
instalada, etc.
Para as unidades trmicas os dados incluem: a classe trmica pertencente, a

potncia instalada, a gerao mnima e mxima, etc. Em cada uma das etapas,
so disponibilizados os ndices das unidades em manuteno que iro definir a
disponibilidade de cada usina. Para o mercado de energia includo o nmero de
patamares da curva de carga, a durao de cada um dos patamares e a demanda
em cada um deles. Ainda existe um arquivo que contm os dados referentes s
vazes histricas naturais afluentes que ser utilizado pelo modelo estocstico de
energia.
A partir das variveis de entrada, o programa NEWAVE realiza a otimizao do

despacho do sistema eltrico brasileiro e fornece como resultados vrios
parmetros importantes.
A Figura 3-2 apresenta as diversas variveis de entrada do programa NEWAVE

que so utilizadas nos clculos da poltica de operao e tambm as principais
variveis de sada desse programa.
37
Variveis ligadas s condies

hidrolgicas
Dados das usinas hidrulicas
Funo de Custo Futuro
Dados das usinas trmicas
CMO's dos Submercados
Entrada de novos projetos de gerao
Energia Final Armazenada

NEWAVE
Demanda ou mercado de energia
Gerao Hidrulica
Custo do dficit
Risco de Dficit dos Submercados
Disponibilidade dos equipamentos de

gerao e transmisso
Dados das usinas hidrulicas
Dados de intercmbio de energia
Figura 3-2 Variveis de Entrada e Sada do NEWAVE

O quadro da Figura 3-2 importante no processo que ir ser apresentado a seguir
visto que este trabalho tem por objetivo mapear as variveis de entrada com as
variveis de sada.
3.3 Projeto de Experimentos
Projeto de Experimentos (DOE) uma tcnica relativamente antiga, desenvolvida

a partir de 1920 por Fisher, sendo posteriormente incrementada por importantes
pesquisadores na rea de estatstica como Box, Hunter e Taguchi, entre outros
(PVRAN, STREET, 2002). O DOE possui uma rica histria, com muitos
desenvolvimentos tericos e aplicaes prticas em vrios campos. Algumas
delas aconteceram na agricultura, medicina, desenvolvimento de produtos e em
muitas outras reas.
A primeira aplicao prtica do DOE data de 1930, na British Textile. Depois da

Segunda Guerra mundial, o DOE foi introduzido na indstria qumica e nos
processos industriais de empresas nos Estados Unidos e Europa. O interesse
crescente pelo DOE ocorreu tambm no Brasil e no resto do mundo. Atualmente
38

as organizaes aumentam em muito a sua produtividade com a utilizao desta
ferramenta.
Apesar de sua ocorrncia em muitos campos e sua presena abundante na

literatura, o DOE no utilizado efetivamente em prtica de simulao como
deveria ser (KLEIJNEN et al., 2005).
Primeiramente porque existem poucos analistas de simulao que conhecem os

benefcios do DOE. Ao invs de se utilizar um projeto experimental simples,
muitos analistas acabam realizando simulaes ape nas para simples condies
do sistema, ou utilizam poucos fatores importantes em suas anlises. Os
benefcios do DOE incluem conquistar ganhos (melhorando o desempenho da
simulao ao invs de utilizar a tcnica de tentativa e erro para encontrar uma boa
soluo) e evitar perdas (obteno de um resultado otimizado frente a um
especfico que pode gerar resultados desastrosos quando implementado).
Em segundo lugar as pesquisas de DOE so geralmente encontradas em jornais

especializados (onde muitas melhorias da tcnica, como a definio do tipo de
projeto que mais apropriado para determinada aplicao, so encontradas)
raramente vistos por analistas de simulao.
Embora muito antiga, a difuso desta metodologia foi tardia devido dificuldade
em tornar factveis seus complexos e morosos clculos; entretanto, com o advento
dos modernos programas computacionais voltados para a rea, como o MINITAB
(MINITAB, 2003) e o STATISTICA (STATISTICA, 2006), essa metodologia tornouse mais acessvel sendo utilizada com grande sucesso nas mais diferentes reas.
Alm dos programas computacionais, um outro fator que tem despertado o
interesse pelo DOE nas mais diferentes organizaes a Metodologia 6 Sigma,
desenvolvida pela empresa Motorola na dcada de 90 e adotada no mundo inteiro
pela General Electric.
39
3.3.1 Princpios Bsicos do DOE
As variveis ou parmetros de entrada de um determinado processo so

chamados de fatores no DOE, podendo ser quantitativo ou qualitativo. Cada um
desses fatores pode adotar dois ou mais nveis dependendo do tipo de projeto
adotado. Os fatores ajustados em seus devidos nveis determinam um
experimento. A Figura 3-3 apresenta uma matriz de experimentos com trs fatores
e dois nveis definindo oito experime ntos.
Experimentos
Fatores
x1
+
+
+
+
-
x2
+
+
+
+
-
x3
+
+
+
+
-
Nveis
Figura 3-3 Modelo de uma matriz de experimentos

Os fatores so distintos entre controle ou principais e secundrios ou de rudo. Os
fatores principais so os de possvel controle nas respostas. Os fatores de rudo
possuem so
os
chamados
fatores
incontrolveis.
Na
elaborao
dos
experimentos importante evitar que efeitos produzidos pelos fatores principais

sejam influenciados pelos rudos. Todos os fatores sero definidos na primeira e
na segunda etapa do DOE nesse trabalho.
Os nveis so as condies que os fatores podem assumir durante o experimento.

O nvel negativo (-) indica o menor valor e o positivo (+) o maior valor que pode ser
40

assumido pelo fator. A matriz de experimentos formada pelo conjunto de todos
os experimentos que devem ser realizados.
Existem tambm os efeitos principais e os efeitos de interao que so

identificados pelo DOE. Um efeito principal ocorre quando se altera o nvel de um
fator de controle. O efeito de interao ocorre devido aos efeitos principais dos
fatores controlveis atuando em conjunto na resposta. Essa interao dos fatores
pode causar um efeito inesperado nas respostas.
3.3.2 Estratgias do DOE
Existem algumas estratgias que devem ser levadas em considerao ao se

desenvolver uma aplicao de DOE para simulao. Essas estratgias so
descritas a seguir:
1. Definir o problema e planejar a aplicao do DOE.;
2. Selecionar os fatores e os nveis que cada um deles podem assumir

durante o processo;
3. Projetar experimentos eficientes para estimar os efeitos dos fatores

includos
no
modelo.
Esta
escolha
considera
dois
aspectos:
disponibilidade de recursos para a realizao dos experimentos e a

preciso desejada com as estimativas. A viabilidade do estudo deve ser
levada em considerao. Experimentos exploratrios ou dados histricos
devem ser utilizados para se avaliar o nmero de nveis adotados para
cada fator.
4. Realizar os experimentos de acordo com o planejado. Detectar, documentar

e analisar as anormalidades que ocorrerem na conduo experimental.
41

Quando for realizado, vital que o processo experimental seja monitorado
cuidadosamente, de modo que possa garantir que tudo est sendo feito de
acordo com o planejamento pr-estabelecido.
5. Estimar os efeitos dos fatores includos no modelo sobre a variao total da

resposta. Mtodos estatsticos devem ser usados para analisar as relaes
entre os fatores (variveis independentes) e as respostas obtidas (variveis
dependentes), no intuito de se construir um modelo adequado para o
produto ou o processo em estudo;
6. Interpretar e discutir os resultados. Recomendar melhorias. Avaliando os

resultados experimentais, determinados parmetros de projeto podero
tornar-se evidentes na melhoria dos nveis de satisfao desejados.
A Figura 3-4 mostra os passos da aplicao do DOE.
Figura 3-4 Passos de Aplicao do DOE
3.3.3 Objetivos do DOE
O DOE utilizado inicialmente nesse trabalho como projeto exploratrio, para

determinar dentro de um grande nmero de variveis (X) que podem influenciar
42

uma ou mais respostas (Y), aquelas variveis realmente significativas que
deveriam ser levadas adiante em um estudo mais complexo, a Figura 3-5 mostra o
objetivo do DOE na identificao dos fatores do processo.
x1 x2 xn
Fatores
Controlveis
Entradas
Sadas
NEWAVE
Fatores
Incontrolveis
z1 z2 zm
Figura 3-5 Identificao dos fatores pelo DOE

Nas simulaes do programa NEWAVE existem muitos fatores e nveis que
influenciam a obteno das variveis de sada. Um problema comum encontrado
por especialistas do setor a necessidade de se estudar de maneira simultnea o
efeito desses fatores com diferentes nveis de ajuste. Desta forma, o nmero de
experimentos tende a crescer com a quantidade de fatores. Levando em
considerao o tempo computacional gasto para cada simulao no programa,
esse processo se torna invivel de ser realizado pelas empresas do setor. O DOE
alm de ser utilizado para elaborao de uma amostra eficiente para representar o
modelo NEWAVE utilizado tambm como ferramenta para diminuir o nmero de
simulaes necessrias para compor essa amostra.
Ao mesmo tempo, algumas simulaes so realizadas para resolver problemas

importantes relacionados a alguma varivel de sada do NEWAVE. Com essas
simulaes pretende-se, por exemplo, dado um aumento de 10% da demanda e
diminuio de 2% preo do gs natural, obter o custo marginal de operao do
prximo ms. Porm, nessas simulaes as influncias de cada fator no so
43

capturadas separadamente nas respostas, no possvel identificar qual a
alterao teve maior influncia.
O principal objetivo de se utilizar o DOE nesse trabalho a construo de um

banco de dados (amostra) que possa representar as caractersticas do programa
NEWAVE para treinamento, validao e testes das redes neurais. Desta forma,
aps a identificao dos fatores principais e dos fatores de rudo o DOE utilizado
para determinao de uma amostra experimental que possa representar de
maneira eficiente o programa NEWAVE. A Figura 3-6 mostra a utilizao do DOE
e do NEWAVE para elaborao da amostra.
DOE
Matriz
Experimental
(Amostra)
NEWAVE
Treinamento
das RNAs
Figura 3-6 Utilizao do DOE para elaborao da amostra
3.3.4 Tipos de DOE
Existem diversos tipos de DOE utilizados na literatura, alguns aplicados em

processos que envolvem muitos fatores, outros em processos que envolvem
poucos. Alguns tipos de DOE verificam os efeitos principais dos fatores, outros
analisam interaes de segunda e terceira ordem. Alm disso, tambm existe a
combinao de diferentes tipos de projetos (KLEIJNEN et al., 2005).
44

A Figura 3-7 mostra alguns tipos de projeto de experimentos clssicos, como o
projeto fatorial completo e projetos de resoluo III, IV, V e VI no software
MINITAB.
Figura 3-7 Tipos clssicos de experimentos - MINITAB
3.3.4.1 Projeto Fatorial Completo

Projetos fatoriais so modelos simples de se explicar para pessoas que no esto
familiarizadas com a tcnica de projeto de experimentos. Um tipo popular de DOE
fatorial o projeto 2k , esse modelo examina cada um dos k fatores em dois nveis,
gerando todas as possveis combinaes de experimentos.
A Tabela 3-1 um exemplo da ordem-padro utilizada pelo DOE e aplicada ao

caso particular deste trabalho. Nota-se que os experimentos esto balanceados,
ou seja, os dois nveis dos trs fatores se repetem o mesmo nmero de vezes.
Esse procedimento um Planejamento Fatorial completo (Full Fatorial Designs)
em Dois Nveis e pode ser representado por N 2K , onde N representa o
nmero de experimentos em dois nveis para K fatores. Para o experimento em
questo, o nmero de fatores so trs (Sub1, ReSub1 e VEaf1), portanto, o
nmero de experimentos gerados pelo projeto fatorial 2 3 8 . Dessa forma, os
45

nveis dos fatores so alterados entre seus nveis de mnimo e mximo e
combinados entre si.
Tabela 3-1 Exemplo Padro Para um Experimento com 3 Fatores em 2 Nveis

Experimento
Sub1 Demanda
[MW]
ReSub1
Nvel de
Reservatrio
[%]
VEaf1
Energia
Afluente
[MW]
30113,18
0,2
19384
34867,89
0,2
19384
30113,18
0,9
19384
34867,89
0,9
19384
30113,18
0,2
42054
34867,89
0,2
42054
30113,18
0,9
42054
34867,89
0,9
42054
Os arranjos fatoriais completos podem ser gerados para qualquer quantidade de

fatores. Os nveis se alternam nas colunas segundo uma mesma ordem:
Para a primeira coluna, os nveis se alteram a cada 20 1 experimento;
Para a segunda coluna os nveis se alteram a cada 21 2 experimentos;
Para a terceira coluna os nveis se alteram a cada 22 4 experimentos.
O procedimento se repete para tantas colunas quantos forem os fatores at a ksima coluna, na qual os sinais se alteraro em grupos de 2k 1 experimentos
cada.
46

Os projetos Fatoriais Completos cobrem todo o espao experimental; porm,
enquanto o nmero de fatores cresce linearmente, o nmero de experimentos
para esses fatores cresce exponencialmente 9.
3.3.4.2 Projetos de Resoluo III e IV

A Resoluo R de um projeto uma propriedade segundo a qual um efeito p de
um fator est confundido 10 com qualquer outro efeito que contenha menos do que
R p fatores. Por exemplo, em um projeto de Resoluo 11 III os fatores principais
se confundem com as interaes de 2 ordem; em um projeto de Resoluo IV, os

efeitos dos fatores principais se confundem com as interaes de 3 ordem e as
interaes duplas confundem-se entre si. Para os projetos de maior resoluo
(Resoluo N por exemplo), os efeitos dos fatores principais se confundem com as
interaes de ordem N-1 e as interaes duplas se confundem com as interaes
de ordem N-2.
O DOE utilizado para a verificao dos efeitos principais dos fatores pode ser um
experimento de resoluo III. Se k+1 potncia de 2, o projeto de resoluo III
definido como fatorial fracionado. O nmero de experimentos definidos por esse
projeto 2k-p. Se k+1 no potncia de 2, mas mltiplo de 4, o projeto de
experimentos conhecido como DOE de Plackett-Burman (KLEIJNEN et al.,
2005).
Caso exista e sejam consideradas as interaes entre os fatores, mas o foco da

anlise a definio dos fatores principais, devem-se utilizar projetos de resoluo
superior. Este tipo de projeto fornece estimaes imparciais dos fatores principais
mesmo que existam interaes. Alm disso, as interaes de segunda ordem so
9
Uma quantidade muito grande de fatores pode tornar o processo de experimentao invivel.
Confundimento uma tcnica utilizada para ac omodar um experiment o fatorial completo em
blocos utilizando um nmero menor de experiment os. Quando um efeito no pode ser estimado
separadamente diz-se que existe confundimento.
11
Segundo Montgomery (1997), busca-se sempre utilizar o projeto que possua a resoluo mais
alta.
10
47

capturadas por essa abordagem. O DOE Fatorial Fracionado pode ser utilizado
como projeto de resoluo IV para capturar efeitos conjuntos dos fatores de
entrada.
Uma meia-frao de um experimento 2 k contm 2k 1 experimentos (DRAPER,
LIN, 1990). Para compor o planejamento balanceado com a metade do nmero
total de experimentos, constri-se um fatorial completo com 2k 1 experimentos,
adotando-se uma identidade entre a coluna representativa do fator restante e os
fatores que fazem parte do fatorial completo 2k 1 .
Ao se considerar um planejamento do tipo 231 , por exemplo, este fatorial possui
23-1= 22 completos. Portanto, para trs fatores originais A, B e C, apenas A e B
comporo um fatorial completo. Para se determinar C, constri-se uma coluna
baseada na identidade gerada entre C, A e B.
Tabela 3-2 Tabela de Experimentos Para o Fatorial Fracionrio 2 3-1
Experimento
C =A xB
O maior uso dos fatoriais fracionrios em dois nveis para experimentos

exploratrios, nos quais muitos fatores so examinados em uma quantidade
relativamente pequena de experimentos, para que seja possvel identificar os
(poucos) fatores que exercem grandes efeitos em uma ou mais varivei s de
resposta (DRAPER, LIN, 1990).
48

3.3.4.3 Projetos Combinados
Em anlises iniciais, enquanto existem muitos fatores a serem considerados os

modelos de DOE buscam identificar apenas os impactos dos fatores principais.
Por isso, o modelo no necessita estimar todos os fatores e todas as interaes
existentes. Os fatores de rudo participam dos experimentos no modelo atravs do
impacto que exercem na variabilidade das respostas para determinadas
combinaes nos nveis dos fatores principais.
Aparentemente, ocorre uma diviso dos fatores principais e rudos em dois

conjuntos diferentes. No conjunto de fatores principais pode-se, por exemplo,
utilizar um tipo projeto para elaborar os experimentos, enquanto no conjunto de
fatores de rudo pode ter sido utilizado um outro projeto diferente. Aps a
elaborao de cada grupo, os experimentos podem ser combinados entre si para
elaborao de uma matriz experimental, que contempla tanto os fatores principais
quanto os de rudo.
A Figura 3-8 mostra o DOE combinado, onde so aplicados dois experimentos

para elaborao da matriz experimental final.
DOE
Combinado
Respostas
DOE para
fatores principais
DOE para
fatores de rudo
Figura 3-8 Metodologia de Aplicao do DOE Combinado
Muitos tipos diferentes de experimentos foram utilizados nesse contexto. Em 1987
Taguchi props um mtodo para analisar as relaes de dependncia entre os
fatores, levando em considerao a robustez do design. Deste modo, se um fator
49

principal fortemente influenciado por um fator definido como rudo, ento
possvel prever o comportamento e a variabilidade de uma determinada resposta,
encontrando qual o rudo que possui maior influncia sobre este fator.
O procedimento geral dessa tcnica criar um projeto baseado nos fatores

principais. Aps a definio do projeto para os fatores principais criado tambm
um projeto fatorial fracionado para os rudos. Para a formulao final de um
experimento necessrio incorporar a cada um dos X casos gerados pelo DOE 1
os Y casos gerados pelo DOE 2 . O nmero final de casos (Z) desse experimento
ser: Z X Y .
3.3.5 Definio das Etapas de Aplicao do DOE
importante esclarecer que o DOE utilizado nesse trabalho aplicado em

simulaes, portanto, o processo de elaborao da matriz experimental pode ser
realizado em etapas, diferente de aplicaes reais onde geralmente o projeto
realizado em uma nica etapa como em agricultura, por exemplo. O DOE para
simulao consegue reproduzir a mesma seqncia aleatria sem a necessidade
da replicao de experimentos.
Em cada uma das etapas do DOE deve ser escolhido o modelo mais simples que
possa capturar as caractersticas essenciais do sistema (KLEIJNEN et al., 2005).
As trs etapas definidas nesse trabalho so:
DOE Exploratrio: usado para reduzir o nmero de variveis de entrada

atravs da identificao dos fatores que possuem um efeito superior aos
demais sobre os parmetros de sada. Esta reduo leva a uma
simplificao na anlise, pois foca nas variveis que realmente influenciam
o processo de gerao das variveis de sada.
50
Verificao da Interao Entre as Variveis Principais Definidas :

realizado aps a etapa anterior para identificar as interaes existentes
entre os fatores principais, ou seja, verificar se a combinao dos fatores de
entrada possui uma influncia 12 no processo;
Elaborao Final da Matriz Experimental: so gerados nessa aplicao

o restante dos experimentos a serem simulados no programa NEWAVE
para composio final da amostra.
A Figura 3-9 mostra as trs aplicaes do DOE nesse trabalho.
1Aplicao
2Aplicao
3Aplicao
Identificao dos
Fatores Principais
Verificao das
Interaes entre
os Fatores
Elaborao Final
da Matriz
Experimental
DOE de PlackettBurman
DOE Fatorial
Fracionado
Combinao de
Experimentos
Figura 3-9 Procedimento de aplicao do DOE

O DOE escolhido define os tipos de experimentos a serem simulados em cada
etapa. Para cada fator, o DOE escolhido atribui nveis de mnimo e mximo em
cada experimento.
Para a primeira aplicao utilizado o DOE de Plackett-Burman para identificar

quais so os fatores principais e os de rudo do problema em questo. Na
segunda aplicao utilizado o projeto fatorial fracionado para capturar possveis
interaes entre os fatores principais, nessa abordagem os fatores definidos como
12
Essa influncia em alguns casos pode ser at maior do que o efeito da varivel isolada.
51

rudos na primeira etapa assumem valores mdios, havendo variao apenas nos
nveis dos fatores principais. Na terceira aplicao utilizada a combinao de
dois experimentos para incluir no projeto os fatores principais e tambm os
resduos. O DOE de Taguchi utilizado para os fatores principais e outro DOE
Fatorial Fracionado utilizado para os rudos. Nessa ltima etapa elaborada a
matriz de experimentos final.
3.4 Redes Neurais Artificiais
O primeiro trabalho sobre redes neurais artificiais (RNA) deve-se a McCulloch e

Pitts, em 1943, talvez inspirado pelos ento recentes avanos de Alan Turing e
John von Neumann sobre a natureza booleana da inteligncia (KOVACS, 1996).
As atividades dessa linha de pesquisa conduziram concepo do Perceptron por
Rosenblatt, em 1958 e a um modelo similar concebido por Widrow e Hoff, em
1960, conhecido como Adaline.
Basicamente, o Perceptron um elemento capaz de distinguir classes linearmente

separveis. Sua principal caracterstica baseia-se na apresentao de um
algoritmo de aprendizagem capaz de adaptar os pesos internos do neurnio de
maneira que seja capaz de resolver um problema de classificao linear.
Entretanto, o Perceptron possua uma limitao: a de que no conseguia
encontrar soluo para o problema do Ou exclusivo (XOR). Isto impactou
negativamente sobre o desenvolvimento da teoria das redes neurais, paralisando
seus estudos por um longo perodo.
A soluo para o problema do XOR j era conhecida. Bastava acrescentar mais

uma camada de neurnios rede (camada oculta). Porm, havia a necessidade
de se descobrir um algoritmo que fosse capaz de treinar os pesos dessas redes
multi-camadas de modo a classificar corretamente problemas complexos. A
soluo do problema deu-se, ento, com a descoberta por Rumelhart em 1986, do
52

algoritmo de retropropagao do erro (Backpropagation). A partir de ento, o
desenvolvimento da neurocomputao foi extremamente rpido e consistente.
De maneira geral, uma RNA uma mquina desenvolvida com o intuito de

modelar o procedimento que o crebro humano desenvolve uma determinada
atividade ou funo de interesse. Na Figura 3-10 apresentado o tipo de
modelagem desejada para essa forma alternativa de computao obtida atravs
das RNAs, que busca imitar o funcionamento do crebro humano na soluo de
problemas.
Figura 3-10 Modelagem Atravs das RNAs

Algumas caractersticas importantes so responsveis pela grande utilizao das
redes neurais hoje em dia. Dentre elas possvel destacar:
Aprendizado a partir de exemplos e adaptao a novas situaes;
Robustez (As RNAs podem no levar em considerao informaes de

dados com rudo, incompletos ou no precisos);
Generalizao a partir de exemplos (podem prover solues corretas para

dados similares, no vistos no treinamento)
Construo de solues rpidas sem muito domnio do conhecimento do

processo;
53
Aproximao de qualquer funo multivariada complexa (mal definida ou

desconhecida) e criao de decises de classificao a partir do
reconhecimento de padres discriminantes;
As RNAs so computacionalmente eficientes (tem a velocidade para operar

em tempo real).
A partir dessas caractersticas das redes surgem algumas habilidades importantes

que incluem: achar relacionamentos entre conjuntos de dados aparentemente no
correlacionados e depois construir um conjunto de informaes a partir deles;
encontrar relacionamentos que analistas humanos no podem descobrir devido
suas limitaes intrnsecas, quando por exemplo existem uma grande quantidade
de pontos; possuir maior habilidade e velocidade para analisar os conjuntos e
dados referidos acima do que os seres humanos (BALESTRASSI, 2000).
Devido a essas importantes caractersticas, as aplicaes das RNAs so
inmeras, tais como:
Reconhecimento de padres (reconhecimento de faces humanas);
Classificao de dados (reconhecimento tico de caracteres);
Previso (Previso de sries temporais, preo de energia, cotaes em

bolsas de valores);
Controle de processos e aproximao de funes;
Anlise e processamento de sinais;
Filtros contra rudos eletrnicos;
Avaliao de crdito.
Existem ainda diversas outras possibilidades de aplicao das redes neurais. As

pesquisas nessa rea esto em desenvolvimento contnuo sempre surgindo novas
aplicaes.
54
3.4.1 Fundamentos
Uma rede neural artificial (RNA) tem dois elementos importantes:
A arquitetura;
O algoritmo de aprendizagem.
De maneira distinta de um computador que programado, as redes so treinadas

atravs de exemplos. Evidentemente, o conhecimento sobre o problema est
guardado dentro dos exemplos que, obrigatoriamente, devem estar disponveis.
Em aplicaes de RNA para realizar previso de cargas, por exemplo, pode ser
utilizado como conjunto de treinamento, o histrico das observaes passadas de
demanda. Os algoritmos de aprendizagem generalizam estes dados e memorizam
o conhecimento dentro dos pesos, que so os parmetros ditos adaptveis da
rede.
Uma rede neural formada pela composio de neurnios, cujo processamento

consiste em uma combinao linear das entradas dessa rede com os pesos das
ramificaes, seguido pela passagem da combinao linear por uma funo de
ativao. As caractersticas do problema a ser resolvido definem as restries
quanto aos tipos de redes e algoritmos de aprendizagem.
O modelo de neurnio artificial de McCulloch e Pitts tenta simular o

comportamento de uma clula do sistema nervoso humano. As informaes
fornecidas por outros neurnios, tal como acontece na sinapse humana, acessam
D entradas x j no neurnio processador. O processamento consiste, ento, em
combinaes lineares das entradas, tal que:
55

D
Net w1 x1 w2 x2 w3 x3 ... wD xD w j x j wT x
Eq. 3.5
j 1
A cada entrada est associado um peso w j que reflete a importncia da entrada

x j . Se o somatrio das combinaes lineares ultrapassar um limiar , o neurnio
atribui o valor 1 sada binria y ; caso contrrio, y assume o valor zero.

A comparao do somatrio com o limiar realizada pela funo escada
(Heaveside), tal que ( x) 1 se x 0 e ( x) 0 em caso contrrio.
y ( w j x j )
Eq. 3.6
j 1
A Figura 3-11 apresenta o neurnio artificial de McCulloch e Pitts.
Figura 3-11 Neurnio de McCulloch e Pitts

H diferentes tipos de funes de ativao, a funo linear, por exemplo, produz
uma sada linear contnua; a funo escada, uma sada discreta e no linear
(binria) e a funo sigmoidal, uma sada no-linear contnua. A Figura 3-12
apresenta os tipos de funes de ativao.
56
Figura 3-12 Exemplos de Funes de Ativao
3.4.2 Topologias de Rede
O potencial e a flexibilidade das redes neurais esto intimamente relacionados

maneira como os neurnios esto conectados entre si. Deve-se ter em mente que
cada neurnio recebe, processa e transmite uma dada entrada.
As topologias podem ser classificadas quanto ao mtodo de propagao da

informao recebida. A Figura 3-13 lustra a topologia de propagao para frente
(feedfor ward) e as realimentadas. No caso da topologia de propagao para
frente, o fluxo da informao unidirecional. Ao conjunto de neurnios que
recebem informao em um mesmo instante atribui-se o nome de camada. Uma
rede pode ser formada por vrias camadas. As camadas que no esto ligadas s
entradas e nem s sadas denominam-se Camadas Ocultas.
57

Sadas
Realimentao
Entradas
Propagao para frente
Figura 3-13 Topologias de RNAs

O tipo de rede utilizada nesse trabalho a multilayer perceptron (MLP) que
explicada no ANEXO I, assim como o algoritmo de aprendizado Backpropagation
descrito no ANEXO II desse trabalho. Aps a definio do tipo de rede neural a ser
utilizada necessrio realizar o processo de treinamento. Isso significa que os
graus de liberdade que a rede dispe para solucionar a tarefa requerida tm que
ser adaptados de uma maneira tima, o que, tecnicamente, implica a modificao
dos pesos w j segundo algum algoritmo. Esta modificao se d na fase de
treinamento da rede mediante a utilizao de um conjunto T de n exemplos de
treino utilizando a aprendizagem supervisionada.
A aprendizagem supervisionada aquela na qual cada exemplo do conjunto de

treinamento est acompanhado pelo valor desejado. Isto significa que o conjunto T
tem n pares de exemplos ( x p , y p ) .
Um exemplo deste tipo de aprendizagem a regresso linear, onde o objeti vo a

determinao dos coeficientes linear e angular. O algoritmo utilizado tenta
minimizar a diferena entre y p e a resposta encontrada.
58
3.4.3 Metodologia de Aplicao das RNAs
Na aplicao de redes neurais soluo de problemas normalmente seguem-se

as seguintes etapas:
Definio de variveis: As variveis devem ser classificadas em variveis

independentes ou dependentes. Alm disso, deve-se verificar o grau de
influncia das variveis independentes sobre as dependentes para no
incluir variveis desnecessrias, gerando uma rede complexa.
Definio do conjunto de valores para as variveis de entrada e sada:

Geralmente necessria uma srie de valores para as entradas e sadas
(amostra). A nica precauo com valores discrepantes que podem
causar problema no desempenho das redes.
Seleo, teste e treinamento da rede: nesta etapa so definidas: topologias

das redes, funes de ativao e os mtodos de treinamento entre outros
parmetros. No caso particular deste trabalho, esta etapa do projeto foi
desenvolvida atravs do software STATISTICA.
Definio de um mtodo de teste da rede: Desenvolvimento de um mtodo

para verificar a necessidade de ajustes futuros a serem desenvolvidos nas
redes neurais. Este procedimento normalmente co nhecido como
backtest.
As duas primeiras etapas so realizadas pelo DOE que identifica as variveis

principais do NEWAVE, e tambm gera a amostra para o treinamento das redes
neurais. A terceira etapa, que trata da elaborao das RNAs, est descrita nos
59

prximos itens desse captulo e a ltima etapa ser apresentada no captulo de
resultados.
3.4.4 Redes Neurais: Caractersticas do STATISTICA
O software STATISTICA possui uma ferramenta de elaborao de redes neurais

chamada: STATISTICA Neural Networks (SNN). O SNN um pacote para anlise
de dados poderoso, extremamente rpido, de fcil compreenso, que reflete
integralmente o estado da arte em Redes Neurais Artificiais. Suas principais
caractersticas so:
1. Recursos de Pr-Processamento e Ps-Processamento
Os Recursos de Pr-Processamento e Ps-Processamento incluem

ferramentas capazes de selecionar, codificar (transforma variveis
nominais em numricas), escalonar e normalizar (padronizar) um
conjunto de dados, com interpretao para problemas de classificao,
cluster, regresso ou sries temporais.
2. Intelligent Problem Solver IPS
O IPS um mdulo de fcil uso e de grande poder de anlise que guia o

usurio em um processo que vai desde a construo de uma gama de
diferentes redes at a escolha daquela que demonstra ter o melhor
desempenho. Ressalta-se que com os softwares tradicionais, como o
MATLAB, por exemplo, esta seria uma longa tarefa, baseada em
tcnicas de tentativa e erro, e que requereria um profundo conhecimento
prvio da teoria das RNAs.
3. Input Feature Selection
60

Acredita-se
comumente,
que
quanto
maior
for
nmero
de
caractersticas de uma srie de dados, melhor ser sua representao

e, portanto, melhor ser o desempenho do sistema classificador.
Entretanto, o excesso de caractersticas torna a representao de um
problema mais difusa, dificultando o aprendizado e piorando o
desempenho dos sistemas reconhecedores de padres. Alm disso,
implica um aumento da carga computacional necessria, bem como
pode incluir variveis redundantes.
Para contornar este problema comum adotar-se a Reduo de

Dimensionalidade atravs da tcnica de Anlise de Componentes
Principais (PCA). A Anlise de Componentes Principais, tambm
conhecida como a Transformada de Karhunen-Love (KL), constitui um
mtodo
clssico
de
anlise
multivariada
para
reduo
de
dimensionalidade (STATISTICA, 2006). Geometricamente, consiste em

representar um vetor de parmetros em um novo sistema de
coordenadas ortogonais, cujos eixos so orientados nas direes de
maior varincia dos dados originais (Componentes Principais, CP).
Tomando-se
apenas
os
primeiros
CPs,
que
maximizam
representao da varincia total, pode-se desprezar as demais sem

perda significativa da informao contida nos parmetros originais. O
STATISTICA realiza este procedimento atravs da funo Input Feature
Selection.
4. Otimizao
O SNN apresenta o estado da arte em algoritmos de treinamento

otimizados (Backpropagation, Conjugate Gradient Descent, LevenbergMarquardt, etc), alm de total controle sobre todos os aspectos que
influenciam o desempenho da rede, tais como funes de ativao e
erro, ou como a complexidade da rede. Por ter muitas arquiteturas de
61

RNAs, o SNN um suporte para inmeras combinaes de redes e
arquiteturas de tamanhos praticamente ilimitados.
5. Muitas arquiteturas de RNAs
6. Grande Feedback aps treinamento e teste das RNAs
A funo Application Programming Interface (API) permite conexes de

solues com outros softwares, tais como Visual Basic, Delphi, C, C++ ,
etc. Uma rede criada e treinada no STATISTICA pode ser executada em
outro aplicativo.
7. Application Programming Interface (API)
O SNN pode ser utilizado separadamente (Stand-alone package), assim

como pode estar integrado com o sistema STATISTICA, o que inclui a
transferncia direta de dados e grficos para anlises posteriores.
8. Uso Stand-alone
9. Arquitetura Hbridas
O ANEXO III apresenta o procedimento de elaborao das redes neurais no

software STATISTICA.
62
CAPTULO 4 ELABORAO DO MODELO PROPOSTO
4 ELABORAO DO MODELO PROPOSTO
4.1 Introduo
Este captulo ir apresentar o modelo desenvolvido para desenhar as redes

neurais que substituiro o NEWAVE. Podemos definir o modelo em trs etapas.
Primeiro, so elaborados os cenrios que definiro as execues das variveis de
entrada do programa NEWAVE atravs de uma definio de limites de mnimo e
mximo.
Em seguida o DOE utiliza os limites definidos na etapa anterior para definir o

conjunto de experimentos, ou seja, simulaes do NEWAVE. Nessa definio dos
casos que serviro de amostra para as RNAs, so identificadas quais as variveis
de entrada que possuem maior influncia sobre as respostas.
Aps a definio da amostra, so feitas as simulaes com o NEWAVE e

tabelados os resultados para o treinamento das redes neurais.
4.2 Modelagem do Sistema Hidroeltrico Atravs do NEW AVE
O sistema eltrico brasileiro apresenta caracterstica hidrotrmica, fazendo com

que esteja presente na simulao da operao um elevado nmero de
parmetros. Para cada valor assumido por estes fatores tem-se um cenrio
diferente, que leva a uma poltica de operao do sistema distinta.
O programa NEWAVE realiza manipulaes destes fatores e fornece as variveis

ou parmetros de sada, que compem a poltica de operao. Dependendo do
63

parmetro de sada em estudo, tm-se os fatores de entrada de maior influncia.
Os parmetros de sada em estudo nesse trabalho so:
Custo Marginal de Operao CMO
Energia Final Armazenada EARM
Gerao Hidrulica Final GH
Risco de Dficit dos Submercados Rd
Como o objetivo da proposta desenvolver um modelo de simulao do preo

spot da energia eltrica, surge a dvida de quais variveis devem ser adotadas
para a construo deste simulador. Alguns modelos utilizam a opinio de
especialistas que atuam diretamente no setor, definindo, assim, as principais
variveis que podem ser utilizadas. No entanto, esta abordagem ainda continua
sendo subjetiva.
Para anlise dessas variveis de sada foram consideradas as seguintes entradas

do programa:
Nveis de reservatrios;
Energia natural afluente;
Preos dos combustveis para as usinas trmicas;
Entrada de novos projetos de gerao;
Demanda ou mercado de energia;
Taxa anual de crescimento da demanda;
Disponibilidades de equipamentos de gerao e transmisso.
Alm das variveis citadas, existem outras que tambm podem afetar os
parmetros de sada, so os limites de intercmbio entre os submercados, o custo
de dficit e parmetros do prprio NEWAVE, tais como a ordem mxima do
modelo de gerao das sries sintticas de energia afluente e o nmero de
64

cenrios (MEDEIROS, 2003). Estas variveis sero consideradas como internas
ao programa.
Para esse trabalho, as variveis esto relacionadas com o caso base do NEWAVE
do ms de agosto de 200613. A partir dos valores presentes nesse caso, so
definidos alguns procedimentos para a modelagem dos limites das variveis do
sistema.
A abordagem utilizada pelo NEWAVE para a operao do sistema eltrico

brasileiro consiste em separar os componentes do sistema em mdulos. Deste
modo, existem mdulos aplicados s usinas hidreltricas, s trmicas, demanda
e interrupo de fornecimento de energia. Nesta seo so apresentados os
mdulos, os registros onde cada caracterstica do sistema pode ser manipulada e
os limites definidos para cada uma das variveis de entrada.
4.2.1 Sistema de Gerao Hidreltrico
Os
principais
parmetros
serem manipulados
para
as
caractersticas
hidroeltricas so os volumes iniciais dos reservatrios. Devido existncia de um

grande nmero de reservatrios e pelo fato destes poderem assumir diversos
estados, fica invivel a definio de uma varivel para cada reservatrio. Sendo
assim, todos os reservatrios foram agregados em um reservatrio equivalente de
maneira semelhante ao que existe no NEWAVE para cada submercado 14.
As variveis que representam o volume dos reservatrios dos submercados foram

modeladas com o objetivo de reproduzir perodos de seca (volume baixo) e
perodos de grandes afluncias (volume elevado). Para essa varivel foram
considerados os valores de mnimo e mximo de acordo com a Tabela 4-1.
13
O caso base de agosto de 2006 foi obtido na pgina da CCEE www.ccee.org.br

O reservatrio equivalente de cada submercado dado pela soma dos reservat rios de cada
usina definida neste submercado.
14
65
Tabela 4-1 Limites da varivel volume do reservatrio para os submercados

ReSub1
ReSub2
ReSub3
ReSub4
Mnimo
20,00%
20,00%
20,00%
20,00%
Mximo
90,00%
90,00%
90,00%
90,00%
4.2.2 Sistema de Gerao Trmico
Para as variveis referentes ao custo das classes trmicas foi realizado o

somatrio dos valores em R$/MWh das usinas participantes de cada classe
trmica.
Aps a obteno dos valores adotou-se uma variao nos custos dos
combustveis de -5% a +20% para se definir os limites de mnimo e mximo para
cada uma das variveis referentes ao custo das usinas trmicas. A Tabela 4-2
mostra os limites (em R$/MWh) adotados para cada uma das variveis das
classes trmicas.
Tabela 4-2 Limites das variveis - Custo das classes trmicas

CO
CG
CC
CD
Mnimo
488,52
110,16
142,53
591,38
Mximo
617,08
139,15
180,04
747,00
A indisponibilidade das usinas trmicas (varivel ITS) possui dois fatores distintos
a serem considerados: TEIF e IP (ambos em %), que representam a taxa de
indisponibilidade forada e a taxa de indisponibilidade programada de cada usina
trmica. A soma desses dois fatores multiplicada pela potncia da usina
representa a indisponibilidade de potncia (em MW ano) da mesma durante o ano.
66
Para a definio da indisponibilidade de potncia de cada submercado realizado

o somatrio das indisponibilidades de todas as usinas pertence ntes ao
submercado. Desse valor obtido para cada submercado foi considerado um
percentual de -20% e +20% para definir, respectivamente, os valores mnimos e
mximos para essas variveis. A Tabela 4-3 mostra os valores de mnimo e
mximo adotados para a indisponibilidade de potncia das usinas trmicas.
Tabela 4-3 Limites de Mnimo e Mximo para a ITS de cada Submercado

ITS1
ITS2
ITS3
Mnimo
505,16
326,01
93,41
Mximo
757,74
489,01
140,11
No Submercado Norte no existem usinas trmicas, portanto o NEWAVE no

possui varivel de entrada relacionada ao ITS4.
4.2.3 Demanda ou Mercado de Energia
O mercado de energia dos submercados representado por blocos (potncia;

durao) ao longo de um estgio. Prev-se at trs patamares de demanda por
estgio no modelo NEWAVE.
Para a definio dos limites de mnimo e mximo da demanda de cada

submercado foi considerado o mercado anual de cada sistema 15 referente ao caso
base do programa NEWAVE de agosto de 2006. Utilizando esses valores mdios
anuais adotou-se uma incerteza de -5% na definio dos valores mnimos para a
demanda dos submercados e de +10% para os valores mximos. A Tabela 4-4
15
obtido atravs do somat rio dos mercados mensais (de agosto de 2006 a julho de 2007)
dividido por 12 (nmero de meses).
67

mostra os limites adotados para a demanda de energia em cada submercado (em
MW ms).
Tabela 4-4 Limites para o mercado de energia de cada submercado

Sub1
Sub2
Sub3
Sub4
Mnimo
30113,18
7801,8
6879,19
3259,37
Mximo
34867,89
9033,66
7965,38
3774,01
Alm disso, foi inserida uma nova varivel, Taxa de Crescimento do Mercado,
para auxiliar o crescimento da demanda ao longo dos anos. O mercado de energia
representado no NEWAVE para cinco anos de estudo . A varivel taxa de
crescimento do mercado tem o objetivo de representar o crescimento da demanda
em cada ano. O valor de 2% foi atribudo ao crescimento mnimo da demanda e
6% ao mximo.
4.2.4 A Expanso da Oferta de Energia
A entrada de novos empreendimentos de gerao trmica e hidrulica

corresponde expanso da oferta de energia. Na definio dos limites de mximo
para a expanso de gerao hidrulica foi considerado o somatrio de toda a
potncia a ser implantada no sistema at o final do ano de 2010 16, considerando
que todos os projetos de gerao iro entrar em operao nas datas estabelecidas
no cronograma do caso base. Para o valor mnimo de cada submercado foi
alterado o cronograma de entrada de alguns novos projetos de gerao (retirada
de algumas usinas objetivando gerar cenrios de expanso pessimistas) A Tabela
4-5 apresenta os valores (em MW) para a expanso da oferta hidrulica dos
submercados.
16
Ano final de estudo do programa NEWAVE para o caso base de agosto de 2006.
68
Tabela 4-5 Limites das Variveis ExpHS

ExpHS1
ExpHS2
ExpHS3
ExpHS4
Mnimo
1675,8
1119,9
495,8
Mximo
3765,1
2039,9
440
1245,8
De maneira semelhante foi possvel obter os valores de mximo e mnimo para a

expanso da oferta de gerao de energia trmica dos submercados. A Tabela
4-6 apresenta os valores para essas variveis.
Tabela 4-6 Limites das Variveis ExpTS para os Submercados

ExpTS1
ExpTS2
ExpTS3
Mnimo
1644,8
1270,77
2588
Mximo
5538,13
2202,77
3904,23
4.2.5 Energia Afluente
possvel construir uma srie histrica de energias afluentes ao reservatrio

equivalente a partir dos registros histricos de vazes naturais afluentes de cada
usina hidroeltrica. Como o comprimento da srie histrica limitado 17, o
programa ajusta um modelo estocstico para produzir sries sintticas de energia
afluente que so empregadas no clculo da poltica tima e simulao da
operao.
A definio dos limites mnimo e mximo para a energia afluente dos

submercados foi realizada utilizando-se as sries histricas mensais de 1931 a
2005. A partir dos dados referentes aos 74 anos foi feita uma anlise estatstica no
17
Os valores para os 74 anos de afluncias do perodo: 1931 2005 foram utilizados.
69

histrico de valores para cada submercado. A Figura 4-1 apresenta a anlise
estatstica realizada para a varivel VEaf do submercado sudeste.
Figura 4-1 Anlise Estatstica para a Varivel VEaf1
Os valores de mnimo e mximo foram estipulados no primeiro e terceiro quartil do

intervalo de dados para cada submercado. A Tabela 4-7 apresenta os valores
mnimo e mximo estipulados para a VEaf dos submercados (em MW ms).
Tabela 4-7 Limites da Varivel Energia Afluente de Agosto para os Submercados

VEaf1
VEaf2
VEaf3
VEaf4
Mnimo
19384
3535,8
3768,3
1895,8
Mximo
42054
8735,5
12004,5
9302,8
4.2.6 Variveis de Sada do NEWAVE
70

A simulao do NEWAVE fornece um conjunto de variveis, sendo definidas neste
trabalho as seguintes:
Custo Marginal por submercado para cada patamar: a energia vendida

no
mercado
de
curto
prazo,
ou
seja,
energia
originada
do
desbalanceamento entre a oferta e a demanda e que pode ser

comercializada no mercado de curto prazo. O custo marginal18
determinado para cada submercado e para cada patamar de carga
(pesado, mdio e leve).
Gerao Hidrulica por submercado para cada patamar: a energia

fornecida ao sistema, atravs do deplecionamento dos reservatrios
corresponde energia hidrulica gerada. Esta varivel importante, pois
medida que utilizada a gua dos reservatrios para o atendimento da
demanda, o custo imediato decresce e o custo futuro tende a aumentar.
Energia Armazenada Final por submercado: a gua armazenada no

reservatrio, depois de fornecida a energia hidrulica necessria para
atendimento da demanda do sistema, que pode ser convertida em energia
definida como energia armazenada final. Esta varivel define o estado em
que se encontra o reservatrio aps o despacho.
Risco de Dficit por submercado: dependendo da afluncia, em

determinados perodos a energia requerida pode no ser suprida,
ocorrendo cortes de carga representando dessa forma o dficit de energia
em um determinado sistema. A varivel que, com base em determinados
cenrios, fornece a probabilidade de ocorrncia de dficit para cada
submercado chamada risco de dficit.
18
O custo marginal uma das variveis obtidas pelo NEWAVE mais investigadas e o foco
principal dessa dissertao.
71
A Tabela 4-8 apresenta as 32 variveis de sada do programa NEWAVE

analisadas nesse trabalho.
Tabela 4-8 Variveis de Sada do Programa NEWAVE

Nomenclatura
Cmo11
Cmo12
Cmo13
Cmo21
Cmo22
Cmo23
Cmo31
Cmo32
Cmo33
Cmo41
Cmo42
Cmo43
GH11
GH12
GH13
GH21
GH22
GH23
GH31
GH32
GH33
GH41
GH42
GH43
EARMF1
EARMF2
EARMF3
EARMF4
Rsud
Rs
Rnste
Rn
Definio da Varivel
Custo marginal de operao de operao do Sudeste para o patamar pesado.
Custo marginal de operao do Sudeste para o patamar mdio.
Custo marginal de operao do Sudeste para o patamar leve.
Custo marginal de operao do Sul para o patamar pesado.
Custo marginal de operao do Sul para o patamar mdio.
Custo marginal de operao do Sul para o patamar leve.
Custo marginal de operao do Nordeste para o patamar pesado.
Custo marginal de operao do Nordeste para o patamar mdio.
Custo marginal de operao do Nordeste para o patamar leve.
Custo marginal de operao do Norte para o patamar pesado.
Custo marginal de operao do Norte para o patamar mdio.
Custo marginal de operao do Norte para o patamar leve.
Gerao hidrulica do Sudeste para o patamar pesado.
Gerao hidrulica do Sudeste para o patamar mdio.
Gerao hidrulica do Sudeste para o patamar leve.
Gerao hidrulica do Sul para o patamar pesado.
Gerao hidrulica do Sul para o patamar mdio.
Gerao hidrulica do Sul para o patamar leve.
Gerao hidrulica do Nordeste para o patamar pesado.
Gerao hidrulica do Nordeste para o patamar mdio.
Gerao hidrulica do Nordeste para o patamar leve.
Gerao hidrulica do Norte para o patamar pesado.
Gerao hidrulica do Norte para o patamar mdio.
Gerao hidrulica do Norte para o patamar leve.
Energia armazenada final do Sudeste.
Energia armazenada final do Sul.
Energia armazenada final do Nordeste.
Energia armazenada final do Norte.
Risco de dficit do Sudeste.
Risco de dficit do Sul.
Risco de dficit do Nordeste.
Risco de dficit do Norte.
4.3 DOE Aplicado ao NEWAVE
A principal dificuldade quando se utiliza o NEWAVE para gerar cenrios a

definio de quais variveis possuem maior influncia sobre determinadas sadas.
A definio do grau de influncia de uma varivel sobre a outra importante para
72

a construo de uma boa amostra para elaborao de um simulador do custo
marginal utilizando redes neurais que apresente resultados similares ao NEWAVE.
O DOE realiza o planejamento das simulaes e analisa as influncias das

variveis de entrada sobre as respostas, bem como o efeito conjunto (interao)
das variveis de entrada. A Figura 4-2 apresenta a metodologia adotada para a
aplicao do projeto de experimentos ao NEWAVE.
Mercado de Energia
Custo Marginal
Taxa de Crescimento
Energia Afluente
Energia Final Armazenada
Nvel de Reservatrio
Gerao Hidrulica
Custo de Combustivel
Indisponibilidade
Expanso Hidrulica
Risco de Dficit
Expanso Trmica
Figura 4-2 Aplicao do DOE ao NEWAVE

O DOE determina quais os casos devem ser simulados com base nos valores
assumidos pelas variveis de entrada (X), para depois analisar o conjunto de
parmetros de sada (Y), que pode ser, por exemplo, o custo marginal de
operao. A partir dos valores assumidos pelos parmetros de sada possvel
verificar a relao de dependncia y = f(x). A aplicao do DOE feita em trs
aplicaes distintas, descritas nos itens a seguir.
4.3.1 Primeira Aplicao do DOE
73

Conforme j mencionado existem vinte e sete variveis de entrada e trinta e duas
variveis de sada. Para realizar a identificao dos fatores principais utilizou-se o
DOE de Plackett-Burman no software MINITAB.
Aps a definio do tipo de projeto de experimentos e o nmero de variveis a

serem manipuladas, o prximo passo consiste em decidir qual o nmero
necessrio de experimentos a ser utilizado em cada etapa. Para essa etapa,
devido aos 27 fatores de entrada foram definidos 36 experimentos para serem
simulados no NEWAVE.
Aps a definio do nmero de experimentos, o software gera uma planilha com

os valores dos fatores para cada um dos casos, alternando os nveis dos fatores
entre seus valores de mnimos e mximos. Cada um dos casos foram modelados
e simulados no NEWAVE para que os resultados fossem obtidos e analisados
nessa etapa do experimento. A Tabela 4-9 mostra uma parte da planilha de casos
gerados pelo MINITAB e simulados no NEWAVE para a primeira aplicao do
DOE.
Tabela 4-9 Cenrios Gerados para o Plackett-Burman

Cenrio
Sub1
Sub2
Sub3
...
Taxa
...
Cm o11
Cm o12
Cm o13
...
1
2
3
4
5
6
7
...
30113,2
30113,2
30113,2
34867,9
30113,2
34867,9
30113,2
...
9033,66
7801,80
7801,80
7801,80
7801,80
9033,66
9033,66
...
7965,38
6879,19
7965,38
7965,38
6879,19
7965,38
7965,38
...
...
...
...
...
...
...
...
...
0,02
0,02
0,06
0,06
0,02
0,06
0,06
...
...
...
...
...
...
...
...
...
7,45
316,76
39,94
230,01
934,55
160,42
107,56
...
7,45
316,76
39,94
183,8
934,55
157,02
103,06
...
7,44
316,3
39,88
183,52
932,95
156,77
102,09
...
...
...
...
...
...
...
...
...
Pode-se perceber que o nmero de respostas elevado, o que dificulta a anlise,

no entanto, um tratamento desses dados facilita esse processo. Esse tratamento
consiste em verificar a correlao 19 entre as sadas, ou seja, determinar o grau da
relao existente entre duas ou mais variveis.
19
Quando duas variveis possuem um coeficiente de c orrelao prximo de um, isto significa que
estas variveis apres entam um comport ament o muito semelhante, ou seja, a presena de um
terceiro fator que afeta uma delas influenciar a outra tambm.
74
Com a determinao da correlao possvel agrupar as variveis atravs da

similaridade existente entre elas, conforme apresentado na Tabela 4-10.
Tabela 4-10 Correlao Entre as Variveis de Sada

Grupo 1
Grupo 2
Grupo 3
Grupo 4
Grupo 5
Cmo11
Cmo31
Cmo41
Rsd
Earmf4
Cmo12
Cmo32
Cmo42
Rs
Cmo13
Cmo33
Cmo43
Rnt e
Cmo21
Earmf3
Gh41
Rn
Cmo22
Gh31
Gh42
Cmo23
Gh32
Gh43
Earmf1
Gh33
Gh11
Gh12
Gh13
Gh21
Gh22
Gh23
O objetivo principal do Plackett-Burman identificar quais so as variveis que

possuem maior influncia nos parmetros de sada. A principal ferramenta
utilizada para a anlise dessas influncias o diagrama de Pareto para os efeitos
dos fatores (Gibbons, 1986).
O diagrama de Pareto permite a comparao da magnitude relativa dos fatores.

Neste grfico, h uma linha vertical que uti lizada para determinar quais fatores
ou interaes so realmente importantes, pois qualquer efeito que se estende
alm desta linha de referncia considerado significante.
Foram analisadas apenas uma das variveis de cada grupo (a mais fortemente
correlacionada com as demais). A Figura 4-3 mostra o diagrama de Pareto para o
Grupo 1 representado pela varivel de sada Cmg11.
75
Pareto Chart of the Standardized Effects

(response is Cmg11, Alpha = ,05)
Term
2,306
ReSub1
VEaf1
ReSub4
VEaf2
Sub2
ExpHS3
VEaf4
VEaf3
CO
ITS2
ExpTS3
Sub1
ITS3
ExpTS2
ExpHS4
CD
ExpHS2
Taxa mercado
CG
ExpTS1
ReSub2
ReSub3
ITS1
Sub3
ExpHS1
Sub4
CC
3
4
Standardized Effect
Figura 4-3 Diagrama de Pareto para o Grupo 1 DOE Plackett Burman

O mtodo que o MINITAB usa para desenhar o diagrama de Pareto dos efeitos
depende dos graus de liberdade. O MINITAB identifica os efeitos importantes no
Diagrama de Pareto pela distncia de Lenths (PSE). A linha vertical do D iagrama
de Pareto estabelecida na margem de erro (ME), determinada por:
ME t PSE
Eq. 4.1
Onde t (1 / 2, =0,05 nesse caso) quartil de uma distribuio t com o nmero

de graus de liberdade igual a razo do nmero de efeitos por 3.
O termo PSE calculado pelo MINITAB atravs de quatro passos descritos a

seguir:
1. Calcula-se o valor absoluto de cada efeito;

2. Calcula-se S, que 1.5 * mediana dos efeitos do primeiro passo;
3. Calcula-se a mediana dos efeitos menores que 2.5 * S;
76

4. Calcula-se PSE, que 1.5 * a mediana calculada no passo 3.
As variveis que ultrapassam a linha vertical no diagrama, so as que possuem

maior influncia sobre as respostas do grupo analisado. Nesse caso as variveis
de maior importncia para a sada Custo Marginal do Sudeste por ordem de
influncia nas respostas so: Nvel de Reservatrio do Submercado Sudeste
(ReSub1) e Energia Afluente do Submercado Sudeste (VEaf1).
A Tabela 4-11 apresenta as variveis principais definidas pela primeira aplicao

do DOE.
Tabela 4-11 Variveis principais definidas na 1 aplicao do DOE

N.
10
11
12
13
14
Variv el
Sub1
Sub2
Sub3
Taxa
VEaf 1
VEaf 4
ReSub 1
ReSub 2
ReSub 3
ReSub 4
CO
ITS2
ExpTS1
ExpTS2
4.3.2 Segunda Aplicao do DOE
Aps a obteno dos 14 fatores principais na primeira aplicao do DOE, o

prximo passo a execuo do planejamento fracionado para tentar verificar
possveis interaes entre os fatores principais.
Para essa etapa do DOE, foram definidos mais trinta e seis experimentos para
serem simulados no NEWAVE. Os primeiros 32 casos devem-se a expresso
2149 32 do fatorial fracionado, que define um projeto de resoluo IV e mais
quatro experimentos formulados com a utilizao de blocos20. A Figura 4-4 mostra

a criao do projeto fatorial fracionado para as 14 variveis principais no software
MINITAB.
20
A blocagem uma tcnica que considera a influncia de fatores externos ao ex perimento. Um

bloco consiste numa parte do experimento completo, que se presume ser mais uniforme do que o
todo, devido a condies mais controladas do que se fosse aleatorizadas. Um bloco
estatisticamente significativo demonstra que uma condio experiment al heterognea.
77
Figura 4-4 Criao do Fatorial Fracionado
Aps a elaborao da matriz com 36 diferentes experimentos para os fatores

principais, tambm necessrio considerar para a simulao no programa
NEWAVE os 13 fatores de rudo (fatores restantes do conjunto de entrada aps a
identificao dos 14 principais). Para esses fatores foram adotados em todos os
36 casos valores mdios21 entre o mximo e o mnimo de cada uma delas.
Atravs da segunda aplicao do DOE foram obtidas as variveis de respostas

correlacionadas, de maneira semelhante a que ocorreu na primeira aplicao. Do
mesmo modo, para facilitar a anlise, as variveis foram agrupadas por critrio de
correlao. A Figura 4-5 mostra o diagrama de Pareto para o Grupo 1 de variveis
de sada.
21
A no ser para as variveis VEaf2 e VEaf3 que foram modeladas de acordo c om os valores das
medianas de seus histricos.
78
Pareto Chart of the Standardized Effects

(response is Cmg11, Alpha = ,05)
Term
3,182
AJ
AM
G
AL
AN
E
AO
AK
H
D
F
C
J
A
M
AD
B
AF
AG
AC
K
O
CO
CL
N
AH
L
AE
F actor
A
B
C
D
E
F
G
H
J
K
L
M
N
O
2
Standardized Effect
N ame
S ub1
S ub2
S ub3
Taxa mercado
V E af1
V E af4
ReS ub1
ReS ub2
ReS ub3
ReS ub4
CO
ITS 2
E xpTS 1
E xpTS 3
Figura 4-5 Diagrama de Pareto para o Grupo1 DOE Fatorial Fracionado

Percebe-se, atravs do grfico de Pareto da Figura 4-5, que as principais variveis
que possuem maior influncia sobre o Grupo 1 so:
Sub1 (Mercado de Energia do Sudeste);
ReSub3 (Volume inicial do reservatrio do Nordeste);
ITS2 (Indisponibilidade das Trmicas do Sul);
ReSub1 (Volume inicial do reservatrio do Sudeste).
Pode-se notar as interaes entre os fatores principais, como o volume inicial do

reservatrio do Nordeste e o mercado de energia do Sudeste que possuem
influncia sobre o Grupo 1.
A anlise pelo Pareto somente uma anlise visual, ou seja, as variveis que
ultrapassam a linha tracejada possuem efeitos principais sobre as variveis de
sada. No entanto, para determinar quo forte esta influncia pode-se realizar
uma anlise do valor p, ou seja, a probabilidade associada de que se est
79

cometendo um erro ao considerar que a varivel escolhida possui influncia sobre
o parmetro de sada.
A Tabela 4-12 mostra os valores p associados ao efeito de cada varivel. As

variveis que possuem maior efeito sobre o parmetro de sada possuem os pvalues menores (<0,05).
Tabela 4-12 Valores p das Variveis de Influncia no Grupo 1

Factorial Fit: Cmg11 versus Block; Sub1; Sub2;
Estimated Effects and Coefficients for Cmg11 (coded units)
Term
Constant
Block
Block
Block
Sub1
Sub2
Sub3
Taxa mercado
VEaf1
VEaf4
ReSub1
ReSub2
ReSub3
ReSub4
CO
ITS2
ExpTS1
ExpTS3
Sub1*Sub3
Sub1*Taxa mercado
Sub1*VEaf1
Sub1*VEaf4
Sub1*ReSub1
Sub1*ReSub2
Sub1*ReSub3
Sub1*ReSub4
Sub1*CO
Sub1*ITS2
Sub1*ExpTS1
Sub1*ExpTS3
Sub3*CO
Sub3*ExpTS3
Ct Pt
Effect
178,35
1
2
3
40,86
37,65
-57,61
71
102,86
-71
-125,88
91,69
-57,17
-8,92
1,34
-40,09
-3,95
6,33
25,36
-39,3
-0,53
27,18
-25,38
2,01
-138,07
-96,8
105,28
-135,91
-104,37
99,71
-5,36
5,67
Coef
SE Coef
18,82
9,48
-61,28
30,74
148,61
30,74
-60,69
30,74
20,43
18,82
18,83
18,82
-28,8
18,82
35,5
18,82
51,43
18,82
-35,5
18,82
-62,94
18,82
45,84
18,82
-28,59
18,82
-4,46
18,82
0,67
18,82
-20,04
18,82
-1,97
18,82
3,16
18,82
12,68
18,82
-19,65
18,82
-0,27
18,82
13,59
18,82
-12,69
18,82
1
18,82
-69,03
18,82
-48,4
18,82
52,64
18,82
-67,95
18,82
-52,18
18,82
49,85
18,82
-2,68
18,82
2,83
18,82
-84,31
56,47
T
0,002
-1,99
4,83
-1,97
1,09
1
-1,53
1,89
2,73
-1,89
-3,34
2,44
-1,52
-0,24
0,04
-1,06
-0,1
0,17
0,67
-1,04
-0,01
0,72
-0,67
0,05
-3,67
-2,57
2,8
-3,61
-2,77
2,65
-0,14
0,15
-1,49
P
0,14
0,017
0,143
0,357
0,391
0,223
0,156
0,072
0,156
0,044
0,093
0,226
0,828
0,974
0,365
0,923
0,877
0,549
0,373
0,99
0,522
0,549
0,961
0,035
0,082
0,068
0,036
0,069
0,077
0,896
0,89
0,232
Atravs da anlise para as demais variveis dos demais grupos, foi possvel
verificar que todas as 14 variveis de entrada possuem efeito sobre os parmetros
de sadas, seja atravs da interao com outras variveis ou isoladamente.
4.3.3 Terceira Aplicao do DOE
80

Na terceira aplicao do DOE foi utilizado a combinao de dois experimentos, um
para os fatores principais e outro para os resduos. O mtodo de experimentos
Taguchi utilizado para os fatores principais. Esse mtodo analisa a relao de
dependncia entre os fatores. Deste modo possvel prever o comportamento e a
variabilidade de uma determinada resposta, sabendo-se qual fator de rudo possui
maior influncia sob esta varivel.
Para a construo dos novos cenrios, inicialmente, preciso definir o nmero de

experimentos para os fatores principais definidos nas aplicaes anteriores. A
Figura 4-6 mostra a seleo do tipo de experimento para as 14 variveis principais
definidas em dois nveis (mnimo e mximo) no software MINITAB.
Figura 4-6 Definio do Taguchi para os fatores principais

A Figura 4-6 mostra que de 2 a 15 fatores em dois nveis (mnimo e mximo) so
necessrios 16 diferentes formulaes de experimentos para simulao. Aps a
criao desses casos foi inserido nos nveis de mnimo e mximo das variveis
principais um fator aleatrio 22 determinado pela amplitude dos limites das
variveis. A Tabela 4-13 mostra a planilha de experimentos gerada para os fatores
principais.
22
Esse fator aleatrio foi includo a fim de que, no treinamento, as redes neurais no capturem um
comport amento discreto (apenas valores mnimos e mximos) das variveis de entrada, o que iria
prejudicar o modelamento do processo.
81
Tabela 4-13 Experimentos gerados para os fatores principais

Sub1
Sub2
Sub3
Taxa VEaf1
VEaf4
Re
Re
Re
Re
Sub1 Sub2 Sub3 Sub4
CO
ITS2
Exp
TS1
Exp
TS3
30113,2 7801,8 6879,19
0,02 19384 1895,8
0,2
0,2
0,2
0,2 5373,77 326,01
1645 2588
30113,2 7801,8 6879,19
0,02 19384 1895,8
0,2
0,9
0,9
0,9 6787,92 489,01
5538 3904
30113,2 7801,8 6879,19
0,06 42054 9302,8
0,9
0,2
0,2
0,2 5373,77 489,01
5538 3904
30113,2 7801,8 6879,19
0,06 42054 9302,8
0,9
0,9
0,9
0,9 6787,92 326,01
1645 2588
30113,2 9033,7 7965,38
0,02 19384 9302,8
0,9
0,2
0,2
0,9 6787,92 326,01
1645 3904
30113,2 9033,7 7965,38
0,02 19384 9302,8
0,9
0,9
0,9
0,2 5373,77 489,01
5538 2588
30113,2 9033,7 7965,38
0,06 42054 1895,8
0,2
0,2
0,2
0,9 6787,92 489,01
5538 2588
30113,2 9033,7 7965,38
0,06 42054 1895,8
0,2
0,9
0,9
0,2 5373,77 326,01
1645 3904
34867,9 7801,8 7965,38
0,02 42054 1895,8
0,9
0,2
0,9
0,2 6787,92 326,01
5538 2588
34867,9 7801,8 7965,38
0,02 42054 1895,8
0,9
0,9
0,2
0,9 5373,77 489,01
1645 3904
34867,9 7801,8 7965,38
0,06 19384 9302,8
0,2
0,2
0,9
0,2 6787,92 489,01
1645 3904
34867,9 7801,8 7965,38
0,06 19384 9302,8
0,2
0,9
0,2
0,9 5373,77 326,01
5538 2588
34867,9 9033,7 6879,19
0,02 42054 9302,8
0,2
0,2
0,9
0,9 5373,77 326,01
5538 3904
34867,9 9033,7 6879,19
0,02 42054 9302,8
0,2
0,9
0,2
0,2 6787,92 489,01
1645 2588
34867,9 9033,7 6879,19
0,06 19384 1895,8
0,9
0,2
0,9
0,9 5373,77 489,01
1645 2588
34867,9 9033,7 6879,19
0,06 19384 1895,8
0,9
0,9
0,2
0,2 6787,92 326,01
5538 3904
Nessa aplicao do DOE, para a elaborao de uma amostra representativa do

problema abordado, foi inserida uma aleatoriedade nos nveis das variveis
principais para auxiliar o processo de treinamento das redes neurais. Sem essa
estratgia, a elaborao de RNAs poderia ficar comprometida, pois o DOE gera
nessa aplicao apenas valores mximos e mnimos, dessa fo rma no treinamento
das redes neurais essas variveis poderiam ser consideradas como variveis
discretas por assumir apenas dois valores (valor mnimo ou valor mximo). Essa
aleatoriedade foi estabelecida de acordo com a amplitude entre os valores de
mnimo e mximo de cada varivel principal. Aps o DOE indicar qual o valor que
deveria ser assumido por cada varivel, para a elaborao de cada experimento,
foi inserido um fator aleatrio na faixa de +10% a -10% da amplitude da varivel.
Alm dos fatores pri ncipais necessrio adicionar ao estudo as variveis de rudo
(secundrias) para completar o experimento combinando os dois tipos de
experimentos. Dessa maneira foi criado um experimento fatorial fracionado para
as 13 variveis de rudo. O experimento criado gerou 16 diferentes casos para
82

essas variveis em dois nveis. A Tabela 4-14 mostra a planilha de experimentos
gerada para os resduos.
Tabela 4-14 Experimentos gerados para os rudos

Sub4
VEaf2
VEaf3
CG
CC
CD
ITS1
ITS3
ExpHS1 ExpHS2 ExpHS3 ExpHS4 ExpTS2
3259,37 8735,5 12004,5
3478,8 1567,86 13601,7 505,16 140,11
1675,8
1119,9
495,8
2203
3774,01 8735,5 12004,5
3478,8 1980,46
17181 757,74 140,11
3765,1
2039,9
440
1245,8
2203
3259,37 3535,8 12004,5 2754,05 1980,46 13601,7 757,74 140,11
1675,8
2039,9
1245,8
1271
3774,01 8735,5 12004,5 2754,05 1980,46 13601,7 505,16
93,41
1675,8
2039,9
440
495,8
2203
3478,8 1980,46 13601,7 505,16 140,11
3765,1
1119,9
1245,8
2203
1245,8
1271
3774,01 3535,8
3768,3
3259,37 8735,5
3768,3 2754,05 1980,46
17181 505,16 140,11
1675,8
1119,9
440
3259,37 3535,8
3768,3
17181 757,74 140,11
1675,8
2039,9
440
495,8
2203
17181 757,74
93,41
3765,1
1119,9
1245,8
2203
3259,37 3535,8
3768,3 2754,05 1567,86 13601,7 505,16
93,41
3765,1
2039,9
440
1245,8
2203
3259,37 8735,5
3768,3
93,41
3765,1
1119,9
440
495,8
1271
17181 505,16 140,11
3765,1
1119,9
440
495,8
1271
93,41
1675,8
1119,9
440
1245,8
1271
3768,3 2754,05 1567,86 13601,7 757,74 140,11
3478,8 1567,86
3259,37 8735,5 12004,5 2754,05 1567,86
3478,8 1980,46 13601,7 757,74
3774,01 3535,8 12004,5 2754,05 1567,86

3774,01 3535,8 12004,5
3774,01 8735,5
3478,8 1567,86 13601,7 757,74
3765,1
2039,9
495,8
1271
3259,37 3535,8 12004,5
3478,8 1980,46
17181 505,16
93,41
3765,1
2039,9
495,8
1271
3774,01 8735,5
3768,3
3478,8 1567,86
17181 505,16
93,41
1675,8
2039,9
1245,8
1271
3774,01 3535,8
3768,3 2754,05 1980,46
17181 757,74
93,41
1675,8
1119,9
495,8
2203
Utilizando os experimentos gerados para fatores principais e para os fatores

secundrios foi elaborada a matriz final de experimentos da terceira aplicao do
DOE. Nessa matriz, para cada cenrio definido para os fatores principais, so
criados 16 diferentes casos de NEWAVE (incorporando os cenrios gerados para
as variveis secundrias do experimento fatorial fracionado). A matriz de
experimentos final ento formada por 256 diferentes casos.
A partir dos casos definidos foram realizadas as simulaes necessrias no

programa NEWAVE.
4.4 Redes Neurais Elaboradas
O processo de modelamento do NEWAVE utilizando RNAs foi iniciado aps a

simulao de todos os casos gerados pelo DOE. De posse dos valores atribudos
para as variveis de entrada e as respostas obtidas foi ento formulada uma
83

planilha para a amostra final contendo os 328 casos, formulados pelas trs etapas
do DOE e processados no NEWAVE. Atravs desse conjunto composto de
entradas e sadas, a rede deve realizar o mapeamento do processo.
Aps o modelo ser consolidado a rede passa a simular o programa NEWAVE e os

valores das variveis de resposta so obtidos atravs de um conjunto de valores
assumidos pelas variveis de entrada. Dessa maneira possvel verificar se as
respostas simuladas pelas RNAs esto sendo satisfatrias frente aos resultados
obtidos com o programa NEWAVE.
4.4.1 Elaborao das RNAs no Software STATISTICA
A elaborao das redes neurais como dito anteriormente foi realizada utilizando o
software STATISTICA atravs do pacote SNN (STATISTICA Neural Networks).
Esse pacote apresenta algoritmos de treinamento otimizados 23, e possui total
controle sobre todos os aspectos que influenciam o desempenho da rede, tais
como: funes de ativao e erro, complexidade estrutural, etc.
4.4.2 Arquitetura das Redes Elaboradas
A forma geral de uma rede neural pode ser dada pela codificao: I:N-N-N:O.
Nessa codificao24 I o nmero de variveis de entrada; O o nmero de
variveis de sadas e cada N representa o nmero de neurnios em cada camada.
As redes obtidas para a simulao dos custos marginais de operao so redes

Multilayer Perceptrons. Essas RNAs possuem uma arquitetura semelhante ao da
23
O algoritmo Backpropagation e o Gradiente Descendente Conjugado foram utilizados para os

treinamentos das redes neurais nesse trabalho.
24
Por exemplo, uma rede com o cdigo MLP: 27:27:14:3:3, representa uma RNA Multi Layer
Perceptron com 27 variveis de entrada, 27 neurnios na primeira camada, 14 neurnios na
camada oculta, 3 neurnios na camada de sada e trs sadas.
84

Figura 4-7. Nesta Figura so mostradas as variveis de entrada, as matrizes de
pesos, a primeira e a segunda funo de transferncia e suas sadas mltiplas.
X01
X02
X03
..
.
Whj
h1
h2
X27
gh
Wih
o1
o2
h3
.
.
.
hn
B1
o3
.
.
.
om
gi
d1
d2
d3
B2
Figura 4-7 Arquitetura das RNAs Obtidas

Onde,
X: So as entradas do modelo
Whj: a matriz de pesos dos ramos para a primeira camada
B1 e B2: So os valores de Bias que so utilizados no somatrio
gh: a primeira funo de transferncia
Wih: a matriz de pesos dos ramos para a segunda camada
gi: a segunda funo de transferncia
d: So as sadas da rede neural
4.4.3 Processamento das RNAs
As variveis de entrada do programa NEWAVE apresentam ordens de grandeza

bastante dispares entre si, sendo necessrio, portanto, para evitar saturao ou
nvel baixo de um determinado sinal de entrada, necessrio fazer uma
normalizao das variveis de entrada.
Aps a normalizao das variveis de entrada, inicia-se o processo de

treinamento da rede neural, onde o vetor X com 27 entradas normalizadas
multiplicado pela primeira matriz de pesos da rede neural (obtidos aps o
85

processo de treinamento). O nmero de linhas dessa matriz 27 e o nmero de
colunas depender da quantidade de neurnios da camada oculta 25.
Com isso o vetor das entradas multiplica matricialmente cada linha da matriz de
pesos Whj , gerando um vetor resultante de 14 valores. Desses 14 elementos do
vetor so somados os respectivos valores de bias B1 (tambm gerados pelo
STATISTICA durante o treinamento da rede).
( X1x 27 Whj 27 x14 ) B11x14 h1x14
Eq.4.2
Do resultado dessa operao tm-se 14 novos valores que so substitudos em h

na funo gh de ativao da camada oculta, que no caso a funo hiperblica
dada por:
eh eh
gh h
e e h
Eq.4.3
Aps a passagem pela primeira funo de transferncia, so gerados 14 novos

valores para h. Esse vetor resultante multiplicado matricialmente pela matriz de
pesos Wih agora com 14 linhas e trs colunas. Resultam desse processo trs
elementos dos quais sero somados outros valores de bias B2.
(h'1x14 Wih14 x 3 ) B2 d1x 3
Eq.4.4
Do resultado dessa operao tm-se um vetor o com trs valores que sero
substitudos na funo gi de ativao da camada sada, que no caso a funo
lgica dada por:
25
A anlise feit a para o caso de uma rede que apresenta 27 variveis de ent rada, 14 neurnios
na camada oculta e 3 sadas.
86
gi
1
1 e o
Eq.4.5
Com a passagem do vetor o pela segunda funo de transferncia gerado um

novo vetor d que representa as sadas da rede neural. Depois da execuo da
rede, h de des-normalizao das variveis de sada.
87
CAPTULO 5 RESULTADOS OBTIDOS
5 RESULTADOS OBTIDOS
5.1 Introduo
Nesse capitulo so apresentados os resultados obtidos para o custo marginal de

operao do submercado sudeste. So apresentadas algumas simulaes das
redes neurais para os casos do conjunto de treinamento. Alm disso, so
mostrados alguns testes elaborados para casos que no participaram do processo
de elaborao das RNAs.
5.2 Resultados Obtidos para o CMO do Submercado Sudeste
O processo de simulao dos 328 casos no NEWAVE gerou diversos valores para
o CMO do Submercado Sudeste. Nos trs patamares de carga (pesada, mdia e
leve) os valores obtidos foram praticamente iguais para todos eles como pode ser
notado na Figura 5-1.
88
Custo Marginal de Operao - Subm ercado Sudeste

1400
1200
1000
CMO
800
600
400
200
Case 323
Case 300
Case 277
Case 254
Case 231
Case 208
Case 185
Case 162
Case 139
Case 116
Case 93
Case 70
Case 47
Case 24
Case 1
-200
CMO11
CMO12
CMO13
Figura 5-1 Custos Marginais de Operao do Submercado Sudeste

As trs variveis relacionadas ao custo marginal de operao do submercado
Sudeste apresentaram correlao total entre si, dessa forma foi criada uma nica
sada para representar essas variveis.
O IPS do STATISTICA construiu diversas RNAs alterando a estrutura, o conjunto
de treinamento e os ajustes dos pesos dos ramos. O parmetro utilizado para
escolha da melhor rede foi SD Ratio. Em problemas de regresso, a proporo do
desvio padro do conjunto de valores reais pelo desvio padro do conjunto de
resduos das simulaes para o conjunto de sada original chamado de S.D.
Ratio.
S .D.Ratio
Re sduos
Amostra
Eq.5.1
Onde,
89
Amostra o Desvio padro da amostra de dados

Re sduos o Desvio padro dos resduos das simulaes frente aos valores reais.
Um menor SD. Ratio indica uma melhor previso. O grau de preciso varia em
cada tipo de aplicao, entretanto, geralmente um S.D. Ratio de 0,1 ou menor
indica uma performance de regresso muito boa (STATISTICA, 2006).
A melhor rede obtida para representar o CMO do Sudeste com o software

STATISTICA foi uma MLP 27:27-15-3:3. Essa rede possui 27 entradas, com 27
neurnios nessa camada, a camada oculta possui 15 neurnios e trs neurnios
na camada de sada. No processo de treinamento foi necessrio que os pesos dos
ramos fossem modificados durante 100 ciclos pelo algoritmo de Backpropagation
e 115 pelo Gradiente Descendente Conjugado 26. O S.D. Ratio obtido para essa
rede neural foi de 0,1832 e o desvio padro do conjunto de casos utilizados para a
modelagem foi de 64,47 R$/MWh.
A sensibilidade das respostas da RNA devido s variveis de entrada

apresentado na Tabela 5-1.
26
O Gradiente Descendente Conjugado um mtodo avanado para o treinamento de MLPs.

Geralmente esse algoritmo realiza melhoras significativas no processo de treinamento das redes.
Ele recomendado para ser aplicado problemas que possuem um grande nmero de pesos
(algumas centenas) devido aos diversos ramos (S TA TIS TICA, 200 6).
90

Tabela 5-1 Sensibilidade das respostas devido s entradas
Ratio
Rank
Ratio
Rank
1,87
CO
1,45
18
Subs2
1,4
21
CG
1,14
25
Subs3
1,61
CC
1,46
17
Subs4
1,48
14
CD
1,09
27
Txmerc
1,52
13
ITS1
1,18
24
VEaf1
2,58
ITS2
1,34
22
VEaf2
1,84
ITS3
1,41
20
Subs1
VEaf3
1,8
ExpHS1
1,11
26
VEaf4
1,23
23
ExpHS2
1,73
ReSub1
3,87
ExpHS3
1,64
ReSub2
1,57
11
ExpHS4
1,55
12
ReSub3
1,46
15
ExpTS1
1,45
19
ReSub4
1,87
ExpTS2
1,59
10
ExpTS3
1,46
16
As variveis que possuam maior influncia sobre o CMO do Sudeste na etapa do

DOE tambm afetam as respostas das RNAs. A Figura 5-2 mostra um grfico da
influncia das variveis ReSub1 e VEaf1 nas simulaes do CMO.
VEaf1
ReSub1
CMO
800
600
400
200
0
Figura 5-2 Influncia das variveis ReSub1 e VEaf1 no CMO do Sudeste
91

Embora os efeitos das variveis principais nas respostas foram capturados
corretamente pela RNA como pode ser analisado na Tabela 5-1, nas simulaes
dos custos marginais surgiram alguns problemas.
A Figura 5-3 mostra as simulaes da rede neural para o CMO do Submercado

Sudeste.
CUSTOS MARGINAIS DO SUBMERCADO SUDESTE

1400
1200
1000
800
600
400
200
0
CMO
RNA
-200
1
24
47
70
93
116
139
162
185
208
231
254
277
300
323
Figura 5-3 CMO simulados pela RNA para o Submercado Sudeste

Pode se notar na Figura 5-3 que a grande maioria dos valores simulados para o
CMO na faixa de 0 a 200 tiveram grandes desvios. Como os custos marginais de
operao do Submercado Sudeste apresentaram valores na faixa de 0 a 1200
R$/MWh existe grande dificuldade para que a RNA consiga minimizar os desvios
na faixa de 0 a 200 visto que o S.D. Ratio atua sobre todo o espectro de valores.
O conjunto de casos simulados foi ento separado de tal forma para que os casos
que apresentam CMO elevado fossem isolados dos casos que possuam
92

pequenos valores. A idia construir duas redes independentes para CMO baixo
e alto. A mediana dos valores de CMO foi o parmetro escolhido para realizar
essa separao. A Figura 5-4 apresenta a mediana do custo marginal do Sudeste
para o conjunto de 328 casos.
CMO SUDESTE
A nderson-Darling N ormality Test
200
400
600
800
1000
A -S quared
P -V alue <
34,20
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
279,34
352,02
123915,31
1,56530
1,25541
328
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
1200
0,00
30,54
193,43
229,14
1283,23
95% C onfidence Interv al for M ean

241,10
317,57
95% C onfidence Interv al for M edian

176,85
198,30
95% C onfidence Interv al for S tDev
95% Confidence Intervals
326,98
381,23
Mean
Median
200
240
280
320
Figura 5-4 Mediana para o CMO do Sudeste

O valor encontrado da mediana para o CMO foi de 193,43. Dessa forma, todo
caso que apresentasse valor de CMO superior ao valor da mediana foi
considerado como CMO alto de simulao e o restante como CMO baixo.
5.2.1 RNA para CMO Baixo
Com a diviso do conjunto de simulao cada amostra passou a possuir ento

164 casos do NEWAVE para elaborao das respectivas redes neurais.
93

A melhor rede elaborada para a simulao do CMO baixo atravs do STATISTICA
foi MLP 27:27-24-3:3. Essa rede foi treinada durante 100 ciclos com o algoritmo
Backpropagation e 86 com o Gradiente Descendente Conjugado. O S.D. Ratio
obtido foi de 0,16305 e o desvio padro do conjunto de casos utilizados para a
modelagem foi de 10,14. A Figura 5-5 mostra os cenrios simulados pela RNA B.
CMO SUDESTE - CENRIOS TPICOS

220
200
180
160
140
120
100
80
60
40
20
0
CMO
R.CMO
-20
1
13
25
37
49
61
73
85
97
109
121
133
145
157
Figura 5-5 CMO tpicos simulados com a RNA B
5.2.2 RNA para CMO Alto
Para os casos de CMO alto a melhor RNA obtida foi MLP 27:27-21-3:3, Essa rede
foi treinada durante 100 ciclos com o algoritmo Backpropagation e 146 com o
Gradiente Descendente Conjugado. O S.D. Ratio obtido para essa rede foi de
0,1937 e o desvio padro do conjunto de casos utilizados para a modelagem foi de
72,50. A Figura 5-6 mostra os casos simulados pela RNA A .
94
CMO SUDESTE - CENRIOS EXTREMOS

1400
1200
1000
800
600
400
200
CMO
R.CMO
0
1
13
25
37
49
61
73
85
97
109
121
133
145
157
Figura 5-6 CMO extremos simulados com a RNA A
5.3 Simulaes Utilizando os Cenrios de Treinamento
A primeira rede neural (RNA Q) elaborada a partir do conjunto completo de casos

simulados no NEWAVE exerce a funo de identificar a faixa do CMO, ou seja,
cada valor obtido como resposta de uma simulao qualificada de acordo com o
valor da simulao; para valores abaixo da mediana utiliza-se a rede CMO baixo,
para valores acima da mediana a rede CMO alto. A Figura 5-7 ilustra a
composio destas redes onde feito uma primeira simulao na rede de
qualificao e uma segunda simulao nas redes especficas.
95
RNAB
Dados de
Entrada
RNAQ
OU
CMO
RNAA
Figura 5-7 Modelo de Simulao Elaborado

Para os casos que ficam na proximidade da mediana (193,43), foi adotado um
intervalo de +10% (212,77) e -10% (174,09) em que o resultado final ser o
prprio valor, ou seja, a resposta do caso dentro dessa faixa no ser simulado
em outra rede neural. Isto foi necessrio pois a classificao nesta faixa depende
do valor estimado do CMO da primeira rede e qualquer desvio pode levar a utilizar
uma rede errada na segunda simulao.
Para teste dos valores obtidos, foram selecionados 24 casos aleatoriamente

dentro do conjunto inicial de 328 casos que compe o conjunto de treinamento das
redes. A Figura 5-8 mostra os valores testados na RNA Q.
96
CMO SUDESTE - IN SAMPLE

1400
1200
1000
800
600
400
200
Case 23
Case 21
Case 19
Case 17
Case 15
Case 13
Case 11
Case 9
Case 7
Case 5
Case 3
Case 1
-200
CMO
R.CMO
Figura 5-8 Valores testados na RNA Q

A Tabela 5-2 mostra os valores dos casos obtidos no NEWAVE, as simulaes da
RNAQ e tambm os resultados finais obtidos com o modelo composto pelas trs
RNAs.
A primeira coluna da tabela representa a ordem do caso simulado. A segunda

refere-se ao nmero do caso no conjunto total de 328. A terceira coluna
corresponde ao valor de resposta do CMO obtido com o NEWAVE. A quarta
coluna representa os valores simulados com a RNA Q. A quinta coluna representa
os valores finais das simulaes obtidas atravs do modelo das trs RNAs, os
nmeros em azul representam os valores (qualificados pela RNA Q como CMO
baixo) simulados na RNA B , os nmeros em vermelho foram simulados na RNA A e
os valores em preto foram os que permanecera m dentro do intervalo adotado ao
redor da mediana.
97

Tabela 5-2 Valores de simulao para o modelo de RNAs
Nmero
Caso
CMO
RNAQ
Final
157,02
127,13
159,42
103,06
110,71
101,16
16
693,26
679,28
702,46
17
26,00
48,01
23,30
54
198,49
184,69
184,69
55
198,45
211,20
211,20
66
779,60
277,20
772,45
80
7,20
29,07
8,10
84
15,16
36,23
10,50
10
86
717,79
712,62
862,73
11
126
0,23
33,26
1,72
12
135
0,45
42,51
2,28
13
149
23,77
38,85
23,74
14
179
441,32
417,17
342,77
15
183
495,00
467,89
490,48
16
205
193,43
148,18
187,205
17
217
25,99
24,42
24,05
18
218
25,93
28,82
25,99
19
243
1222,93
1260,79
1219,90
20
301
203,64
200,29
200,29
21
304
177,22
133,86
177,71
22
311
184,47
191,74
191,74
23
320
53,10
102,80
54,21
24
327
212,13
196,30
196,30
A Figura 5-9 mostra o grfico dos valores simulados pelo modelo de RNAs.
98

CMO SUDESTE FINAL - IN SAMPLE
1400
1200
1000
800
600
400
200
Case 23
Case 21
Case 19
Case 17
Case 15
Case 13
Case 11
Case 9
Case 7
Case 5
Case 3
Case 1
-200
CMO
R.CMO
Figura 5-9 Valores simulados pelo modelo de RNAs In Sample

Pode-se notar que para as simulaes dos casos que participaram do processo de
treinamento das redes neurais27, o modelo elaborado pode representar de uma
maneira eficaz o programa NEWAVE. Alm disso, ao se comparar a Figura 5-8
com a Figura 5-9 pode-se notar uma melhoria nos resultados quando as trs redes
so utilizadas.
5.4 Simulaes Utilizando Casos Fora da Amostra
Foi realizado testes nas RNAs utilizando casos que no pertencem amostra, ou
seja, casos que no fizeram parte do conjunto de treinamento 28.
Para os casos fora da amostra foram gerados 20 casos aleatrios, onde os limites
das variveis de entrada adotaram valores nas fai xas de mnimo e mximo
estipuladas anteriormente. Alm disso, foram includos cenrios reais obtidos
27
28
Este tipo de anlise denominado de in sample analysis.

Este tipo de anlise denominado de out of sample analysis.
99

atravs dos casos base de simulao do NEWAVE do ms de agosto de 2006
(caso base), Janeiro, Fevereiro e Maro do ano de 2007.
A Tabela 5-3 mostra os valores dos casos processados no NEWAVE, os valores

obtidos atravs das simulaes na RNA 1 e no modelo composto pelas trs redes.
Tabela 5-3 Valores finais obtidos para o CMO do Sudeste

Caso
NEWAV E
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Ago
Jan
Fev
Mar
45,46
4,54
122,13
8,45
26,75
7,79
131,51
63,89
4,69
141,18
723,53
706,09
733,94
841,18
1024,81
353,79
226,36
1162,82
934,76
202,05
27,25
30,83
12,17
7,86
RNA
Teste
60,21
53,79
117,66
44,86
28,13
3,81
182,33
71,88
40,37
102,40
928,47
598,60
980,84
810,15
1028,04
569,57
242,47
1145,06
918,62
137,19
120,41
161,42
20,83
14,73
Valores
Finais
46,35
1,98
161,68
14,95
29,42
9,97
182,33
56,10
3,87
136,40
1185,92
683,08
917,62
993,13
944,38
406,86
196,81
1106,08
1130,94
164,95
30,10
10,11
7,79
5,01
Os valores em azul na ltima coluna representam os resultados obtidos atravs de

simulaes realizadas na RNA B , os valores em vermelho so da RNA A e o valor
em preto foi obtido da RNA Q.
A Figura 5-10 mostra as simulaes da RNA Q e a Figura 5-11 mostra os valores

das simulaes obtidas pelo modelo composto por trs RNAs.
100

CMO SUDESTE - OUT OF SAMPLE
1400
1200
1000
800
600
400
200
Case 23
Case 21
Case 19
Case 17
Case 15
Case 13
Case 11
Case 9
Case 7
Case 5
Case 3
Case 1
-200
CMO
R.CMO
Figura 5-10 CMO do Sudeste simulados na RNAQ
CMO SUDESTE MODELO COMPLETO - OUT OF SAMPLE

1400
1200
1000
800
600
400
200
Case 23
Case 21
Case 19
Case 17
Case 15
Case 13
Case 11
Case 9
Case 7
Case 5
Case 3
Case 1
-200
CMO
R.CMO
Figura 5-11 CMO do Sudeste simulados com as trs RNAs em conjunto
101
5.5 Testes no Modelo de Simulao
Aps as simulaes realizadas (In Sample e Out of Sample), foi adotado um

procedimento para verificao da qualidade das respostas obtidas frente aos
valores reais. A idia aqui tentar capturar qual seria o erro admissvel para os
custos marginais para aplicao no mercado de energia eltrica brasileiro. Erros
de 100% so admissveis na faixa de 0 a 10, por exemplo, enquanto erro de 100%
so inadmissveis na faixa de 500 a 1000.
Foram definidas algumas faixas de valores para o custo marginal do Sudeste. A

Tabela 5-4 mostra as faixas estabelecidas para o CMO e suas respectivas
tolerncias em relao aos valores reais obtidos no NEWAVE.
Tabela 5-4 Faixa de Tolerncia para o CMO do Sudeste

CMO - R$/MWh
At Tolerncia
0
20
10
20
50
15
50
100
25
100
150
35
150
250
45
250
300
60
300
400
100
400
600
150
600
800
200
800 1100
250
CMO > 1100
350
De
Utilizando os valores obtidos do programa NEWAVE possvel fazer a

classificao da faixa que representa cada valor de CMO. Por exemplo: se o CMO
apresenta valor de 30 R$/MW, a tolerncia definida para a simulao da RNA de
15, desta forma se o CMO simulado pela rede for aproximadamente 45 R$/MWh
ele estar dentro da faixa estipulada, sendo portando considerado como boa
resposta do modelo.
102

Em seguida, os resduos absolutos das simulaes 29 so normalizados por cada
um dos respectivos valores de tolerncia para poderem ser analisados atravs de
uma carta de controle estatstico.
Foram definidos dois testes para o modelo de RNAs. O primeiro foi realizado para
cenrios que participaram do conjunto de treinamento das Redes (In Sample). O
segundo teste foi realizado para os cenrios que no participaram da elaborao
das RNAs (Out of Sample). Nos prximos itens so apresentados os resultados
obtidos.
5.5.1 Teste In Sample
A Tabela 5-5 mostra os resduos relativos para cada um dos cenrios testados
que participaram do treinamento das RNAs.
29
Os Resduos absolutos so obtidos atravs do mdulo da diferena entre as respostas do

Newave e as Simulaes das redes neurais.
103

Tabela 5-5 Resduos relativos para os cenrios In Sample simulados
Cenrio NEWAV E
1
157,02
2
103,06
3
693,26
4
26,00
5
198,49
6
198,45
7
779,60
8
7,20
9
15,16
10
717,79
11
0,23
12
0,45
13
23,77
14
441,32
15
495,00
16
193,43
17
25,99
18
25,93
19
1222,93
20
203,64
21
177,22
22
184,47
23
53,10
24
212,13
RNA's
159,42
101,16
702,46
23,30
184,69
211,20
772,45
8,10
10,50
862,73
1,72
2,28
23,74
342,77
490,48
187,21
24,05
25,99
1219,90
200,29
177,10
191,74
54,21
196,30
Resduo Absoluto
2,40
1,91
9,20
2,70
13,80
12,75
7,16
0,89
4,66
144,95
1,48
1,83
0,02
98,55
4,52
6,22
1,94
0,07
3,03
3,35
0,12
7,27
1,11
15,83
Tolerncia Resduo Relativo

45
0,05
35
0,05
200
0,05
15
0,18
45
0,31
45
0,28
200
0,04
10
0,09
10
0,47
200
0,72
10
0,15
10
0,18
15
0,00
150
0,66
150
0,03
45
0,14
15
0,13
15
0,00
350
0,01
45
0,07
45
0,00
45
0,16
25
0,04
45
0,35
Pode se notar que todos os resduos absolutos se encontram dentro das

tolerncias estabelecidas para cada cenrio. A Figura 5-12 apresenta a carta de
controle dos resduos relativos para os cenrios simulados.
104
Figura 5-12 Carta de controle dos resduos In Sample

A carta de resduos relativos destaca a existncia de um ponto fora dos limites de
controle, o cenrio 10 da Tabela 5-5, onde a resposta do NEWAVE foi de
aproximadamente 717 R$/MWh e a da rede 862 R$/MWh. Apesar dessa
extrapolao dos limites de controle 30, pode-se notar que a variabilidade dos
resduos relativos das simulaes baixa. Desta forma a resposta desse cenrio
no representa um problema.
Pode-se observar que a partir das anlises realizadas o modelo de RNAs pode
responder satisfatoriamente frente aos objetivos traados.
5.5.2 Teste Out of Sample
30
Os limites de controle so formados pela mdia dos des vios relativos do conjunto de casos
somado + 3 para o limite de controle superior (UCL) e 3 para o limite de controle inferior
(LCL)
105

A Tabela 5-6 mostra os resduos relativos para cada um dos cenrios testados
que participaram do treinamento das RNAs.
Tabela 5-6 Resduos relativos para os cenrios Out of Sample simulados
Cenrio NEWAV E
1
45,46
2
4,54
3
122,13
4
8,45
5
26,75
6
7,79
7
131,51
8
63,89
9
4,69
10
141,18
11
723,53
12
706,09
13
733,94
14
841,18
15
1024,81
16
353,79
17
226,36
18
1162,82
19
934,76
20
202,05
21
27,25
22
30,83
23
12,17
24
7,86
RNA's
46,35
1,98
161,68
14,95
29,42
9,97
182,33
56,10
3,87
136,40
1185,92
683,08
917,62
993,13
944,38
406,86
196,81
1106,08
1130,94
164,95
30,10
10,11
7,79
5,01
Resduo Absoluto
0,89
2,56
39,55
6,50
2,67
2,17
50,82
7,78
0,81
4,78
462,39
23,01
183,68
151,95
80,43
53,07
29,55
56,74
196,18
37,10
2,85
20,72
4,37
2,85
Tolerncia Resduo Relativo

15
0,06
10
0,26
35
1,13
10
0,65
15
0,18
10
0,22
35
1,45
25
0,31
10
0,08
35
0,14
200
2,31
200
0,12
200
0,92
250
0,61
250
0,32
100
0,53
45
0,66
350
0,16
250
0,78
45
0,82
15
0,19
15
1,38
10
0,44
10
0,29
Na Tabela 5-6 pode-se notar que quatro resduos extrapolaram a tolerncia

estabelecida do caso. Porm, o modelo elaborado consegue capturar o
comportamento dos valores do CMO na maioria dos casos testados, apresentando
respostas condizentes com s do programa NEWAVE.
A Figura 5-13 apresenta a carta de controle dos resduos relativos para os

cenrios Out of Sample simulados.
106
Figura 5-13 Carta de controle dos resduos Out of Sample

A carta de resduos relativos destaca a existncia de um ponto fora dos limites de
controle, o cenrio 11 da Tabela 5-6, onde a reposta do NEWAVE foi de
aproximadamente 727 R$/MWh e a da rede 1185 R$/MWh.
Embora no tendo participado da elaborao das redes neurais, os resultados

obtidos com os cenrios out of sample foram satisfatrios na maioria das
simulaes. Portanto, pode-se concluir que para esse conjunto de cenrios
testados o modelo elaborado representa bem o programa NEWAVE, apesar de
existir alguns problemas nas simulaes para valores elevados do CMO .
107
CAPTULO 6 CONCLUSO
6 CONCLUSO
A idia principal desse trabalho consistiu em mapear o conjunto de variveis que

influenciam o clculo do custo marginal de operao para possibilitar a sua
previso. A manipulao inicial dessas variveis foi feita atravs do mtodo de
projeto
anlise
de
experimentos
DOE,
para
eliminar
simulaes
desnecessrias e captar eficientemente o peso que cada informao tem na

formulao do problema, bem como a interao entre os fatores no resultado final
da anlise. Aps a formulao dos cenrios e as respectivas simulaes no
NEWAVE, foi obtido um conjunto de valores, que foram utilizados como
parmetros de entrada para o treinamento das redes neurais. Essas RNAs foram
utilizadas para a elaborao de um software em linguagem C que simula o
programa NEWAVE responsvel pelo clculo do CMO.
Uma das mais importantes caractersticas do modelo proposto a sua rapidez.

Para realizar simulaes do CMO o modelo gasta menos de 10 segundos
comparado com 4 horas num computador Pentium IV (2GHz com 512 MB de
memria). Dessa forma, viabilizam-se anlises de sensibilidade, de cenrios ou
simulaes dos nveis de armazenamentos e afluncias, Alm disso, foi possvel
expressar a relao existente entre as principais variveis que afetam o preo da
energia eltrica.
Uma aplicao direta das redes desenvolvidas neste trabalho na Simulao de

Monte Carlo (SMC) que vem sendo bastante utilizada em anlise de risco
associadas investimentos e carteiras de contratos. Para se chegar a uma
convergncia da SMC, normalmente necessrio um nmero expressivo de
iteraes, da ordem de 5.000 a 10.000, dependendo do caso e da preciso
desejada. No caso do setor eltrico brasileiro, onde o preo da energia uma
varivel vital na avaliao do risco, h a necessidade de utilizar o programa
NEWAVE em cada iterao, o que torna o processo invivel. O modelo de
108
CAPTULO 6 CONCLUSO
simulao elaborado pode atender a essa necessidade e viabilizar esse tipo de
anlise.
A necessidade de se construir uma ferramenta mais gil, que defina o preo e

consiga representar o NEWAVE de forma adequada, leva a utilizao de
algoritmos de reconhecimento de padres como os de redes neurais. A definio
da estrutura dos neurnios e os pesos associados foram feitos atravs do software
STATISTICA da STATSOFT com o uso do Intelligent Program Solver, que hoje
um dos melhores pacotes computacionais na rea de estatstica. Ele elabora a
melhor rede a partir de um conjunto de dados de entrada e sada (STATISTICA,
2006). Os dados necessrios para o treinamento das redes foram obtidos atravs
de simulaes reais com o programa NEWAVE. Na realidade, estas simulaes
representam experimentos conduzidos sobre o NEWAVE que serviram como
alimentao das redes neurais.
Com as redes neurais definidas, foi desenvolvido um modelo que representa o

clone do NEWAVE. Devido ao modelo ter sido gerado a partir de uma verso do
NEWAVE, no garantido que o mesmo ficar produzindo res ultados compatveis
com as prximas verses do programa oficial. Para verificar o comportamento
desse modelo, foi criado um procedimento de teste de adequacidade dos valores
das simulaes das redes frente aos valores reais do NEWAVE. Esse
procedimento poder ser utilizado futuramente para verificao se o modelo
continua sendo adequado em outras verses do NEWAVE.
Alm de possibilitar a incluso do modelo gerado como substituto num processo

de simulao do mercado de energia eltrica e obter os riscos associados a
investimentos ou a carteiras de contratos de energia, ele tambm til como
ferramenta expedita para as empresas do setor eltrico que desejam ter uma
maior sensibilidade dos parmetros que afetam os custos marginais de operao.
109
CAPTULO 6 CONCLUSO
Apesar de no apresentado nesta dissertao, o procedimento proposto pode ser
usado para clculo dos custos marginais das demais regies alm das outras
variveis de sada como risco de dficit, energia final armazenada, etc.
6.1 Trabalhos Futuros
Como trabalhos futuros so propostos:
Elaborao de anlises de riscos utilizando as redes neurais para

simulao do preo da energia eltrica.
Dado que o objetivo deste trabalho est atrelado ao desenvolvimento de um

pacote computacional para gerenciamento de risco em contratos de compra
e venda de energia, sugere-se a continuao deste trabalho rumo esse
objetivo.
Analisar a necessidade de aumentar o tamanho da amostra para

treinamento das redes especficas RNAA e RNAB.
6.2 Trabalhos Aceitos para Publicao
O trabalho elaborado nessa dissertao obteve aceitao no Congresso

PowerTech. O artigo ser apresentado em Julho de 2007.
Queiroz, A.R., Oliveira, F.A., Marangon Lima, J. W. and Balestrassi, P.P.,

Simulating Electrical Spot Prices in Brazil Using Neural Network and
Design of Experiments, IEEE, PowerTech 2007, Lausanne - Switzerland.
110
CAPTULO 7 BIBLIOGRAFIA
7 BIBLIOGRAFIA
ABDI, H., VALENTIN, D., EDELMAN, B., Neural Networks A Sage University Paper N. 124, 1999.
AMARAL, L. F. M., Dissertao de Mestrado: Modelos lineares e no lineares na modelagem do
preo spot de energia eltrica do Brasil PUC-Rio, 2003.
ANGELUS, A. Electricity Price Forecasting in Deregulated Markets. The Electricity Journal, April,
2001, p. 32-41.
BALESTRASSI, P. P., Identificao de Padres em Grficos de Controle Estatstico de Processos,
em Tempo Real, Utilizando Sries Temporais e Redes Neurais Artificiais, Tese de Doutorado
UFSC 2000.
BASTIAN, J., ZHU, J., BANUNA RAYANA N, V., AND MUKE RJI, R., Forecasting Energy Prices in a
Competitive Market, IEEE Computer Ap plications in Power, Vol. 12, No.3, pp. 40-45, 1999.
BATLLE, C.AND BARQUN, J., A Strategic Production Costing Model for Electricity Market Price
Analysis, IEEE Transactions on Power Systems, Vol. 20, No. 1, pp. 67 74, February 2005.
BENINI, M., MA RRA CCI, M., PELACCHI, P. AND VENTURINI, A. Day -ahead Market Price
Volatility Analysis in Deregulated Electricity Markets, Proceedings of IEEE Power E ngineering
Society Summer Meeting, 2002, Vol. 3, pp. 1354- 1359.
BUNN, D. W., Forecasting Loads and P rices in Competitive Power Markets, Proceedings of the
IEEE, Vol. 88 No. 2, pp. 163-169, 2000.
Cmara de Comercializao de Energia Eltrica www.ccee.org.br
CEPEL. DECOMP: Determinao da Coordenao da Operao a Curto Prazo. Manual do Usurio
v. 7.1 e Manual de Referncia, 1999a.
CEPEL. NEWAVE I e II: Planejament o da Operao a Longo Prazo de S ubmercados Hidrotrmicos
Interligados. Manual do Usurio, Especificao Funcional e Manual de Metodologia, 1999.
CEPEL, P rojeto NEWAVE Modelo Estratgico de Gerao Hidrot rmica a Subsistemas
Equivalentes - Manual do Usurio, 2006
CONEJO, A.J., PLA ZAS, M.A., ESPINOLA, R. A ND MOLINA, A.B. Day -A head Electricity Price
Forec asting Using the Wavelet Trans form and ARIMA Models, IEEE Transactions on Power
Systems, Vol. 20, No. 2, pp. 1035 1042, May 2005.
CONTRE RAS, J., ESPNOLA, R., NOGA LES, F.J. AND CONEJO, A.J. ARIMA Models to Predict
Next-Day Electricity Prices, IEEE Transactions on P ower Systems, Vol. 18, No. 3, pp. 1 014-1020,
August 2003.
DAHLGREN, R., LIU, C., AND LAWARREE, J., Volatility in the California P ower Market: Source,
Methodology and Recommendations, IEEE Proceedings Generation, Transmission and
Distribution, vol. 148, no. 2, pp. 189-193, Mar. 2001.
DEB, R., ALBE RT, R., HSUE, L.-L., AND B ROWN, N., How to Incorporate V olatility and Risk in
Electricity Price Forecasting, The Electricity Journal, May 2000.
111
DRAPE R, N., LIN, D. K. J. Capacity Considerations For Two-Level Fractional Factorial Designs ,
Journal of Statistical Planning and Inference, n.24, p. 25-35, 1990.
ELETROB RS RE -SEB Projeto de Restruturao do S etor Eltric o Brasileiro. Eletrobrs/Coopers
& Lybrand., 1998.
ETHIE R, R. AND MOUNT, T. Estimating the Volatility of Spot Prices in Restruc tured Electricity
Markets and the Implications for Option Values, 1998.
FREIMA N, J. P., Utilizao de Redes Neurais Artificiais na Previso de Indicadores Financeiros
para A valiao Econmica de Negcios em Situao de Risco UNIFEI, 2004.
GAO, F., GUA N, X., CAO, X. A ND PAPALE XOPOULOS, A. Forecasting Power Market Clearing
Price and Quantity Using a Neural Net work Method, Proceedings of Power Engineering Summer
Meeting, Seattle, WA, July 2000, pp. 2183 2188.
GARCIA, R. C., CONTRE RAS, J., AKKEREN, M. VAN, AND GARCIA, J.B.C. A GARCH
Forec asting Model to Predict Day-Ahead Electricity Prices, IEEE Transactions on Power Systems,
Vol. 20, No. 2, pp. 867 874, May 2005.
LI, G., LIU, C.C., LAWARREE, J., GALLANTI, M., VENTURINI, A., State-of-the-Art of Electricity
Price Forecasting, IEEE 2005.
GIBBONS, J.D. (1986). "Randomness, Tests of," Encyclopedia of Statistical Sciences, 7, 555-562.
GUO, J.-J. A ND LUH, P.B. Improving Mark et Clearing Price P rediction by Using a Committee
Machine of Neural Net works, IEEE Transactions on P ower Systems, Vol. 19, No. 4, pp. 1867
1876, November 2004.
HONG, Y.-Y., HS IAO, C. -Y. Locational Marginal P rice Forecasting in Deregulat ed Electric Markets
Using Artificial Intelligence, IEE Proc.-Gener. Thansm. Distrib., Vol. 149, No. 5, September 2002.
HONGMING, Y., XIA NZHONG, D., Chaotic Characteristics of Electricity Price and its Forecasting
Model IEEE, 2003.
KIAN, A., KEYHANI, A., Stochastic Price Modeling of Electricity in Deregulated Energy Markets,
Proceedings of the 34th Hawaii Int ernational Conference on System Sciences, 2001.
KLEIJNE N, J. P. C., Sanchez, S. M., Lucas, T. W., Cioppa, T. M. State-of-the-Art Review A Users
Guide to the Brave New World of Designing Simulation Experiments, INFORMS Journal on
Computing Vol. 17, No. 3, 2005, pp. 263289.
KLIGE RMA N, A. S., A valiao da Instabilidade do Preo do Mercado de Energia Eltric a Obtido a
Partir do Custo Marginal de Curto Prazo. Monografia. Instituto de Economia, UFRJ, 1999.
KORENEFF, G., SEPPALA, A., LEHTONEN, M., KEKKONE N, V., LAITINE N, E. , HAKLI, J. AND
ANTILA, E. Electricity Spot Price Forecasting as a Part of Energy Management in De -regulated
Power mark et, Proceedings of EMPD, Vol. 1, pp. 223228, 1998.
KOVACS, Z. L. Redes Neurais A rtificiais. Fundamentos e Aplicaes: Um Texto Bsico. 2 ed.
Ed. Collegium Gognitio. So Paulo, 1996.
MACEIRA, M.E.P., Programao Dinmica Dual Estocstica Aplicada ao Planejamento da
Operao Energtica de Sistemas Hidrotrmicos com Repres entao do Processo Estoc stico de
Afluncias por Modelos Autoregressivos Peridicos, Relatrio Tcnico CEPEL 237/93, 1993.
112
MACEIRA, M.E.P., SUANNO, C.M., COS TA, J.P., Modelo Estratgico de Gerao Hidrotrmica a
Submercados Equivalentes - NEWAVE. Manual do Usurio, Relat rio Tcnico CEPE L 389/94,
1994.
MANDA L, P., SENJYU, T., AND FUNABASHI, T. Neural Net work Models to Predict Short -Term
Electricity Prices and Loads, IEEE 2005.
MEDEIROS, L., Tes e de Doutorado: Previso do Preo Spot no Mercado de E nergia Eltrica
PUC-Rio, 2003.
MINITAB Us ers Guide: Data A nalysis and Quality Tools. Version 14.1 USA: Minitab Inc., 2003.
MME (Ministrio de Minas e Energia Secretaria de Energia). Projeto de reestruturao do setor
eltrico brasileiro RE -SEB. 1998.
MME (Ministrio de Minas e Energia Secret aria de Energia). Proposta de modelo institucional do
setor eltrico. Julho 2003.
MONTGOME RY, D. C. Designs and Analysis of Experiments. John Wiley & Sons, 1997.
NOGA LES, F.J., CONTRERAS, J., CONEJO, A.J. AND ESPNOLA, R., Forecas ting Next-Day
Electricity Prices by Time Series Models, IEEE Transactions on Power Systems, Vol. 17, No. 2, pp.
342-348, May 2002.
PEREIRA, M. V. F., "Optimal Stochastic Operations of Large Hydroeletric Systems", Electrical
Power & Energy Systems, Vol. 11, N 3, pages 161-169, July/1989.
PIRES, J. R. C., Dissertao de Mestrado: Modelagem de formao do preo de energia eltrica
no mercado de curto prazo ITA, 2003.
PRVAN, T., STREE T, D. J. An Annotated Bibliography of Application Papers Using Certain
Classes of Fractional Factorial and Related Designs. Journal of Statistical Planning and Inference,
n.106, p.245-269, 2002.
RODRIGUE Z, C. P. AND ANDE RS, G .J. Energy Price Forecasting in the Ontario Competitive
Power System Market, IEEE Transactions on P ower Systems, Vol. 19, No. 1, pp. 366 374,
February 2004.
SKANTZE, P., ILIC, M. A ND CHAPMAN, J. Stochastic Modeling of Electric Power Prices in A
Multi-Market Environment, Proc eedings of Power Engineering Wint er Meeting, Singapore, January
2000, pp. 1109 1114.
STA TIS TICA, version 7.0, Statsoft, Tulsa OK 74104, USA 2006.
SZK UTA, B. R., SANAVRIA, L. A. AND DILLON, T. S., Electricity Price Short -Term Forecasting
Using A rtificial Neural Networks, IEEE Transactions on Power Systems, Vol. 14, No. 3, pp. 851857, August 1999
VALENZUELA, J. AND MA ZUMDA R, M. On the Computation of the Probability Distribution of the
Sport Market Price in a Deregulated Electricity Market, Proceedings of the 21st Power Industry
Computer Applications International Confere nce, Sydney, Australia, may 2001, pp. 268 -271.
VIEIRA FILHO, X.; GORENS TIN, B.G.; MEDEIROS FILHO, J.A. e OLIVEIRA, A.M. Energy Trading:
The Sout h American Experience. VII SEPOPE, Curitiba, 2000.
113
TE RRY, L. A. et al., "Coordinating the Energy Generation of t he B razilian National Hydrothermal
Electrical Generating System", Interfaces 16, Jan - Feb 1986, pp 16-38
ZHANG, L., LUH, P. B. AND KASIV ISWANA THA N, K. E nergy Clearing Price Prediction and
Confidence Interval Estimation With Cascaded Neural Networks, IEEE Transactions on Power
Systems, Vol. 18, No. 1, pp. 99-105, February 2003.
ZHOU, M., YAN, Z., NI, Y.X., LI, G.AND NIE, Y. Electricity price forecasting with confidence interval estimation through an extended ARIMA approach, IEEE 2006.
114
ANEXOS
ANEXOS
115
ANEXOI RNA MULTILAYER PERCEPTRON
ANEXO I - Multilayer Perceptron

Um sistema de neurnios ligado atravs de conexes sinpticas, dividido em
trs tipos de camadas (entrada, oculta e sada), contendo neurnios de
entrada, que recebem estmulos do meio externo, neurnios internos ou ocultos
(hidden) e neurnios de sada, que fornecem os resultados das execues o
que caracteriza uma rede neural.
A forma de se arranjar neurnios em camadas denominada Multilayer

Perceptron, que foi concebida para resolver problemas mais complexos, os
quais no poderiam ser resolvidos pelo modelo de neurnio bsico (FREIMAN,
2004).
Um neurnio recebe vrias entradas da camada anterior e calcula uma

combinao linear dessas variveis. O resultado da combinao linear passa
pela funo de ativao.
Existem diversas funes que podem ser utilizadas em uma rede neural para
servir como funo de ativao das camadas. A Tabela A-1 apresenta as
principais funes de ativao.
116

Tabela A-1 Principais Funes de Ativao
Considerando um modelo que apresenta mais do que uma sada, isto faz com
que a sada seja representada por um vetor d ( d 1 ,..., d c ) T de c funes
individuais d i calculadas. Desse modo, a rede realiza um mapeamento de um
vetor multidimensional x para outro vetor multidimensional d . A camada oculta
tem H neurnios. Utiliza-se, eventualmente, uma entrada constante e igual a 1
tambm na camada oculta. Um peso entre a varivel de entrada x j e o
neurnio h da camada oculta representado como w hj . O conjunto de todos
estes pesos pode ser agrupado na matriz W h . Analogamente, W i o conjunto
de pesos whi . Desse modo, pode-se representar a funo do perceptron
multicamadas como:
h0
j 0
d i ( x) g ( wih g ( whj x j ))
Eq. AI.01
117

A Figura AI 1 apresenta a arquitetura de uma rede MLP com seus parmetros
pertinentes.
Sadas d i ( x) g h0 wih g j 0 whj x j

H
d1
d2
d3
Wih
gh
Camada
Oculta
Whj
x1
x2
x3
x4
x5
x6
x7
xn
Entradas
Figura AI 1 Arquitetura de uma Rede MLP
Este tipo de rede neural capaz de realizar mapeamentos no lineares, e pode
tambm ser utilizada em problemas de separao de classes no linearmente
separveis, alm de ser muito til em regresses e previses.
Uma das maiores vantagens desta tcnica que o Multi Layer Perceptron um
aproximador universal de funes, ou seja, se os pesos forem bem adaptados
e o nmero de neurnios for adequado, o clculo desejado atingido.
118
ANEXOII O ALGORITMO BACKPROPAGATION
ANEXO II - O Algoritmo Backpropagation

O principal problema com as primeiras redes neurais era que os modelos
desenvolvidos estavam restritos a serem utilizados em problemas lineares. Os
pesquisadores McCulloch e Pitts sabiam desde cedo (1943) que esse problema
poderia ser superado pela adio de uma ou mais camadas ocultas entre as j
existentes de entrada e sada. O que estava faltando era uma regra de
aprendizado que poderia ser utilizada para ajustar os pesos dos neurnios das
camadas ocultas. O algoritmo de backpropagation surge ento para solucionar
esse problema.
Esse algoritmo foi descoberto diversas vezes nos anos 50, mas devido falta de
interesse pelas redes neurais durante as dcadas de 60 e 70 ficou esquecido, at
que na metade da dcada de 80 ganhou aceite dos pesquisadores quando o
interesse pelas redes neurais retornou a comunidade cientifica (ABDI, 1999).
O algoritmo backpropagation envolve duas fases. A primeira delas um fluxo para
frente de ativao gerado pela camada de entrada da RNA para a camada de
sada atravs da camada oculta. Cada neurnio da camada oculta calcula a sua
ativao atravs de um somatrio das entradas ponderado pelos pesos dos
respectivos ramos que chegam at o neurnio. Aps essa ativao os valores so
transformados em respostas utilizando funes de transferncia para esse
principio. obtido dessa maneira o vetor de sada hLx1 do neurnio da camada
oculta.
hk g h (WhjT xk )
Eq.AII.01
As sadas da camada oculta sero as entradas da camada de sada. O vetor de

respostas dos neurnios da camada de sada ser dado por dk g i (WihT hk ) .
119

Na segunda fase o erro definido como a diferena entre a sada atual e a
resposta real (deseja). O vetor de erros na camada de sada pode ser
representado por ek (d k d k ) . O erro ento transformado em um sinal de erro
atravs de funes derivadas efetuadas nos neurnios de ativao. O vetor sinal
de erro por ser denotado por sada ,k , para a camada de sada, representado pela
seguinte equao:
sada ,k gi' (WihT hk ) (ek ) gi' (WihT hk ) (d k dk )
Eq.AII.02
Onde,
g i' a derivada da funo de transferncia g i da camada de sada
representa a multiplicao elemento a elemento dos vetores

O sinal de erro ento propagado para trs na rede neural, camada por camada.
Depois dos pesos de conexo dos neurnios terem sido utilizados para a
propagao dos erros, eles so ajustados para minimizar o erro mdio quadrtico
entre a resposta da RNA e a resposta desejada. Para os neurnios da camada de
sada, o sinal de erro utilizado de uma maneira direta, sendo que os pesos da
matriz Wih so alterados de maneira iterativa. Para a prxima iterao essa matriz
ser computada pela seguinte formulao:
T
Wih[ n1] Wih[ n ] hk sada
,k Wih[ n ] wih[ n ]
Eq.AII.03
Onde,
a constante de aprendizado da rede neural
120

Nesse processo o valor k definido aleatoriamente. O ajuste dos pesos entre as
camadas de entrada e a camada oculta proporcional ao erro estimado, definido
por ek W[ n ] sada ,k para o estimulo de k . Isso feito para cada neurnio da
camada oculta sendo estendido para cada neurnio especfico da camada de
entrada que contribui para o valor final desse erro.
O vetor sinal de erros (estimado) para os neurnios da camada oculta so

denotados por oculta,k . De maneira anloga ao clculo do sada ,k , a formulao
desse vetor segue a seguinte formulao:
oculta,k g h' (WhjT xk ) (ek ) g h' (WhjT hk ) (Wih sada ,k )

[n]
Eq.AII.04
Da mesma forma a nova matriz Whj para a prxima iterao obtida atravs da
seguinte formulao:
T
Whj[ n1] Whj[ n ] xk oculta
,k Whj[ n ] whj[ n ]
121
ANEXO III PROCEDIMENTO DE ELABORAO DAS REDES NEURAIS
ANEXO III - Procedimento de Elaborao das Redes Neurais

O processo de elaborao de redes neurais no software STATISTICA realizado
atravs das etapas mostradas na Figura AIII-1.
Escolha do
tipo de
problema
Critrios de
Seleo das
RNAs
Definio das
Arquiteturas
das RNAs
Anlise dos
Resultados
Figura AIII-1 Etapas de elaborao de RNAs no STATISTICA

a) Escolha do tipo de problema a ser abordado
So dois os tipos de problemas que podem ser abordados pelo SNN (Statistica
Neural Networks):
Uso imediato: Sries Temporais;
Uso futuro (com a incluso de variveis explicativas para tomada de

deciso): Regresso, Classificao e Anlise de Clusters.
A Figura AIII-2 mostra o uso do IPS para regresso, que o tipo de problema
abordado nesse trabalho.
122
Figura AIII-2 Anlise de regresso com o IPS

Aps a determinao do tipo de problema que ser aplicado as redes neurais,
necessrio escolher, na amostra de dados, as variveis de entrada e sada para
serem modeladas, esse processo mostrado na Figura AIII-3.
Figura AIII-3 Seleo das variveis de entrada e sada

b) Critrios de seleo das redes neurais;
No software STATISTICA, os recursos de otimizao permitem o treinamento e

teste de at milhares de RNAs. Pode-se testar um nmero exato de redes atravs
da opo Networks tested ou determinar um perodo de tempo em que sero
123

testadas diversas redes na opo Hours/minutes. No caso ilustrado na Figura AIII4, so testadas 20 redes neurais e selecionadas as 10 melhores.
Figura AIII-4 Nmero de RNAs Testadas e Escolhidas

Com a incluso de variveis explicativas atravs da opo Select a subset of
independ variables, e utilizando a tcnica estatstica multivariada de Anlise de
Componentes Principais (PCA), o software permite a seleo de variveis
independentes. Na opo Form an ensemble from retained networks as
melhores redes elaboradas so utilizadas de maneira hbrida para realizar
anlises.
No software existem dois critrios de seleo das RNAs que so:
Erro as redes com menores erros relacionados com a amostra so as

selecionadas pelo IPS;
Diversidade as redes com melhor relao erro/complexidade, ou seja,

com menores erros e menos complexas (menor nmero de neurnios na
camada oculta) so escolhidas pelo IPS.
124

A Figura AIII-5 mostra o critrio de seleo das redes neurais atravs do menor
erro em relao s respostas reais.
Figura AIII-5 Critrios de seleo das RNAs

c) Escolha das arquiteturas das RNAs a serem elaboradas
No software STATISTICA existe a possibilidade de se escolher vrias RNAs para
mapear problemas. Os tipos de redes encontrados so: Linear, GRNN, Radial
Basis Function, MLP de 3 e 4 camadas. A Figura AIII-6 mostra os tipos de RNA
que podem ser escolhidas no software.
Figura AIII-6 Tipos de RNAs disponveis no software

Existe uma flexibilidade para escolher o nmero de neurnios da camada oculta
das redes neurais. Isso pode, para pequenas amostras, evitar o Over-Learning31.
31
conhecido como over-learning a caracterstica de super aprendiz ado da rede. Quando isso
ocorre a RNA apesar de adquirir muito conhecimento da amostra sua capacidade de generalizao
125

A Figura AIII-7 mostra a escolha da complexidade da camada oculta das RNAs
atravs da modificao do nmero de neurnios.
Figura AIII-7 Determinao do nmero de neur nios na camada oculta

A amostra inicial dividida em trs diferentes conjuntos pelo STATISTICA. O
primeiro conjunto utilizado para o treinamento das redes, durante essa etapa a
RNA aprende com a amostra alterando os pesos dos ramos. O segundo conjunto
utilizado para a seleo das redes, aps o treinamento, verificado como a RNA
est se comportando frente a casos que no participaram do treinamento inicial,
as melhores redes obtidas, ou seja, as redes que obtiveram melhor desempenho
so as selecionadas. O terceiro conjunto realiza testes nas redes neurais com
casos que no participaram do processo de treinamento, esse conjunto utilizado
para verificar a capacidade de generalizao das RNAs selecionadas. O software
escolhe, automaticamente, o conjunto de treinamento, seleo e teste na
proporo de 2:1:1. Porm, essa proporo pode ser alterada, pode-se por
exemplo aumentar o nmero de casos de treinamento e diminuir os casos de
teste.
Existem outros recursos modernos para seleo de amostras como Bootstrap e

aleatoriedade, alm da seleo da escolha de uma proporo fixa para o
prejudicada, ou seja, a RNA passa a ter problemas para realizar anlises de casos que no
pertenam a amostra inicial.
126

treinamento, seleo e teste das RNAs. A Figura AIII-8 mostra a seleo de
amostras fixas na proporo 2:1:1.
Figura AIII-8 Seleo da proporo treinamento, teste e seleo

As funes de ativao do Multi Layer Perceptron (MLP) para as respostas das
RNAs podem ser escolhidas. Em problemas de regresso podem ser utilizados
dois tipos diferentes de codificao para as respostas, mostrados na Figura AIII-9.
Figura AIII-9 Tipos de codificao das sadas da MLP

Aps a determinao de todos os passos anteriores, resta escolher quais as redes
elaboradas sero mostradas ao usurio no final do processo de treinamento. A
127

Figura AIII-10 apresenta a seleo da opo Improved Networks onde as
melhores redes elaboradas estaro disponveis para anlise do usurio aps o
processo de elaborao.
Figura AIII-10 RNAs a serem mostradas ao final do processo

d) Anlise dos resultados
Durante o processo de treinamento o IPS permite ao usurio selecionar a

finalizao do processo de treinamento antes dele estar totalmente concludo. A
Figura AIII-11 mostra o processo de treinamento das RNAs.
Figura AIII-11 Processo de treinamento das RNAs

As diversas RNAs podem ser caracterizadas, em funo do treinamento, pelos
seguintes ndices:
128
Profile: caracterizao da rede. Por exemplo, MLP 2:2-3-1:1 (2 entradas, 2

camadas de 3 e 1, 1 sada);
Train Perf /Select Perf /Test Perf: performance de Treinamento, Seleo e

Teste. Os clculos dependem da rede. Por exemplo, em classificao, a
proporo de casos classificados corretamente; em regresso e sries
temporais, uma relao considerando o desvio-padro. O valor 1 nesse
ndice pode representar over-learning;
Train Error /Select Error /Test Error: os algoritmos das RNAs otimizam
uma funo de erro (Ex.: Mnimos Quadrados). um ndice menos
interpretvel que a performance mas um utilizado internamente para
seleo das RNAs;
Training /Members: descreve o algoritmo de treinamento. Por exemplo,

BP200CG102b significa 200 pocas treinadas por Backpropagation
seguidas por 102 pocas treinadas por Gradiente Descendente;
Note: uma rpida descrio de texto que o usurio pode inserir para
informao a respeito da rede;
Input: nmero de entradas da rede neural (mesmo nmero do profile);
Hidden (1) /Hidden (2): o nmero de neurnios da camada oculta da RNA.
Na anlise dos resultados obtidos, o software disponibiliza todos os valores reais

que serviram de amostra para elaborao das redes neurais, assim como as
respostas das simulaes nas redes. possvel elaborar grficos com esses
resultados, como o mostrado na Figura AIII-12.
129

Simulao X Valores Reais
1400
1200
1000
800
600
400
200
0
Cmg13
Cmg13.25
-200
1
15
22
29
36
43
50
57
64
71
78
85
92
99
Figura AIII-12 Grfico Simulao das RNAs X Valores do Newave

Existem recursos para anlise de resduos disponveis no STATISTICA. Atravs
dos resduos das simulaes possvel a criao de histogramas. A Figura AIII-13
mostra um exemplo de histograma criado, pode-se notar que nesse caso existem
poucos pontos discrepantes.
A anlise estatstica dos resduos pode ser utilizada para avaliar a preciso da
rede. Quanto mais prximos de zero os resduos, mais prxima da srie original
estar a srie simulada pela RNA.
130

Histogram of Cmg11, Residual (11)
180
170
160
150
140
130
120
No cases
110
100
90
80
70
60
50
40
30
20
10
0
-3.5 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0
Cmg1 1, Residu al
Figura AIII-13 Histograma de resduos

Atravs do software possvel visualizar a arquitetura da rede elaborada. A Figura
AIII-14 ilustra uma RNA do tipo MLP com 27 entradas, 15 neurnios na camada
oculta e, trs respostas.
Profile : MLP 27:27-15-3:3 , Index = 25

Train Perf. = 0,165982 , Select Perf. = 0,266952 , Test Perf. = 0,442753
Figura AIII-14 Modelo de RNA elaborada
131

Em problemas de regresso o objetivo das redes neurais aprender atravs do
conjunto de valores de entrada e sada. Uma boa rede elaborada por regresso
deve realizar previses precisas ao invs de simplesmente estimar as respostas.
Desta forma, para anlise do comportamento das RNAs pode-se calcular com
software parmetros estatsticos que representem as caractersticas das redes, e
possibilite ao usurio escolher a melhor dentre todas as elaboradas. A Tabela
AIII-1 mostra algumas estatsticas calculadas pelo software.
Tabela AIII-1 Anlise da Srie Gerada pela RNA

CMO11
Data Mean
279,3372
Data S.D.
351,4790
Error Mean
-3,3029
Error S.D.
73,6042
Abs E. Mean
47,1769
S.D. Ratio
0,2094
Correlation
0,9779
Da Tabela AIII-1 tem-se:
Data Mean: mdia da srie original;
Data S.D.: Desvio Padro da srie original;
Error Mean: mdia do erro (resduo entre valor original e o valor previsto);
Error S.D.: Desvio Padro dos erros (resduos);
Abs E. Mean: mdia do erro em valor absoluto (resduo entre o valor

original e o valor previsto);
S.D. Ratio: a proporo entre o desvio padro da amostra e o desvio

padro dos erros (quanto menor for o valor do S.D. Ratio, melhor ser a
RNA);
Correlation: coeficiente de correlao entre o valor previsto e o valor

original (quanto maior for o coeficiente, melhor).
132
O software possui tambm uma ferramenta chamada Code Generator para

elaborao do algoritmo da RNA em linguagem de programao, a Figura AIII-15
mostra a seleo dessa ferramenta.
Figura AIII-15 Ferramenta Code Generator do STATISTICA

Aps a escolha das redes desejadas possvel gerar os algoritmos das redes em
linguagem C/C++, STATISTICA Visual Basic ou atravs da criao de um arquivo
XML na opo PMML. A Figura AIII-16 mostra a opo selecionada para criar o
algoritmo da rede em linguagem C.
Figura AIII-16 Criao do algoritmo da RNA em linguagem C
133

Dissertacao PrevisaoDePrecoDeEnergiaEletrica

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Dissertacao PrevisaoDePrecoDeEnergiaEletrica

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDADE FEDERAL DE ITAJUB

PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA

SIMULAO DE CUSTO MARGINAL EM

Anderson Rodrigo de Queiroz

Itajub, Abril de 2007

UNIVERSIDADE FEDERAL DE ITAJUB

SIMULAO DE CUSTO MARGINAL EM MERCADO DE ENERGIA

Universidade Federal de Itajub

Ande rson Rodrigo de Queiroz

Itajub, Abril de 2007

grandeza de meus pais, ao amor de minha noiva

Primeiramente gostaria de agradecer ao bom Deus pela forma que todas as

personalidade profissional. Agradeo pelas suas sbias orientaes que me

A introduo da competio no setor eltrico fez com que o preo da eletricidade

No Brasil, o preo da energia eltrica formado pelo custo marginal de operao

Este trabalho apresenta um modelo rpido e eficiente para simular o preo da

In Brazil the electricity price is formed by the marginal cost provided by an

REVISO BIBLIOGRFICA ....................................................................................... 5

Preo da Energia Eltrica ................................................................................... 8

Sries Temporais ......................................................................................... 9

Sistemas Inteligentes ................................................................................11

Anlise de Equilbrio ..................................................................................12

A Experincia Brasileira ....................................................................................14

Reestruturao do setor eltrico brasileiro ............................................14

Formao de preo de energia no Brasil ...............................................18

O Modelo DECOMP ..........................................................................20

Modelos de previso de preo propostos no Brasil .............................21

ABORDAGEM TERICA DO MODELO DE SIMULAO.................................23

Programa NEWAVE ..........................................................................................23

Formulao do Problema .........................................................................24

Modelo Atual de Planejamento da Operao ........................................28

Modelagem dos Componentes do Sistema...........................................30

Princpios Bsicos do DOE ......................................................................40

Estratgias do DOE ...................................................................................41

Objetivos do DOE ......................................................................................42

Tipos de DOE .............................................................................................44

Projeto Fatorial Completo .................................................................45

Projetos de Resoluo III e IV .........................................................47

Projetos Combinados ........................................................................49

Parmetros de Entrada e Sada do NEWAVE ......................................36

Definio das Etapas de Aplicao do DOE .........................................50

Redes Neurais Artificiais...................................................................................52

Metodologia de Aplicao das RNAs.....................................................59

Redes Neurais: Caractersticas do STATISTICA .................................60

ELABORAO DO MODELO PROPOSTO .........................................................63

Modelagem do Sistema Hidroeltrico Atravs do NEWAVE ......................63

Sistema de Gerao Hidreltrico.............................................................65

Sistema de Gerao Trmico ..................................................................66

Demanda ou Mercado de Energia ..........................................................67

A Expanso da Oferta de Energia...........................................................68

Energia Afluente .........................................................................................69

DOE Aplicado ao NEWAVE .............................................................................72

Primeira Aplicao do DOE......................................................................73

Segunda Aplicao do DOE.....................................................................77

Terceira Aplicao do DOE ......................................................................80

Variveis de Sada do NEWAVE .............................................................70

Redes Neurais Elaboradas...............................................................................83

Elaborao das RNAs no Software STATISTICA ...............................84

Arquitetura das Redes Elaboradas .........................................................84

Processamento das RNAs.......................................................................85

RESULTADOS OBTIDOS ........................................................................................88

Resultados Obtidos para o CMO do Submercado Sudeste .......................88

RNA para CMO Baixo ...............................................................................93