matheus eduardo leusin anÁlise da difusÃo da tecnologia

Matheus Eduardo Leusin

ANÁLISE DA DIFUSÃO DA TECNOLOGIA EÓLICA NO BRASIL

Dissertação submetida ao Programa de Pós-Graduação em Engenharia de Produção da Universidade Federal de Santa Catarina para a obtenção do Grau de Mestre em Engenharia de Produção. Orientador: Prof. Dr. Mauricio Uriona Maldonado

Florianópolis

2018


ANÁLISE DA DIFUSÃO DA TECNOLOGIA EÓLICA NO BRASIL

Esta Dissertação foi julgada adequada para obtenção do Título de “Mestre” e aprovada em sua forma final pelo Programa de Pós-

Graduação em Engenharia de Produção Florianópolis, 1 de março de 2018.

_______________________ Profª.Lucila Maria de Souza Campos, Dr.ª

Coordenadora do Curso

Banca Examinadora:

Prof. Mauricio Uriona Maldonado, Dr.

Orientador Universidade Federal de Santa Catarina

Prof. Enzo Morosini Frazzon, Dr.-Ing. Universidade Federal de Santa Catarina

________________________ Prof. Marciano Morozowski Filho, Dr. Universidade Federal de Santa Catarina

________________________ Prof. Thiago Caliari Silva, Dr.

Instituto Tecnológico da Aeronáutica

"Você nunca vai chegar ao seu destino se parar e atirar pedras em cada cão que late pelo aminho."

(Winston Churchill)

RESUMO

Frente ao aumento do interesse mundial pela difusão de tecnologias renováveis, a fonte eólica tem se destacado como uma das opções mais promissoras: é renovável, limpa, gera energia livre de emissões, possui custos de implementação progressivamente menores e é amplamente distribuída globalmente. Utilizada em mais de 80 países para geração de energia elétrica, a expansão da geração eólica é de especial interesse para o Brasil, em razão das suas características de complementaridade com a geração hídrica, que minimizariam a vulnerabilidade nacional a variações hidrológicas. Além disso, a geração eólica já é a segunda opção com os menores custos de geração no país, e o potencial eólico nacional remanescente é excepcional, suficiente para suprir até três vezes a demanda total brasileira por energia elétrica. Assim, considerando a atratividade da tecnologia eólica de geração, em nível mundial e, em especial, para atender aos interesses do Brasil, o presente trabalho tem como principal objetivo a identificação dos fatores mais relevantes para a difusão desta tecnologia no país, bem como a exploração de políticas que possam favorecer a evolução nacional desta tecnologia. O método utilizado envolve a integração das teorias de Sistemas de Inovação e Análise Prospectiva, mais especificamente as abordagens de Sistemas Tecnológicos de Inovação e de Análise de Cenários, oriundas destas teorias. Entre os principais resultados desta pesquisa, destacam-se: i) a elucidação do estado atual de desenvolvimento da tecnologia eólica no Brasil, bem como do desempenho nacional em relação às principais atividades que contribuem para o desenvolvimento desta tecnologia; ii) proposição de políticas de incentivo para a difusão da tecnologia eólica, considerando mecanismos de bloqueio e indução existentes no país; e iii) avaliação dos efeitos de políticas utilizadas nos mercados de contratação brasileiros, como as referentes ao estabelecimento das diretrizes dos leilões de energia e ao novo mecanismo de descontratação de energia, para a expansão da tecnologia eólica de geração na matriz elétrica nacional. Palavras-chave: Energia eólica. Sistema Tecnológico de Inovação. Análise de cenários. Dinâmica de Sistemas. Modelagem Baseada em Agentes.

ABSTRACT

Due to the increased global interest in the diffusion of renewable technologies, wind power has stood out as one of the most promising options: it is renewable, clean, generates emission-free energy, has progressively lower implementation costs and is widely distributed globally. Used in more than 80 countries for electricity generation, the expansion of wind power generation is of particular interest to Brazil, due to its complementarity characteristics with water generation, which would minimize national vulnerability to hydrological variations. In addition, wind generation is already the second option with the country's lowest generation costs, and the exceptional remaining national wind power potential is enough to supply up to three times the total Brazilian demand for electricity. Thus, considering the attractiveness of wind generation technology, worldwide, and especially to meet Brazil's interests, the main objective of this work is to identify the most relevant factors for this technology diffusion in the country, as well as policies that may favor this technology's national development. The method applied involves the integration of Innovation Systems and Prospective Analysis theories, more specifically Technological Innovation Systems and Scenario Analysis approaches, derived from these theories. The main results of this research include: i) the elucidation of the current state of wind technology development in Brazil, as well as the national performance in relation to the main activities that contribute for this technology development; ii) incentive policies proposal for wind technology diffusion, considering country's existing blocking and inducing mechanisms; and iii) evaluation of the effects of policies used in Brazilian contracting markets, such as those related to guidelines establishment for energy auctions and to the new energy discharging mechanism, for the expansion of wind generation in the national electricity matrix. Keywords: Wind energy. Technological Innovation System. Scenario analysis. Systems Dynamics. Agent-Based Modeling.

LISTA DE FIGURAS

Figura 1: Esquema conceitual de análise .............................................. 24 Figura 2: Método hipotético-dedutivo de Karl R. Popper ..................... 25 Figura 3: Organização da dissertação .................................................... 27 Figura 4: Os nove países com a maior capacidade eólica instalada do mundo (em GW) .................................................................................. 36 Figura 5: Principais instituições constituintes do setor elétrico brasileiro ............................................................................................................... 43 Figura 6: Número de plantas do setor eólico em operação no Brasil .... 47 Figura 7: Localização de plantas eólicas operacionais e de fornecedores da indústria eólica no Brasil .................................................................. 48 Figura 8: Evolução do registro de patentes no Brasil ............................ 54 Figura 9: Publicações identificadas sob a expressão "energia eólica" .. 56 Figura 10: Contratação total e contratação de fontes eólicas nos leilões brasileiros .............................................................................................. 59 Figura 11: Capacidade eólica instalada no Brasil ................................. 61 Figura 12: Investimentos financeiros feitos em energia renovável no Brasil .................................................................................................... 64 Figura 13: Representatividade de contratação das diferentes fontes de geração .................................................................................................. 67 Figura 14: Mecanismos de indução e bloqueio e questões políticas para o STI eólico brasileiro ........................................................................... 70 Figura 15: Difusão da Capacidade de Geração Eólica Instalada em alguns países .......................................................................................... 84 Figura 16: Adoção de uma nova tecnologia em um Sistema Dinâmico 89 Figura 17: Etapas do Processo de Modelagem em Dinâmica de Sistemas ............................................................................................................... 90 Figura 18: Modelo de Enlaces Causais ................................................. 92 Figura 19: Modelo de Estoque e Fluxo Parte 1 ..................................... 94 Figura 20: Modelo de Estoque e Fluxo Parte 2 ..................................... 97 Figura 21: Relação entre a capacidade elétrica total e a capacidade eólica total no período analisado ......................................................... 102 Figura 22: Relação entre o preço e o seu efeito na difusão de energia eólica ................................................................................................... 104 Figura 23: Cenário sem a criação do Proinfa ...................................... 105 Figura 24: Cenários gerados pela aplicação das políticas e tipos de variação ............................................................................................... 107 Figura 25: Diferença de desempenho dos cenários em relação ao Cenário Base ....................................................................................... 108 Figura 26: Módulo de Agentes ............................................................ 132

Figura 27: Módulo 1 de Dinâmica de Sistemas .................................. 134 Figura 28: Módulo 2 de Dinâmica de Sistemas .................................. 136 Figura 29: Histórico brasileiro de geração hídrica mensal 2007-2017 141 Figura 30: Histórico brasileiro de geração eólica mensal 2007-2017 . 142 Figura 31: Evolução da capacidade eólica instalada no SIN ............. 146 Figura 32: Evolução das geração hídrica ............................................ 148 Figura 33: Evolução da geração eólica ............................................... 149 Figura 34: Volumes de energia leiloados ............................................ 151 Figura 35: Geração hídrica em diferentes condições hidrológicas ...... 152 Figura 36: Evolução da capacidade de energia leiloada nos LERs .... 153 Figura 37: Evolução da geração eólica sob o impacto de diferentes condições hidrológicas ........................................................................ 154 Figura 38: Evolução da capacidade eólica instalada no ACR em cada cenário ................................................................................................. 156 Figura 39: Evolução da capacidade eólica instalada no ACL em cada cenário ................................................................................................. 157 Figura 40: Diferença da capacidade eólica total instalada em relação ao Cenário Base ....................................................................................... 158 Figura 41: Resumo de resultados de cada cenário em relação ao Cenário Base ..................................................................................................... 159

LISTA DE TABELAS

Tabela 1: Representatividade dos principais fabricantes de aerogeradores no Brasil ......................................................................... 49 Tabela 2: Fusões e representatividade das fabricantes eólicos no Brasil ............................................................................................................... 50 Tabela 3: Os 10 líderes do mercado de geração eólica brasileiro ......... 62 Tabela 4: Resultados da análise estatística .......................................... 100 Tabela 5: Valores da capacidade eólica total instalada ao longo do período analisado ................................................................................ 103 Tabela 6: Políticas aplicadas para a criação de cenários ..................... 106 Tabela 7: Cenários analisados e incremento de potência eólica instalada obtido .................................................................................................. 109 Tabela 8: Principais diferenças entre a DS e a MBA .......................... 119 Tabela 9: Descrição dos cenários gerados com a aplicação das políticas ............................................................................................................. 130 Tabela 10: Descrição dos principais parâmetros considerados ........... 137 Tabela 11: Resultados da análise estatística para as principais variáveis e estoques considerados ......................................................................... 149

LISTA DE ABREVIATURAS E SIGLAS

ABEEÓLICA - Associação Brasileira de Energia Eólica ABDI - Agência Brasileira de Desenvolvimento Industrial ACR - Ambiente de Contratação Regulada ACL - Ambiente de Contratação Livre ANEEL - Agência Nacional de Energia Elétrica BNDES - Banco Nacional de Desenvolvimento Econômico e Social CLD - Causal Loop Diagram CCEE - Câmara de Comercialização de Energia Elétrica CGEE - Centro de Gestão e Estudos Estratégicos CNPQ - Conselho Nacional de Desenvolvimento Científico e Tecnológico COP - Conferência das Partes DS - Dinâmica de Sistemas EPE - Empresa de Pesquisa Energética GW - Gigawatt GWEC - Global Wind Energy Council ICMS – Imposto sobre a Circulação de Mercadoria e Serviços INPI - Instituto Nacional de Propriedade Industrial LEE - Leilão de Energia Existente LEN - Leilão de Energia Nova LER - Leilão de Energia de Reserva LFA - Leilão de Fontes Alternativas MBA - Modelagem Baseada em Agentes MME - Ministério de Minas e Energia MW - Megawatt MWh - Megawatt-hora OEM - Original Equipment Manufacturer ONS - Operador Nacional do Sistema Elétrico PROINFA - Programa de Incentivo às Fontes Alternativas de Energia Elétrica REIDI - Regime Especial de Incentivos para o Desenvolvimento da Infra-Estrutura SENAI - Serviço Nacional de Aprendizagem Industrial SFD - Stock and Flow Diagram SIN - Sistema Interligado Nacional STI - Sistema Tecnológico de Inovação WWF - World Wind Fund for Nature

SUMÁRIO 1. INTRODUÇÃO GERAL ........................................................... 15 1.1. CONTEXTUALIZAÇÃO ............................................................ 15 1.2. PROBLEMÁTICA E OBJETIVOS DA DISSERTAÇÃO .............. 18 1.3. ENQUADRAMENTO TEÓRICO ........................................... 19 1.4. MODELO CONCEITUAL ..................................................... 21 1.5. METODOLOGIA ................................................................. 25 1.6. ORGANIZAÇÃO DA DISSERTAÇÃO .................................... 27 1.7. REFERÊNCIAS .................................................................... 30 2. ARTIGO 1 - A TECNOLOGIA EÓLICA NO BRASIL: UMA ANÁLISE FUNCIONAL ................................................................. 35 2.1. INTRODUÇÃO ................................................................... 35 2.1.1. Funções dos Sistemas Tecnológicos de Inovação ........ 38 2.1.2. Análise do STI ............................................................... 41 2.2. COMPONENTES ESTRUTURAIS DO STI EÓLICO BRASILEIRO ....................................................................................... 42 2.3. EVOLUÇÃO DO STI EÓLICO BRASILEIRO ........................... 45 2.4. COMPORTAMENTO FUNCIONAL DO STI EÓLICO BRASILEIRO ....................................................................................... 46 2.4.1. Atividades empreendedoras ........................................ 46 2.4.2. Desenvolvimento de conhecimento ............................ 51 2.4.3. Difusão de conhecimento através de redes ................. 55 2.4.4. Orientação da pesquisa ................................................ 57 2.4.5. Formação de mercado .................................................. 60 2.4.6. Mobilização de recursos ............................................... 64 2.4.7. Criação de legitimidade/combater a resistência à mudança ...................................................................................... 66 2.5. IDENTIFICAÇÃO DE MECANISMOS DE INDUÇÃO E BLOQUEIO E QUESTÕES POLÍTICAS .................................................. 68 2.5.1. Mecanismos de indução e bloqueio ............................. 68 2.5.2. Discussão sobre questões políticas .............................. 72 2.6. CONSIDERAÇÕES FINAIS ................................................... 74 2.7. REFERÊNCIAS .................................................................... 75 3. ARTIGO 2 - A DIFUSÃO DA TECNOLOGIA EÓLICA NO BRASIL SOB UMA ANÁLISE DE CENÁRIOS ............................................... 82 3.1. INTRODUÇÃO ................................................................... 82 3.2. REFERENCIAL TEÓRICO ..................................................... 85

3.2.1. Dinâmica de Sistemas ................................................... 85 3.2.2. Modelo de Difusão de Bass .......................................... 88 3.2.3. Curva de aprendizado ................................................... 89 3.3. PROCEDIMENTO METODOLÓGICO ................................... 90 3.4. FORMULAÇÃO E ANÁLISE DO MODELO ........................... 91 3.4.1. Modelo de Enlaces Causais ........................................... 91 3.4.2. Modelo de Estoques e Fluxos ....................................... 93 3.4.3. Validação do modelo .................................................... 99 3.4.4. Escopo e suposições ................................................... 100 3.5. ANÁLISE DE CENÁRIOS E APLICAÇÃO DAS POLÍTICAS .... 101 3.5.1. Resultados iniciais do modelo .................................... 102 3.5.2. Aplicação de políticas e análise de cenários ............... 106 3.6. CONSIDERAÇÕES FINAIS ................................................. 110 3.7. REFERÊNCIAS .................................................................. 111 4. ARTIGO 3 - A INFLUÊNCIA DOS MECANISMOS DE CONTRATAÇÃO BRASILEIROS PARA A DIFUSÃO EÓLICA ............ 116 4.1. INTRODUÇÃO .................................................................. 117 4.2. REVISÃO DA LITERATURA ............................................... 118 4.2.1. Modelagens Híbridas envolvendo o uso de MBA e DS ..... .................... .................................................................................... 118 4.2.2. Leilões brasileiros e o novo mecanismo de descontratação de energia ............................................................. 123 4.3. PROCEDIMENTO METODOLÓGICO ................................. 127 4.4. MODELO DE SIMULAÇÃO ............................................... 130 4.4.1. Desenvolvimento do modelo...................................... 130 4.4.2. Estrutura do modelo ................................................... 139 4.4.2.1. Mercados de Contratação ...................................... 139 4.4.2.2. Agente Empreendedor ........................................... 143 4.4.2.3. Agente Regulador ................................................... 144 4.5. ANÁLISE DE CENÁRIOS .................................................... 146 4.5.1. Implementação e validação do modelo ..................... 146 4.5.2. Aplicação de políticas ................................................. 155 4.6. CONSIDERAÇÕES FINAIS ................................................. 161 4.7. REFERÊNCIAS .................................................................. 163 5. CONCLUSÃO GERAL ...................................................... 168 5.1. PRINCIPAIS RESULTADOS ................................................ 168

5.1. CONTRIBUIÇÕES TEÓRICAS E METODOLÓGICAS ........... 171 5.2. LIMITAÇÕES DA PESQUISA E SUGESTÕES PARA TRABALHOS FUTUROS .................................................................... 172 5.3. REFERÊNCIAS .................................................................. 174 APÊNDICE A - Estrutura do modelo Stella ...................................... 177 APÊNDICE B - Estrutura do modelo Anylogic ................................. 180

15

1. INTRODUÇÃO GERAL 1.1. CONTEXTUALIZAÇÃO

Em décadas recentes, debates envolvendo o aumento das temperaturas médias globais levaram à constatação científica da relação entre o consumo de combustíveis fósseis para geração de energia e o aquecimento global, em razão da emissão de gases do efeito estufa (DA SILVA, N. F. et al., 2013). Sabe-se ainda que o desenvolvimento econômico de um país leva ao aumento do seu consumo de energia, o que é normalmente acompanhado de um aumento da queima de combustíveis fósseis. Assim, é esperado que países, em desenvolvimento principalmente, venham a aumentar suas emissões de gases de efeito estufa nas próximas décadas, contribuindo ainda mais para o aquecimento global.

Neste sentido, as fontes alternativas de energia oferecem a oportunidade de não apenas reduzir as emissões de gases poluentes, mas também de assegurar a provisão de energia de forma ambientalmente sustentável. No entanto, para a progressão destas tecnologias, é essencial a criação de ambientes políticos favoráveis, que possibilitem torná-las mais competitivas em relação às fontes de geração tradicionais (DA SILVA, R. C.; DE MARCHI NETO; SEIFERT, 2016). Desta maneira, dada a urgência do desenvolvimento deste tipo de tecnologias, medidas de incentivo para o seu desenvolvimento e substituição das fontes de energia tradicionais devem ser imediatas (DA SILVA, N. F. et al., 2013).

Dentre as fontes renováveis de geração de energia elétrica disponíveis, merece destaque a fonte eólica, que experimentou um rápido crescimento na última década. A geração eólica atingiu a marca de 433 GW de capacidade instalada global ao final do ano de 2015, gerando mais energia nova no referido ano do que qualquer outra tecnologia (GWEC, 2016). Atualmente utilizada para geração em mais de 80 países, a fonte eólica é considerada uma das fontes mais promissoras para geração de energia, além de estar entre as opções mais baratas de geração disponíveis atualmente (GWEC, 2016). Sua atratividade deve-se ao fato desta ser uma fonte renovável, limpa, gerar energia livre de emissões, ter custos de implementação progressivamente menores e ser largamente distribuída globalmente. Além disso, a fonte eólica não necessita de água - recurso cada vez mais escasso e limitado - para geração de energia (PEREIRA et al., 2012).

16

No Brasil, a geração elétrica baseada nesta fonte também experimentou um rápido crescimento, na última década. De 2006 a 2014, o número de usinas eólicas cresceu aproximadamente 300% ao ano (DA SILVA, R. C.; DE MARCHI NETO; SEIFERT, 2016), favorecendo: i) a redução nacional dos custos deste tipo de geração; ii) a expansão e diversificação da matriz de geração elétrica; iii) o desenvolvimento de um novo setor industrial nacional, que inclui companhias multinacionais estabelecidas no país e contribui para a geração de empregos; e iv) estudos em universidades relacionados à tecnologia eólica (PEREIRA et al., 2012).

Atualmente com cerca de 11 GW de capacidade de geração instalada para esta fonte, o potencial eólico brasileiro está entre os maiores do mundo. Calcula-se que o potencial eólico nacional onshore seja de 400 GW (GLOBAL WIND ENERGY COUNCIL, 2016), enquanto que para instalações offshore esta cifra chegue aos 600 GW (JUÁREZ et al., 2014).

Além das vantagens inerentes à geração eólica, esta fonte ainda é de interesse estratégico para balancear a matriz energética nacional, baseada principalmente na geração proveniente de hidrelétricas, que provê até 84% do total de energia elétrica consumida no país (DA SILVA, N. F. et al., 2013). Apesar de também ser considerada limpa, a geração baseada majoritariamente em fontes hídricas torna o país sujeito a variações hidrológicas para a produção de energia elétrica. Durante secas prolongadas, a geração hídrica torna-se insuficiente para suprir as necessidades do país, levando a apagões, como os ocorridos em 2001 e 2002, ou ao aumento substanciais do uso de usinas termelétricas - a altos custos operacionais e danos ambientais - como aconteceu em 2014 e 2015 (JUÁREZ et al., 2014; DA SILVA, R. C.; DE MARCHI NETO; SEIFERT, 2016).

Já a geração eólica é favorecida durante períodos de seca, potencialmente compensando o déficit de geração hídrica e reduzindo a vulnerabilidade do país às condições hidrológicas (PRADO et al., 2016; SCHMIDT; CANCELLA; JUNIOR, 2016). Além disso, atualmente é impossível manter o aumento da capacidade de geração de energia elétrica através da construção de novas usinas hidrelétricas de grande porte, uma vez que a maioria dos recursos hídricos remanescentes ainda não explorados estão em áreas ambientalmente sensíveis (DA SILVA, R. C.; DE MARCHI NETO; SEIFERT, 2016).

Outro justificativa para a expansão da geração eólica no Brasil relaciona-se aos custos de produção de energia desta fonte. Atualmente, a geração eólica é a segunda opção mais barata para produzir energia

17

elétrica no país, e estima-se que esta fonte terá custos menores do que a geração hidrelétrica até o ano de 2025 (EPE, 2016). Finalmente, destaca-se ainda que a maior parte do potencial eólico brasileiro está concentrado em regiões mais carentes do país, como o Nordeste, cuja exploração local pode trazer benefícios socioeconômicos regionais.

Frente à uma expectativa de aumento da demanda de eletricidade - que deve crescer de 2 a 4 vezes nos próximos anos no país (PEREIRA et al., 2012) - de um setor que demora décadas para se renovar, é visível a importância da tomada de decisões adequadas sobre questões que irão influenciar o futuro da matriz elétrica nacional. A predominância da influência do governo sobre as decisões que afetam o setor elétrico torna ainda mais relevante a escolha de políticas e diretrizes que influenciem a adoção das diversas fontes de geração.

Direcionamentos contrários à expansão eólica, como os ocorridos recentemente nos leilões de energia brasileiros 1 , que resultaram na

1 Exemplos de direcionamentos que desfavoreceram a contratação eólica em leilões ocorridos entre 2015 e 2016:

10º Leilão de Energia de Reserva: Limitou a participação exclusivamente a novos empreendimentos hidrelétricos. Realizado em 23/09/2016.

23º Leilão das Energia Nova: Preço-teto fixado para empreendimentos eólicos até 26% menor do que o de fontes de geração concorrentes. Realizado em 29/04/2016.

8º Leilão de Energia de Reserva: Fonte eólica concorreu com a fonte solar fotovoltaica, tendo seu preço-teto fixado com valor 44% abaixo ao preço-teto para a fonte soltar. Realizado em: 13/11/2015.

7º Leilão de Energia de Reserva: Limitou a participação exclusivamente a empreendimentos de geração baseados em fonte solar fotovoltaica. Ocorrido em 28/08/2015.

22º Leilão de Energia Nova: Preço-teto fixado para empreendimentos eólicos até 16% menor do que o de fontes de geração concorrentes. Realizado em 21/08/2015.

9º Leilão de Energia de Reserva: Limitou a participação a empreendimentos baseados em fontes termelétricas a gás natural. Realizado em: 03/07/2015.

21º Leilão de Energia Nova: Limitou a participação a empreendimentos baseados em fontes hidrelétricas e termelétricas. Realizado em: 30/04/2015.

3º Leilão de Fontes Alternativas: Preço-teto fixado para empreendimentos eólicos até 17% menor do que o de fontes de geração concorrentes. Realizado em: 27/04/2015.

18

primeira ocorrência de contratação anual nula desta fonte desde 2009 (CCEE, 2017), afetam drasticamente a expansão deste tipo de geração. Os resultados são sentidos na indústria eólica recente, que depende da contratação desta fonte para se estabelecer (EDITORA BRASIL ENERGIA, 2016), no desenvolvimento de mão-de-obra qualificada (destacados em JUÁREZ et al. (2014)) e de tecnologia nacional, ainda incipientes (destacado em FURTADO; PERROT (2015)), e a longo prazo afetam todo o sistema que envolve a tecnologia eólica no país.

Considerando este contexto, esta dissertação oferece uma visão sobre a trajetória, situação atual e possíveis cenários futuros da tecnologia eólica no Brasil, com vistas à proposição de políticas que incentivem o seu desenvolvimento. Após esta breve contextualização, são apresentadas a problemática e os objetivos da dissertação, na seção 1.2., seguida pelo enquadramento teórico e modelo conceitual de análise, nas seções 1.3. e 1.4., respectivamente. Finalmente, na seção 1.5. é apresentada a metodologia adotada, seguida pela seção 1.6. onde é apresentada a organização desta dissertação.

1.2. PROBLEMÁTICA E OBJETIVOS DA DISSERTAÇÃO

Tendo a tecnologia eólica como tema de interesse, o foco desta

dissertação abrange a análise de políticas que favoreçam a difusão desta tecnologia no Brasil.

Sabe-se que tecnologia é um bem intangível, cuja difusão depende da existência de diversos mecanismos, tais como: recursos humanos capacitados, viabilidade comercial, vantagens de algum tipo (ambientais, econômicas ou sociais), padrões de apropriabilidade sócio-econômicos e recursos financeiros. Os resultados de uma difusão tecnológica, tal como a tecnologia de geração eólica, também podem ser visualizados de diversas maneiras, tais como: desenvolvimento de novos mercados, criação de especializações e empregos relacionados à tecnologia, e minimização de emissão de gases poluentes ou aumento do PIB nacional.

Visto que a expansão da tecnologia de geração eólica no Brasil proporcionou um aumento expressivo no interesse e investimentos nacionais nesta tecnologia, alavancando ainda mais a sua disseminação, considera-se a expansão da capacidade eólica instalada um indicador altamente relevante para medir a difusão desta tecnologia no país.

19

Atualmente, a expansão desta fonte de geração, bem como de qualquer outra fonte, dá-se por meio da contratação em dois mercados: o Ambiente de Contratação Regulado (ACR) e o Ambiente de Contratação Livre (ACL). Assume-se aqui que a difusão da tecnologia eólica pode ser visualizada no aumento de representatividade desta tecnologia em relação à capacidade total de geração elétrica nestes dois mercados. A questão à qual pretende-se responder é como a difusão da tecnologia eólica pode ser influenciada pela adoção de políticas.

Objetivo geral Identificar os fatores que mais contribuem para a difusão da

tecnologia eólica no Brasil e explorar como a aplicação de diferentes políticas pode favorecer a evolução desta tecnologia no país.

Objetivos específicos 1.Analisar quais atores, redes e instituições compõem o sistema

que envolve a tecnologia eólica no Brasil, como eles se relacionam e qual o estágio atual de desenvolvimento desta tecnologia no país. Este objetivo é explorado no Artigo 1.

2.Compreender quais mecanismos podem induzir ou bloquear a difusão da tecnologia eólica no Brasil, e propor questões políticas baseadas nos efeitos que elas terão sobre estes mecanismos. Este objetivo é explorado no Artigo 1.

3.Compreender como a difusão da tecnologia de geração eólica no país pode ser influenciada pela aplicação de políticas. Este objetivo é explorado nos Artigos 2 e 3.

4.Identificar, entre as políticas aplicadas atualmente no setor elétrico nacional, as combinações que mais contribuem para a expansão da capacidade instalada de geração eólica nos mercados de contratação brasileiros (ACR e ACL). Este objetivo é explorado no Artigo 3.

1.3. ENQUADRAMENTO TEÓRICO

A presente pesquisa é suportada por duas perspectivas teóricas,

que proporcionam dois focos de análise distintos para analisar a problemática da difusão de uma tecnologia ao longo do tempo: os Sistemas de Inovação e a Análise Prospectiva.

Os Sistemas de Inovação (SI) focam na identificação e análise das relações de interdependência entre diferentes atores públicos e

20

privados e entre o marco institucional, que formam um sistema de inovação (CARLSSON; STANKIEWICZ, 1991). A análise de um SI possibilita identificar obstáculos sistêmicos que possam dificultar o desenvolvimento e difusão de algum tipo de inovação (NEGRO; ALKEMADE; HEKKERT, 2012). Esta análise abrange as atividades que contribuem para o desenvolvimento, aplicação e disseminação de novos conhecimentos tecnológicos em um SI, também conhecidas como "funções dos sistemas de inovação" (JACOBSSON; BERGEK, 2004).

Neste sentido, HEKKERT et al. (2007) e BERGEK et al. (2008) propõem uma ferramenta analítica para avaliar a situação atual e o desempenho de Sistemas Tecnológicos de Inovação (STI), que referem-se ao desenvolvimento, difusão e uso de uma tecnologia específica. Esta ferramenta envolve o mapeamento das determinantes da inovação, conhecidas como "funções", e possibilita a análise sistemática do STI. Através desta análise, são identificados os componentes estruturais que formam o sistema e avaliados os desempenhos das funções - e de suas relações de interdependência - para o desenvolvimento da tecnologia.

Já a Análise Prospectiva possibilita compreender o efeito em longo prazo de possíveis mudanças e/ou intervenções feitas no sistema. Este tipo de análise tem sido amplamente utilizado para reduzir incertezas relacionadas à compreensão de possíveis trajetórias de um determinado sistema ao longo de décadas, por meio da visualização de cenários (CAGNIN; HAVAS; SARITAS, 2013). A lógica da criação de cenários baseia-se na compreensão do ambiente socioeconômico e tecnológico no qual está inserido o sistema em análise (HAEGEMAN et al., 2013).

Existem várias abordagens utilizadas para a criação e análise de cenários futuros, mas poucas conseguem combinar simultaneamente métodos qualitativos e quantitativos. Dentre estas, as técnicas de modelagem se destacam. BISHOP; HINES; COLLINS (2007) ressaltam que a modelagem é a abordagem que cria a melhor representação quantitativa de variáveis contínuas para descrever um estado futuro. Esta abordagem pode ser dividida em modelos analíticos e de simulação. Para analisar problemas complexos, nos quais a dinâmica é importante, a simulação é geralmente a melhor opção (BORSHCHEV; FILIPPOV, 2004).

Assim, têm-se duas abordagens com pontos de vista complementares, que possibilitam a análise de aspectos qualitativos e quantitativos da difusão da tecnologia eólica. Os STI possibilitam, a partir da análise dos atores, redes e instituições, mapear o estágio atual de desenvolvimento da tecnologia eólica no Brasil e compreender os

21

obstáculos existentes para a difusão desta tecnologia no país (objetivos específicos 1 e 2). Já a simulação possibilita analisar o efeito de alterações que possam ocorrer no sistema e explorar possíveis consequências de intervenções feitas, através da aplicação de políticas, visualizados em cenários futuros envolvendo a difusão da capacidade eólica instalada no Brasil (objetivos específicos 3 e 4).

1.4. MODELO CONCEITUAL

O uso da abordagem dos Sistemas Tecnológicos de Inovação para

analisar a difusão de tecnologias renováveis de geração tem ampla aplicação na literatura. Publicações recentes são apresentadas em FURTADO; PERROT (2015); KARLTORP (2016); BAUER et al. (2017); EDSAND (2017); KARLTORP; GUO; SANDÉN (2017); KEBEDE; MITSUFUJI (2017). Independente da tecnologia analisada, os STIs são compostos por um número extenso de atores, redes e instituições realizando atividades de efeito sistêmico, demandando uma análise rigorosa do sistema que os envolve para a sua completa compreensão.

No Brasil a tecnologia eólica, quando aplicada na geração de energia elétrica, envolve os atores, redes e instituições que formam o setor de energia elétrica nacional, que não se limita apenas à geração eólica. Conforme mencionado anteriormente, este setor divide-se em dois mercados de contratação - Ambiente de Contratação Regulada e Ambiente de Contratação Livre - que por sua vez contam com mais de 4800 agentes econômicos, distribuídos entre comercializadores, importadores, produtores independentes, geradores, consumidores livres e especiais, e distribuidoras (ANEEL, 2016).

Ao mesmo tempo, o desempenho da tecnologia de geração eólica nestes mercados reflete apenas o aspecto comercial da aplicação da tecnologia eólica, cujo desenvolvimento depende de um sistema muito maior, nomeadamente o STI formado por esta tecnologia. Para ser implantada em uma usina, a tecnologia eólica precisa de um empreendedor com recursos financeiros e interesse em implementá-la. Este empreendedor por sua vez é sensível aos preços de implementação e ao desempenho da tecnologia, que são altamente influenciados pela existência de um mercado nacional que venda equipamentos de geração eólica e por atividades de Pesquisa e Desenvolvimento, respectivamente. A orientação do governo também pode influenciar estas interações ao oferecer isenções de impostos envolvendo a aquisição de equipamentos

22

de geração eólica, ou ao cobrir parte dos custos de geração de empreendimentos eólicos contratados em leilões, por exemplo. Além destes, outros aspectos ainda podem influenciar o STI, levados em consideração na análise funcional proposta por HEKKERT et al. (2007) e BERGEK et al. (2008).

Os autores citam 7 e 8 funções, respectivamente, muito semelhantes entre si. Para esta pesquisa é escolhida a nomenclatura e divisão das funções proposta em HEKKERT et al. (2007), nomeadamente: i) Atividades empreendedoras, ii) Desenvolvimento de conhecimento, iii) Difusão de conhecimento através de redes, iv) Orientação de pesquisa, v) Formação de mercado, vi) Mobilização de recursos e vii) Criação de legitimidade/combater a resistência à mudança. Além da escolha do STI a ser analisado, da identificação dos componentes estruturais que o formam (atores, redes e instituições) e do mapeamento das funções, BERGEK et al. (2008) propõem mais três etapas a serem seguidas na análise do STI: i) avaliar o quão bem as funções são cumpridas e definir as metas do processo em termos de um padrão funcional desejado; ii) identificar os mecanismos que induzem ou bloqueiam o desenvolvimento do STI em direção ao padrão funcional desejado; e iii) especificar as principais questões políticas relacionadas a esses mecanismos de indução e bloqueio.

Assim, a análise funcional inclui não só o mapeamento das funções e identificação do estágio atual de desenvolvimento do STI, mas também a proposição de políticas baseada nos mecanismos de bloqueio e de indução existentes no sistema. As políticas propostas, no entanto, não podem ser verificadas quantitativamente, ou mesmo terem os seus efeitos avaliados de forma individual. Tampouco a identificação de mecanismos de bloqueio a serem superados permite avaliar, mesmo que de forma aproximada, efeitos econômicos de longo prazo da suplantação destes obstáculos ou custos relativos à aplicação de políticas. Da mesma forma, esta identificação também não permite avaliar qual, dentre as diversas políticas possíveis, traria os melhores resultados em relação a um padrão desejado.

Neste sentido, a simulação possibilita não só isso, mas também avaliar outras hipóteses que não envolvam a aplicação de políticas e que possam impactar o sistema analisado (como variações de PIB do país, surgimento de uma nova tecnologia disruptiva, alterações climáticas, etc.). Apesar de ser inviável modelar todos os componentes que compõem e influenciam o desenvolvimento de um STI, a verificação de cenários envolvendo a aplicação de políticas é possível.

23

Neste sentido, os autores BORSHCHEV; FILIPPOV (2004) destacam que os principais métodos de simulação existentes são: Eventos Discretos (ED), Dinâmica de Sistemas (DS) e Modelagem Baseada em Agentes (MBA). Os EDs tratam da simulação com alto nível de detalhe, envolvendo eventos com início e fim definidos em intervalos relativamente curtos de tempo, sendo pouco indicados para longos períodos de análise. Já a DS e a MBA têm extensa aplicação na análise de comportamentos emergentes - a partir das interações entre os agentes, na MBA, e da estrutura do sistema, na DS - com menor necessidade de detalhamento, sendo utilizadas principalmente para examinar sistemas a nível mais estratégico.

A MBA é um campo relativamente novo, empregado principalmente a partir da segunda metade da década de 1990 para resolver uma grande variedade de questões de negócios e tecnologia (WU et al., 2010). Este método baseia-se na premissa de que os agentes têm comportamentos e interagem entre si, influenciando-se mutuamente. Estas interações propiciam o aprendizado e a adaptação do comportamento dos agentes ao ambiente em que estão inseridos (MACAL; NORTH, 2010). Este método requer alto desempenho computacional, o que limita muitas vezes a sua aplicação à simulação de períodos médios de tempo, como de alguns anos.

Já os modelos de DS são contínuos, tratando eventos como resultados das tendências políticas básicas, pressões e comportamentos dinâmicos, e requerem menor capacidade computacional do que os modelos de MBA. São aplicados para analisar efeitos dinâmicos em períodos que podem abranger várias décadas. A DS utiliza laços de realimentação e diagramas de estoque e fluxo para modelar o comportamento dos sistemas complexos ao longo do tempo (STERMAN, 2000).

Esta pesquisa utiliza a análise do STI de tecnologia eólica do Brasil para explorar o sistema que envolve a tecnologia eólica no país, identificando os mecanismos de bloqueio e indução presentes e propondo políticas. Em seguida, os resultados da análise do STI são utilizados para criar uma representação quantitativa de variáveis contínuas em um modelo de simulação. Este modelo é utilizado para gerar cenários alternativos baseados em alterações e intervenções que possam ocorrer ou serem aplicadas no sistema. Um desenho do esquema conceitual de análise utilizado é apresentado na Figura 1.

24

Figura 1: Esquema conceitual de análise

Fonte: Elaborado pelo autor (2018)

Destaca-se aqui a importância do desenvolvimento de uma

análise sistêmica antes do desenvolvimento de qualquer modelo de simulação. STERMAN (2000) ressalta que para uma intervenção ter qualquer possibilidade de sucesso, é necessário que seja considerado todo o sistema no qual ela irá atuar. Do contrário, qualquer intervenção está propensa a proporcionar efeitos negativos aos preteridos, causando mais distúrbios.

25

1.5. METODOLOGIA A presente pesquisa baseia os seus procedimentos no método

hipotético-dedutivo desenvolvido na segunda metade do século XX por Karl R. Popper. Este método enfatiza a importância da validação de hipóteses e da descoberta de erros em tentativas progressivas de descobrir a solução de um problema.

MARCONI; LAKATOS (2003) resumem os momentos do processo investigatório de Popper em 3 fases distintas: i) problema, que surge em geral de conflitos entre expectativas e teorias existentes; ii) solução proposta, deduzida de conseqüências na forma de proposições passíveis de teste; e iii) testes de falseamento, que seriam tentativas de refutação da solução proposta feitas através da observação e experimentação. Desta maneira, a resolução de um problema se renovaria em si mesmo, sempre em direção a soluções melhores. Uma figura esquemática desta seqüência de passos é apresentada na Figura 2.

Figura 2: Método hipotético-dedutivo de Karl R. Popper

Fonte: Elaborado pelo autor baseado em MARCONI; LAKATOS (2003)

26

As teorias de Sistemas de Inovação (SI) e de Análise Prospectiva foram utilizadas para construir o modelo teórico da pesquisa sobre o qual foram feitas as deduções que levaram à formulação de hipóteses. No caso específico desta pesquisa, o sistema envolvendo a tecnologia eólica no Brasil.

A teoria de SI foi aplicada através do método funcional apresentado em HEKKERT et al. (2007) e BERGEK et al. (2008) para análise de Sistemas Tecnológicos de Inovação (STIs). Já a Análise Prospectiva foi empregada através da análise de cenários envolvendo a metodologia de modelagem e simulação. Para a criação de cenários, foi desenvolvido em cada artigo um cenário base, que representa os desenvolvimentos que aconteceriam caso as condições atuais do sistema não mudem. Posteriormente, através da aplicação de políticas, são criados cenários alternativos, que, quando comparados com o cenário base, mostram o efeito da aplicação de cada política. Inicialmente, no Artigo 2, a análise de cenários foi feita utilizando exclusivamente o método de Dinâmica de Sistemas (DS), sendo incluído posteriormente no artigo 3 também o método de Modelagem Baseada em Agentes (MBA).

A inclusão da MBA exigiu a migração do modelo de simulação do Stella® versão 9.0, que suporta exclusivamente a modelagem de DS, para o AnyLogic® versão 8.2.3, que suporta ambos métodos. O horizonte de tempo sobre o qual é feita a análise de cenários também é distinto para os dois artigos. No Artigo 2, que utiliza apenas DS, a análise estende-se até o ano de 2050. Já no Artigo 3, a inclusão da MBA ocasionou um aumento expressivo do tempo de computação necessário para a geração de cenários, que passou de alguns segundos para algumas horas. Como resultado, optou-se por diminuir o horizonte de tempo analisado, que estende-se então até o ano de 2030.

Como técnica de pesquisa, é aplicada a documentação indireta, baseada em pesquisa documental e bibliográfica. Os fontes utilizadas para coleta de dados incluíram, além de artigos acadêmicos, materiais disponíveis ao público e não revisados por pares. Estes materiais não revisados incluem relatórios de instituições e empresas públicas brasileiras como Agência Brasileira de Desenvolvimento Industrial (ABDI), Agência Nacional de Energia Elétrica (ANEEL), Câmara de Comercialização de Energia Elétrica (CCEE), Centro de Gestão e Estudos Estratégicos (CGEE), Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), Instituto Nacional de Propriedade Industrial (INPI), Empresa de Pesquisa Energética (EPE), Ministério de

27

Minas e Energia (MME) e Operador Nacional do Sistema Elétrico (ONS).

Ainda foram coletados dados não revisados por pares de relatórios da Associação Brasileira de Energia Eólica (ABEEólica), do Instituto Acende Brasil e de revistas da área de energia eólica, nomeadamente os anuários de energia eólica da revista Energia. Dentre as fontes acadêmicas, foram utilizadas as bases de dados do Google Acadêmico e das plataformas digitais Web of Science e Scopus, através do acesso ao portal de periódicos da Capes concedido pela rede da Universidade Federal de Santa Catarina (UFSC).

1.6. ORGANIZAÇÃO DA DISSERTAÇÃO

A organização desta dissertação, desenvolvida com base em 3

artigos, é apresentada na Figura 3.

Figura 3: Organização da dissertação

Fonte: Elaborado pelo autor (2018)

28

O Artigo 1 realiza um mapeamento da trajetória da tecnologia eólica no Brasil. Utilizando a abordagem funcional proposta por HEKKERT et al. (2007) e BERGEK et al. (2008) para analisar Sistemas Tecnológicos de Inovação (STIs), o artigo apresenta os principais atores, redes e instituições envolvidos com a tecnologia eólica no país, além do estágio atual de desenvolvimento nacional e o desempenho das atividades chave que influenciam a difusão desta tecnologia.

Com base nesta análise, são identificados mecanismos de indução e bloqueio à difusão da tecnologia eólica no Brasil, e questões políticas são levantadas visando a subjugação destes mecanismos de bloqueio. Ao todo, são identificados três mecanismos de indução e dez mecanismos de bloqueio presentes no STI eólico brasileiro, bem como cinco medidas políticas relacionadas. Para a evolução do estágio atual de desenvolvimento brasileiro, a abordagem de STI aponta que deveria ocorrer uma disseminação expressiva de aplicações comerciais envolvendo a tecnologia eólica, visualizada em uma expansão do mercado para esta tecnologia.

Além de possibilitar a avaliação do estágio atual de desenvolvimento da tecnologia eólica no Brasil, este artigo favoreceu a compreensão do sistema que envolve esta tecnologia e as principais interações que o compõem, fundamentais para o prosseguimento desta pesquisa. Uma versão reduzida - em razão da limitação do número de palavras utilizada pela revista - deste artigo foi submetida à Revista Brasileira de Inovação. Nesta dissertação é apresentada a versão completa deste artigo.

Considerando o nível atual da tecnologia eólica no Brasil e as questões políticas levantadas, o Artigo 2 analisa a difusão comercial da tecnologia eólica no Ambiente de Contratação Regulado (ACR) brasileiro. Utilizando o método de Dinâmica de Sistemas, é criado um modelo de simulação baseado nos conceitos do Modelo de Difusão de Bass, adaptado ao contexto do ACR brasileiro, que envolve os leilões de contratação adotados atualmente para expansão da matriz elétrica nacional.

O Modelo de Difusão de Bass descreve as dinâmicas da adoção de inovações, desde a introdução até a fase de declínio do seu processo de difusão, visualizados no formato de uma curva "S". Para isso, o modelo considera a adoção de uma inovação baseada em dois comportamentos distintos: adoção por inovação, que ocorre no início da difusão da tecnologia, e adoção por imitação, que ocorre após a tecnologia ter sido empregada pelos adotantes iniciais. Considerando as particularidades dos leilões de energia brasileiros, os leilões que

29

ocorreram através do Programa de Incentivo às Fontes Alternativas de Energia Elétrica (PROINFA) foram escolhidos como impulsores iniciais da tecnologia de geração eólica no Brasil, gerando o comportamento dos adotantes inovadores considerados pelo modelo.

Este artigo foi publicado no XIV Congresso Latino Americano de Dinâmica de Sistemas. Além da participação do orientador Mauricio Uriona Maldonado, este artigo ainda contou com a participação do então graduando Luiz Humberto Zucco como co-autor. Este co-autor contribuiu para desenvolver uma versão inicial do modelo de simulação, utilizada para o desenvolvimento do seu trabalho de conclusão de curso e apresentada em ZUCCO (2016).

Além de constatações da análise prospectiva envolvendo a geração eólica no Brasil, percebe-se que a análise do comportamento de empreendedores no Artigo 2 é insuficiente para explicar resultados importantes ocorridos no setor elétrico nacional, como as quedas consecutivas de contratação de energia eólica. O modelo de simulação prevê o aumento do interesse em adotar a fonte eólica por parte dos empreendedores, na medida em que esta fonte tem os seus custos de geração reduzidos, o que deveria influenciar positivamente o ganho de mercado desta tecnologia. No entanto, tal comportamento não é respaldado nos resultados recentes de leilões brasileiros. Diretrizes estabelecidas nestes leilões favorecendo outras fontes em detrimento da fonte eólica resultaram na contratação baixa ou nula para este tipo de fonte, visualizada a partir de 2014. Percebe-se então a importância de considerar o estabelecimento das diretrizes dos leilões para a difusão da tecnologia eólica no ACR.

Assim, no Artigo 3, o modelo é aprofundado e passa a incluir a análise do comportamento seguido pelas instituições para o estabelecimento das diretrizes dos leilões de energia. Este modelo também inclui a análise do Ambiente de Contratação Livre (ACL), identificado no Artigo 1 como pouco disseminado pela tecnologia eólica e carente de incentivos a este tipo de geração. Juntos, o ACR e ACL formam todo o mercado potencial, no que se refere à aplicação comercial da tecnologia eólica para geração de energia elétrica. Considerando que o estabelecimento das diretrizes dos leilões é inerentemente distinto do sistema que os envolve - isto é, o sistema possui natureza contínua ao longo do tempo enquanto que os leilões ocorrem em momentos discretos com início e fim definidos -, a abordagem de Modelagem Baseada em Agentes (MBA) é agregada ao modelo original baseado em Dinâmica de Sistemas.

30

A MBA permite discretizar os eventos dos leilões de energia e a tomada de decisão dos agentes durante estes eventos, além de possibilitar discernir melhor entre a heterogeneidade individual das decisões dos empreendedores. Já a DS facilita analisar aspectos contínuos do sistema através da agregação de valores médios, como a evolução da percepção da atratividade de uma determinada fonte e valores agregados de geração de energia elétrica. O comportamento dos empreendedores é novamente modelado segundo os princípios do Modelo de Difusão de Bass, tendo a sua estrutura expandida para definir comportamentos distintos de atuação no ACL e no ACR. Ainda são analisados os efeitos das variações de geração hídrica para a difusão da tecnologia eólica. A análise das políticas inclui a introdução do 1º Mecanismo (Leilão) de Descontratação de Energia de Reserva, implementado ao final de 2017 no ACR e que, segundo a análise de cenários, pode contribuir positivamente para o desenvolvimento da tecnologia de geração eólica no país.

Este artigo foi submetido na íntegra à Revista Brasileira de Energias Renováveis. Além da participação do orientador Mauricio Uriona Maldonado, este artigo ainda contou com a orientação do professor Enzo Morosini Frazzon. O artigo teve uma versão inicial desenvolvida durante a disciplina de abordagens híbridas ministrada pelo professor Frazzon na Universidade Federal de Santa Catarina (UFSC), no terceiro trimestre de 2017. Além de contribuir com a base teórica necessária para o desenvolvimento da abordagem híbrida utilizada neste artigo, o professor Frazzon ainda lecionou sobre o funcionamento do software AnyLogic®, utilizado no artigo, e acompanhou o seu desenvolvimento.

1.7. REFERÊNCIAS

ANEEL. Boletim de Informações Gerenciais - 3º trimestre de 2016. Informações Gerenciais, p. 71, 2016. Disponível em: < http://www.aneel.gov.br/documents/656877/14854008/Boletim+de+Informa%C3%A7%C3%B5es+Gerenciais+-+3%C2%B0+trimestre+de+2016/a4192798-adf3-4902-b2ae-098033e69f5c >. BAUER, F. et al. Technological innovation systems for biorefineries: A review of the literature. Biofuels, Bioproducts and Biorefining, 1492963377, 2017. Disponível em: < https://www.scopus.com/inward/record.uri?eid=2-s2.0-85015183332&doi=10.1002%2fbbb.1767&partnerID=40&md5=030739a232cb014e1e42d191922b0456 >.

31

BERGEK, A. et al. Analyzing the functional dynamics of technological innovation systems: A scheme of analysis. Research policy, 1485359165, v. 37, n. 3, p. 407-429, 2008. ISSN 0048-7333. BISHOP, P.; HINES, A.; COLLINS, T. The current state of scenario development: an overview of techniques. foresight, 1489113086, v. 9, n. 1, p. 5-25, 2007. ISSN 1463-6689. BORSHCHEV, A.; FILIPPOV, A. From system dynamics and discrete event to practical agent based modeling: reasons, techniques, tools. Proceedings of the 22nd international conference of the system dynamics society, 2004. Citeseer. CAGNIN, C.; HAVAS, A.; SARITAS, O. Future-oriented technology analysis: Its potential to address disruptive transformations. Technological Forecasting and Social Change. 80: 379-385 p. 2013. CARLSSON, B.; STANKIEWICZ, R. On the nature, function and composition of technological systems. Journal of evolutionary economics, 1485358876, v. 1, n. 2, p. 93-118, 1991. ISSN 0936-9937. CCEE. Resultado consolidado dos leilões - 01/2017. Biblioteca Virtual CCEE, 2017. Disponível em: < https://www.ccee.org.br/ccee/documentos/CCEE_384476 >. DA SILVA, N. F. et al. Wind energy in Brazil: From the power sector's expansion crisis model to the favorable environment. Renewable and Sustainable Energy Reviews, 1487527394, v. 22, p. 686-697, 2013. ISSN 1364-0321. DA SILVA, R. C.; DE MARCHI NETO, I.; SEIFERT, S. S. Electricity supply security and the future role of renewable energy sources in Brazil. Renewable and Sustainable Energy Reviews, 1485356995, v. 59, p. 328-341, 2016. ISSN 1364-0321. EDITORA BRASIL ENERGIA. Cenários de Energia Eólica 2016/2017: 116 p. 2016. EDSAND, H. E. Identifying barriers to wind energy diffusion in Colombia: A function analysis of the technological innovation system and the wider context. Technology in Society, 1492963377, v. 49, p. 1-15, 2017. Disponível em: < https://www.scopus.com/inward/record.uri?eid=2-s2.0-85010903556&doi=10.1016%2fj.techsoc.2017.01.002&partnerID=40&md5=a427cf8bf175aa988531b73e3bb985ec >.

32

EPE. Custo Marginal de Expansão CME - Metodologia e Cálculo 2016. 2016. Disponível em: < http://www.epe.gov.br/geracao/Documents/NT-EPE-DEE-RE-010-2016-r0.pdf >. FURTADO, A. T.; PERROT, R. Innovation dynamics of the wind energy industry in South Africa and Brazil: technological and institutional lock-ins. Innovation and Development, 1490688083, v. 5, n. 2, p. 263-278, 2015. ISSN 2157-930X. GWEC. Global Wind Energy Outlook 2016. 2016. Disponível em: < http://www.gwec.net/publications/global-wind-energy-outlook/ >. HAEGEMAN, K. et al. Quantitative and qualitative approaches in Future-oriented Technology Analysis (FTA): From combination to integration? Technological Forecasting and Social Change, p. 386-397, 2013. ISSN 0040-1625. Acesso em: 3. HEKKERT, M. P. et al. Functions of innovation systems: A new approach for analysing technological change. Technological forecasting and social change, 1485359366, v. 74, n. 4, p. 413-432, 2007. ISSN 0040-1625. JACOBSSON, S.; BERGEK, A. Transforming the energy sector: the evolution of technological systems in renewable energy technology. Industrial and corporate change, 1487441116, v. 13, n. 5, p. 815-849, 2004. ISSN 0960-6491. JUÁREZ, A. A. et al. Development of the wind power in Brazil: Political, social and technical issues. Renewable and sustainable energy reviews, 1485356891, v. 39, p. 828-834, 2014. ISSN 1364-0321. KARLTORP, K. Challenges in mobilising financial resources for renewable energy - The cases of biomass gasification and offshore wind power. Environmental Innovation and Societal Transitions, 1492963377, v. 19, p. 96-110, 2016. Disponível em: < https://www.scopus.com/inward/record.uri?eid=2-s2.0-84949477074&doi=10.1016%2fj.eist.2015.10.002&partnerID=40&md5=d81c9127fde7d8faa7a168783cdfeb31 >. KARLTORP, K.; GUO, S.; SANDÉN, B. A. Handling financial resource mobilisation in technological innovation systems - The case of chinese wind power. Journal of Cleaner Production, 1492963377, v. 142, p. 3872-3882, 2017. Disponível em: < https://www.scopus.com/inward/record.uri?eid=2-s2.0-85006511994&doi=10.1016%2fj.jclepro.2016.10.075&partnerID=40&md5=395fdb16c15c25a2a23216ba275591a3 >.

33

KEBEDE, K. Y.; MITSUFUJI, T. Technological innovation system building for diffusion of renewable energy technology: A case of solar PV systems in Ethiopia. Technological Forecasting and Social Change, 1492963377, v. 114, p. 242-253, 2017. Disponível em: < https://www.scopus.com/inward/record.uri?eid=2-s2.0-84994526170&doi=10.1016%2fj.techfore.2016.08.018&partnerID=40&md5=053908e7bb9984da029ca667c7631dee >. MACAL, C. M.; NORTH, M. J. Tutorial on agent-based modelling and simulation. Journal of simulation, 1489113654, v. 4, n. 3, p. 151-162, 2010. ISSN 1747-7778. MARCONI, M. D. A.; LAKATOS, E. M. Fundamentos de metodologia científica. 5. ed.-São Paulo: Atlas, 2003. ISBN 8522433976. NEGRO, S. O.; ALKEMADE, F.; HEKKERT, M. P. Why does renewable energy diffuse so slowly? A review of innovation system problems. Renewable and Sustainable Energy Reviews, 1487440650, v. 16, n. 6, p. 3836-3846, 2012. ISSN 1364-0321. PEREIRA, M. G. et al. The renewable energy market in Brazil: Current status and potential. Renewable and Sustainable Energy Reviews, 1490693395, v. 16, n. 6, p. 3786-3802, 2012. ISSN 1364-0321. PRADO, F. A. et al. How much is enough? An integrated examination of energy security, economic growth and climate change related to hydropower expansion in Brazil. Renewable and Sustainable Energy Reviews, 1485357153, v. 53, p. 1132-1136, 2016. ISSN 1364-0321. SCHMIDT, J.; CANCELLA, R.; JUNIOR, A. O. P. The effect of windpower on long-term variability of combined hydro-wind resources: The case of Brazil. Renewable and Sustainable Energy Reviews, 1485357276, v. 55, p. 131-141, 2016. ISSN 1364-0321. STERMAN, J. D. J. D. Business dynamics: systems thinking and modeling for a complex world. 2000. ISBN 0072311355. WU, D. D. et al. Modeling technological innovation risks of an entrepreneurial team using system dynamics: an agent-based perspective. Technological Forecasting and Social Change, 1489113289, v. 77, n. 6, p. 857-869, 2010. ISSN 0040-1625. ZUCCO, L. H. Simulação de Sistemas Dinâmicos: um estudo sobre a difusão da energia eólica no Brasil. Trabalho de Conclusão de Curso, 1522719709, 2016.

2. ARTIGO 1 - A TECNOLOGIA EÓLICA NO BRASIL: UMA ANÁLISE FUNCIONAL


Mauricio Uriona Maldonado

Resumo: A geração eólica e o setor industrial relacionado à esta tecnologia experimentaram um crescimento exponencial na última década no Brasil, seguido por uma desaceleração abrupta, ocorrida principalmente nos últimos 4 anos. Utilizando a abordagem conhecida como Sistemas Tecnológicos de Inovação (STI), este artigo analisa e mapeia a difusão da tecnologia eólica no Brasil. O objetivo principal é descobrir possíveis disfunções deste sistema e propor medidas políticas para suplantá-los. Os resultados indicam que o país ainda está em fase de desenvolvimento da tecnologia eólica, tendo a sua difusão inibida por dez mecanismos de bloqueio. Com base nos mecanismos de indução e bloqueio identificados, cinco questões políticas são apresentadas para incentivar o desenvolvimento do STI eólico brasileiro. Palavras-chave: Tecnologia eólica; Sistema Tecnológico de Inovação; Funções da Inovação; Indústria eólica brasileira.

2.1. INTRODUÇÃO

Em relatório recente, o Conselho Global de Energia Eólica

(GWEC) destacou que apenas duas possibilidades tecnológicas podem ser implantadas com rapidez suficiente para atingir os objetivos estabelecidos na COP 21, em Paris: a expansão do uso de fontes renováveis para a geração de energia e o aumento da eficiência energética (GWEC, 2016). Ainda de acordo com este relatório, destas duas possibilidades, as energias renováveis podem sozinhas satisfazer a redução de metade de todas as emissões necessárias para manter o aumento da temperatura global abaixo de 2° C.

O Brasil, atualmente o 8º maior consumidor de energia em nível mundial (EIA, 2015), ocupa o 9º lugar entre os países com maior capacidade eólica instalada de geração, conforme apresentado na Figura 4.

36

Figura 4: Os nove países com a maior capacidade eólica instalada do mundo (em GW)

Fonte: Elaborado pelos autores com base em dados de GWEC (2016) Apesar dos já citados benefícios da geração eólica para o país

(ambientais, econômicos e complementaridade com os recursos hídricos) e da expansão expressiva verificada, na última década, falhas sistêmicas ainda são percebidas na difusão da tecnologia eólica no país. Dois fatores que sugerem a existência de mecanismos de bloqueio à difusão desta tecnologia são: dependência estrangeira no desenvolvimento de produtos eólicos de alto valor agregado 2012; ABDI, 2014) e quedas consecutivas na contratação de energia eólica nos leilões de energia, verificadas nos últimos 3 anos 2017b).

Existem vários estudos que analisam a difusão da tecnologia eólica no Brasil. Alguns autores analisam a difusão da geração eólica, juntamente com outras opções de geração usadas no país. DA SILVA, R. C.; DE MARCHI NETO; SEIFERT (2016), por exemplo, analisam o estado atual do setor elétrico brasileiro e discutem estratégias para diversificar a rede elétrica nacional, melhorando a segurança da oferta. Já PEREIRA et al. (2012) exploram as oportunidades, desafios e estratégias atuais para a promoção das energias renováveis no Brasil.

145,4

74,5

44,9

25,1 23,013,6 11,2 10,4

China Estados Unidos Alemanha

Índia Espanha Reino Unido

Canadá França Brasil

: Os nove países com a maior capacidade eólica instalada do mundo (em GW)

GWEC (2016)

Apesar dos já citados benefícios da geração eólica para o país micos e complementaridade com os recursos

hídricos) e da expansão expressiva verificada, na última década, falhas sistêmicas ainda são percebidas na difusão da tecnologia eólica no país. Dois fatores que sugerem a existência de mecanismos de bloqueio à

usão desta tecnologia são: dependência estrangeira no desenvolvimento de produtos eólicos de alto valor agregado (CGEE,

ontratação de energia eólica nos leilões de energia, verificadas nos últimos 3 anos (CCEE,

Existem vários estudos que analisam a difusão da tecnologia eólica no Brasil. Alguns autores analisam a difusão da geração eólica,

DA SILVA, , por exemplo, analisam o

estado atual do setor elétrico brasileiro e discutem estratégias para diversificar a rede elétrica nacional, melhorando a segurança da oferta.

exploram as oportunidades, desafios e ratégias atuais para a promoção das energias renováveis no Brasil.

10,4 10,0

Alemanha

Reino Unido

Brasil

37

Outros autores utilizam modelos matemáticos para analisar a difusão eólica no país. DALBEM; BRANDÃO; GOMES (2014) utilizam uma abordagem de opções reais para analisar se o mercado regulamentado brasileiro pode influenciar positivamente o desenvolvimento da energia eólica no mercado livre. SCHMIDT; CANCELLA; JUNIOR (2016), por sua vez, utilizam séries de produção de energia eólica e modelos de re-análise climática global para avaliar a complementaridade entre energia eólica e hidrelétrica no país.

Finalmente, a difusão eólica ainda é discutida como resultado de crises energéticas anteriores, no setor elétrico brasileiro, em alguns trabalhos. JUÁREZ et al. (2014), por exemplo, analisam a situação atual do setor elétrico nacional e as consequências da expansão da tecnologia eólica em relação a questões técnicas, políticas e sociais. Já DA SILVA, N. F. et al. (2013) analisam o modelo de expansão do setor elétrico brasileiro juntamente com os instrumentos institucionais e regulatórios existentes utilizados no país para promover a energia eólica.

Além destes trabalhos, FURTADO; PERROT (2015) avaliam bloqueios tecnológicos e institucionais para a difusão eólica na África do Sul e no Brasil. Os autores discutem alguns aspectos dos sistemas que envolvem a transição dos regimes atuais para a absorção da tecnologia eólica em relação aos dois países analisados, mas sem elaborar questões políticas ou analisar os mecanismos que influenciam a difusão desta tecnologia.

Apesar da variedade de trabalhos relacionados à tecnologia eólica no Brasil, percebe-se a ausência de uma análise sistemática sobre a tecnologia eólica. As questões políticas identificadas até agora não consideram as relações sistêmicas entre atores, redes e instituições que compõem o sistema que envolve a tecnologia eólica. Conseqüentemente, as questões políticas são propostas baseadas apenas em deficiências pontuais, sem considerar os efeitos de sua implementação no sistema como um todo.

A abordagem conhecida como Sistemas de Inovação (SIs), em particular, proporciona uma visão sistêmica deste tipo. A abordagem abrange a análise de atores, redes e instituições que compõem um determinado ambiente (CARLSSON; STANKIEWICZ, 1991). A análise deste ambiente, apresentado pelos autores como um Sistema de Inovação, é especialmente útil para verificar quais problemas sistêmicos podem dificultar o desenvolvimento e difusão de uma certa inovação (NEGRO; ALKEMADE; HEKKERT, 2012). Desta forma, este método é útil para avaliar as questões sistêmicas mencionadas anteriormente.

38

Resumidamente, o objetivo de um SI é desenvolver, aplicar e disseminar novos conhecimentos tecnológicos. As atividades dos SIs são relevantes somente quando contribuem para esse objetivo, sendo também conhecidas como "funções dos sistemas de inovação" (JACOBSSON; BERGEK, 2004). Ao restringir a análise a uma tecnologia específica, têm-se a abordagem derivada conhecida como Sistemas Tecnológicos de Inovação (STI). Os STIs, por sua vez, são sistemas sócio-técnicos focados no desenvolvimento, difusão e uso de uma tecnologia específica (BERGEK et al., 2008).

O presente trabalho analisa a difusão da tecnologia eólica no Brasil, identificando mecanismos que podem dificultar seu desenvolvimento e as questões políticas relacionadas. A abordagem sistêmica dos Sistemas Tecnológicos de Inovação é utilizada. Em particular, as funções da inovação propostas por HEKKERT et al. (2007) e BERGEK et al. (2008). Essas funções são apresentadas na subseção seguinte.

2.1.1. Funções dos Sistemas Tecnológicos de Inovação

HEKKERT et al. (2007) e BERGEK et al. (2008) propõem sete e

oito funções, respectivamente, semelhantes para analisar um STI. A terminologia funcional utilizada neste artigo foi proposta especificamente por HEKKERT et al. (2007), e baseia-se nas seguintes funções:

Função 1 - Atividades empreendedoras Um STI evolui sob consideráveis incertezas em termos de

tecnologias, aplicações e mercados. Do ponto de vista social, a principal força para reduzir a incerteza é a experimentação empreendedora. Esta experimentação gera um processo de aprendizagem social sobre a tecnologia e implica uma pesquisa de novas tecnologias e aplicações onde os empresários inerentemente falham ou obtém sucesso (KEMP; SCHOT; HOOGMA, 1998; BERGEK et al., 2008). O papel dos empreendedores portanto é transformar o potencial de desenvolver novos conhecimentos, redes e mercados em ações concretas para gerar e aproveitar as oportunidades de negócios. Os empreendedores podem ser tanto novos participantes que vêem uma oportunidade de negócios em novos mercados, quanto empresas estabelecidas que desejam diversificar suas estratégias de negócios para tirar proveito de desenvolvimentos tecnológicos recentes (HEKKERT et al., 2007)

39

Função 2 - Desenvolvimento de conhecimento O desenvolvimento de conhecimento envolve os vários tipos de

aprendizagem possíveis, que incluem "aprender pesquisando", "aprender fazendo", "aprender usando" e "aprender interagindo". Esta função considera que a base de conhecimento global do STI evolui em relação ao STI local em termos de conhecimento (BERGEK et al., 2008), sendo referida geralmente como o coração de um STI (HEKKERT et al., 2007). A aprendizagem gerada também é responsável por aumentar o desempenho da tecnologia, através de curvas de aprendizado (ZANGWILL; KANTOR, 2000; HEKKERT et al., 2007).

Função 3 - Difusão de conhecimento através de redes Esta função abrange como o conhecimento é difundido e

combinado no sistema. A difusão do conhecimento é essencial entre as redes que envolvem o STI (CARLSSON; STANKIEWICZ, 1991) e deve se estender em um sentido amplo, onde as atividades de P&D devem servir ao governo, aos competidores e ao mercado (HEKKERT et al., 2007). Desta forma, as decisões políticas (padrões e metas de longo prazo) devem ser consistentes com alinhamentos e descobertas recentes sobre a tecnologia, enquanto as mudanças nos padrões e valores afetam o planejamento de P&D. Assim, a atividade de rede gerada por esta função pode ser considerada como uma condição prévia para "aprender interagindo". Quando se trata de redes de produtores de tecnologia, também pode ser considerada uma condição prévia para "aprender usando" (HEKKERT et al., 2007).

Função 4 - Orientação de pesquisa A orientação da pesquisa refere-se às atividades dentro do

sistema de inovação que podem afetar positivamente a visibilidade, desejos e compreensão dos usuários da tecnologia (HEKKERT et al., 2007). Esta função representa a combinação de incentivos e pressões, que devem ser suficientes para induzir as organizações a entrarem no STI. Além disso, esta função engloba mecanismos que influenciam a direção da pesquisa dentro do STI em termos de tecnologias concorrentes, aplicações, mercados, expectativas, etc. (BERGEK et al., 2008). Enquanto a função 1 é responsável pela criação de variedade tecnológica, esta função representa o processo de seleção. Ao mesmo tempo, enquanto as funções 1 e 2 referem-se a mecanismos de aprendizagem, sem discutir a direção do processo de aprendizagem, a orientação de pesquisa indica que a mudança tecnológica não é autônoma (HEKKERT et al., 2007).

40

Função 5 - Formação de mercado Para um STI emergente ou em processo de transformação, os

mercados podem não existir, os clientes potenciais podem não ter articulado sua demanda ou não conseguirem fazê-lo, a relação preço/desempenho da nova tecnologia pode ser inibitiva e as incertezas podem prevalecer em muitas dimensões (BERGEK et al., 2008). Além disso, novas tecnologias muitas vezes têm dificuldade em competir com tecnologias tradicionais. Consequentemente, é importante criar espaços protegidos, entre os quais uma possibilidade relevante é a formação de mercados de nicho temporários para aplicações específicas da tecnologia (SCHOT; HOOGMA; ELZEN, 1994). A formação de mercados, temporários ou não, possibilita o aprendizado sobre a nova tecnologia (funções 1 e 2) e o desenvolvimento de expectativas (função 4) (HEKKERT et al., 2007).

Função 6 - Mobilização de recursos À medida que um STI evolui, é necessário mobilizar uma série de

recursos (EDQUIST; BJORN, 1997; PORTER, 2000), abrangendo tanto recursos financeiros quanto humanos, para possibilitar o desenvolvimento das atividades necessárias (HEKKERT et al., 2007). Esta função evolui à medida em que um STI é capaz de mobilizar competência/capital humano através da educação em domínios científicos e tecnológicos específicos, bem como no empreendedorismo, gestão e finanças, capital financeiro e outros recursos como produtos complementares, serviços, infra-estrutura de rede, etc. (BERGEK et al., 2008).

Função 7 - Criação de legitimidade/combater a resistência à mudança

Para se desenvolver bem, uma nova tecnologia deve tornar-se parte de um esquema estabelecido, ou então suprimi-lo. Muitas vezes, atores com interesses diferentes se opõem a essa força de "destruição criativa" (HEKKERT et al., 2007). Neste caso, coalizões de defesa podem atuar como um catalisador: chamam a atenção para a tecnologia (função 3) e para a disponibilização de recursos e regimes fiscais favoráveis (função 5), criando legitimidade para uma nova trajetória tecnológica (SABATIER, 1998). Se bem sucedidas, as coalizões de defesa crescem em tamanho e influência, podendo induzir ao espírito de destruição criativa (HEKKERT et al., 2007).

41

2.1.2. Análise do STI Seis passos são propostos por BERGEK et al. (2008) para a

análise de um STI. O primeiro envolve a escolha do STI que será explorado. No segundo passo, os componentes estruturais do STI (atores, redes e instituições) são identificados. No passo seguinte, os sete processos-chave (funções) são usados para descrever o que está acontecendo no STI. O quarto passo envolve avaliar o quão bem as funções são cumpridas e a definição de metas do processo em termos de um padrão "desejado". No passo seguinte, são identificados os mecanismos que induzem ou bloqueiam o desenvolvimento do STI em direção ao padrão funcional desejado. Finalmente, no sexto passo, as principais questões políticas relacionadas a esses mecanismos de indução e bloqueio são especificadas.

Ainda em relação à análise, vale destacar aqui as definições de atores, redes e instituições utilizadas neste trabalho, nomeadamente: i) atores: quaisquer organizações que contribuam direta ou indiretamente, através dos seus conhecimentos e competências, para o desenvolvimento da tecnologia em foco (SUURS, 2009); ii) redes: originadas da interação entre diferentes atores em torno da tecnologia, facilitam a transferência de conhecimentos tácitos e explícitos (JACOBSSON; BERGEK, 2004); e iii) instituições: restrições criadas para conformar as ações e interações humanas (NORTH, 1991).

A coleta de dados para este artigo não se concentrou em seguir todos os agentes individuais ou projetos de inovação do sistema, mas eventos relevantes em nível sistêmico. As fontes utilizadas incluem, além de artigos acadêmicos, materiais não revisados por pares, necessários para a coleta de informações relevantes e atualizadas em nível sistêmico. Estes materiais incluem relatórios de fontes governamentais oficiais, nomeadamente: Agência Brasileira de Desenvolvimento Industrial (ABDI), Centro de Gestão e Estudos Estratégicos (CGEE), Câmara de Comercialização de Energia Elétrica (CCEE), Agência Nacional de Energia Elétrica (ANEEL), Instituto Nacional de Propriedade Industrial (INPI), Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), Empresa de Pesquisa Energética (EPE). Ainda foram utilizados dados disponibilizados pela Associação Brasileira de Energia Eólica (ABEEólica) e revistas da área, tais como os anuários de energia eólica da revista Energia. Com base nesta coleta de informações, foi construído

42

um banco de dados histórico onde todos os eventos relevantes relacionados à trajetória tecnológica eólica no Brasil são mapeados.

Após esta seção introdutória, são apresentadas as seguintes seções: componentes estruturais do STI eólico brasileiro e sua evolução, nas seções 2.2. e 2.3., respectivamente, seguido pela análise funcional, na seção 2.4., e mecanismos de indução/bloqueio e questões políticas relacionadas, na seção 2.5. Finalmente, as conclusões são apresentadas na seção 2.6., seguidas das referências bibliográficas.

2.2. COMPONENTES ESTRUTURAIS DO STI EÓLICO BRASILEIRO

O setor de energia elétrica brasileiro sofreu mudanças estruturais

em 2004, com a introdução de um sistema de leilões para contratação de energia (DUTRA; SZKLO, 2008; MASTROPIETRO et al., 2014). O novo modelo dividiu a contratação de energia elétrica em dois mercados: Ambiente de Contratação Regulada (ACR) e Ambiente de Contratação Livre (ACL), que ocupam 75 e 25%, respectivamente, de toda a carga do Sistema Interligado Nacional (SIN) (MERCADO LIVRE DE ENERGIA ELÉTRICA, 2017).

No ACL, apenas os chamados consumidores livres podem comprar energia. Neste mercado, as relações comerciais são livremente acordadas e regidas por contratos que estabelecem prazos e volumes. Podem fazer parte deste mercado uma unidade ou um conjunto de unidades consumidoras localizadas em área contígua ou de mesmo CNPJ, cuja carga seja igual ou superior a 500 kW (soma das demandas contratadas) e tensão mínima de 2,3 kV, ou unidades consumidoras que contratem demanda a partir de 3.000 kW e tensão mínima de 69 kV (MERCADO LIVRE DE ENERGIA ELÉTRICA, 2017).

Já no ACR, onde as operações de compra e venda ocorrem por meio de leilões baseados nos menores critérios de preço, apenas as empresas de distribuição de energia podem participar (DA SILVA, R. C.; DE MARCHI NETO; SEIFERT, 2016). Neste mercado de contratação os consumidores compram energia elétrica das concessionárias de distribuição às quais estão conectados, e as tarifas são reguladas pelo governo.

Antes da privatização do setor para o modelo atual, não havia separação de negócios entre geração, transmissão e distribuição. Além disso, a maior parte das empresas eram estatais (ABDI, 2014). Atualmente, os distribuidores são independentes e responsáveis pela conexão e serviços ao cliente e há uma variedade muito maior de

43

agentes econômicos - cerca de 4800 - distribuídos entre comerciantes, importadores, produtores independentes, geradores, consumidores livres especiais e distribuidores (ANEEL, 2016). Ainda há uma variedade de instituições que integram e regulam o setor elétrico brasileiro a nível nacional. As principais delas são apresentadas na Figura 5.

Figura 5: Principais instituições constituintes do setor elétrico brasileiro

Fonte: Adaptado pelos autores baseado em CCEE (2017a)

De forma resumida, o CNPE é o órgão de assessoramento da

Presidência da República responsável pela formulação de políticas e diretrizes de energia que assegurem o suprimento de insumos energéticos a todas as áreas do país. De forma semelhante, o MME é responsável pela condução das políticas nacionais energéticas, de acordo com as diretrizes definidas pelo CNPE. O CMSE e a EPE são responsáveis pela segurança do suprimento de energia elétrica e pelo

44

planejamento e expansão do setor energético brasileiro, respectivamente. Ambos são vinculados ao MME. Já a CCEE e a ONS são responsáveis pela comercialização de energia elétrica e pelas operações técnicas necessárias, respectivamente, sendo ambos regulados e fiscalizados pela ANEEL (CCEE, 2017a).

Além destas instituições, ainda merecem destaque dois atores de extrema relevância para a estrutura do setor elétrico brasileiro: o Banco Nacional de Desenvolvimento Econômico e Social (BNDES) e a Centrais Elétricas Brasileiras S.A (Eletrobrás).

O BNDES é uma empresa pública federal cujo principal objetivo é o financiamento de empreendimentos que contribuam para o desenvolvimento do país. Entre estes empreendimentos, destaca-se a atuação do BNDES no setor eólico, tendo financiado cerca de 90% das usinas eólicas existentes no ACR através da sua linha de crédito BNDES Finame (ABDI, 2014). Esta linha exige que indústrias credenciem seus produtos no BNDES para poder vendê-los de forma financiada no país. Para fazer este credenciamento, o BNDES exige que sejam seguidos requisitos de conteúdo local. Dada a relevância do BNDES como financiador no Brasil, esta exigência de conteúdo local fez com que muitas indústrias estrangeiras se instalassem no país para conseguirem credenciar e vender seus equipamentos de forma financiada (DA SILVA, N. F. et al., 2013; JUÁREZ et al., 2014).

Já a Eletrobrás é a maior e mais importante empresa brasileira de geração de energia, detendo cerca de 32% da capacidade de geração elétrica do país e 47% das linhas de transmissão da rede básica do SIN (ELETROBRAS, 2017). A Eletrobrás é uma sociedade de economia mista e de capital aberto sob controle acionário do Governo Federal brasileiro, que possui 67% do capital social da empresa, direta ou indiretamente (ELETROBRAS, 2014). A principal função da Eletrobrás é garantir a viabilidade contínua do sistema elétrico brasileiro, atuando como uma entidade de desenvolvimento. A magnitude da companhia afeta principalmente a estrutura do ACR. REGO; PARENTE (2013), por exemplo, analisam a influência da Eletrobras nos leilões nacionais e destacam que a companhia tende a exercer o seu poder de mercado em leilões de energia existente, afetando a competitividade nos leilões e influenciando os preços de venda de energia elétrica no país.

Finalmente, como ator de extrema relevância especificamente para o desenvolvimento da tecnologia eólica, merece destaque a Associação Brasileira de Energia Eólica (ABEEólica). A associação atua na criação de parcerias para a solução de necessidades específicas do setor eólico brasileiro. Estas parcerias incluem o envolvimento da

45

associação com institutos de pesquisa e instituições ligadas ao governo para lançar o selo e o certificado de energia renovável, a Rede de Inovação de Energia Eólica e vários Grupos de Trabalho (GTs), que trabalham paralelamente à ABEEólica para resolver problemas da indústria. Através da sua atuação, a ABEEólica formou uma rede que conecta hoje mais de 100 associados envolvidos com a tecnologia eólica no Brasil (ABEEÓLICA, 2016).

2.3. EVOLUÇÃO DO STI EÓLICO BRASILEIRO

Existem diferentes denominações para as etapas que envolvem a

evolução de uma tecnologia na literatura (ROTMANS; KEMP; VAN ASSELT, 2001; VAN LENTE et al., 2003). Neste trabalho, é utilizada a estrutura apresentada em MEIJER; HEKKERT; KOPPENJAN (2007), que destaca cinco fases durante o desenvolvimento de uma tecnologia, visualizadas na forma de uma curva "S": i) fase de pré-desenvolvimento, quando um protótipo é produzido, mostrando a primeira evidência de que a nova tecnologia funciona; (ii) fase de desenvolvimento, que abrange desde a primeira aplicação comercial da nova tecnologia até a primeira venda de um produto relacionado a ela sem a necessidade de subsídio; (iii) fase de decolagem, quando a tecnologia ou produto é espalhado em maior extensão e o mercado cresce ainda mais; iv) fase de aceleração, quando a velocidade em que a tecnologia ou o produto é difundida aumenta e ele ganha mercado; e (v) fase de estabilização, quando o mercado se torna saturado e o grau de difusão se estabiliza.

Em relação a isso, duas fases distintas são observadas no Brasil: (1) Fase de pré-desenvolvimento A fase brasileira de pré-desenvolvimento corrobora com o motor

do tipo C indicado por HEKKERT et al. (2007), caracterizada por impulsionar inicialmente o desenvolvimento de uma tecnologia através das funções de desenvolvimento do conhecimento, atividades empreendedoras e orientação da pesquisa.

A manifestação da tecnologia eólica no Brasil foi notada pela primeira vez em 1976, com o primeiro registro de patente brasileira de energia eólica (INPI) (desenvolvimento do conhecimento). Duas décadas depois, os primeiros sinais da indústria eólica brasileira apareceram, com o início das operações do fabricante alemão de turbinas eólicas Wobben Windpower Industry e Commerce Ltda, em 1995. No mesmo ano também foi fundada a empresa brasileira Tecsis, que produz pás para torres eólicas (atividades empreendedoras).

46

Finalmente, em 2001, o Atlas do Potencial Eólico Brasileiro foi lançado, estimando pela primeira vez o potencial eólico do país e indicando as áreas mais propensas à exploração desta tecnologia para geração de energia (orientação da pesquisa).

(2) Fase de desenvolvimento A fase de desenvolvimento da tecnologia eólica no país começa

em 2002 e inclui o surgimento das funções remanescentes do STI e a ocorrência da primeira entrada comercial da tecnologia eólica sem nenhum subsídio. Este episódio ocorreu em 2011 no Leilão de Energia Nova A-3, marcando uma redução de 60% no preço da energia eólica em relação à sua primeira contratação regulada na primeira fase do Programa de Incentivo às Fontes Alternativas de Energia Elétrica (PROINFA), ocorrida em 2002 (DA SILVA, N. F. et al., 2013).

A fase de decolagem, na qual a tecnologia deve aumentar consideravelmente sua velocidade de difusão, ainda não é percebida no país.

2.4. COMPORTAMENTO FUNCIONAL DO STI EÓLICO BRASILEIRO

Com base na pesquisa de dados conduzida, os eventos relevantes

da trajetória da tecnologia eólica brasileira são mapeados e distribuídos, conforme apresentado a seguir:

2.4.1. Atividades empreendedoras

As primeiras atividades empreendedoras relevantes a nível

nacional envolvendo a tecnologia eólica aconteceram em 1995, quando as empresas Wobben Windpower e Tecsis iniciaram suas operações no país. Até 2002, a Wobben foi o principal ator envolvido com projetos eólicos no Brasil (FURTADO; PERROT, 2015). Em meados de 2014 já havia no país 10 fornecedores de turbinas eólicas, 9 fabricantes de torres e 4 fabricantes de pás (ABDI, 2014). A Figura 6 mostra o ano de entrada em operação de alguns fornecedores relevantes do setor de tecnologia eólica brasileira, compreendendo o período entre 1995 e 2015.

47

Figura 6: Número de plantas do setor eólico em operação no Brasil

Fonte: Elaborado pelos autores (2018)

Percebe-se na Figura 6 que o número de fornecedores do setor eólico atuando no país começou a se expandir e se diversificar mais rapidamente principalmente a partir de 2009, o que coincide com o aumento da contratação eólica nos leilões regulados, ocorrida a partir deste ano.

Em relação à localização, os atores da indústria eólica brasileira estão concentrados em 3 pólos principais: Sul, Sudeste e Nordeste. Devido à logística necessária para o transporte de produtos, existem dois tipos diferentes de aglomerações no Brasil: uma envolvendo fornecedores de torres e/ou pás, situada em torno dos montadores de turbinas eólicas, e uma envolvendo sub-fornecedores para determinados itens, situados em torno de cadeias existentes. O primeiro tipo de aglomeração tende a ocorrer em estados com maior potencial eólico (Nordeste), enquanto o segundo tipo está relacionado ao tipo de cadeia de fornecimento do fornecedor (como a metalurgia, por exemplo, fortemente desenvolvida no Sudeste) (ABDI, 2014). A Figura 7 mostra a localização das principais fábricas do país e as usinas eólicas operacionais.

0

2

4

6

8

10

12

14

16

199

5

199

6

199

7

199

8

199

9

200

0

200

1

200

2

200

3

200

4

200

5

200

6

200

7

200

8

200

9

201

0

201

1

201

2

201

3

201

4

201

5

Nú

mer

o d

e p

lan

tas

em o

per

ação

Turbinas eólicas grandes Turbinas eólicas pequenas

Pás Torres

48

Figura 7: Localização de plantas eólicas operacionais e de fornecedores da indústria eólica no Brasil

Fonte: Elaborado pelos autores com base em dados da WWF BRASIL (2015) e

ANEEL (2017) Atualmente, a grande maioria das montadoras de turbinas eólicas

que operam no país são fabricantes multinacionais de equipamentos originais (OEMs), que mantêm seus centros de pesquisa em seus países de origem. Esse fato se reflete diretamente nos modelos de turbinas eólicas e componentes comercializados no país, que fazem parte do portfólio global das multinacionais, criado essencialmente para os tipos de ventos encontrados na Europa e nos Estados Unidos. O influxo dessas multinacionais no país levou ao desenvolvimento de fornecedores locais e ao fortalecimento da capacidade produtiva do setor (ABDI, 2014).

A Tabela 1 apresenta os principais fabricantes de aerogeradores que atuam no Brasil, bem como a sua representatividade em relação à venda de aerogeradores (em quantidade e potência de geração) e pás no

49

país. As siglas Rel1, Rel2 e Rel3 representam as relações entre número de aerogeradores em operação e em construção, potência de geração em operação e em construção e número de pás em operação e em construção, respectivamente. Destaca-se que a WEG é a única fabricante de aerogeradores de origem brasileira entre as apresentadas na Tabela 1.

Tabela 1: Representatividade dos principais fabricantes de aerogeradores no

Brasil Empresa Nº de

aeroge-radores

Rel 1 (%)

Potência Rel 2 (%)

Número de pás

Rel3 (%)

Gamesa 1568 61/39 3777,6 49/51 4704 61/39

General Electric (GE)

1906 81/19 3385,52 77/23 5718 81/19

Alstom 1092 35/65 2798,38 31/69 3276 35/65

Wobben Windpower

1034 71/29 1823,25 66/34 3102 71/29

Vestas 674 56/44 1376,73 54/46 2022 56/44

Acciona 476 43/57 1295,5 48/52 1428 43/57

Impsa 683 42/58 1206,1 36/64 2049 42/58

Suzlom 377 100/0 741,73 100/0 1131 100/0

WEG 298 24/76 623,9 24/76 894 24/76

Siemens 205 100/0 476 100/0 615 100/0

Sinovel 23 100/0 34,5 100/0 69 100/0

Fonte: Elaborado pelos autores com base em EDITORA BRASIL ENERGIA (2016)

Em relação à Tabela 1, percebe-se a grande representatividade

das 3 maiores OEMs (Gamesa, General Electric e Alstom), que juntas suprem mais de 50% da demanda nacional de aerogeradores e pás. Nota-se também que a WEG encontra-se em um estágio inicial de crescimento, com a maior parte dos seus equipamentos contratados ainda em estágio de produção. Outro ator importante é a fabricante dinamarquesa Vestas, que reiniciou em 2015 sua produção no Brasil depois de interromper suas atividades no país. Já a argentina Impsa está com suas atividades interrompidas no Brasil desde o final de 2014, quando entrou em processo de recuperação judicial no país.

50

Também merece destaque a redução do número de fabricantes de turbinas eólicas com unidades de produção no Brasil em 2015 e 2016, devido a fusões e aquisições no mercado. Estas fusões são apresentadas na Tabela 2. Os valores percentuais mostrados na tabela referem-se ao total de 18.457 MW negociados no Brasil até o fechamento da edição da revista Energia, fonte destas informações.

Tabela 2: Fusões e representatividade das fabricantes eólicos no Brasil

Empresa Total negociado (MW) %

GE + Alstom 6296 34,12

Siemens + Gamesa 3814 20,67

Wobben 1823 9,88

Vestas 1744 7,83

Acciona + Nordex 1295 7,02

Impsa 1220 6,83

WEG 623 3,38


A GE absorveu os projetos em execução de energia da Alstom

em 2015, tornando-se a maior vendedora de turbinas eólicas do Brasil. A Siemens adquiriu a Gamesa em 2016, registrando também o maior número de contratos de fornecimento para os parques negociados em 2015. A concentração das fabricantes para suprir a capacidade negociada em leilões fica ainda maior com estas fusões, com os 3 primeiros atores tendo sido contratados para suprir quase 65% do volume total já leiloado no país para a fonte eólica.

Esta predominância de atores estrangeiros também é percebida nos leilões de energia brasileiros. Apenas um dos dez vencedores de leilões envolvendo a energia eólica em 2015 é exclusivamente nacional. Neste caso, um consórcio entre o Grupo Votorantim e a Casa dos Ventos, relacionado a um projeto de energia eólica de 209 MW. Os 968 MW restantes leiloados foram negociados por empresas ligadas a grupos estrangeiros, como EDP (Portugal), Tractebel/Engie e Voltalia (França), Enel Green Power (Itália) e Rio Energy (EUA) (EDITORA BRASIL ENERGIA, 2016).

Já no setor de serviços, há uma grande variedade de atores envolvidos. Existem fornecedores locais para os diversos serviços necessários em todas as etapas do desenvolvimento de projetos eólicos.

51

Há oferta para o desenvolvimento de projetos de parques, serviços de suporte para negociação com fornecedores e compradores, serviços de suporte pré-construção, serviços de implantação de parques (logística e execução de obras), de operação e manutenção e serviços associados à certificação de aerogeradores e treinamento técnico, entre outros. Vários novos participantes ainda são encontrados no país com as mais variadas atividades, principalmente na área de serviços, que exige investimentos iniciais menores. Um exemplo é a entrada de empresas de engenharia de construção civil no setor, que aproveitam seus recursos e conhecimento em projetos civis para a construção de torres e fundações de parques eólicos (ABDI, 2014).

Apesar da entrada de novos atores, ainda existem lacunas no setor eólico nacional. Além da predominância de empresas estrangeiras para atender à demanda interna do país no que se refere à fabricação de produtos de alto valor agregado, como aerogeradores, ainda há a necessidade de apoio externo em serviços envolvendo cálculos e análises técnicas mais complexas, que são realizadas no exterior. Também não existem no Brasil fabricantes para alguns insumos específicos da indústria eólica, como os utilizados na fabricação de torres de concreto e no núcleo de pás. Outros gargalos da indústria eólica brasileira estão relacionados a itens de produção locais de baixa competitividade, pouca capacidade produtiva para alguns componentes e subcomponentes utilizados no setor eólico e pouca capacidade disponível para alguns serviços associados ao desenvolvimento e implementação de projetos de parques eólicos (ABDI, 2014).

Vale a pena mencionar ainda que, apesar das exigências de conteúdo local do BNDES terem contribuído para a diversificação de atores do setor industrial nacional, existem críticas na literatura sobre o seu uso para o desenvolvimento de uma indústria nacional. As críticas argumentam que esse tipo de política de desenvolvimento não leva em consideração aspectos importantes como o desenvolvimento de conhecimento local (GOSENS; LU, 2013), o que parece ser o caso do Brasil.

2.4.2. Desenvolvimento de conhecimento

Apesar de possuir ventos de excelente qualidade e consistência,

ainda não se desenvolve no Brasil tecnologia própria a nível relevante para o setor (CGEE, 2012; ABDI, 2014). Os principais atores envolvidos com P&D no país são universidades e seus laboratórios,

52

fundações e institutos de pesquisa (CGEE, 2012), que raramente estabelecem parcerias com empresas privadas.

Historicamente, os investimentos em P&D em tecnologia eólica no Brasil são derivados basicamente de duas fontes, ambas ligadas ao governo: a Agência Nacional de Energia Elétrica (através do seu Programa de P&D) e o Ministério da Ciência, Tecnologia e Inovação. O principal foco dado às chamadas públicas para o desenvolvimento de projetos de P&D brasileiros é a criação de produtos adaptados às particularidades dos ventos nacionais (EDITORA BRASIL ENERGIA, 2016).

No entanto, o interesse por parte dos empreendedores na pesquisa de tecnologia eólica tem sido baixo desde o início da indústria (FURTADO; PERROT, 2015). A demanda por projetos é pequena, mesmo com a disponibilidade de recursos para P&D em chamadas estratégicas organizadas por fontes governamentais, atingindo menos de 1% do valor total disponibilizado em alguns casos (CGEE, 2012; JUÁREZ et al., 2014). Deve-se ressaltar ainda que o maior interesse em P&D na área de turbinas eólicas é restrito a empresas locais de origem brasileira ou latina, enquanto as OEMs tendem a concentrar seus esforços nas suas matrizes no exterior.

As principais exceções envolvem projetos sendo desenvolvidos para o contexto brasileiro conduzidos por empresas nacionais de capital privado, todos relacionados a melhoria de desempenho das usinas de geração. A Tecsis evoluiu no desenvolvimento de suas pás, passando de diâmetros de 59 metros para pás de 70 metros de diâmetro. A WEG e a Engie (francesa) estão trabalhando em parceria para o desenvolvimento de turbinas de 3,3 MW de potência ainda inéditas no país, e com conteúdo 100% nacional. A Camargo Schubert, por sua vez, tem investido em tecnologia de medição, o que pode gerar ganhos de até 6% na geração das turbinas em razão do aprimoramento das estimativas. Entre os resultados iniciais da empresa foram desenvolvidos modelos de previsão que estimam as condições dos ventos meses a frente da operação, diferindo dos modelos existentes atualmente no cenário mundial que conseguem estimar as condições apenas algumas horas antes.

Além destas, um caso raro de empresa pública investindo em tecnologia eólica que merece destaque envolve a Chesf, subsidiária da Eletrobras. A Chesf está desenvolvendo pesquisas para a construção de torres eólicas com altura maior ou igual a 120 metros e de pás otimizadas para rotores eólicos com diâmetro maior do que 100 metros (EDITORA BRASIL ENERGIA, 2016).

53

Ainda há muitos grupos de pesquisa no país relacionados à tecnologia eólica. Esses grupos no entanto são compostos por um pequeno número de participantes (de um a cinco), sinalizando a falta de pesquisadores locais no assunto. De acordo com CGEE (2012), este pequeno número de pesquisadores torna impossível criar um volume de massa crítico capaz de apoiar ações articuladas para capacitar recursos humanos nas áreas temáticas da energia eólica.

O registro de patentes brasileiras também é baixo. Para descobrir o número de registros de patentes brasileiras, uma pesquisa foi feita em 26 de abril de 2016 na plataforma online do Instituto Nacional da Propriedade Industrial (INPI). O INPI é uma autoridade federal brasileira, criada em 1970, vinculada ao Ministério do Desenvolvimento, Indústria e Comércio Exterior. Nesta pesquisa, feita com a chave de pesquisa "Energia Eólica", 439 registros de patentes foram encontrados até 2014. Deste total, 240 eram de origem alemã e apenas 89 de origem brasileira. A Wobben, empresa alemã citada anteriormente, destaca-se no registro de patentes no território brasileiro: 201 registros no total. A Figura 8 apresenta um resumo dos dados coletados, destacando os registros brasileiros e da Wobben em relação ao número total ao longo dos anos.

54

Figura 8: Evolução do registro de patentes no Brasil

Fonte: Elaborado pelos autores com base em dados do INPI (2016) Outra vez percebe-se a relação entre o aumento das atividades

envolvendo a tecnologia eólica e a contratação desta fonte nos leilões de energia, visualizada na Figura 8 em dois momentos: i) entre 2001 e 2002, coincidindo com o lançamento do Proinfa, que contratou um grande volume de geração baseada em fontes eólicas; e ii) entre 2009 e 2012, coincidindo com a expansão da contratação eólica nos leilões regulados de energia. O aumento do número de patentes visto neste período também relaciona-se com a entrada em operação de fábricas do setor eólico, conforme apontado anteriormente na Figura 6.

Uma análise sobre a origem dos registros de origem brasileira mostra que 87% delas pertencem a pessoas físicas, enquanto apenas 13% foram produzidas e registradas por empresas ou indústrias. Este fato ressalta o baixo nível de conhecimento gerado pelas atividades de P&D em indústrias e empresas do país, que no referente às patentes envolve principalmente registros de adaptações ao contexto nacional de produtos vendidos por OEMs estrangeiras.

0

10

20

30

40

50

6019

76

197

8

198

0

198

2

198

4

198

6

198

8

199

0

199

2

199

4

199

6

199

8

200

0

200

2

200

4

200

6

200

8

Nú

mer

o d

e p

aten

tes

Patentes de origem brasileira

Patentes da Wobben

Número total de patentes eólicas registradas no ano

2016)

se a relação entre o aumento das atividades envolvendo a tecnologia eólica e a contratação desta fonte nos leilões de energia, visualizada na Figura 8 em dois momentos: i) entre 2001 e

om o lançamento do Proinfa, que contratou um grande volume de geração baseada em fontes eólicas; e ii) entre 2009 e 2012, coincidindo com a expansão da contratação eólica nos leilões regulados de energia. O aumento do número de patentes visto neste

se com a entrada em operação de fábricas do

Uma análise sobre a origem dos registros de origem brasileira mostra que 87% delas pertencem a pessoas físicas, enquanto apenas

ram produzidas e registradas por empresas ou indústrias. Este fato ressalta o baixo nível de conhecimento gerado pelas atividades de P&D em indústrias e empresas do país, que no referente às patentes

to nacional de

200

8

201

0

201

2

201

4

Número total de patentes eólicas registradas no ano

55

Assim, as atividades de "aprender pesquisando", "aprender interagindo" e "aprender usando" são de pouca relevância para o desenvolvimento de conhecimento local. O mesmo acontece com o desenvolvimento de "aprender fazendo", que abrange principalmente o aprendizado operacional das atividades de produção, excluindo aqueles com maior complexidade ou valor agregado. Especificamente em relação ao "aprender interagindo" para produtores de tecnologia, e ao "aprender usando", destaca-se que ambos são dependentes da atividade de redes de difusão de conhecimento, analisadas na próxima função.

2.4.3. Difusão de conhecimento através de redes

Um fator relevante a ser levado em consideração em relação a

esta função é a criação de parcerias para complementar lacunas de conhecimentos dos atores, que possibilita o "aprender interagindo" (e o "aprender usando", no caso de produtores de tecnologia). Em relação a isso, observa-se no Brasil uma baixa demanda por parte das empresas do setor eólico brasileiro em formar parcerias para o desenvolvimento de projetos de P&D, mesmo com o apoio financeiro oferecido pelas instituições (CGEE, 2012). Este fato é um indicador de uma baixa conectividade na rede envolvendo a tecnologia eólica, que poderia facilitar aos empreendedores a formação de parcerias com outros que possuam competências maiores ou distintas.

Através desta conectividade fraca, os atores não interagem o suficiente com as instituições para completar suas próprias lacunas de conhecimento, como poderia acontecer entre empresários e universidades, por exemplo. A brasileira WEG é um exemplo raro de tal parceria no mercado brasileiro, tendo já estabelecido parcerias com a francesa Engie e com a norte-americana Northern Power Systems para o projeto de suas turbinas eólicas de maior potência.

Outro indicador relevante é o número de publicações sobre a tecnologia, que contribui para a criação de redes de conhecimento e sua difusão. Em relação a isto, observa-se que as publicações envolvendo o tema energia eólica têm crescido no país. Uma pesquisa feita no portal Scientific Electronic Library Online (Scielo, em http://www.scielo.org/) com a expressão "energia eólica" permite identificar artigos publicados no país sobre este tema. A Scielo é um portal que organiza e publica textos completos de revistas brasileiras na Internet. A Figura 9 mostra a quantidade de artigos registrados na data da pesquisa, em 15 de março de 2016, sobre a expressão "energia eólica".

56

Figura 9: Publicações identificadas sob a expressão "energia eólica"

Fonte: Elaborado pelos autores com base em dados da Scielo (2016) De 2002 a 2015, 72 publicações sobre o tema energia eólica

foram encontradas no portal. Observa-se um número muito similar de publicações no período entre 2008 e 2013, crescendo nos últimos 2 anos analisados.

Considerando ainda que a difusão de conhecimento através das redes deve ser o suficiente para guiar as atividades de P&D, que por sua vez devem servir ao governo, aos competidores e ao mercado (HEKKERT et al., 2007), destaca-se a falta de atualização do Atlas do Potencial Eólico Brasileiro. Lançado em 2001, este Atlas estima o potencial eólico brasileiro em diferentes regiões do país, servindo simultaneamente aos interesses do governo, competidores e do mercado ao sinalizar regiões com ventos favoráveis à geração eólica. Este atlas, no entanto, baseou-se em tecnologia da sua época para fazer as estimativas, de modo que está bastante desatualizado atualmente. Apesar de pressões por parte dos atores envolvidos com a tecnologia, não há qualquer indicação de lançamento de uma nova versão envolvendo todo o território nacional.

Para suprir este déficit de informações, atores locais têm lançado os seus próprios atlas, buscando atrair investimentos para as suas

0

10

20

30

40

50

60

70

802

00

2

20

03

20

04

20

05

20

06

20

07

20

08

20

09

20

10

20

11

20

12

20

13

20

14

20

15

Nú

mer

o d

e p

ubli

caçõ

es

Número de artigos no ano

Número acumulado de artigos publicados

57

regiões. Estados que já lançaram os seus próprios atlas eólicos incluem Ceará (2000), Rio de Janeiro (2002), Rio Grande do Norte (2003), Paraná (2007), Alagoas (2008), Espírito Santo (2009), Minas Gerais (2010), São Paulo (2012), Bahia (2013), e mais recentemente, o Rio Grande do Sul (2016). Mesmo assim, a atualização ainda é lenta, principalmente em comparação com o desenvolvimento da tecnologia eólica de geração. Além de atender às demandas de diversos atores envolvidos, estas atualizações contribuem para o desenvolvimento de expectativas em relação à tecnologia, exploradas na próxima função.

2.4.4. Orientação da pesquisa

A análise de regulamentos e expectativas envolvendo o uso da

tecnologia são fatores importantes para analisar esta função. Em relação aos regulamentos, as principais leis brasileiras envolvendo a energia eólica no Brasil visam reduzir os custos de geração de energia eólica mediante a concessão de isenção de impostos (5 leis), aumentar a agilidade na expedição de licenças ambientais (2 leis) e a criação de um programa para incentivar as energias renováveis (1 lei), que inclui a energia eólica entre outras fontes (EDITORA BRASIL ENERGIA, 2014).

O programa acima mencionado, conhecido como Proinfa, foi criado com o objetivo de estimular a geração de eletricidade a partir de fontes alternativas a curto e longo prazos. Fundado em 2002, o Proinfa é apontado como um dos principais impulsionadores da difusão de tecnologia eólica no mercado regulamentado brasileiro (DUTRA; SZKLO, 2008; PEREIRA et al., 2012; DA SILVA, N. F. et al., 2013; DA SILVA, R. C.; DE MARCHI NETO; SEIFERT, 2016). O programa contratou 1.422 MW de projetos eólicos em sua primeira fase (DUTRA; SZKLO, 2008), que deveriam ser adicionados à capacidade instalada brasileira de menos de 30 MW existente (ABEEÓLICA, 2017a).

O Proinfa sofreu alterações em 2004 devido à reestruturação do setor elétrico, substituindo o modelo de self dealing pelo modelo de leilões tarifários de menor custo. Os projetos vencedores desses leilões exclusivos assinavam contratos de vendas de energia válidos por 20 anos e ainda poderiam optar por condições especiais para financiar até 70% dos projetos através da linha de crédito do Banco Nacional de Desenvolvimento Econômico e Social (BNDES), denominada BNDES Finame. O programa também estabeleceu que os contratos seriam assinados principalmente com Produtores Autônomos Independentes

58

(PIAs), ou seja, produtores cujo controle acionário não pertencesse a qualquer concessionária de geração, transmissão ou distribuição de eletricidade.

Já em relação às expectativas, o governo brasileiro indica intenções positivas em relação às tecnologias de geração de energia eólica, como o objetivo de atingir a cifra de 24 GW de capacidade eólica instalada em 2024 (EPE, 2015). No entanto, ainda há poucas orientações especificamente voltadas ao desenvolvimento e fortalecimento da indústria eólica no país. A promoção de leilões para a contratação de energia eólica - um dos pontos mais importantes para a indústria eólica no Brasil - é um exemplo da orientação divergente do governo brasileiro para a tecnologia eólica.

A contratação de energia eólica em leilões, que ocorreu principalmente a partir de 2009, foi extremamente importante para o desenvolvimento de uma indústria relacionada à tecnologia eólica no país. No entanto, nos últimos anos, essa contratação mostrou um declínio, atingindo a nulidade em 2016. Os dados de contratação de projetos eólicos nos leilões de energia regulamentados até o final de 2016 são apresentados na Figura 10.

Figura 10: Contratação total e contratação de fontes eólicas nos leilões brasileiros

Fonte: Elaborado pelos autores com base em dados da CCEE (2017b)ABEEÓLICA (2017a)

Destaca-se ainda que o estabelecimento das diretrizes dos leilões

regulados, bem como a determinação dos valores leiloados,governo brasileiro e empresas públicas relacionadas. De 2009 a 2013, a fonte eólica competiu em leilões de energia com incentivos a seu favor ou imparciais. A partir do 18º Leilão de Energia Nova, realizado em 2013, esta fonte começou a ter um preço-teto menor de contratação estabelecido nas diretrizes de leilões do que as fontes concorrentes, competindo em desvantagem com outras fontes (INSTITUTO ACENDE BRASIL, 2017). O resultado dessa orientação divergente é visualizado nas quedas de contratação ocorridas a partir deste ano.

A queda de contratação desta fonte afeta toda a indústria eólica. Estima-se que o volume adequado de entregas para a indústria eólica no Brasil (atualmente com 6 fabricantes de turbinas eólicas) é de 3 GW por ano (EDITORA BRASIL ENERGIA, 2016).

0

2

4

6

8

10

12

14

20

05

20

06

20

07

20

08

20

09

20

10

20

11

20

12

20

13

20

14

20

15

Cap

acid

ade

Lei

load

a (G

W)

Capacidade eólica total leiloada (GW)

Capacidade eólica contratada (GW)

Representatividade eólica

59

: Contratação total e contratação de fontes eólicas nos leilões

CCEE (2017b) e

se ainda que o estabelecimento das diretrizes dos leilões regulados, bem como a determinação dos valores leiloados, é feito pelo governo brasileiro e empresas públicas relacionadas. De 2009 a 2013, a fonte eólica competiu em leilões de energia com incentivos a seu favor ou imparciais. A partir do 18º Leilão de Energia Nova, realizado em

teto menor de contratação estabelecido nas diretrizes de leilões do que as fontes concorrentes,

(INSTITUTO ACENDE . O resultado dessa orientação divergente é visualizado

A queda de contratação desta fonte afeta toda a indústria eólica. se que o volume adequado de entregas para a indústria eólica no

Brasil (atualmente com 6 fabricantes de turbinas eólicas) é de 3 GW por

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

20

16

Rep

rese

ntat

ivid

ade

eóli

ca (

%)

Capacidade eólica total leiloada (GW)

60

Também vale a pena notar que todos os projetos contratados nos leilões têm o mesmo prazo para iniciar as operações. Se um investidor completar sua fábrica antes do prazo, ele não pode começar a vender a energia gerada no mercado regulamentado até o prazo estabelecido. Assim, os investidores optam por adiar a construção de seus projetos, a fim de minimizar os possíveis custos de manter usinas ociosas, causando um acúmulo de pedidos na cadeia de produção em alguns meses do ano.

Pode-se mencionar ainda como problemas brasileiros de orientação: i) a falta de dados relevantes para o setor em relação aos ventos brasileiros, importante para sinalizar locais de investimento atraentes para empreendedores (PEREIRA et al., 2012); ii) o uso de legislações de incentivo inadequadas, estendidas de outros setores para a indústria eólica, como as referentes a REIDI, ICMS, entre outros; iii) legislação existente que aumenta diretamente os custos da tecnologia eólica no país, como a relacionada ao transporte naval e rodoviário (ABDI, 2014); e iv) falta de incentivos para o desenvolvimento da energia eólica em outros mercados, como o ACL (WWF BRASIL, 2015) e produção eólica offshore (CGEE, 2012), explorados mais detalhadamente na próxima função.

2.4.5. Formação de mercado

O desenvolvimento da geração eólica no Brasil é favorecido pelas

propriedades do vento do país, de excelente qualidade e consistência (DA SILVA, N. F.; ROSA; ARAÚJO, 2005). Estima-se em 400 GW o limite brasileiro para geração de vento onshore com torres de até 120 metros de altura (GLOBAL WIND ENERGY COUNCIL, 2016), concentrado principalmente na região Nordeste, onde os ventos têm altas velocidades médias com pouca variabilidade e mudanças de direção (DA SILVA, N. F.; ROSA; ARAÚJO, 2005).

A primeira turbina brasileira para geração eólica foi instalada em 1992 no arquipélago de Fernando de Noronha, resultado de uma parceria entre uma universidade e uma empresa de energia (ambos brasileiros) e um instituto de pesquisa dinamarquês (DA SILVA, N. F.; ROSA; ARAÚJO, 2005; FURTADO; PERROT, 2015). Nos anos seguintes a geração eólica pouco se expandiu no país, até a entrada em operação das usinas eólicas contratadas na primeira fase do Proinfa. A Figura 11 mostra a evolução da capacidade eólica instalada brasileira desde 2005, além da capacidade já contratada nos leilões regulados para ser adicionada no sistema elétrico nacional até 2020. Vale ressaltar

ainda que a geração eólica no Brasil é exclusivamente qualquer exploração comercial de projetos offshore.

Figura 11: Capacidade eólica instalada no Brasil

Fonte: Elaborado pelos autores com base em dados de ABEEÓLICA (2017a) Em relação à Figura 11, verifica-se que por mais de uma década,

a geração eólica pouco se desenvolveu no Brasil, iniciando um crescimento significativo percebido principalmente a partir de 2007. Atualmente, entre os 10 líderes do mercado brasileiro no que se refere à geração eólica, 4 são estrangeiros, conforme apresentado na Tabela 3. A capacidade total de geração eólica em operação destes 10 líderes representa 5.160 MW, ou 48% da capacidade total de geração eólica instalada no Brasil no período aos quais os dados da Tabela 3 se referem (final de 2016).

0

2

4

6

8

10

12

14

16

18

202

005

20

06

20

07

20

08

20

09

20

10

20

11

20

12

20

13

20

14

20

15

20

16

Po

tên

cia

eóli

ca (

GW

)

Nova capacidade eólica

Capacidade eólica total contratada

61

ainda que a geração eólica no Brasil é exclusivamente onshore, sem

instalada no Brasil

ABEEÓLICA (2017a)

se que por mais de uma década, a geração eólica pouco se desenvolveu no Brasil, iniciando um crescimento significativo percebido principalmente a partir de 2007.

líderes do mercado brasileiro no que se refere à geração eólica, 4 são estrangeiros, conforme apresentado na Tabela 3. A capacidade total de geração eólica em operação destes 10 líderes representa 5.160 MW, ou 48% da capacidade total de geração eólica

alada no Brasil no período aos quais os dados da Tabela 3 se referem

20

16

20

17

20

18

20

19

20

20

Capacidade eólica total contratada

62

Tabela 3: Os 10 líderes do mercado de geração eólica brasileiro

Empresa

Nº de usinas eólicas

e merca-

do

Capa-cidade eólica insta-lada

(MW)

Ori-gem

Descrição

CPFL Renováveis

24 no ACR, 3 no ACL e 10 no Proinfa

1.104,3 Br

Fundada em 2006, possui ações negociadas na BM&F Bovespa desde 2013, administrada e dirigida por membros eleitos periodicamente para mandatos de 1 ou 2 anos.

Renova 29 no ACR

680,5 Br

Fundada em 2001, ações negociadas na BM&F Bovespa e controle acionário compartilhado entre os sócios fundadores

Cubico 24 no ACR

614,4 Esp

Fundada em 2015 por uma união dos ativos de energia renovável do Banco Santander com dois fundos de pensão canadenses, atua com energias renováveis em 8 países.

Eletrosul 35 no ACR

529,0 Br

Empresa pública fundada em 1968, possui capital fechado e é controlada pela Eletrobras e vinculada ao Ministério de Minas e Energia

Countour Global

20 no ACR

411,7 Ingl Fundada em 2005, possui ações negociadas na bolsa de Londres e atua em 18 países

Energimp

4 no ACR e 13 no Proinfa

385,3 Arg

Fundada em 2000 através de uma parceria da argentina Impsa e o fundo de investimentos do FGTS (FI-FGTS), encontra-se paralisada desde que a Impsa entrou com um pedido de recuperação judicial em 2014.

Queiroz Galvão Energia


377,4 Br

Criado em 2010 pelo conglomerado industrial Grupo Queiroz Galvão, que por sua vez foi fundado em 1953 no segmento de construção e é controlado pela família Queiroz

63

Galvão.

Enerfin do Brasil

9 no ACR e 4 no Proinfa

367,9 Esp

Fundada em 2006 como filial brasileira da Enerfin, que por sua vez foi fundada em 1997 pela Elecnor para atuar exclusivamente no mercado de energia eólica.

Chesf 28 no ACR

352,3 Br

Sociedade anônima de capital aberto criada em 1945 e reestruturada em 1960, quando tornou-se uma subsidiária da Eletrobras.

Força Eólica do

Brasil


337,3 Br

Fundada em 2010 pela holding do brasileiro Grupo Neoenergia, possui ações negociadas na BM&F Bovespa sendo 50% das ações pertencentes à Neoenergia e 50% pertencentes à Elektro renováveis.


Percebe-se pela Tabela 3 que os líderes do mercado brasileiro

concentram-se sobretudo no mercado regulado, que atualmente representa cerca de 80% da capacidade total de geração eólica instalada no Brasil (ABEEÓLICA, 2017b). A preferência dos atores por contatos de longo prazo é percebida também no envolvimento de metade dos atores apontados com contratos do Proinfa. Apenas 3 atores atuam no ACL, entre os quais se destaca a Queiroz Galvão, cuja maioria das usinas opera neste mercado. Nota-se também a presença da Eletrobras como controladora de 2 dos 10 empreendimentos destacados. Apesar da sua relevância como principal geradora de eletricidade brasileira, a sua atuação com a fonte eólica ainda é pequena: apenas 0,31% da sua geração líquida de 2016 foi baseada neste tipo de fonte (ELETROBRAS, 2017).

A localização do mercado de geração está altamente concentrada na região Nordeste do país, em razão da já mencionada qualidade dos ventos nordestinos. Em 2015, a região Nordeste representou 82,2% da geração total eólica do Brasil, seguida pelo sul com 17,4% e Sudeste, com 0,4% da produção total (ABEEÓLICA, 2017a).

Quanto à atuação no mercado externo, percebe-se que a participação global das indústrias da nacionalidade brasileira ainda é

64

incipiente, apesar do desenvolvimento do mercado interno verificado nos últimos anos. Mercados menores do que o brasileiro já incubaram OEMs conhecidas mundialmente, como a dinamarquesa Vestas. Em relação a isso, a Tecsis, em particular, é uma exceção, conhecida por ser flexível para atender às demandas do mercado internacional. A empresa brasileira dedica-se a produzir de acordo com as especificações fornecidas por OEMs externas, o que pode ser uma das causas do seu crescimento no mercado global (cerca de 70% de sua produção é destinada à exportação, de acordo com a ABDI (2014)).

2.4.6. Mobilização de recursos

Historicamente, a tecnologia eólica não encontrou obstáculos

para conseguir financiamentos no país, principalmente para a construção de usinas eólias no mercado regulado, em razão do uso de contratos longos de geração, considerados extremamente seguros pelos bancos. O volume de recursos financeiros mobilizados para a tecnologia eólica no país cresceu principalmente a partir de 2006. Desde 2013, esta tecnologia concentrou mais de 65% dos investimentos em energia renovável do Brasil, como mostra a Figura 12.

Figura 12: Investimentos financeiros feitos em energia renovável no Brasil

Fonte: Elaborado pelos autores com base em dados de ABEEÓLICA (2017a)

2% 4%9%

21%25%

49% 48%

66%73%

66%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

0

1

2

3

4

5

6

72

006

200

7

200

8

200

9

201

0

201

1

2012

2013

2014

2015

Val

or

inve

stid

o (

em U

S$

bil

hões

)

Investimentos eólicos (em US$ bilhões)

Representatividade eólica em relação às outras fontes alternativas (%)

incipiente, apesar do desenvolvimento do mercado interno verificado nos últimos anos. Mercados menores do que o brasileiro já incubaram OEMs conhecidas mundialmente, como a dinamarquesa Vestas. Em

o a isso, a Tecsis, em particular, é uma exceção, conhecida por ser flexível para atender às demandas do mercado internacional. A empresa

se a produzir de acordo com as especificações ausas do seu

crescimento no mercado global (cerca de 70% de sua produção é

Historicamente, a tecnologia eólica não encontrou obstáculos para conseguir financiamentos no país, principalmente para a construção de usinas eólias no mercado regulado, em razão do uso de contratos

seguros pelos bancos. O volume de recursos financeiros mobilizados para a tecnologia eólica no país cresceu principalmente a partir de 2006. Desde 2013, esta tecnologia concentrou mais de 65% dos investimentos em energia

: Investimentos financeiros feitos em energia renovável no Brasil

ABEEÓLICA (2017a)

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Rep

rese

ntat

ivid

ade

dos

valo

res

inve

stid

os

(em

%)

Representatividade eólica em relação às outras fontes alternativas (%)

65

O mesmo não acontece no mercado livre, que sempre encontrou dificuldades para conseguir financiamento integral para a viabilização de seus projetos eólicos, em razão do uso de contratos curtos de geração, vistos como mais arriscados. Além disso, dificuldades recentes devido à escassez de recursos levantam dúvidas quanto à possibilidade do BNDES continuar sendo a figura central dos financiamentos no mercado brasileiro. O BNDES já anunciou a revisão das suas diretrizes envolvendo a linha BNDES Finame, além de estar mais seletivo na liberação de recursos (EDITORA BRASIL ENERGIA, 2016).

Outros fontes de financiamento relevantes, como o Fundo Constitucional do Nordeste (FNE) e o Fundo Constitucional do Norte (FNO) continuam disponíveis, mas limitadas à projetos em suas respectivas regiões. Alguns atores brasileiros já buscam alternativas de recursos através de financiamentos externos, considerados mais arriscados em razão da sua sensibilidade às variações cambiais (EDITORA BRASIL ENERGIA, 2016).

Outro indicador negativo é a falta de capital humano qualificado no país (JUÁREZ et al., 2014), vista principalmente na dependência estrangeira para realizar atividades mais complexas envolvendo a tecnologia eólica. Esta falta de capital humano impede a indústria nacional de internalizar capacitação externa, bloqueando o aprendizado por interação e a difusão de conhecimento através das redes. Atividades empreendedoras envolvendo o desenvolvimento de produtos de alto valor agregado, por exemplo, também são bloqueadas por esta falta de mão-de-obra qualificada, bem como atividades de pesquisa envolvendo o desenvolvimento da tecnologia eólica.

No que diz respeito ao treinamento de pessoas, o Serviço Nacional de Aprendizagem Industrial (SENAI) tem disponível em 2016 apenas três cursos para treinamento técnico específico em energia eólica. Em relação aos estudos de pós-graduação, ainda não existem no país cursos dedicados exclusivamente à tecnologia eólica (EDITORA BRASIL ENERGIA, 2016). Há também falta de conhecimento sobre tecnologia e automação microeletrônica, áreas ainda nacionalmente subdesenvolvidas. Esse conhecimento é importante para o desenvolvimento de subcomponentes de alta tecnologia, como sistemas de controle, sensores, anemômetros, caixas multiplicadoras, etc. (ABDI, 2014).

66

2.4.7. Criação de legitimidade/combater a resistência à mudança Esta função pode ser analisada através do mapeamento do

crescimento e desenvolvimento de grupos de interesse e suas ações de lobby relacionadas à tecnologia (HEKKERT et al., 2007). Um importante ator no setor eólico brasileiro é a já mencionada ABBEólica, criada em 2002. A associação possui forte presença no país, com registros de participação na elaboração de leis, criação de empreendimentos necessários para o setor (Rede de Inovação em Energia Eólica, Logística GT, etc.) e atuação em consultas públicas promovidas pela Aneel, apresentando demandas para o desenvolvimento do setor eólico (ANEEL, 2015).

A associação também contribui para a divulgação de informações detalhadas sobre o setor eólico, organizando workshops e reuniões a nível nacional e divulgando informações sobre o setor eólico brasileiro. Além disso, a ABEEólica é parceira recorrente para o desenvolvimento de congressos como o Brazil Windpower, e para fornecer dados da indústria para instituições internacionais, como o GWEC, por exemplo.

No entanto, apesar dos esforços da ABEEólica e seus associados em defender o fortalecimento da fonte eólica no país, vale destacar que outros atores também atuam fazendo lobby por diferentes fontes de geração, enfraquecendo as ações dos atores eólicos. A influência destas forças de lobby pode ser visualizada no estabelecimento das diretrizes dos leilões de energia, através da limitação à participação de uma determinada fonte em prol de outra, por exemplo, afetando os tipos de fontes contratadas.

Em relação à isso, a Figura 13 mostra as taxas de contratação de diversas fontes de geração nos leilões envolvendo a contratação de energia nova (LENs), energia de reserva (LERs) e fontes alternativas (LFAs), entre 2012 e 2016. Os LENs são utilizados para contratação de usinas ainda não construídas, enquanto que os LERs incluem, além destas, também a contratação de usinas já existentes. Os LFAs também contratam energia proveniente de usinas ainda não construídas ou já em operação, desde que estas sejam baseadas em fontes alternativas de geração. Estes três tipos de leilões abrangem todas as possibilidades de expansão da capacidade de geração elétrica no ACR.

67

Figura 13: Representatividade de contratação das diferentes fontes de geração

Fonte: Elaborado pelos autores com base nos relatórios de INSTITUTO ACENDE BRASIL (2012)

Percebe-se pela Figura 13 que, ao mesmo tempo em que é

verificada uma queda nas taxas de contratação da fonte eólica, a partir de 2013, a fonte hídrica começa a mostrar sinais de retomada nas suas taxas de contratação. Os atores envolvidos com a fonte hídrica, que possui alta representatividade na matriz elétrica nacional, possuem grande influência no setor elétrico nacional, e suas ações são percebidas no estabelecimento das diretrizes dos leilões, resultando no aumento da taxa de contratação desta fonte.

Verifica-se ainda que as quedas de contratação da fonte eólica coincidem com a ascensão da contratação da fonte solar. O desenvolvimento da tecnologia solar em anos anteriores levou à quedas significativas dos custos de geração desta fonte, aumentando a sua legitimidade e influenciando o estabelecimento de leilões voltados à sua contratação. O 7º Leilão de Energia de Reserva, por exemplo, ocorrido em agosto de 2015, foi destinado exclusivamente à contratação deste tipo de fonte de geração. Vale destacar que a mesma situação já aconteceu envolvendo a fonte eólica, através do 5º Leilão de Energia de Reserva, ocorrido em agosto de 2013.

0%

10%

20%

30%

40%

50%

60%

70%

80%

2012 2013 2014 2015 2016

Rep

rese

nta

tivi

dad

e d

a fo

nte

Fonte Hídrica Fonte Térmicas

Geração Solar Geração Eólica

68

Já as fontes térmicas são utilizadas para trazer segurança à matriz energética do país. O crescimento da taxa de contratação destas fontes a partir de 2013, junto com o crescimento da contratação solar e do volume de capacidade de geração eólica em operação no SIN (apresentado anteriormente na Figura 11), coincide com o esperado para compensar possíveis quedas de geração elétrica provenientes destes dois tipos de fontes. Devido à intermitência das fontes renováveis, o aumento do uso de fontes térmicas é uma escolha lógica para compensar possíveis déficits de geração elétrica.

Assim, fica evidente que, apesar da fonte eólica já estar legitimada como uma boa opção para a expansão da matriz elétrica nacional, ações de lobby relacionadas à outras fontes de geração concorrem com a tecnologia eólica para manter a sua representatividade (fonte hídrica) ou legitimar uma nova opção (fonte solar). Neste sentido, forças de coalizão mais influentes poderiam atuar para evitar quedas muito bruscas na taxa de contratação da fonte eólica, altamente prejudiciais para o recente setor industrial eólico brasileiro, ainda altamente suscetível a estas variações. Este tipo de forças de coalizão também poderia favorecer ações de lobby envolvendo a criação de uma política industrial específica para o desenvolvimento do setor eólico nacional. Considerando o volume de recursos financeiros movimentado pela tecnologia eólica em anos recentes (apresentado anteriormente na Figura 12), ações de lobby envolvendo esta tecnologia deveriam apresentar uma efetividade maior do que a verificada atualmente, desde que conduzidas por atores altamente coordenados.

2.5. IDENTIFICAÇÃO DE MECANISMOS DE INDUÇÃO E BLOQUEIO E QUESTÕES POLÍTICAS

A análise das funções de STI eólico brasileiro permite a

identificação de mecanismos de indução e bloqueio e questões políticas relacionadas para suplantá-los, apresentadas nas duas subseções seguintes.

2.5.1. Mecanismos de indução e bloqueio

Percebe-se que inicialmente, o desenvolvimento da tecnologia

eólica no Brasil é incentivado pelo governo, devido às características potencialmente úteis desta fonte para equilibrar a matriz nacional de geração. Estas ações de incentivo são visualizadas: i) na instalação da primeira turbina eólica brasileira (1992) e na publicação do Atlas do

69

Potencial Eólico Brasileiro (2001) (orientação da pesquisa); ii) em políticas de incentivo que envolvem a mobilização de recursos financeiros para criar mercado para a tecnologia eólica, percebidas após crises no setor de energia do país (2001), resultando na criação dos requisitos da linha de financiamento Proinfa e BNDES Finame; e, posteriormente, iii) nas chamadas estratégicas para programas de P&D envolvendo energia eólica (2013) para o desenvolvimento de tecnologia nacional. Ao mesmo tempo, a importância estratégica da tecnologia eólica e as ações citadas contribuíram para a criação de legitimidade e para combater a resistência à mudança em relação a esta tecnologia no país.

Este interesse estratégico possibilitou o desenvolvimento de dois importantes mecanismos de indução para o desenvolvimento do STI eólico brasileiro: "Políticas de P&D" e "Coordenação entre os atores". Estes mecanismos de indução são apresentados na Figura 14, junto com os mecanismos de bloqueio existentes no STI eólico brasileiro e questões políticas relacionadas.

70

Figura 14: Mecanismos de indução e bloqueio e questões políticas para o STI eólico brasileiro

Fonte: Elaborado pelos autores com base em BERGEK et al. (2008)

71

O mecanismo de indução "Coordenação entre os atores" é resultado de um aumento no número de atores envolvidos com o STI eólico e suas ações para desenvolver coalizões. Este mecanismo é visto principalmente nas ações da ABEEólica e influencia as funções: i) mobilização de recursos, uma vez que atores mais fortemente articulados têm maior expressividade para negociar e exigir recursos; ii) atividades empreendedoras, facilitando a formação de parcerias entre atores para a exploração de novas variedades tecnológicas; iii) difusão do conhecimento através de redes, uma vez que interações mais fortes entre os atores induzem o intercâmbio de conhecimento entre eles, proporcionando assim os benefícios dos mecanismos de "aprender interagindo" e "aprender fazendo"; iv) formação de mercado, através de pressões feitas por atores para criar incentivos fiscais ou mercados protegidos para a tecnologia; v) criação de legitimidade/combater a resistência à mudança, uma vez que facilita ações de lobby para defender interesses tecnológicos; e (vi) orientação da pesquisa, induzindo um alinhamento mais preciso das ações das instituições de acordo com as expectativas e necessidades percebidas pelos atores em relação à tecnologia.

Já o mecanismo de indução "Políticas de P&D", percebido principalmente em instituições como universidades financiadas por fundos públicos, contribui para o desenvolvimento de funções i) desenvolvimento de conhecimento, encorajando atores e instituições a concentrar suas ações no desenvolvimento de projetos de P&D; ii) mobilização de recursos, em relação à importação de mão-de-obra qualificada, como pesquisadores de acordo com as necessidades do país e/ou desenvolvimento de habilidades nacionais para trabalhar com P&D; e iii) formação de mercado, como resultado de avanços na exploração de novos desenvolvimentos tecnológicos.

Ainda em relação à Figura 14, pode-se observar que a função atividades empreendedoras é afetada pelo maior número de mecanismos de bloqueio (5), seguida pelo desenvolvimento do conhecimento e formação do mercado (4), e mobilização de recursos e difusão de conhecimento através das redes (3). As funções restantes (criação de legitimidade e orientação da pesquisa) são afetadas por 2 mecanismos de bloqueio cada. Estes mecanismos de bloqueio estão fortemente ligados às funções, dificultando individualmente o desenvolvimento de até 4 funções ao mesmo tempo, como no caso de "Falta de direcionamento adequado para o desenvolvimento da indústria", que afeta a mobilização de recursos, atividades empreendedoras, formação de mercado e

72

orientação da pesquisa. Ainda existe um mecanismo de bloqueio que afeta diretamente 3 funções (falta de regularidade nos leilões de energia), sendo que os mecanismos restantes afetam diretamente 2 funções cada. Tendo em conta que as funções não são independentes, mas que se afetam mutuamente, esses mecanismos de bloqueio ampliam seus efeitos indiretamente para outras funções, estendendo os seus efeitos negativos.

2.5.2. Discussão sobre questões políticas

BERGEK et al. (2008) sugerem que as políticas devem ser

propostas para remediar os efeitos disfuncionais negativos do STI ao reforçar/adicionar mecanismos de indução ou enfraquecer/remover mecanismos de bloqueio. Tendo em conta os mecanismos de indução e bloqueio identificados, 5 questões políticas para estimular o desenvolvimento do STI eólico brasileiro são definidas:

1. Melhorar os cursos de formação: aumentar o número de cursos existentes oferecidos e criar cursos de treinamento de alto nível, com foco em tecnologia eólica e áreas relacionadas, aumentaria os efeitos positivos do mecanismo de indução "Políticas de P&D". Ao mesmo tempo, contribuiria para a criação de mão-de-obra qualificada, reduzindo os efeitos dos mecanismos de bloqueio "Falta de mão-de-obra qualificada" e "Falta de capacitação da indústria nacional".

Esta questão política é vital para o desenvolvimento nacional de conhecimentos sobre a tecnologia eólica, uma vez que aprender sobre atividades de alto valor agregado só será possível com a disponibilidade de recursos humanos qualificados. Esses cursos de treinamento ainda podem ser úteis para empreendedores interessados em aprender sobre a tecnologia eólica para desenvolver seus próprios projetos de negócios, aumentando a experimentação comercial envolvendo a tecnologia eólica.

2. Balancear a contratação eólica anualmente: esta questão política é necessária principalmente para reduzir os efeitos negativos do mecanismo de bloqueio "Falta de regularidade em leilões de energia". A contratação de energia eólica em leilões regulamentados é indispensável para a atual fase de desenvolvimento da indústria eólica brasileira. Grandes variações no volume anual de contratação significam que o setor varia entre períodos de sobrecapacidade e ociosidade, afetando as expectativas e o envolvimento dos atores com a tecnologia eólica.

Ao mesmo tempo, ao equilibrar a contratação, os mecanismos de indução "Coordenação entre atores" e "Políticas de P&D" são

73

reforçados. Esta questão política permite ainda que os atores se envolvam no STI de forma mais eficiente, pois facilita o desenvolvimento de visões mais confiáveis sobre a tecnologia, bem como o estabelecimento de parcerias de longo prazo. Ao mesmo tempo, o envolvimento com as "Políticas de P&D" também é encorajado, como resultado do crescente interesse em desenvolver tecnologia própria para explorar as futuras condições previstas da tecnologia.

3. Apoiar coalizões e parcerias de advocacia: esta questão política encoraja a coordenação das ações dos atores do STI para defender os interesses do setor eólico, fortalecendo assim o mecanismos de indução "Coordenação entre atores" e reduzindo os efeitos negativos dos mecanismos "Redes fracas para a difusão do conhecimento", "Competitividade limitada devido à legislação inadequada", "Falta de direcionamento adequado para o desenvolvimento da indústria" e "Forças de coalizão fracas".

Coalizões mais fortes e melhor coordenadas permitem ações mais efetivas para exigir a mobilização de recursos ou para ajustar expectativas e legislações prejudiciais ao desenvolvimento do setor. Essas coalizões também facilitam a criação de parcerias entre atores e o fortalecimento das redes, favorecendo as atividades empreendedoras, a difusão de conhecimento através de redes e a formação de mercado. Além disso, as coalizões facilitam a coordenação dos atores para condução de ações de lobby, fortalecendo a legitimidade da tecnologia eólica e potencializando outras funções.

4. Criar legislação que incentive o envolvimento dos atores do STI com projetos de P&D: esta questão política atua para fortalecer o mecanismo de indução "Políticas de P&D", enfraquecendo os efeitos negativos dos mecanismos "Baixo interesse em P&D" e "Falta de interesse das empresas estrangeiras para desenvolver projetos para os ventos brasileiros". O resultado da sua aplicação é o aumento dos investimentos e do interesse das empresas estrangeiras no desenvolvimento de projetos de P&D para os ventos brasileiros, favorecendo a mobilização de recursos, a formação de novos mercados e o desenvolvimento do conhecimento sobre a tecnologia. As isenções de impostos geradas pela REIDI e ICMS, por exemplo, poderiam ser aplicadas apenas a empresas envolvidas em projetos de P&D focados nos ventos brasileiros.

5. Melhorar a infra-estrutura: esta questão política visa reduzir os efeitos negativos da "Competitividade limitada devido a infra-estrutura inadequada". Os custos de desenvolvimento e uso da tecnologia eólica

74

no país diminuem ao melhorar a infraestrutura brasileira, especialmente no que se refere aos modos de transporte e linhas de transmissão. Isso também facilita a entrada de empreendedores no STI, além de tornar os produtos brasileiros mais competitivos e acessíveis a novos mercados de exportação. Ao mesmo tempo, as melhorias na infraestrutura levam a uma redução nos custos de geração de energia eólica, tornando esta fonte ainda mais atrativa para equilibrar a matriz energética brasileira.

As 5 questões políticas propostas combinadas contribuem para a minimização de todos os mecanismos de bloqueio identificados, bem como para fortalecer os mecanismos de indução já existentes no STI eólico brasileiro. Em um ambiente de estabilidade política e econômica, todas as medidas propostas são exequíveis. Algumas, inclusive, necessitariam de menos esforço para serem implementadas do que medidas anteriores tomadas para apoiar o desenvolvimento do setor, como a criação do Proinfa e da linha de financiamento do BNDES Finame, por exemplo.

Também vale a pena notar que, embora algumas questões políticas pareçam ter um peso maior para o desenvolvimento STI analisado do que outras, todas devem ser implementadas para permitir o desenvolvimento total do STI. Isto deve-se às interdependências entre funções, que também permitirão que o STI alcance o próximo nível de maturidade, caracterizado pela aceleração da difusão da tecnologia eólica e ganhos expressivos de mercado.

Apesar disso, é possível identificar entre as medidas propostas quais teriam os seus efeitos sentidos mais rapidamente no STI analisado. Neste sentido, o balanceamento da contratação eólica anual seria a medida que teria os seus efeitos sentidos mais rapidamente, trazendo mais estabilidade ao setor. Já a melhoria dos cursos de formação, apoio à criação de coalizões e criação de legislação de apoio ao envolvimento dos atores com P&D são medidas com efeitos percebidos mais lentamente, por envolverem principalmente o desenvolvimento dos atores e de suas interações. Finalmente, as melhorias de infra-estrutura levam algumas décadas para serem desenvolvidas, podendo portanto impedir o desenvolvimento do STI analisado por mais tempo do que as demais.

2.6. CONSIDERAÇÕES FINAIS

A tecnologia eólica desenvolveu-se significativamente ao longo

da última década no Brasil, principalmente devido ao surgimento da indústria local e ao aumento da participação da energia eólica na matriz

75

energética brasileira. Além disso, o governo brasileiro ainda tem planos de expandir ainda mais a capacidade instalada eólica no país, dos atuais 11 GW para 24 GW até o ano de 2024.

No entanto, apesar das expectativas positivas e do crescimento significativo, algumas questões relativas aos aspectos sistêmicos da difusão da tecnologia eólica no país são notadas. Exemplos são as reduções significativas das contratações de energia eólica em leilões de energia, a falta de capacidade nacional para desenvolver itens de alto valor agregado e o pouco interesse de atores no desenvolvimento de programas de P&D. Para analisar as dinâmicas envolvendo esse sistema tecnológico, bem como os mecanismos relacionados e questões políticas, o presente artigo utilizou a metodologia conhecida como Sistemas Tecnológicos de Inovação, proposta por HEKKERT et al. (2007) e BERGEK et al. (2008).

Em conjunto com uma descrição detalhada do estado atual do desenvolvimento da tecnologia eólica no país, os mecanismos de indução e bloqueio existentes no STI eólico brasileiro foram identificados e medidas políticas adequadas foram propostas. No total, foram identificados três mecanismos de indução e dez mecanismos de bloqueio, bem como cinco questões políticas relacionadas. O desenvolvimento de medidas de incentivo para o desenvolvimento da tecnologia eólica no Brasil pode ser melhor orientado com base nas questões políticas identificadas. Além disso, o uso da abordagem funcional neste artigo permite comparar o STI eólico brasileiro com outros que foram estudados sob o mesmo método. Ao fazer isso, os padrões relativos ao desenvolvimento de tecnologias de energia renovável podem ser identificados, particularmente os relacionados à tecnologia eólica, e novos insights sobre a abordagem dos STIs e a difusão de energias renováveis podem ser produzidos.

2.7. REFERÊNCIAS

ABDI. Mapeamento da cadeia produtiva da indústria eólica no Brasil. Ministério do Desenvolvimento, Indústria e Comércio Exterior, 2014. Disponível em: < http://investimentos.mdic.gov.br/public/arquivo/arq1410360044.pdf >. ABEEÓLICA. Relatório Anual 2015. 2016. Disponível em: < http://www.abeeolica.org.br/wp-content/uploads/2016/08/ABEeolica_RA2015-1.pdf >.

76

______. Annual Wind Power Generation Report. 2017a. Disponível em: < http://www.abeeolica.org.br/wp-content/uploads/2017/06/424_Boletim_Anual_de_Geracao_Eolica_2016_Ingles_Final.pdf >. ______. Dados mensais - janeiro 2017. 2017b. Disponível em: < http://www.abeeolica.org.br/wp-content/uploads/2017/01/Dados-Mensais-ABEEolica-01.2017.pdf >. ANEEL. Sistema de Informações Geográfica de Usinas Eólicas - SIGEL-EOL/SCG/ANEEL. SIGEL, Disponível em: < http://sigel.aneel.gov.br/eol/sigel.html >. ______. Contribuição ABEEólica - Audiência Pública Nº 056/2014. 2015. Disponível em: < http://www2.aneel.gov.br/aplicacoes/audiencia/arquivo/2015/039/contribuicao/abeeolica_ap_039_2015.pdf >. ______. Boletim de Informações Gerenciais - 3º trimestre de 2016. Informações Gerenciais, 2016. Disponível em: < http://www.aneel.gov.br/documents/656877/14854008/Boletim+de+Informa%C3%A7%C3%B5es+Gerenciais+-+3%C2%B0+trimestre+de+2016/a4192798-adf3-4902-b2ae-098033e69f5c >. BERGEK, A. et al. Analyzing the functional dynamics of technological innovation systems: A scheme of analysis. Research policy, 1485359165, v. 37, n. 3, p. 407-429, 2008. ISSN 0048-7333. CARLSSON, B.; STANKIEWICZ, R. On the nature, function and composition of technological systems. Journal of evolutionary economics, 1485358876, v. 1, n. 2, p. 93-118, 1991. ISSN 0936-9937. CCEE. Com quem se relaciona. 2017a. Disponível em: < https://www.ccee.org.br/portal/faces/pages_publico/onde-atuamos/com_quem_se_relaciona?_afrLoop=5531417566632#!%40%40%3F_afrLoop%3D5531417566632%26_adf.ctrl-state%3D1d58dk6825_4 >. ______. Resultado consolidado dos leilões - 01/2017. Biblioteca Virtual CCEE, 2017b. Disponível em: < https://www.ccee.org.br/ccee/documentos/CCEE_384476 >. CGEE. Análises e percepções para o desenvolvimento de uma política de CT&I no fomento da energia eólica no Brasil. Série Documentos Técnicos, 2012. Disponível em: < http://www.cgee.org.br/atividades/redirect/7860 >.

77

DA SILVA, N. F.; ROSA, L. P.; ARAÚJO, M. R. The utilization of wind energy in the Brazilian electric sector’s expansion. Renewable and Sustainable Energy Reviews, 1485359563, v. 9, n. 3, p. 289-309, 2005. ISSN 1364-0321. DA SILVA, N. F. et al. Wind energy in Brazil: From the power sector's expansion crisis model to the favorable environment. Renewable and Sustainable Energy Reviews, 1487527394, v. 22, p. 686-697, 2013. ISSN 1364-0321. DA SILVA, R. C.; DE MARCHI NETO, I.; SEIFERT, S. S. Electricity supply security and the future role of renewable energy sources in Brazil. Renewable and Sustainable Energy Reviews, 1485356995, v. 59, p. 328-341, 2016. ISSN 1364-0321. DALBEM, M. C.; BRANDÃO, L. E. T.; GOMES, L. L. Can the regulated market help foster a free market for wind energy in Brazil? Energy Policy, 1487527174, v. 66, p. 303-311, 2014. ISSN 0301-4215. DUTRA, R. M.; SZKLO, A. S. Incentive policies for promoting wind power production in Brazil: Scenarios for the Alternative Energy Sources Incentive Program (PROINFA) under the New Brazilian electric power sector regulation. Renewable Energy, 1487527257, v. 33, n. 1, p. 65-76, 2008. ISSN 0960-1481. EDITORA BRASIL ENERGIA. Cenários de Energia Eólica 2014/2015: 132 p. 2014. ______. Cenários de Energia Eólica 2016/2017: 116 p. 2016. EDQUIST, C.; BJORN, J. Institutions and organizations in systems of innovation. In: EDQUIST, C. (Orgs.). Systems of innovation: technologies, institutions, and organizations. Pinter, London: Psychology Press, 1997. EIA. Brazil is the 8th-largest total energy consumer and 9th-largest liquid fuels producer in the world. International energy data and analysis, 2015. Disponível em: < https://www.eia.gov/beta/international/analysis_includes/countries_long/Brazil/brazil.pdf >. ELETROBRAS. Relatório Anual de Sustentabilidade. 2014. Disponível em: < http://www.eletrobras.com/relatorio_sustentabilidade_2013/assets/pdf/RAS2013_portugues.pdf >.

78

______. Relatório Anual 2016. 2017. Disponível em: < http://eletrobras.com/pt/SobreaEletrobras/Relatorio_Anual_Sustentabilidade/2016/Relatorio-Anual-Eletrobras-2016.pdf >. EPE. Plano decenal de expansão de energia 2024. Ministério de Minas e Energia - Secretaria de Planejamento e Desenvolvimento Energético, p. 467, 2015. Disponível em: < http://www.epe.gov.br/pt/publicacoes-dados-abertos/publicacoes/Plano-Decenal-de-Expansao-de-Energia-2024 >. FURTADO, A. T.; PERROT, R. Innovation dynamics of the wind energy industry in South Africa and Brazil: technological and institutional lock-ins. Innovation and Development, 1490688083, v. 5, n. 2, p. 263-278, 2015. ISSN 2157-930X. GOSENS, J.; LU, Y. From lagging to leading? Technological innovation systems in emerging economies and the case of Chinese wind power. Energy Policy, 1487528696, v. 60, p. 234-250, 2013. ISSN 0301-4215. GWEC. Global Wind Energy Outlook 2016. 2016. Disponível em: < http://www.gwec.net/publications/global-wind-energy-outlook/ >. HEKKERT, M. P. et al. Functions of innovation systems: A new approach for analysing technological change. Technological forecasting and social change, 1485359366, v. 74, n. 4, p. 413-432, 2007. ISSN 0040-1625. INPI. Base Patentes. Consulta à Base de Dados do INPI, Disponível em: < https://gru.inpi.gov.br/pePI/jsp/patentes/PatenteSearchBasico.jsp >. Acesso em: 17/07/2016. INSTITUTO ACENDE BRASIL. Leilões no Setor Elétrico Brasileiro: Análises e Recomendações., 2012. Disponível em: < http://www.acendebrasil.com.br/media/estudos/2012_WhitePaperAcendeBrasil_07_Leiloes_Rev2.pdf >. ______. Análise de Leilões de Geração. 2017. Disponível em: < http://www.acendebrasil.com.br/analises?busca=BUSCAR&tipo=Leil%C3%B5es+de+Gera%C3%A7%C3%A3o >. JACOBSSON, S.; BERGEK, A. Transforming the energy sector: the evolution of technological systems in renewable energy technology. Industrial and corporate change, 1487441116, v. 13, n. 5, p. 815-849, 2004. ISSN 0960-6491.

79

JUÁREZ, A. A. et al. Development of the wind power in Brazil: Political, social and technical issues. Renewable and sustainable energy reviews, 1485356891, v. 39, p. 828-834, 2014. ISSN 1364-0321. KEMP, R.; SCHOT, J.; HOOGMA, R. Regime shifts to sustainability through processes of niche formation: the approach of strategic niche management. Technology analysis & strategic management, 1487207816, v. 10, n. 2, p. 175-198, 1998. ISSN 0953-7325. MASTROPIETRO, P. et al. Electricity auctions in South America: Towards convergence of system adequacy and RES-E support. Renewable and Sustainable Energy Reviews, 1485359832, v. 40, p. 375-385, 2014. ISSN 1364-0321. MEIJER, I. S.; HEKKERT, M. P.; KOPPENJAN, J. F. How perceived uncertainties influence transitions; the case of micro-CHP in the Netherlands. Technological Forecasting and Social Change, 1490599850, v. 74, n. 4, p. 519-537, 2007. ISSN 0040-1625. MERCADO LIVRE DE ENERGIA ELÉTRICA. Visão Geral. 2017. Disponível em: < http://www.mercadolivredeenergia.com.br/ >. NEGRO, S. O.; ALKEMADE, F.; HEKKERT, M. P. Why does renewable energy diffuse so slowly? A review of innovation system problems. Renewable and Sustainable Energy Reviews, 1487440650, v. 16, n. 6, p. 3836-3846, 2012. ISSN 1364-0321. NORTH, D. C. Institutions. Journal of economic perspectives, 1521746672, v. 5, n. 1, p. 97-112, 1991. ISSN 0895-3309. PEREIRA, M. G. et al. The renewable energy market in Brazil: Current status and potential. Renewable and Sustainable Energy Reviews, 1490693395, v. 16, n. 6, p. 3786-3802, 2012. ISSN 1364-0321. PORTER, M. E. Location, competition, and economic development: Local clusters in a global economy. Economic development quarterly, 1487208324, v. 14, n. 1, p. 15-34, 2000. ISSN 0891-2424. REGO, E. E.; PARENTE, V. Brazilian experience in electricity auctions: Comparing outcomes from new and old energy auctions as well as the application of the hybrid Anglo-Dutch design. Energy Policy, 1516039153, v. 55, p. 511-520, 2013/04/01/ 2013. ISSN 0301-4215. Disponível em: < http://www.sciencedirect.com/science/article/pii/S0301421512010956 >.

80

ROTMANS, J.; KEMP, R.; VAN ASSELT, M. More evolution than revolution: transition management in public policy. foresight, 1490599565, v. 3, n. 1, p. 15-31, 2001. ISSN 1463-6689. SABATIER, P. A. The advocacy coalition framework: revisions and relevance for Europe. Journal of European public policy, 1490883434, v. 5, n. 1, p. 98-130, 1998. ISSN 1350-1763. SCHMIDT, J.; CANCELLA, R.; JUNIOR, A. O. P. The effect of windpower on long-term variability of combined hydro-wind resources: The case of Brazil. Renewable and Sustainable Energy Reviews, 1485357276, v. 55, p. 131-141, 2016. ISSN 1364-0321. SCHOT, J.; HOOGMA, R.; ELZEN, B. Strategies for shifting technological systems: the case of the automobile system. Futures, 1487208082, v. 26, n. 10, p. 1060-1076, 1994. ISSN 0016-3287. SUURS, R. A. Motors of sustainable innovation: Towards a theory on the dynamics of technological innovation systems. Utrecht University, 2009. ISBN 9062662641. VAN LENTE, H. et al. Roles of systemic intermediaries in transition processes. International journal of Innovation management, 1490599702, v. 7, n. 03, p. 247-279, 2003. ISSN 1363-9196. WWF BRASIL. Desafios e Oportunidades para a energia eólica no Brasil: recomendações para políticas públicas. 2015. Disponível em: < http://data.novo.gessulli.com.br/file/2015/09/10/E142912-F00001-U138.pdf >. ZANGWILL, W. I.; KANTOR, P. B. The learning curve: a new perspective. International transactions in operational research, 1487207923, v. 7, n. 6, p. 595-607, 2000. ISSN 1475-3995.

3. ARTIGO 2 - A DIFUSÃO DA TECNOLOGIA EÓLICA NO BRASIL SOB UMA ANÁLISE DE CENÁRIOS


Luiz Humberto Zucco


Resumo: Considerando as fragilidades geradas pela predominância hidrelétrica na matriz de geração elétrica brasileira e os benefícios verificados provenientes da expansão da geração elétrica eólica, o presente trabalho busca aumentar o entendimento sobre o comportamento da difusão eólica no Brasil e propor políticas visando incentivar a sua expansão. O método utilizado é o de Dinâmica de Sistemas, seguindo as etapas do processo de modelagem propostas por Sterman. Os resultados obtidos contém políticas com potencial de aumentar em quase 14% a expansão de geração elétrica eólica brasileira até o fim de 2050, além de conclusões pertinentes às metas de expansão de geração eólica estipuladas pelo governo nacional e comentários sobre a eficiência do Programa de Incentivo às Fontes Alternativas de Energia Elétrica. Palavras-chave: Energia Eólica, Difusão eólica, Dinâmica de Sistemas, PROINFA, Expansão eólica no Brasil. 3.1. INTRODUÇÃO

A tecnologia para produção de energia elétrica a partir da força

dos ventos já existe há mais de 4 décadas (MCDOWALL et al., 2013). No entanto, apesar dos benefícios inerentes à geração eólica, esta tecnologia teve um desenvolvimento tardio no Brasil. Após a entrada em operação da primeira planta eólica brasileira, em 1992, esta tecnologia pouco avançou no país. Este cenário mudou em 2002, com a criação do Programa de Incentivo às Fontes Alternativas de Energia Elétrica (PROINFA).

O Proinfa contribuiu significativamente para a difusão da tecnologia eólica de geração. No ano de lançamento do programa, foram contratados 1.422 MW de potência elétrica proveniente de fontes

83

eólicas, a serem adicionados aos então 29 MW de capacidade eólica instalada brasileira existentes naquele ano (EPE, 2016). Pouco mais de uma década depois, a energia eólica é a fonte que mais cresce no país. Em 2015, foram adicionados 2.75 GW de potência ao sistema brasileiro (aumento de 46% em relação a 2014) e a meta do governo brasileiro é de que até 2024 essa cifra chegue a 24 GW, totalizando 11% da capacidade total de geração elétrica brasileira (GWEC, 2016).

Os benefícios desta expansão são substanciais. No ano de 2015, por exemplo, a energia eólica abasteceu uma média de 11 milhões de casas por mês, movimentou um total de U$ 4.52 bilhões (66% do investimento total em renováveis neste ano), foi responsável pela criação de 40 mil postos de trabalho e evitou a emissão de 10,42 milhões de toneladas de CO2 (ABEEÓLICA, 2016).

No entanto, apesar do baixo custo de geração eólica e dos benefícios criados pela expansão deste tipo de geração, a capacidade instalada para esta fonte no Brasil, de 11 GW, totaliza menos de 3% da capacidade total de geração onshore disponível. Países como a China e os Estados Unidos por exemplo, já totalizam 145,3 GW e 74,4 GW, respectivamente, de potência eólica instalada (GWEC, 2016). Em relação à isso, são apresentados na Figura 15 alguns comportamentos de difusão da tecnologia de geração eólica, em diversos países.

84

Figura 15: Difusão da Capacidade de Geração Eólica Instalada em alguns países

Fonte: Adaptado de GWEC (2016) Nota-se pelo gráfico comportamentos muito distintos de

crescimento, envolvendo tanto países que expandiram a sua capacidade instalada de geração eólica de forma mais linear, como o Japão, como países que tiveram um crescimento exponencial, como o Brasil. Outros países, como os já mencionados EUA e China, apresentaram uma expansão mais prematura na expansão deste tipo de geração, apresentando hoje valores muito maiores de capacidade eólica instalada.

Esses tipos de comportamento distintos podem ser explicados pela influência de diversos fatores, cujos efeitos se potencializam mutuamente, afetando todo o sistema analisado ao longo do tempo. Compreender o comportamento dinâmico de um sistema complexo como o do setor de energia eólica é útil, tanto para avaliar o efeito de diversos fatores sobre a sua evolução, quanto para articular formas de

0

5000

10000

15000

20000

20

01

20

02

20

03

20

04

20

05

20

06

20

07

20

08

20

09

20

10

20

11

20

12

20

13

20

14

20

15

Cap

acid

ade

eóli

ca i

nsta

lad

a (M

W)

China EUA Reino UnidoCanadá França BrasilAustrália Japão

85

amplificar ou inibir determinados comportamentos analisados (como por exemplo a própria taxa de expansão do sistema).

Analisar sistemas dinâmicos e complexos, como o que envolve a geração elétrica, para compreender melhor as interações e comportamentos, com vistas à projeção de políticas, é de competência de uma abordagem conhecida como Dinâmica de Sistemas. Esta abordagem se baseia em ferramentas qualitativas e quantitativas para criar modelos e, a partir deles, estabelecer cenários alternativos e testar seus impactos sobre o comportamento do sistema.

A Dinâmica de Sistemas tem sido aplicada em várias áreas, inclusive na elaboração de políticas de incentivo à difusão de energias renováveis, como a eólica. No entanto, no Brasil, ainda não se dispõe de qualquer estudo a difusão da tecnologia eólica de geração, tão importante para o país. Neste sentido, o presente trabalho se propõe, baseado nesta abordagem, a modelar o atual sistema que envolve a capacidade eólica instalada no Brasil, propor cenários alternativos, e analisar políticas voltadas à ampliação desta capacidade instalada no horizonte de tempo examinado.

3.2. REFERENCIAL TEÓRICO 3.2.1. Dinâmica de Sistemas

A Dinâmica de sistemas é uma abordagem baseada em

modelagem que visa a descrição e compreensão do comportamento de sistemas complexos ao longo do tempo (STERMAN, 2000). Esta abordagem foi criada por Jay Forrester, nos anos 50, no Massachusetts Institute of Technology (MIT). Forrester, engenheiro, criticava os modelos econômicos de um ponto de vista da engenharia. Segundo Forrester, economistas, assim como cientistas sociais, constroem teorias sobre sistemas socioeconômicos baseando-se principalmente na coleta e análise de dados. Já os engenheiros buscam resolver problemas geralmente utilizando modelos, que são construídos em termos operacionais (OLAYA, 2012). Baseado na sua visão de modelagem operacional, Forrester cria então a abordagem de Dinâmica de Sistemas (DS).

Desde então, a DS tem sido amplamente utilizada para conduzir experimentos políticos por muitos pesquisadores e desenvolvedores de políticas pelos últimos 30 anos (FORRESTER, 1961; ONAT; EGILMEZ; TATARI, 2014). Na área de energias renováveis em especial, pode-se citar os trabalhos de ZULUAGA; DYNER (2007),

86

MILLER; STERMAN (2007), BALLARDIN; DI GIULIO; MIGLIAVACCA (2008), MUSANGO et al. (2011), HSU (2012), ASLANI; HELO; NAARANOJA (2014), RADOMES; ARANGO (2015) e CARDENAS; FRANCO; DYNER (2016). Em relação à energia eólica em específico pode-se citar os trabalhos de VOGSTAD (2000), SÁNCHEZ; CENTENO; BARQUÍN (2005), HASANI-MARZOONI; HOSSEINI (2011), HOSSEINI; SHAKOURI; AKHLAGHI (2012) e VALLEJOS et al. (2015).

A abordagem de DS apóia-se também no pensamento sistêmico, que busca estudar as estruturas dos sistemas organizacionais e sociais por meio da representação das relações causais entre seus elementos e da evolução destes elementos ao longo do tempo. O principal objetivo desta abordagem é explicar o comportamento de um sistema partindo das interações entre as diversas partes que o compõem, considerando padrões de comportamento existentes (STERMAN, 2000).

DE FIGUEIREDO (2009) aponta que, entre as principais vantagens da Dinâmica de Sistemas, pode-se citar a sua eficácia em: i) investigar as relações entre macro e microestruturas e seus efeitos sobre o comportamento do sistema; ii) modelar e resolver problemas reais, incorporando fatores biológicos, físicos e econômicos; iii) melhorar o desempenho de um sistema via adição de “insights” ou aprendizagem, alinhado ao melhor uso dos recursos; iv) estudar os fluxos de material, informação e outras variáveis dentro do sistema analisado; e v) captar situações de equilíbrio, desequilíbrio e até mesmo comportamentos caóticos.

A abordagem de DS inclui duas ferramentas de análise, usadas complementarmente para compreender a estrutura física e institucional do sistema em estudo: uma qualitativa, identificada nos diagramas de enlace causal ou causal loop diagrams – CLD; e uma quantitativa, identificada nos diagramas de estoque e fluxo ou stock and flow diagrams – SFD (STERMAN, 2000).

Na ferramenta qualitativa, os Diagramas de Enlace Causal relacionam duas ou mais entidades de um sistema especificando que variações associadas a uma entidade irão gerar variações associadas em outra entidade. Os CLDs representam as relações de causalidade entre as entidades do sistema, indicando através de setas o sentido da relação de causalidade. Cada seta pode ter um sinal (+ ou -) indicando se as mudanças nas variáveis de causa e efeito têm o mesmo sentido (na mesma direção) ou sentido contrário (na direção oposta).

O uso desses diagramas pressupõe o uso de modelagem computacional e simulação (RANDALL; FAHEY, 1998; STERMAN,

87

2000), utilizadas na ferramenta quantitativa. A estrutura desta modelagem baseia-se em laços de realimentação, estoques, fluxos e variáveis auxiliares. Os laços de realimentação representam as relações causais entre os componentes do sistema e permitem visualizar como um fator influencia indiretamente a si mesmo ao longo do tempo (ONAT; EGILMEZ; TATARI, 2014). A direção dos fluxos determina se a realimentação tem relação de efeito de um sentido ou sentido oposto à da variável de estoque atribuída. As variáveis auxiliares são as taxas que regulam os valores dos fluxos ao longo do tempo. Por fim, os estoques são acúmulos de fluxos que os aumentam ou diminuem, dependendo da relação entre estes dois itens.

A modelagem desta estrutura é representada matematicamente através de equações diferenciais, utilizando equações integrais para calcular estoques e equações diferenciais para calcular fluxos. Vale ainda destacar que os fluxos atuais de um sistema são modificados por ações presentes que decorrem de decisões presentes, enquanto que os estoques atuais dependem do acúmulo de todas as decisões passadas e influenciam o desenvolvimento futuro do sistema (FORRESTER, 1961; ONAT; EGILMEZ; TATARI, 2014).

A partir dos modelos computacionais criados, pode-se definir vários cenários e testar seus impactos sobre o comportamento do sistema (RANDALL; FAHEY, 1998), através de simulações feitas em um determinado período de tempo. A partir daí, os resultados da simulação são examinados e validados de acordo com as condições iniciais do sistema. Segundo DE FIGUEIREDO (2009), a validação é o processo de verificar se o modelo consegue representar o comportamento atual do sistema analisado, e pode ser feita através da comparação com os valores e tendências dos dados históricos e resultados do modelo.

Após a validação, diferentes políticas podem ser desenvolvidas através da alteração de algumas variáveis, deixando as variáveis restantes iguais às inicialmente definidas. Finalmente, as políticas podem ser comparadas e avaliadas conforme o seu impacto e efeito no comportamento do sistema em relação ao estado inicial.

OLAYA (2012) frisa ainda que os modelos de DS devem ser utilizados para avaliar o comportamento do sistema, e não tentar fazer previsões. Segundo o autor, o próprio Forrester apontou que tentar predizer o futuro não é um teste apropriado ou válido tanto para modelos econométricos quanto para modelos de DS. Assim, a DS deve servir para analisar o contexto de como diferentes políticas dentro do

88

modelo modificam a natureza do seu comportamento atual. Ainda segundo o autor, Sterman apontou posteriormente que o propósito de modelar não é antecipar e reagir aos problemas do ambiente, mas eliminá-los através da alteração da estrutura subjacente do sistema.

3.2.2. Modelo de Difusão de Bass

Formulado originalmente por Frank Bass em 1969, o Modelo de

Difusão de Bass descreve as dinâmicas da adoção de inovações: da introdução à progressão, visualizada no ápice de uma curva, e depois a fase de declínio do processo de difusão (BASS, 1969). O uso desse modelo em conjunto com a DS pode ser encontrado nos trabalhos de HOMER (1987), KUNSCH (2008), DE FIGUEIREDO (2009) e RADOMES; ARANGO (2015). O comportamento visualizado nesse tipo de modelo é condizente com diversos estudos no campo da ciência social, e sua eficácia tem sido extensivamente comprovada ao longo dos anos.

KUNSCH (2008) destaca que o Modelo de Bass é uma extensão do modelo de difusão logística utilizado para modelar epidemias. Ele resolve o problema de progressão inicial dos modelos logísticos através da utilização de uma base instalada, que atrai novos consumidores por contágio da base original, sendo que esta geralmente é incipiente ou mesmo ausente inicialmente. A ideia principal é considerar tanto o contágio quanto a publicidade. O contágio baseia-se no efeito de imitação propiciada pela propaganda boca-a-boca de uma nova tecnologia proveniente da base existente, conforme o modelo logístico. A publicidade deriva de campanhas de marketing e publicidade de mídias de massa em torno da inovação e da sua atratividade.

STERMAN (2000) apresenta aplicações e extensões sobre o modelo de Bass utilizando DS. Segundo o autor, nesse modelo os adotantes (A), são os que adotaram a nova ideia ou compraram o novo produto. A população suscetível forma o conjunto de Potenciais adotantes (P). Adotantes e Potenciais adotantes se encontram com uma freqüência determinada pela taxa de contato "c". A proporção de contatos que são persuasivos o suficiente para induzir um potencial adotante a tornar-se adotante da inovação é denominada fração de adoção, denotada por "i".

As equações para a modelo de difusão de inovações apontadas por Sterman são:

A = �(AR , A, )

89

P = �(−AR ,N −A�, )

AR = ciP(A/N) Sendo que a população total N é constante:

P + A = N A Figura 16 a seguir apresenta o Modelo de Difusão de Bass no

contexto da Dinâmica de Sistemas:

Figura 16: Adoção de uma nova tecnologia em um Sistema Dinâmico

Fonte: Adaptado de STERMAN (2000)

A taxa total de contato gerada pelo conjunto de adotantes potenciais é dada por "cP". A proporção de adotantes na população total, "AN", denota a probabilidade de que qualquer um destes contatos aconteça com um adotante que possa proporcionar a propaganda boca-a-boca sobre a inovação. Finalmente, a taxa de adoção "i" é a probabilidade de adoção, dado o contato com um adotante. O comportamento deste modelo é o crescimento clássico da curva logística em forma de "S".

3.2.3. Curva de aprendizado

Uma curva de aprendizado estima a taxa de redução nos custos de

produção que pode ser atribuída à ganhos de eficiência originados das experiências de produção acumuladas (RADOMES; ARANGO, 2015). STERMAN (2000) define a curva de aprendizado como:

C� = C� ∗ A

90

A = �E

E��

�

c =ln(1 − f)

ln(e)

Onde "C�" é o custo no tempo "t", "C�" é o custo inicial, "A" é o efeito do aprendizado no custo, "E" é a experiência acumulada, "E�" é a experiência acumulada inicial, "c" é um expoente tipicamente negativo que determina o quão forte é a curva de aprendizado e "f" é a redução percentual dos custos a cada razão de aumento da experiência.

3.3. PROCEDIMENTO METODOLÓGICO

Para a elaboração do presente trabalho foram utilizadas as etapas

do processo de modelagem propostas por STERMAN (2000) para Dinâmica de Sistemas, apresentadas na Figura 17.

Figura 17: Etapas do Processo de Modelagem em Dinâmica de Sistemas

Fonte: Adaptado de STERMAN (2000)

O problema identificado, apresentado na seção anterior, é a

predominância da geração hídrica na matriz energética brasileira. Com base nos benefícios apontados pela expansão da capacidade de geração elétrica a partir de fontes eólicas, propôs-se a elaboração de políticas que aumentem a participação desta fonte na matriz elétrica nacional.

No passo 2 foi construído o Diagrama de Enlace Causal, para facilitar a compreensão do comportamento do sistema de geração eólica atual. No passo 3 foi elaborado o modelo de estoque e fluxo, ajustado de acordo com os dados reais do setor brasileiro de energia elétrica. No

91

passo 4 foi feita a Análise de Experimentos, onde o modelo foi calibrado e validado. Por fim, no passo 5, foram formuladas e aplicadas as políticas escolhidas, e analisados os efeitos de cada uma de acordo com o objetivo proposto.

Desta maneira, na seção 3.4. a seguir são apresentados os passos 2, 3 e 4, resultando no modelo de estoques e fluxos, calibrado de acordo com os dados históricos relacionados ao sistema de geração eólica. Na seção 3.5. são propostas e testadas as políticas, de acordo com o passo 5. Por fim, nas seções 3.6. e 3.7. são apresentadas as considerações finais deste trabalho e as referências bibliográficas utilizadas, respectivamente.

3.4. FORMULAÇÃO E ANÁLISE DO MODELO

Nesta seção serão apresentados os passos referentes à construção

do Modelo de Enlaces Causais e do Modelo de Estoques e Fluxos, bem como a validação, escopo e suposições consideradas.

3.4.1. Modelo de Enlaces Causais

O mercado regulado de energia elétrica brasileiro é baseado,

desde 2004, em leilões, onde vencem as geradoras que oferecerem os menores preços pelo megawatt/hora gerado de energia elétrica. Um tipo de leilão em especial, criado em 2002 e regulamentado pelo decreto Nº 5.025 de 2004 (ABEEÓLICA, 2016), busca incentivar o desenvolvimento da geração proveniente de fontes alternativas. O Leilão de Fontes Alternativas (LFA), como é denominado, nasceu em razão do Programa de Incentivo às Fontes Alternativas de Energia Elétrica (PROINFA).

O Proinfa instituiu que seriam realizados leilões exclusivos para contratar energias renováveis provenientes de fontes eólicas, de biomassa e hídricas (na modalidade de Pequenas Centrais Hidrelétricas), como forma de incentivar o desenvolvimento e/ou aumento da participação dessas fontes no Sistema Interligado Nacional (SIN). Os projetos vencedores desses leilões exclusivos assinariam contratos de venda de energia elétrica válidos por 20 anos, a ainda poderiam optar por condições especiais para financiar em até 70% os investimentos nestes projetos pelo Banco Nacional de Desenvolvimento Econômico e Social (BNDES).

O programa ainda estabeleceu que os contratos de fornecimento de energia elétrica seriam firmados prioritariamente com Produtores

92

Independentes Autônomos (PIAs), isto é, produtores cujo controle acionário não pertencesse à qualquer concessionária de geração, transmissão ou distribuição de energia elétrica. Além disto, para participar dos leilões era preciso atender à um índice de nacionalização dos equipamentos mínimo de 60%. A partir da segunda etapa do programa, iniciada em 2009, o índice de nacionalização mínimo exigido subiu para 90%.

Este programa contribuiu significativamente com o desenvolvimento da energia eólica brasileira: em 2006 entraram em operação as primeiras usinas eólicas leiloadas na versão inicial do Proinfa, marcando um aumento de 717,2% da capacidade eólica instalada no Brasil. Assim, considerando a importância do Proinfa para a difusão da eólica no Brasil e os conceitos apresentados no Modelo de Difusão de Bass, definiu-se as potências contratadas para empreendimentos do Proinfa como os adotantes por inovação do sistema.

Na Figura 18 abaixo, busca-se identificar outros fatores importantes para o desenvolvimento da capacidade eólica instalada no Brasil, através da ferramenta conhecida como Modelo de Enlace Causal.

Figura 18: Modelo de Enlaces Causais


A adoção da fonte eólica aumenta o número de adotantes atuais

desta fonte, que por sua vez são decrescidos dos adotantes potenciais. Estes últimos ainda dependem do aumento da demanda de energia, que no mercado regulado é contratada através de leilões. Para a expansão da capacidade de geração elétrica brasileira, utilizam-se os Leilões de

93

Energia Nova (LENs), que incluem as modalidades do tipo A-3 e A-5 (que por sua vez determinam contratos com prazo de fornecimento de energia elétrica a partir de 3 e 5 anos, respectivamente). Além destes leilões, as modalidades Proinfa e de Leilões de Energia de Reserva (LERs) também podem contratar energia elétrica de usinas ainda não construídas.

Uma vez que uma usina eólica ganhe um leilão envolvendo a contratação de capacidade de geração ainda não existente, esta usina é construída e entra em operação no prazo estipulado pelo edital do leilão (em 3 ou 5 anos, por exemplo, para os LENs A-3 e A-5, respectivamente). Construída a usina, esta passa a integrar o Sistema Interligado Nacional (SIN), e as experiências provenientes da sua utilização levam a uma redução dos custos de geração eólica, aumentando a atratividade percebida da fonte eólica em relação a outras fontes disponíveis. Por fim, o ciclo se fecha, com o aumento da atratividade influenciando positivamente o aumento das taxas de adoção de energia eólica.

3.4.2. Modelo de Estoques e Fluxos

Definidos as principais interações que influenciam a difusão de

energia eólica no Brasil, passou-se à modelagem computacional dos estoques e fluxos. Para facilitar a compreensão e visualização, o modelo é apresentado em duas partes, nas figuras 19 e 20.

94

Figura 19: Modelo de Estoque e Fluxo Parte 1


A Figura 19 acima representa a estrutura principal do diagrama de estoque e fluxo. Conforme a demanda por energia elétrica no Brasil aumenta, através do conversor "incremento fracional da capacidade elétrica", multiplicado pela constante "Capacidade Eletrica Inicial" no fluxo "Incremento da Capacidade Eletrica", essa nova energia é leiloada no estoque "Capacidade Eletrica Leiloada ao ano". A atratividade da energia eólica, em relação às outras fontes, determina a "Capacidade a ser suprida por eolica". Vale destacar aqui que esta capacidade (potenciais adotantes P) representa o tamanho do mercado potencial do Modelo de Difusão de Bass apresentado por STERMAN (2000), e portanto, não será necessariamente totalmente consumida. Esse consumo depende diretamente da taxa de adoção dos inovadores ("Adocao PROINFA") e dos imitadores ("Adocao outros leiloes").

Já a taxa de "Adocao PROINFA" depende diretamente da variável "efetividade das acoes do Proinfa", que representa o quanto o

Capacidade

a ser suprida

por eolica

Capacidade Eolica

em Construcao

Taxa de Adocao eolicas

Adocao PROINFA

Adocao outros leiloes

~

efetividade das

acoes do Proinfra

Incremento da

Capacidade

Eletrica

~

ci

Capacidade Eletrica

Leiloada ao ano

~

incremento fracional da

capacidade eletrica

Capacidade Eletrica

Leiloada ao ano

Capacidade Eolica

Instalada

Fluxo Construcao Eolicas

~

efeito do preço

na difusao da eolica

Preço

Efeito do Aprendizado no Preco

Expoente c

Experiencia Acumulada

Taxa de Acumulacao

de Experiencia

Incentivos Fiscais

Experiencia Inicial

Preço Inicial

A5LER A3

Usinas em construcao LFA

Input ano de inicio

Capacidade Eletrica Total

Usinas em construcao A3

Fluxo Energia suprida

Fluxo Construcao outras fontes

Taxa de adocao outras fontes

Capacidade Instalada

Outras fontes

Capacidade Total Leiloada

Fluxo Cap Leiloada

Tempo Medio de construcao


Taxa de Adocao eolicas

Usina em construcao LER

95

programa influenciou na adoção inicial dos potenciais adotantes, e do tamanho do mercado potencial. Por outro lado, a taxa de adoção dos imitadores depende do tamanho do mercado potencial, da variável "ci", que representa o coeficiente de imitação (ou efetividade da propaganda boca-a-boca), e dos estoques "Capacidade Elétrica Leiloada ao ano" e "Capacidade Eolica Instalada". As equações para estas duas taxas, adaptadas de acordo com o modelo de Bass, são apresentadas abaixo: AdocaoPROINFA =

efetividadedasacoesdoProinfa∗ Capacidadeasersupridaporeolica

Adocaooutrosleiloes = ci ∗ Capacidadeasersupridaporeolica

∗ (CapacidadeEolicaInstalada

CapacidadeEletricaLeiloadaaoano)

Ambas taxas somadas determinam a "Taxa de adocao eolicas", que representa os "Adotantes A" do modelo de Bass apresentado por STERMAN (2000). No caso da adoção por imitação, a taxa total é representada pela soma das variáveis "A3", "A5" e "LER", que serão apresentadas na descrição da Figura 20.

Já o fluxo "Taxa de adocao eolicas", que indica a potência que será construída, alimenta o estoque "Capacidade Eolica em Construcao". Esta capacidade permanece no estoque até que seja retirada pelo "Fluxo Construcao Eolicas", determinado pela soma das variáveis "Usinas em construcao A3", "Usinas em construcao A5", "Usinas em construcao LER" e "Usinas em construcao LFA". O "Fluxo Construcao Eolicas" indica a quantidade de potência que irá entrar no estoque "Capacidade Eolica Instalada" e no fluxo "Fluxo Energia suprida".

Os ganhos acumulativos de experiência diminuem os custos de geração eólica conforme a "Taxa de Adocao eolicas" aumenta, alimentando o fluxo "Taxa de Acumulacao de Experiencia". As equação utilizadas, adaptadas das equações típicas da curva de aprendizado apontadas anteriormente, são:

Preço = Preçoinicial ∗ EfeitodoAprendizadonoPreco EfeitodoAprendizadonoPreco

= �Experiênciaacumulada

Experiênciainicial�

��

A redução da variável "Preço" ao longo do tempo contribui para o aumento da atratividade da geração eólica, representada na variável "efeito do preço na difusão da eolica". Quanto maior a atratividade da geração eólica, maior o mercado potencial que este tipo de fonte poderá

96

suprir. A variável "Input ano de inicio" foi criada para determinar o ano a partir do qual as políticas testadas posteriormente passarão a ser aplicadas. A variável "Incentivos Fiscais" determina um tipo de variável utilizada para simular políticas de incentivo, que serão apresentadas na próxima seção.

Finalmente, a primeira parte do modelo ainda apresenta os seguintes estoques:

"Capacidade Instalada Outras fontes", alimentado pelo fluxo "Fluxo construcao outras fontes" de acordo com o tempo "Tempo Medio de construcao". Este fluxo ainda é adicionado, junto com o "Fluxo Construcao Eolicas", ao "Fluxo Energia suprida". Cabe ainda destacar que o "Fluxo construcao outras fontes" é originado pela "Taxa de adocao outras fontes", que por sua vez é gerada pela diferença entre o "Incremento da Capacidade Eletrica" e a "Taxa de Adocao eolicas";

"Capacidade Eletrica Total", alimentada pelo "Fluxo Energia Suprida";

"Capacidade Total Leiloada", alimentado pelo "Fluxo Cap Leiloada", que por sua vez é originado pelo "Incremento da Capacidade Eletrica".

Na Figura 20 a seguir é apresentada a segunda parte do modelo:

97

Figura 20: Modelo de Estoque e Fluxo Parte 2


Input ano de inicio

Usina Pronta A5

Usina Pronta A3

Usina Pronta LER

A3

Usina em construcao LER

T A3

LER

CAP Construcao A3

T LER

A5

T A5

CAP Construcao LER

CAP Construcao A5



Adocao PROINFA T LFA

Cap Total de usinas

construidas por imitacao

Input ano de inicio Tempo de Construcao

Tempo de Construcao

Adocao outros leiloes

LFA Usinas em construcao LFA

CAP Construcao LFA Usinas Prontas Proinfa

Taxa de adocao A5

Taxa de adocao LER

Taxa de adocao A3

Taxa de adocao A5

Input ano de inicio

Tempo de ConstrucaoInput ano de inicio

Fluxo LER

Fluxo A5

Fluxo A3

Va3

VLER

Va5

Input ano de inicio

98

O comportamento da Figura 20 é gerado a partir dos valores da

"Adocao PROINFA" e "Adocao outros leiloes", gerados na primeira parte do modelo. A diferenciação dos tipos de adoção conforme os tipos de leilões permite a melhor calibragem do modelo, de acordo com os valores históricos de cada tipo de leilão. Cada tipo de leilão da variável "Adocao outros leiloes" tem uma taxa de adoção diferente, apresentadas nas variáveis "Taxa de adocao A3", "Taxa de adocao A5" e "Taxa de adocao LER". Essas 3 taxas representam a proporção de cada tipo de leilão que será construída (fluxos "A3", "A5" ou "LER"), e somadas devem representar 100% dos valores gerados pela "Adocao outros leiloes". Uma vez definido o tipo de leilão ao qual se refere a usina, esta passa a constituir o estoque de "CAP Construcao A3", "CAP Construcao A5" ou "CAP Construcao LER".

Cada tipo de leilão possui um tempo de construção próprio, representado pelas variáveis "T A3", "T A5" e "T LER", que determinam o tempo que as usinas irão ficar nos fluxos "Usina em construcao A3", "Usina em construcao A5" e "Usina em construcao LER", respectivamente, até tornarem-se usinas construídas. A variável "Tempo de construcao" pode ser utilizada para variar os tempos de construção das variáveis "T A3", "T A5" e "T LER". Já as variáveis "Va3", "Va5" e "VLER" podem ser utilizadas para variar as taxas de adoção "Taxa de adocao A3", "Taxa de adocao A5" e "Taxa de adocao LER", respectivamente, relacionadas às taxas proporção utilizadas para os leilões A-3, A-5 e LER. A soma destas 3 taxas deve ser sempre igual a 1, representando 100% da capacidade leiloada para estes 3 tipos de leilões.

Definidos os respectivos tempos de construção de cada tipo de usina, é gerado um fluxo que alimenta com os mesmos valores o fluxo "Fluxo Construcao Eolicas" (da Figura 19 apresentada anteriormente), o estoque "Cap Total de usinas construidas por imitacao" e os fluxos "Fluxo A3", "Fluxo A5" e "Fluxo LER", que por sua vez seguirão para os estoques "Usina Pronta A3", "Usina Pronta A5" e "Usina Pronta LER", respectivamente, de acordo com o tipo de leilão que contratou a usina. Esta diferenciação possibilita a análise posterior sobre a capacidade total de cada tipo de usina construída conforme o tipo de leilão.

Finalmente, o estoque "Usinas prontas PROINFA" é gerado de forma semelhante aos estoques "Usina Pronta A3", "Usina Pronta A5" e "Usina Pronta LER" apresentados anteriormente, diferindo apenas por

99

não apresentar nenhum tipo de estratificação na taxa de adoção. Mais detalhes sobre o modelo são apresentados no Apêndice A, que inclui todas as equações e valores utilizados no cenário base de simulação.

3.4.3. Validação do modelo

Esta etapa foi utilizada para aumentar a confiança sobre o

comportamento do modelo e identificar possíveis falhas. Foram feitos vários testes, para os quais o modelo respondeu adequadamente. Primeiramente, a variável "incremento fracional de capacidade eletrica" foi zerada, resultando em uma inércia no sistema em que não houve mudança em nenhum dos estoques. Este comportamento é o esperado, uma vez que a adição de potência instalada de capacidade elétrica ao sistema depende de um incremento da demanda por capacidade elétrica, simulado pela variável zerada.

Em seguida foi zerada a variável "efeito do preço na difusao eolica", resultando em um aumento de todos os outros estoques, exceto os relacionados à energia eólica, e um conseqüente valor de 0 para a "Capacidade a ser suprida por eolica". Este tipo de comportamento também condiz com a realidade, uma vez que a variável alterada é responsável pela atratividade da energia eólica em relação às outras fontes, que se for nula acarretará na inexistência de potência alocada a leilões para serem supridos por energia eólica.

Testou-se também o comportamento do modelo quando as taxas "ci" e "efetividade das acoes do Proinfa" fossem zeradas, resultando igualmente em um aumento de todos os outros estoques, exceto os relacionados à energia eólica, mas com valores sendo alocados à variável "Capacidade a ser suprida por eolica". Este comportamento faz sentido, uma vez que a inexistência de novos adotantes não pode reduzir a atratividade inicial da energia eólica.

Finalmente, ainda foi analisada a adequação dos resultados do modelo em relação aos dados históricos. Para isso foram utilizadas as medidas do cálculo do erro quadrático médio (Root Mean Square Error - RMSE), erro médio de porcentagem absoluta (Mean Absolute Percent Error - MAPE) e do coeficiente de correlação entre os valores simulados e dados históricos (R²). De forma resumida, o R² é o quadrado do coeficiente de correlação, e mede a fração da variância nos dados "explicados" pelo modelo. Se o modelo replica exatamente a série real, R² = 1 e se a saída do modelo for constante, R² = 0. Já o RMSE (erro quadrático médio) e o MAPE (erro médio de porcentagem

100

absoluta) fornecem medidas do erro médio entre as séries simuladas e os dados históricos. O RMSE penaliza grandes erros mais fortemente do que os pequenos, medindo-o nas mesmas unidades que a própria variável, enquanto que o MAPE fornece métricas adimensionais para o erro, mais fáceis de interpretar (STERMAN, 2000).

A avaliação estatística, apresentada na Tabela 4, compreende os dados históricos e simulados para as variáveis capacidade eólica instalada e capacidade elétrica total instalada, entre os anos de 2004 e 2016. Os dados históricos utilizados para comparação para as duas variáveis consideradas são de domínio público, disponibilizados no site da Agência Nacional de Energia Elétrica (www.aneel.gov.br/).

Tabela 4: Resultados da análise estatística

Capacidade Eólica

Instalada (MW) Capacidade Elétrica Total

Instalada (MW)

R² 0,99 0,99

MAPE 89,4% 3,6%

RMSE 151,5 1657,1


Com base nos valores apresentados, percebe-se a aproximação dos dados simulados do modelo com os dados históricos, principalmente no que se refere aos valores de R². A única exceção verificada é o valor elevado de MAPE para a capacidade eólica instalada. Tal valor indica que os erros médios dos dados simulados são elevados em relação aos valores históricos para esta variável. De fato, os valores simulados para a capacidade eólica instalada apresentam grande diferença em relação aos valores históricos, principalmente no período entre 2004 e 2008, o que é fortemente penalizado pelo MAPE. Considerando que a medida de R² apresenta um valor bastante adequado (próximo 1), ressalta-se aqui que os resultados do modelo apresentam pouca variância em relação aos dados históricos e seguem bem a tendência histórica, apesar de existirem erros médios consideráveis em relação aos dados históricos da capacidade eólica instalada.

3.4.4. Escopo e suposições

O modelo abrange um horizonte de 46 anos, entre 2004 e 2050.

Os dados utilizados para calibrá-lo compreendem o período desde o ano de lançamento do Proinfa, em 2004, até o último período completo de

101

dados disponíveis, de junho de 2016, coletados da planilha da CCEE (2017). As unidades das variáveis de preço foram consideradas em reais (R$), atualizadas de acordo com a inflação, e a unidade de medida de energia elétrica utilizada é o megawatt (MW).

Foi utilizada uma média para os tempos de permanência no sistema dos leilões LER e LFA, definida como a diferença entre o ano de contratação e o ano de entrada da potência contratada no sistema, também com base nos valores históricos da planilha da CCEE (2017), resultando para ambos em uma média de 2.33 anos. Os valores dos tempos da potência A3 e A5 foram definidos conforme as disposições dos próprios leilões, que determinam que a capacidade contratada nestes leilões leva 3 e 5 anos respectivamente para entrar no sistema.

As taxas de adoção de cada tipo de leilão foram determinadas como constantes de acordo com os valores que estes leilões tiveram no período analisado, sendo que os valores para "Taxa de adoção A3", "Taxa de adoção A5" e "Taxa de adoção LER" são 0,22, 0,33 e 0,45, respectivamente. A variável "efeito do preço na difusao da eolica" e as taxas de "ci" e "efetividade das acoes do Proinfa" foram ajustadas conforme o comportamento real do sistema no período verificado. Vale repetir aqui que a variável "efeito do preço na difusao da eolica" foi utilizada para determinar a atratividade da energia eólica em relação às outras fontes, e que esta variável é modelada para seguir o comportamento suposto dos potenciais adotantes, influenciados no modelo pelo preço deste tipo de geração ao longo do tempo.

Já o "Expoente c", que determina o quão forte é a curva de aprendizado, foi ajustado para que a redução do preço de geração da fonte eólica coincidisse com os dados de preços históricos médios desta fonte nos leilões. Desta forma, a variável "Preço" simulada no tempo "t" deve coincidir com os valores reais médios de venda da geração eólica em leilões ocorridos em "t". O valor do "Expoente c" que cumpre melhor estes requisitos e portanto, é utilizado no modelo, é -0,14.

3.5. ANÁLISE DE CENÁRIOS E APLICAÇÃO DAS POLÍTICAS

Nesta seção serão discutidos os principais resultados da análise

do Modelo de Estoques e Fluxos.

102

3.5.1. Resultados iniciais do modelo Os principais resultados obtidos com a simulação do modelo são

apresentados na Figura 21 a seguir, aonde pode ser verificado o comportamento dos estoques "Capacidade Eolica Instalada" e "Capacidade Eletrica Total", nos eixos vertical principal (à esquerda) e secundário (à direita), respectivamente.

Figura 21: Relação entre a capacidade elétrica total e a capacidade eólica total

no período analisado


Alguns valores simulados do estoque "Capacidade Eolica Instalada" ao longo dos anos são apresentados na Tabela 5.

0

50000

100000

150000

200000

250000

300000

350000

400000

450000

0

10000

20000

30000

40000

50000

60000

70000

200

4

200

7

20

10

20

13

20

16

20

19

202

2

202

5

20

28

20

31

20

34

20

37

20

40

20

43

20

46

20

49

Cap

acid

ade

elét

rica

ins

tala

da

(MW

)

Cap

acid

ade

Eó

lica

Ins

tala

da

(MW

)

Capacidade Eólica Instalada Capacidade Elétrica Total

103

Tabela 5: Valores da capacidade eólica total instalada ao longo do período analisado

Ano Capacidade

Eólica Instalada (MW)

Capacidade Elétrica Total Instalada

(MW)

Relação Cap. Eól/Cap total

(%)

Inicial (2004)

29,00 89.892,28 0,03%

2015 7.659,03 147.376,40 5,20%

2020 21.663,71 181.672,81 11,92%

2024 27.907,25 210.760,59 13,24%

2030 35.207,67 259.499,69 13,57%

2035 42.114,34 302.808,57 13,91%

2040 50.006,59 348.44855 14,35%

2045 59.123,38 393.707,91 15,02%

2050 67.211,98 428.218,63 15,70%


Nota-se que a meta do governo brasileiro apontada pelo GWEC (2016) de que a capacidade total eólica instalada no Brasil chegue a 24 GW será superada, de acordo com o modelo, chegando a quase 28 GW ou 13,24% de representatividade em relação à capacidade elétrica total brasileira no referido ano. Vale destacar ainda que, mesmo no fim do período analisado, apenas uma parcela menor do que 20% do potencial total eólico brasileiro onshore de 400 GW apontado pela GWEC (2016) foi atingida, restando cerca de 333 GW não explorados, ou cerca de 78% da capacidade total elétrica brasileira instalada no referido ano.

Ainda é possível analisar a relação entre o comportamento do preço de venda nos leilões de geração eólica e o efeito desse preço na difusão desse tipo de energia, em reais por megawatt de potência instalada (R$/MW) e percentagem (%) respectivamente, conforme apresentado na Figura 22. O eixo vertical principal apresenta a evolução do preço da energia eólica enquanto que o eixo vertical secundário apresenta o efeito do preço sobre a adoção da tecnologia eólica.

104

Figura 22: Relação entre o preço e o seu efeito na difusão de energia eólica


Percebe-se pela Figura 22 que há uma estabilização nas quedas de preços da tecnologia eólica, visualizada principalmente a partir de 2015 após uma curva rápida de declínio em função de um efeito da aprendizagem sobre a tecnologia eólica. A partir de então o custo da tecnologia eólica evolui muito lentamente, chegando ao seu limite mínimo próximo aos 117 R$/MW no final do período analisado. De acordo com o modelo, o preço da energia eólica ainda vai ser reduzido em torno de 21% em relação aos dados de preços de venda médios de 2015, até o ano de 2050, quando cerca de 40% dos novos adotantes irá preferir a tecnologia eólica em razão dos custos deste tipo de geração.

É importante ainda destacar a importância do Proinfa para a difusão da energia eólica no Brasil. Na Figura 23 a seguir é apresentada a simulação de um cenário com e sem a presença do Proinfa. A capacidade eólica instalada ao final do período analisado com a inserção do Proinfa é apresentada no eixo vertical principal, enquanto que a capacidade eólica instalada sem a inserção do Proinfa é apresentada no eixo vertical secundário.

0

5

10

15

20

25

30

35

40

45

0

50

100

150

200

250

300

350

20

04

20

06

200

82

01

020

12

201

420

16

201

820

20

202

220

24

202

620

28

203

020

32

203

420

36

203

820

40

204

220

44

204

620

48

205

0

%R$/MW

Preço Efeito do preço na difusão eólica

105

Figura 23: Cenário sem a criação do Proinfa


Neste novo cenário sem o Proinfa, ao fim do período analisado a capacidade eólica no Brasil chega a apenas 537 MW de potência instalada. O valor parece muito baixo considerando a extensão do período analisado, e deve-se principalmente a suposições assumidas pelo modelo de utilizar apenas uma causa (ações do Proinfa) como responsável pelo comportamento inovador dos adotantes iniciais assumidos pelo Modelo de Bass. Apesar disso, fica evidente a eficiência do programa para o desenvolvimento inicial da tecnologia eólica no país.

Vale ressaltar que o Proinfa não teria a mesma relevância no período de difusão atual brasileiro, principalmente devido à algumas particularidades do programa que foram importantes em um nível de difusão mais inicial do desenvolvimento da tecnologia eólica. Destaca-se entre estas a exigência de níveis de nacionalização de equipamentos e incentivos aos Produtores Independentes Autônomos, que tiveram como conseqüência a diversificação do mercado e contribuíram para o desenvolvimento inicial de um setor industrial eólico no país.

0

100

200

300

400

500

600

0

10000

20000

30000

40000

50000

60000

70000

2004

2007

2010

2013

2016

2019

2022

2025

2028

2031

2034

2037

2040

2043

2046

2049

Cap

acid

ade

Eó

lica

ins

tala

da

sem

Pro

infa

(M

W)

Cap

acid

ade

eóli

ca i

nsta

lad

a co

m P

roin

fa (

MW

)

Cenário com Proinfa Cenário sem Proinfa

106

3.5.2. Aplicação de políticas e análise de cenários São utilizadas 3 políticas distintas para a criação de cenários, com

3 tipos de variação cada, conforme apresentado na Tabela 6.

Tabela 6: Políticas aplicadas para a criação de cenários

Política Descrição Tipo Valores

Introdução de incentivos fiscais

Adição de incentivos fiscais para reduzir em "i" o preço "C�" que seria pago por MW construído no ano "t"

Brando i=5%

Moderado i=10%

Agressivo i=15%

Variação dos tempos de construção das usinas

Redução do "TempodeConstrução� " em "c" ano no ano "t"

Brando c=0,05

Moderado c=0,10

Agressivo c=0,15

Variação na proporção dos tipos de leilões

Variação da proporção "L" leiloada para os leilões do tipo LER, mantendo a proporção dos leilões do tipo A-3 e A-5 iguais à "A", de modo que "L" + 2∗"A" = 100% do volume total leiloado no ano t

Brando L = 20% e A

=30%

Moderado L = 30% e A

= 35%

Agressivo L = 50% e A

= 25%


Ao todo são criados 12 cenários envolvendo a aplicação das políticas mencionadas. Deste total, 9 cenários são gerados pela aplicação individual de cada política e tipo de variação (Brando, Moderado e Agressivo) e 3 cenários são resultado da combinação das três políticas em simultâneo de acordo com as variações de tipo (combinação dos tipos de variação Brandos, Moderados e Agressivos das três políticas), conforme apresentado na Figura 24. O "Input ano de inicio", que determina o período a partir do qual as políticas começam a ter efeito, foi definido para o ano de 2017.

107

Figura 24: Cenários gerados pela aplicação das políticas e tipos de variação

Fonte: Elaborado pelos autores (2018) A diferença entre o desempenho de cada cenário em relação ao

Cenário Base é apresentada na Figura 25. Para melhor visualização, os resultados de cada um dos 12 cenários analisados são agregados em 3 grupos distintos: i) cenários com Desempenho Superior (D.S.), que propiciam aumento entre 5.000 MW e 11.000 MW de capacidade eólica instalada ao fim do período analisado, em relação ao Cenário Base; ii) cenários com Desempenho Moderado (D.M.), que propiciam aumento maior do que 0 e menor do que 3.000 MW de capacidade eólica instalada ao fim do período analisado, em relação ao Cenário Base; e iii) cenários com Desempenho Inferior (D.I.), que propiciam uma inibição da capacidade eólica instalada, em relação ao Cenário Base.

108

Figura 25: Diferença de desempenho dos cenários em relação ao Cenário Base


Percebe-se pela Figura 25 que 4 cenários apresentam os melhores resultados em comparação com o Cenário Base: Cenário 12, Cenário 3, Cenário 11 e Cenário 2. Estes cenários têm em comum a utilização das políticas de maior incentivos fiscais: 15% (Cenários 12 e 3) e 10% (Cenários 11 e 2). Em seguida aparecem 6 cenários com aumento de desempenho moderado em relação ao Cenário Base (Cenários 1, 10, 6, 5, 9 e 4, em ordem decrescente de desempenho) e 2 cenários que apresentaram desempenho inferior em relação ao Cenário Base (Cenários 7 e 8, em ordem decrescente de desempenho).

-2000

-1000

0

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

110002

00

42

00

62

00

82

01

02

01

22

01

42

01

62

01

82

02

02

02

22

02

42

02

62

02

82

03

02

03

22

03

42

03

62

03

82

04

02

04

22

04

42

04

62

04

82

05

0

Cap

acid

ade

Eó

lica

In

stal

ada

(em

MW

)

Cenário Base Cenário 1 Cenário 2Cenário 3 Cenário 4 Cenário 5Cenário 6 Cenário 7 Cenário 8Cenário 9 Cenário 10 Cenário 11Cenário 12

D.S.

D.M.

D.I.

109

Os valores dos 12 cenários analisados em relação à Capacidade Eólica Instalada e ao crescimento em comparação com o Cenário Base são apresentados na Tabela 7.

Tabela 7: Cenários analisados e incremento de potência eólica instalada obtido

Cenário Capacidade Eólica

Instalada (MW) Crescimento em relação ao

Cenário Base

Cenário 1 69.980,23 4,0%

Cenário 2 72.822,43 7,7%

Cenário 3 75.739,63 11,3%

Cenário 4 67.649,2 0,6%

Cenário 5 68.075,66 1,3%

Cenário 6 68.491,86 1,9%

Cenário 7 65.864,16 -2,0%

Cenário 8 66.580,59 -0,9%

Cenário 9 68.051,38 1,2%

Cenário 10 68.870,6 2,4%

Cenário 11 72.763,12 7,6%

Cenário 12 77.894,46 13,7%

Fonte: Elaborado pelos autores (2018) Percebe-se que a política envolvendo o uso de incentivos fiscais é

a que mais contribui para à expansão da capacidade eólica instalada ao fim do período analisado. Apesar de ser a política mais promissora, é evidente que esta também é a política mais dispendiosa de ser implementada. A primeira fase do Proinfa foi a única aplicação brasileira envolvendo o uso de taxas de incentivo, e a experiência evidenciou os custos elevados deste tipo de mecanismo, apesar de ser bastante eficiente.

Vale destacar também que o acréscimo de capacidade eólica instalada por unidade percentual de incentivo aumenta conforme o valor dos incentivos cresce. Com o uso de taxas de 5%, obtém-se um aumento de cerca de 553,6 MW a cada unidade percentual de incentivo, em relação ao Cenário Base. Com o uso de taxas de 10%, este valor sobe para 561,0 MW a mais de potência eólica instalada a cada unidade percentual de incentivo, em relação ao Cenário Base. Já o uso de uma

110

taxa de incentivo de 15% resulta em um valor de 568, 5 MW a mais de potência eólica instalada por unidade percentual de incentivo, em relação ao Cenário Base. Tais resultados mostram os efeitos dos laços de realimentação, que potencializam os efeitos das políticas a nível sistêmico.

Em relação às políticas que envolvem a variação na proporção dos tipos de leilões, destaca-se que são as que tem o segundo maior potencial para afetar a expansão da capacidade eólica instalada. Vale destacar aqui que os dados históricos indicam que 45% de toda a energia nova leiloada no ACR foi contratada nesta modalidade de leilão, entre 2004 e 2016. Assim, cenários envolvendo a redução desta taxa (Cenários 7 e 8) tiveram como resultado uma inibição da expansão da capacidade eólica, enquanto que o cenário envolvendo o aumento desta taxa para 50% teve um resultado positivo. Estes resultados ressaltam a importância deste tipo de leilão para a expansão da capacidade eólica no ACR.

Finalmente, vale destacar os efeitos da política envolvendo a redução do tempo de construção das usinas, que tiverem resultados semelhantes aos relacionados à política de variação de taxas dos leilões. Em ambas políticas, as variações de desempenho dos cenários pode ser atribuída aos efeitos da curva de aprendizado. A redução do tempo de entrada em operação das usinas, seja através da sua construção mais rápida ou através do estabelecimento de prazos menores para a entrada em operação das usinas (como acontece nos LERs), faz com que os ganhos de aprendizado ocorram antecipadamente. Desta forma o custo de geração da fonte é reduzido e, consequentemente, a atratividade da fonte para os empreendedores aumenta mais rapidamente.

Por fim, percebe-se ainda que a aplicação das três políticas em conjunto produz desempenho superior em relação à soma de suas aplicações individuais. Tal efeito destaca novamente os laços de realimentação do sistema, que potencializam a aplicação das políticas, evidenciando que o efeito das interações a nível sistêmico é maior do que o efeito das interações individuais que compõe este sistema. Este resultado destaca a importância de uma análise sistêmica para a compreensão dos efeitos da aplicação de políticas de incentivo.


O presente trabalho analisou o cenário atual do setor de geração

elétrica brasileiro a partir de fontes eólicas, analisando cenários futuros envolvendo a adoção desta fonte. Entre os resultados do modelo, pode-

111

se destacar a constatação de que a meta proposta pelo governo brasileiro de chegar aos 24 GW de capacidade de geração eólica instalada em 2024 será superada, chegando próxima aos 28 GW. Também ficou evidente a importância do Proinfa como impulsor inicial do desenvolvimento do setor de geração eólica brasileiro. Cabe ressaltar ainda que, mesmo em 2050, o potencial total brasileiro de geração eólica ainda estará distante de ser atingido, o que é um indicador da magnitude do potencial eólico brasileiro.

Frisa-se ainda a descoberta de cenários em que a expansão da capacidade eólica instalada é inibida pela aplicação de políticas. Tal fato ressalta a importância da criação de modelos de simulação para avaliar os comportamentos dinâmicos do sistema antes da introdução de quaisquer tipo de intervenções, como a aplicação de políticas. Vale salientar ainda que o modelo não deve ser utilizado para fazer previsões. A importância central deste é a avaliação do comportamento do sistema. Os valores simulados não são absolutos e representam apenas cenários alternativos resultantes das interações analisadas.

Por fim, destaca-se que o nível de detalhamento atual do modelo conseguiu reproduzir um comportamento aproximado dos dados históricos, com valores aceitáveis analisados na análise de sensibilidade. Apesar disso, um aprofundamento do modelo é necessário para aumentar a qualidade dos insights relacionados à difusão da tecnologia eólica no Brasil, bem como para possibilitar a avaliação de novas políticas de incentivo, mais condizentes com a realidade brasileira.

3.7. REFERÊNCIAS

ABEEÓLICA. Boletim anual de geração eólica 2015. 2016. Disponível em: < http://www.abeeolica.org.br/wp-content/uploads/2016/08/Abeeolica_BOLETIM-2015_low.pdf >. Acesso em: 17.04.2016. ASLANI, A.; HELO, P.; NAARANOJA, M. Role of renewable energy policies in energy dependency in Finland: System dynamics approach. Applied Energy, 1516924264, v. 113, p. 758-765, 2014. ISSN 0306-2619. BALLARDIN, G.; DI GIULIO, E.; MIGLIAVACCA, S. Renewable energy in Italy: scenarios to 2030. International Conference of the System Dynamics Society, 2008. Citeseer.

112

BASS, F. M. A new product growth for model consumer durables. Management science, 1516025648, v. 15, n. 5, p. 215-227, 1969. ISSN 0025-1909. CARDENAS, L. M.; FRANCO, C. J.; DYNER, I. Assessing emissions–mitigation energy policy under integrated supply and demand analysis: the Colombian case. Journal of Cleaner Production, 1516924293, v. 112, p. 3759-3773, 2016. ISSN 0959-6526. CCEE. Resultado consolidado dos leilões - 01/2017. Biblioteca Virtual CCEE, 2017. Disponível em: < https://www.ccee.org.br/ccee/documentos/CCEE_384476 >. DE FIGUEIREDO, J. C. B. Estudo da difusão da tecnologia móvel celular no Brasil: uma abordagem com o uso de Dinâmica de Sistemas. Production, 1516924397, v. 19, n. 1, p. 230-245, 2009. ISSN 0103-6513. EPE. Balanço Energético Nacional 2015. 2016. Disponível em: < https://ben.epe.gov.br/downloads/Relatorio_Final_BEN_2015.pdf >. FORRESTER, J. Industrial dynamics. MA: Pegasus Communications, Waltham, 1523385693, 1961. GWEC. GLOBAL WIND REPORT - ANNUAL MARKET UPDATE 2015. 2016. Disponível em: < http://www.gwec.net/wp-content/uploads/vip/GWEC-Global-Wind-2015-Report_April-2016_22_04.pdf >. HASANI-MARZOONI, M.; HOSSEINI, S. H. Dynamic model for market-based capacity investment decision considering stochastic characteristic of wind power. Renewable Energy, 1516924864, v. 36, n. 8, p. 2205-2219, 2011. ISSN 0960-1481. HOMER, J. B. A diffusion model with application to evolving medical technologies. Technological Forecasting and Social Change, 1516924887, v. 31, n. 3, p. 197-218, 1987. ISSN 0040-1625. HOSSEINI, S. H.; SHAKOURI, H.; AKHLAGHI, R. A study on the near future of wind power development in iran. 2012 Second Iranian Conference on Renewable Energy and Distributed Generation, 2012. HSU, C.-W. Using a system dynamics model to assess the effects of capital subsidies and feed-in tariffs on solar PV installations. Applied Energy, 1516924960, v. 100, p. 205-217, 2012. ISSN 0306-2619.

113

KUNSCH, P. L. Simulation of micro-CHP diffusion by means of system dynamics. Energy Policy, 1516924994, v. 36, n. 7, p. 2308-2319, 2008. ISSN 0301-4215. MCDOWALL, W. et al. The development of wind power in China, Europe and the USA: How have policies and innovation system activities co-evolved? Technology Analysis and Strategic Management, 1492963377, v. 25, n. 2, p. 163-185, 2013. Disponível em: < https://www.scopus.com/inward/record.uri?eid=2-s2.0-84873292341&doi=10.1080%2f09537325.2012.759204&partnerID=40&md5=5711757b5205ad0d14ee1bbca7c740d4 >. MILLER, D. S.; STERMAN, J. New venture commercialization of clean energy technologies. Citeseer, 2007. MUSANGO, J. K. et al. Technology sustainability assessment of biodiesel development in South Africa: a system dynamics approach. Energy, 1516925160, v. 36, n. 12, p. 6922-6940, 2011. ISSN 0360-5442. OLAYA, C. Models that include cows: the significance of operational thinking. 30th International Conference on System Dynamics Society, 2012. p.1-19. ONAT, N. C.; EGILMEZ, G.; TATARI, O. Towards greening the US residential building stock: a system dynamics approach. Building and Environment, 1516925208, v. 78, p. 68-80, 2014. ISSN 0360-1323. RADOMES, A. A.; ARANGO, S. Renewable energy technology diffusion: an analysis of photovoltaic-system support schemes in Medellín, Colombia. Journal of Cleaner Production, 1516741467, v. 92, p. 152-161, 2015/04/01/ 2015. ISSN 0959-6526. Disponível em: < http://www.sciencedirect.com/science/article/pii/S0959652614013924 >. RANDALL, R.; FAHEY, L. Learning from the future. New York: John Wiley & Sons, cap, 1516924363, v. 25, p. 422-431, 1998. SÁNCHEZ, J. J.; CENTENO, E.; BARQUÍN, J. System Dynamics Modeling For Electricity Generation Expansion Analisys. Proceedings from PSCC, 1516925246, v. 5, 2005. STERMAN, J. D. J. D. Business dynamics: systems thinking and modeling for a complex world. 2000. ISBN 0072311355. VALLEJOS, M. et al. Dynamic analysis of wind power integration into the Northern Interconnected Power System of Chile. Electrical, Electronics

114

Engineering, Information and Communication Technologies (CHILECON), 2015 CHILEAN Conference on, 2015. IEEE. p.641-647. VOGSTAD, K.-O. Utilising the complementary characteristics of wind power and hydropower through coordinated hydro production scheduling using the EMPS model. Proc. 2000 Nordic Wind Energy Conference, 2000. ZULUAGA, M. M.; DYNER, I. Incentives for renewable energy in reformed Latin-American electricity markets: the Colombian case. Journal of cleaner Production, 1516925377, v. 15, n. 2, p. 153-162, 2007. ISSN 0959-6526.

4. ARTIGO 3 - A INFLUÊNCIA DOS MECANISMOS DE CONTRATAÇÃO BRASILEIROS PARA A DIFUSÃO EÓLICA



Enzo Morosini Frazzon

Resumo: A tecnologia de geração eólica expandiu-se significativamente na última década no mundo, especialmente no Brasil. A capacidade instalada de geração eólica no país passou de 27 MW para 8.725 MW em 10 anos, levando o Brasil à 9ª posição mundial entre os países com maior capacidade de geração eólica instalada. No entanto, o mesmo modelo que impulsionou o desenvolvimento de tecnologia de geração eólica no país, baseado em leilões de menor tarifa, também ameaça o seu desenvolvimento atual. Nos últimos 3 anos, essa fonte sofreu quedas significativas de contratação, atingindo a nulidade em 2016. O sistema envolvendo a contratação de eletricidade no Brasil é complexo, envolvendo decisões de muitos agentes distintos, que vão desde empreendedores que desejam construir usinas e vender eletricidade a organizações ligadas ao governo nacional, que estabelecem as diretrizes a serem adotadas nos leilões de contratação de energia. Este artigo tem como objetivo analisar cenários futuros para a energia eólica no Brasil, através da modelagem do Ambiente de Contratação Regulada (ACR) e Livre (ACL) e das diretrizes e mecanismos que regulam estes dois mercados de contratação, considerando ainda as regras de decisões tomadas pelos principais agentes envolvidos. Para isso, foi desenvolvido um modelo de simulação híbrida, envolvendo a integração das abordagens de Dinâmica de Sistemas e Modelagem Baseada em Agentes. Este modelo foi utilizado para analisar o efeito de políticas, utilizadas atualmente no Brasil, para a difusão da tecnologia de geração eólica. Estas políticas incluem o estabelecimento de preços-teto das fontes concorrentes nos leilões e a descontratação de capacidade contratada em Leilões de Energia de Reserva. Ao todo foram analisados 8 cenários, com resultados distintos envolvendo o aumento da difusão eólica no ACR, ACL ou em ambos os ambientes em simultâneo, e até a inibição da difusão eólica da mesma forma nos dois mercados de contratação. Ainda foram testadas hipóteses relacionadas ao setor elétrico brasileiro e identificado um possível nível de saturação da difusão eólica no ACL.

117

Palavras-chave: Energia eólica; Mecanismo de Descontratação; Dinâmica de Sistemas; Modelagem Baseada em Agentes; Análise de cenários; Modelo híbrido. 4.1. INTRODUÇÃO

Apesar do crescimento exponencial do uso da tecnologia eólica

para geração de energia elétrica observado na última década no Brasil, e das expectativas positivas apresentadas pelo governo nacional para a expansão desta tecnologia de geração, eventos recentes levantam dúvidas quanto ao futuro desta tecnologia no país. Nos últimos três anos, a contratação de energia eólica em leilões de energia caiu expressivamente, regredindo de 4,7 GW contratados em 2013 para 2,2 e 1,2 GW de potência contratados em 2014 e 2015, respectivamente, até atingir a nulidade em 2016 (CCEE, 2017).

A queda de contratação desta fonte afeta diretamente a evolução recente da tecnologia eólica no país. A contratação de energia eólica nos leilões regulados, vital para o desenvolvimento do setor industrial eólico brasileiro (JUÁREZ et al., 2014), favorece o progresso desta tecnologia e reduções dos custos de instalação de usinas baseadas nesta fonte. Ao mesmo tempo, os benefícios da tecnologia eólica para o Brasil justificam o interesse do governo no seu desenvolvimento.

Para entender a redução nas contratações e a difusão da tecnologia de geração eólica no país, é necessário compreender o setor de geração elétrica brasileiro. As regras de contratação adotadas após a divisão deste setor, em 2004, que resultaram na criação do ACR e ACL, possuem grande influência na expansão da matriz elétrica nacional, e consequentemente na difusão das tecnologias de geração. A adição recente de um novo mecanismo às regras de contratação existentes traz ainda mais incerteza quanto à expansão da tecnologia eólica de geração no Brasil. Criado em 2017, o Mecanismo (Leilão) de Descontratação de Energia de Reserva é uma medida inédita tomada para combater problemas imediatos relacionados à sobra de energia estrutural contratada em leilões. Sem respaldo na literatura internacional, ou em aplicações anteriores no país, poucas conjecturas sobre os efeitos da sua implementação podem ser encontradas, bem como sobre as consequências da sua utilização para o futuro da tecnologia eólica no Brasil.

Dada a complexidade do setor de geração elétrica brasileiro e a importância de mecanismos adequados para auxiliar no desenvolvimento da energia eólica no Brasil, este artigo pretende

118

analisar possíveis cenários para a fonte eólica no país, considerando o novo mecanismo de descontratação de energia. Para isso, é utilizado um modelo de simulação híbrida para análise de cenários, envolvendo as metodologias de Dinâmica de Sistemas (DS) e Modelagem Baseada em Agentes (MBA).

O uso em conjunto dessas duas abordagens, que apesar de possuírem objetivos semelhantes apresentam diferenças significativas, possibilita explorar simultaneamente as forças e fraquezas individuais de cada uma, de forma complementar, em um mesmo modelo (SCHOLL, 2001; LÄTTILÄ; HILLETOFTH; LIN, 2010). De forma resumida, a integração destes dois métodos permite desagregar componentes de interesse em eventos discretos, através da MBA (como os leilões de energia, por exemplo), ao mesmo tempo em que a DS possibilita analisar relacionamentos causais sistêmicos para estudar e monitorar o sistema como um todo, modelando-os de forma agregada e contínua (como a geração de energia a partir de usinas ou a aplicação de políticas, por exemplo).

Modelos híbridos deste tipo também tendem a oferecer resultados superiores em relação ao uso individual destas abordagens (SCHOLL, 2001), aumentando também a qualidade da análise (LÄTTILÄ; HILLETOFTH; LIN, 2010). Apesar dos benefícios potenciais, vale destacar que ainda há poucos trabalhos envolvendo o uso de modelos deste tipo no setor de planejamento estratégico de energia, gerando uma lacuna metodológica que é explorada neste trabalho.

Após esta introdução, a seção 4.2. apresenta uma revisão da literatura sobre a estrutura do setor elétrico brasileiro e modelagens híbridas envolvendo o uso de DS e MBA. A seção seguinte, 4.3., discute o procedimento metodológico adotado, seguida pela seção 4.4,. onde é apresentado o modelo de simulação, incluindo o seu desenvolvimento e estrutura. Finalmente, na seção 4.5., é feita a análise de cenários, que inclui a aplicação das políticas escolhidas, seguida pela seção 4.6., onde são apresentadas as considerações finais.

4.2. REVISÃO DA LITERATURA 4.2.1. Modelagens Híbridas envolvendo o uso de MBA e DS

A Dinâmica de Sistemas (DS) e a Modelagem Baseada em

Agentes (MBA) estão entre os métodos de simulação mais importantes para entender problemas complexos (LÄTTILÄ; HILLETOFTH; LIN, 2010). Ambos buscam descobrir pontos de alavancagem em sistemas agregados complexos (SCHOLL, 2001), partindo do pressuposto de que

119

um sistema é mais do que a soma de suas partes e portanto, precisa ser visto e estudado de forma holística (WALLENTIN; NEUWIRTH, 2017).

As duas abordagens no entanto, baseiam-se em premissas distintas para analisar um mesmo sistema. A MBA utiliza uma abordagem bottom-up, onde o sistema é modelado a partir das entidades individuais que o compõem, enquanto que a DS utiliza uma abordagem top-down, analisando o sistema através da decomposição dos seus principais componentes estruturais (MACAL, 2010; SWINERD; MCNAUGHT, 2012). Como consequência destas premissas distintas, ambos os métodos apresentam diferenças fundamentais. As principais são apresentadas na Tabela 8.

Tabela 8: Principais diferenças entre a DS e a MBA

Componente Dinâmica de Sistemas Modelagem Baseada em

Agentes

Nível de Análise

Agregado (homogeneidade)

Agentes individualizados (heterogeneidade)

Foco de análise

Estrutura do sistema Regras dos agentes

Mecanismo principal

Feedbacks entre diferentes partes do sistema

Comportamento emergente devido às interações

Componentes Equações, loops de feedback, diagramas de estoques e fluxos

Agentes individuais e suas decisões (lógica)

Estrutura do sistema

Fixa Flexível

Aplicação Solução de problemas Exploração

Origem das dinâmicas

Níveis Eventos

Tempo Contínuo Discreto ou contínuo

Adaptado de LÄTTILÄ; HILLETOFTH; LIN (2010) São as diferenças entre estas metodologias que marcam as suas

principais forças e fraquezas (SCHOLL, 2001). A DS não considera o comportamento em nível dos agentes, concentrando-se apenas na dinâmica em nível sistêmico, ao mesmo tempo em que a MBA não oferece uma visão sistemática e das relações causais, concentrando-se apenas na dinâmica em nível individual (JO et al., 2015). Assim, de forma geral, a DS se sobressai na modelagem de sistemas agregados contínuos, ao reduzir a diversidade do sistema a valores médios

120

agregados, assumindo homogeneidade e combinação perfeita dentro de estoques e fluxos. Já a MBA se destaca ao modelar propriedades descontínuas do sistema, incluindo maior heterogeneidade entre os agentes, ao custo de demandar maior capacidade computacional (NAVA GUERRERO; SCHWARZ; SLINGER, 2016).

JO et al. (2015) apontam que a principal força da DS é resultado do seu potencial de inferir o surgimento de um determinado comportamento devido à transparência da estrutura do sistema, o que resulta também em uma fraqueza na medida em que a estrutura do modelo torna-se fixa. Por outro lado, a força da MBA deve-se ao fato desta poder modelar interações endógenas de agentes individuais com base em regras de decisão, o que resulta em fraqueza na medida em que não é adequada para modelar fatores do sistema macro, como políticas (JO et al., 2015). Vale destacar ainda que enquanto a MBA é mais efetiva na representação de realismo espacial e estrutural, os modelos de DS, além de serem computacionalmente mais eficientes, também são analiticamente mais atraentes (BOBASHEV et al., 2007; WALLENTIN; NEUWIRTH, 2017).

Dadas as suas respectivas fraquezas e forças, uma combinação de DS-MBA possibilita a exploração das forças individuais e subjugação das fraquezas de cada metodologia em um mesmo modelo, possibilitando que elas sejam utilizadas de forma complementar entre si (SCHOLL, 2001; LÄTTILÄ; HILLETOFTH; LIN, 2010). Além de possibilitar a análise de situações onde ambas as abordagens encontram dificuldades, o uso das duas em um mesmo modelo híbrido possibilita superar limitações computacionais e conceituais de cada metodologia (NAVA GUERRERO; SCHWARZ; SLINGER, 2016), bem como criar modelos de simulação mais realistas (LÄTTILÄ; HILLETOFTH; LIN, 2010).

Em geral, o uso de modelos híbridos deste tipo fornece resultados superiores em relação ao uso individual das mesmas (SCHOLL, 2001), aumentando também a qualidade da análise (LÄTTILÄ; HILLETOFTH; LIN, 2010). PARUNAK; SAVIT; RIOLO (1998), por exemplo, apontam que dada a natureza de continuidade dos modelos DS, estes têm dificuldades em lidar com eventos discretos. Um modelo híbrido de DS-MBA neste caso utilizaria a MBA para modelar este tipo de evento. Ao mesmo tempo, os princípios da DS são mais úteis em situações em que agentes individuais necessitam de equações para controlar suas políticas, podendo portanto ser utilizados em um modelo híbrido para este fim (PARUNAK; SAVIT; RIOLO, 1998).

121

WANG; MOON (2013) apontam que a hibridização DS-MBA possibilita incorporar, em um mesmo modelo, detalhes e comportamentos individuais com funções e regras simples e particulares, através da MBA, com relacionamentos causais sistemáticos para estudar e monitorar o sistema como um todo, através da DS. Ao mesmo tempo possibilita aumentar a eficiência e transparência da modelagem (SWINERD; MCNAUGHT, 2012), reduzir os tempos de computação, capturar elementos relevantes da heterogeneidade individual e analisar a estocasticidade das entidades (NAVA GUERRERO; SCHWARZ; SLINGER, 2016).

A crescente atenção dada ao potencial do uso de DS-MBA em um mesmo modelo é verificada no aumento do uso deste tipo de modelos (SWINERD; MCNAUGHT, 2012). Este aumento também pode ser associado a melhorias no aprendizado sobre simulação e à elevação crescente da complexidade de problemas considerados pela pesquisa operacional, que demandam a modelagem de elementos de naturezas diferentes (SWINERD; MCNAUGHT, 2012). Outro fator que contribui para o aumento do uso de ambas abordagens em modelos híbridos é a expansão do número de ferramentas que facilitam o uso destas duas metodologias, dentre os quais se destacam software que permitem integrar ambas em um mesmo modelo de simulação, como o Anylogic® (OSGOOD, 2007).

Assim, diversas abordagens híbridas envolvendo DS e MBA são encontradas na literatura. NAVA GUERRERO; SCHWARZ; SLINGER (2016) realizam uma revisão de trabalhos publicados envolvendo este tipo de abordagem, identificando trabalhos na área de difusão tecnológica, projetos de infraestrutura, logística e saúde. Apesar do aumento do uso deste tipo de modelo híbrido, poucos trabalhos são encontrados envolvendo análises no setor de planejamento estratégico de energia, inerentemente complexos e de interesse acadêmico e econômico mundial.

Dentre os poucos trabalhos existentes, ALFARIS et al. (2015) introduzem um framework de um sistema de apoio à decisão para o planejamento de energia em nível nacional e regional, baseado em um modelo híbrido de DS-MBA. O modelo híbrido é constituído por dois módulos distintos, cada um modelado utilizando uma das abordagens. O módulo de DS possibilita a um stakeholder explorar possíveis mix de energia através da prototipagem rápida de cenários, visando atender demandas futuras de energia. Já o módulo de MBA envolve um processo colaborativo de tomada de decisão entre vários stakeholders,

122

permitindo a visualização de interações complexas e dos efeitos das decisões individuais sobre outros stakeholders e sobre a indústria de energia. As decisões tomadas nestes dois módulos formam um cenário para o qual o framework proposto pelos autores calcula um conjunto de parâmetros de saída, que são usados para avaliar o resultado do sistema.

Já LI et al. (2016) utilizam as abordagens de MBA e DS para construir um modelo de um sistema envolvendo veículos elétricos e micro-grids baseadas em energias renováveis. O modelo desenvolvido é utilizado para analisar estratégias de cobrança de energia elétrica. Os autores utilizam a abordagem de MBA para modelar a geração de painéis fotovoltaicos e turbinas de geração, a DS para modelar o sistema de armazenamento de energia, e as duas abordagens em conjunto para modelar a aleatoriedade e autonomia de veículos elétricos. Com base neste modelo, o desempenho ótimo das estratégias de cobrança é verificado, com vistas a influenciar o comportamento de carga de veículos elétricos e evitar a sobrecarga das micro-grids devido ao acesso excessivo destes veículos.

MAZHARI, E. M. et al. (2009) e MAZHARI, E. et al. (2011), por outro lado, utilizam um modelo híbrido de DS-MBA para desenvolver uma ferramenta de avaliação da capacidade ótima de um sistema integrado fotovoltaico e suas unidades de armazenamento. O mesmo modelo também é utilizado para definir uma política de decisão operacional ótima considerando os preços dos mercados atuais e futuros de eletricidade. Através da análise de cenários, os autores utilizam a abordagem de DS para investigar os segmentos de geração e armazenamento, enquanto que a MBA é utilizada para analisar perfis individuais de consumidores que geram diferentes volumes de demanda de energia elétrica.

Já em NORTH et al. (2015) os autores aplicam uma abordagem diferente das anteriores, tentando integrar dois modelos distintos, um baseado em DS e outro em MBA, para que possam interagir entre si. O modelo de DS é utilizado na criação de um Modelo de Segurança Energética, enquanto que o modelo de MBA é utilizado para criar um Modelo de Conflito para representar atores internacionais, nacionais e subnacionais que abordam cenários complexos nas relações internacionais. Os autores apresentam duas abordagens de integração utilizadas, destacando que a integração plena ainda não foi finalizada.

Assim, de forma geral, os trabalhos encontrados no setor de planejamento estratégico de energia utilizam a DS para modelar sistemas elétricos contínuos e para analisar questões relacionadas à tomada de decisões estratégicas, através da análise de cenários e

123

verificação de políticas. Já a MBA é utilizada principalmente para desagregar componentes específicos dos sistemas de energia analisados e explorar os efeitos da heterogeneidade entre estes componentes, através da análise de regras de decisão individuais.

Percebe-se ainda que os autores raramente discutem sobre os benefícios da integração destas metodologias para o setor de energia, ao contrário de trabalhos da área de logística, por exemplo, citados em NAVA GUERRERO; SCHWARZ; SLINGER (2016), mais maduros metodologicamente em relação aos principais benefícios desta integração para as suas respectivas áreas. Esta falta de discussão gera uma lacuna metodológica que poderia servir para contribuir com o desenvolvimento de modelos híbridos de melhor qualidade, gerando diferentes insights para o setor de energia.

4.2.2. Leilões brasileiros e o novo mecanismo de descontratação de energia

Após experiências negativas na implementação de projetos

contratados através do Proinfa, em 2002, (ABDMOULEH; ALAMMARI; GASTLI, 2015), mudanças estruturais implementadas no país, em 2004, introduziram um sistema de leilões para contratação de energia, trazendo mais estabilidade ao setor elétrico nacional. Sistemas baseados em leilões tem sido utilizados em um número cada vez maior de países, incluindo países da Europa, América Latina, Quebec, Índia, China (DEL RÍO; LINARES, 2014) e em alguns estados dos Estados Unidos como a Califórnia (KREISS; EHRHART; HAUFE, 2017). Tradicionalmente, os leilões reduzem os riscos para os investidores, uma vez que oferecem receita garantida por períodos fixos, melhoram a eficiência de custos devido à concorrência de preços, aumento de volume e controle orçamentário (KREISS; EHRHART; HAUFE, 2017) e podem aumentar a previsibilidade do fornecimento de eletricidade a partir de recursos de energia renovável (ATALAY; KALFAGIANNI; PATTBERG, 2017).

Apesar das características individuais dos leilões em cada país não permitirem compará-los diretamente, em razão de serem altamente dependentes do contexto em que são implementados (KREISS; EHRHART; HAUFE, 2017), experiências internacionais permitem a verificação de seus aspectos mais comuns. Para o organizador do leilão (geralmente o governo), o risco maior é o de não realização do projeto contratado (KREISS; EHRHART; HAUFE, 2017). Já os participantes

124

enfrentam incertezas relacionadas aos custos de implantação de seus projetos, correndo o risco de submeter projetos a preços insustentáveis (prática conhecida como underbidding) (ABDMOULEH; ALAMMARI; GASTLI, 2015; KREISS; EHRHART; HAUFE, 2017).

DEL RÍO; LINARES (2014) citam ainda como possíveis resultados negativos do uso de leilões a baixa diversidade tecnológica, baixa taxa de inovação, altos custos administrativos e de transação (o que limita a participação de pequenas empresas) e baixa aceitação social (se ocasionar concentração da capacidade contratada em determinadas regiões, por exemplo). Estes efeitos indesejados podem ser minimizados através no estabelecimento das diretrizes dos leilões, desde que identificadas corretamente as suas causas. Entre as medidas mais discutidas e implementadas para tratar alguns destes efeitos encontram-se a exigência de garantias físicas e financeiras e o uso de penalidades (KREISS; EHRHART; HAUFE, 2017). DEL RÍO; LINARES (2014) destacam ainda a importância da seleção criteriosa de locais de construção de usinas, o uso de cronogramas regulares de leilão e o uso de contratos de longo prazo. Já ATALAY; KALFAGIANNI; PATTBERG (2017) citam o uso de exigências de conteúdo local na implantação dos projetos, que, segundo os autores, também possibilita o fortalecimento do setor industrial local.

A maior parte das medidas encontradas na literatura para minimizar resultados indesejados dos sistemas de leilões são adotadas nos Brasil, incluindo regras de conteúdo local para a concessão de financiamentos (ATALAY; KALFAGIANNI; PATTBERG, 2017), contratos de longo prazo com penalidades por não cumprimento, e exigência de garantias físicas, financeiras e de habilitação ambiental das áreas a serem exploradas. Os níveis de qualificação financeira brasileiros são semelhantes aos níveis adotados na Alemanha e na Califórnia, que estabelece que investidores possuam uma taxa de 5% do total do investimento ou receita a serem feitos (KREISS; EHRHART; HAUFE, 2017). Já a garantia física define o quanto a usina contratada deve contribuir para a segurança do suprimento de energia, sendo calculada para cada projeto pelo MME (MORENO et al., 2010). Finalmente, a habilitação ambiental é condicionada à apresentação da Licença Prévia do órgão ambiental responsável (INSTITUTO ACENDE BRASIL, 2012) e a habilitação técnica por uma empresa vinculada ao governo (EPE), após análise do projeto e localização pretendida para a construção da usina, o que possibilita uma seleção mais criteriosa dos locais de construção.

125

Recentemente em 2017 a não execução de projetos contratados em leilões, junto com uma queda na demanda por energia elétrica que resultou em uma sobra estrutural de capacidade de geração de energia, induziram à criação do 1º Mecanismo (Leilão) de Descontratação de Energia de Reserva. Este leilão estabeleceu que empreendimentos que ainda não tivessem entrado em testes ou operação pudessem ser descontratados sem pagar multa por quebra de contrato, em troca do pagamento de um prêmio por parte dos responsáveis pelos projetos não executados. As diretrizes aplicadas no leilão limitaram a participação a empreendimentos de geração provenientes de fonte eólica, solar fotovoltaica e hídrica (INSTITUTO ACENDE BRASIL, 2018). Para penalizar os empreendimentos descontratados estabeleceu-se que os vencedores do leilão não poderiam participar de dois leilões subseqüentes para contratação de energia de reserva, podendo esta proibição ser estendida às subsidiárias e controladas da empresa vencedora.

Apesar de se desconhecer outra aplicação de mecanismo semelhante ao leilão de descontratação brasileiro em outros países, as experiências internacionais com leilões verificadas na literatura permitem apontar potenciais vantagens e desvantagens da implantação deste novo mecanismo. Os motivos da não execução de projetos contratados no Brasil variam, envolvendo desde causas relacionadas à indisponibilidade de conexões de rede elétrica (KREISS; EHRHART; HAUFE, 2017) até a falta de competitividade dos projetos para atender aos preços estabelecidos devido à venda por preços muito baixos (DEL RÍO; LINARES, 2014). DEL RÍO; LINARES (2014) apontam ainda que, tal como acontece na França, Portugal, Reino Unido, China e Nova Escócia, muitas vezes a não realização de projetos no Brasil decorre da superestimação dos fatores de capacidade das usinas e da subestimação dos custos de implementação, por parte de investidores. O agravante principal para erros deste tipo é o uso de tecnologias ainda não completamente desenvolvidas ou de geração intermitente, como as relacionadas às fontes renováveis, o que justifica o foco do mecanismo de descontratação brasileiro que é aplicado precisamente para descontratar projetos baseados nestes tipos de tecnologia.

Além de solucionar o problema imediato da sobra estrutural de energia, este mecanismo de descontratação minimiza os riscos dos investidores, que podem recorrer a ele em caso de verificação de inviabilidade de seus empreendimentos. Ao minimizar os riscos do investidor de sofrer as penalidades estabelecidas nos leilões de

126

contratação, o mecanismo também favorece indiretamente a prática de underbidding. As soluções apontadas na literatura para minimizar os efeitos negativos desta prática incluem aplicação de multas e a proibição de participação dos investidores por um determinado período, ambas medidas já adotadas no mecanismo de descontratação brasileiro: a primeira através do pagamento de prêmios e a segunda através da exclusão dos investidores da participação de dois LERs consecutivos.

Ao mesmo tempo, a minimização dos riscos dos investidores tende a aumentar a concorrência nos leilões, levando a quedas dos preços de contratação. Considerando que a aplicação regular desta modalidade de leilão no limite descontratará todos os empreendimentos atrasados, este mecanismo pode ser suspenso futuramente no país. Uma possibilidade é ampliar o escopo deste leilão para descontratar empreendimentos já em operação no ACR, potencializando os efeitos positivos deste mecanismo. Como resultado, eventuais sobras estruturais de energia deste mercado poderiam ser balanceadas mais rapidamente, diminuindo riscos de projeção para as distribuidoras que compram energia.

Outro aspecto positivo da ampliação do escopo deste leilão é favorecer a expansão de tecnologias renováveis no ACL, que retêm os empreendimentos descontratados. Além disso, investidores poderiam utilizar as condições de financiamento e receitas fixas disponibilizadas no ACR para ganhar experiência e se estabelecer, migrando posteriormente para o ACL. A expansão do ACL tende a aumentar a concorrência na participação de leilões para venda de energia existente no ACR, favorecendo quedas ainda maiores nos preços de contratação.

Finalmente, a possibilidade de migração para o ACL potencialmente favoreceria a taxa de inovação dos empreendimentos, que teriam incentivos para desenvolver projetos mais eficientes na geração de energia, uma vez que no mercado regulado este incentivo é baixo (considerando que os valores vendidos nos contratos do ACR não possuem flexibilidade para absorver eventuais aumentos de geração dos empreendimentos). Desta forma, o mecanismo de descontratação brasileiro possui potencial para melhorar a eficiência dos leilões nacionais, além de servir como referência para outros países que enfrentem problemas semelhantes de não execução de projetos contratados em leilões, como Reino Unido e Nova Escócia, citados em DEL RÍO; LINARES (2014).

127

4.3. PROCEDIMENTO METODOLÓGICO Para a elaboração do presente trabalho foi utilizado o processo de

modelagem proposto por STERMAN (2000) para Dinâmica de Sistemas (DS), com algumas adaptações feitas neste artigo considerando a Modelagem Baseada em Agentes (MBA). Como resultado, foram seguidos os seguintes passos: i) identificação e definição do problema; ii) identificação dos comportamentos dinâmicos mais relevantes; iii) identificação dos agentes mais relevantes e de suas interações; iv) construção do modelo de simulação; v) análise de experimentos e validação do modelo; e vi) formulação das políticas e avaliação.

Tendo sido estabelecido como escopo desta pesquisa a análise da difusão da tecnologia de geração eólica nos mercados de contratação brasileiros, a identificação dos comportamentos dinâmicos mais relevantes e as suas principais interações são discutidas de forma detalhada nas seções 4.1. e 4.2. deste artigo. Para a construção do modelo de simulação foram utilizadas as abordagens de DS e MBA, resultando em um modelo híbrido que explora os diferentes aspectos de complementaridade entre estes dois métodos. Mais especificamente, considerando a natureza da DS de tratar eventos discretos como resultados das tendências políticas básicas, pressões e comportamentos dinâmicos, este método foi utilizado para modelar o ambiente em que os agentes atuam, que possui caráter contínuo e é profundamente dependente da sua própria estrutura. Já a MBA é utilizada para modelar indivíduos que utilizam regras próprias de decisão para tomar ações em momentos discretos do tempo. Inseridos no ambiente de DS, estes indivíduos interagem, se influenciam e se comunicam entre si, afetando e sendo afetados pelo ambiente em que atuam. O modelo híbrido de simulação combinando estas duas abordagens foi implementado no software AnyLogic®. Este modelo foi utilizado para a análise de cenários envolvendo a aplicação das políticas escolhidas.

Para validação do modelo foram utilizados os testes apresentados em STERMAN (2000). Mais especificamente, dada a impossibilidade inerente à validação de um modelo de simulação, foram validadas as hipóteses analíticas assumidas (STERMAN, 2000). Além dos testes de avaliação de modelos dinâmicos, que incluem a análise da adequação dos limites, consistência dimensional, estrutura do modelo e a verificação de condições extremas, entre outras, ainda foi avaliada estatisticamente a adequação do modelo com os dados históricos.

128

Para esta análise estatística, foi verificado o erro quadrático médio (Root Mean Square Error - RMSE), o erro médio de porcentagem absoluta (Mean Absolute Percent Error - MAPE) e o coeficiente de correlação entre os valores simulados e dados históricos (R²). Os testes de validação incluíram ainda a verificação da hipótese assumida de que as condições hidrológicas afetam o volume leiloado nos Leilões de Energia de Reserva. A validação é apresentada na seção 4.5.1. deste artigo.

O modelo de simulação foi calibrado de acordo com dados históricos de domínio público, disponibilizados pelo Operador Nacional do Sistema Elétrico (http://ons.org.br/), Agência Nacional de Energia Elétrica (www.aneel.gov.br/), Câmara de Comercialização de Energia Elétrica (https://www.ccee.org.br/) e Instituto Acende Brasil (http://acendebrasil.com.br/). A ONS fornece informações sobre variações hidrológicas nos volumes dos reservatórios das hidrelétricas, enquanto que a CCEE disponibiliza dados sobre a capacidade eólica instalada no ACL e ACR. Já a ANEEL oferece dados de geração das diversas fontes utilizadas no Brasil e conectadas ao SIN, e o Instituto Acende Brasil disponibiliza relatórios sobre os leilões regulados realizados no país.

Para a criação de cenários foram escolhidos dois tipos de políticas distintas: variação de preços-teto e repetição das políticas de descontratação. Ambas são aplicadas a partir de 2018 e se estendem até 2030.

Na política do tipo variação de preços-teto, busca-se analisar os efeitos do estabelecimento de diferentes preço-teto para as fontes concorrentes nos leilões. Estes preços são estabelecidos antes da execução dos leilões, e determinam qual será o valor máximo a ser pago por cada fonte concorrente no leilão, em R$/MWh. No 3º Leilão de Energia de Reserva, por exemplo, as diretrizes do leilão estabeleciam que só poderiam concorrer empreendimentos baseados em fontes de geração hídrica (Pequenas Centrais Hidrelétricas - PCHs), eólica e de biomassa. Os preços-tetos estabelecidos foram R$ 155,00/MWh, R$ 167,00/MWh e R$ 156/MWh para as fontes hídrica, eólica e de biomassa, respectivamente. Ou seja, empreendimentos baseados em fontes eólicas tinham uma vantagem de 7,2% em relação à fonte hídrica, ou 6,6% em relação à biomassa. Assim, uma PCH poderia ser contratada neste leilão para vender a quantidade de energia de 1 MWh por no máximo R$ 155,00. Já se este empreendimento fosse baseado em fonte eólica para geração, a mesma quantidade de energia poderia ser contratada por até R$ 167,00, ou R$ 12,00 a mais do que a sua

129

concorrente PCH. Outro exemplo é o 3º Leilão de Fontes Alternativas. Neste leilão só poderiam concorrer usinas baseadas em geração térmica a biomassa ou em fontes eólicas, com preços-tetos de R$ 215,00/MWh e R$ 179,00/Mwh para a biomassa e eólica, respectivamente. Assim, a fonte eólica concorreu em desvantagem, com preço-teto 16,7% inferior em relação à sua concorrente.

Considerando estes comportamentos distintos, esta política é aplicada com duas variações: i) para simular o estabelecimento de preços-teto iguais para todas as fontes participantes nos leilões, na variação de nome "Livre concorrência"; e ii) para simular o estabelecimento de preços-teto de contratação menores para a fonte eólica em relação às fontes concorrentes, na variação de nome "Incentivo a outras fontes".

Já a política de descontratação foi elaborada com base no resultado do único leilão deste tipo que ocorreu no país. O 1º Mecanismo (Leilão) de Descontratação de Energia de Reserva, ocorrido em 2017, descontratou um total 557,36 MW de capacidade contratada de geração, dos quais 307,7 MW pertenciam a usinas eólicas. Este valor representou cerca de 2% de toda a capacidade já contratada para a fonte eólica em Leilões de Energia de Reserva. Assim, tal qual o estabelecido nas diretrizes deste tipo de leilão, esta política é aplicada apenas para empreendimentos contratados em LERs anteriores, não se aplicando portanto aos outros tipos de leilões existentes (Leilões de Fontes Alternativas e Leilões de Energia Nova, por exemplo).

Apenas uma modificação é adotada, em relação às diretrizes estabelecidas no 1º Mecanismo (Leilão) de Descontratação de Energia de Reserva: a possibilidade de descontratar empreendimentos já em operação. Esta modificação é feita para explorar efeitos de uma possível ampliação das diretrizes atuais dos leilões de descontratação, que descontratam apenas empreendimentos que ainda não iniciaram as suas operações. A referida política é aplicada com duas variações: i) taxa de descontratação de 2% e ii) taxa de descontratação de 15%.

Com as duas variações destes dois tipos de políticas, foram criados 8 cenários distintos, apresentados na Tabela 9.

130

Tabela 9: Descrição dos cenários gerados com a aplicação das políticas

Descrição das políticas aplicadas Número do

cenário

Livre concorrência

1

Incentivo a outras fontes

2

Descontratação de 2%

3

Descontratação de 15%

4

Livre concorrência e Descontratação de 2% 5

Livre concorrência e Descontratação de 15% 6

Incentivo à outras fontes e Descontratação de 2% 7

Incentivo à outras fontes e Descontratação de 15% 8


Todas as políticas foram aplicadas sobre o Cenário Base, através da variação dos parâmetros deste cenário de acordo com o estabelecido por cada novo cenário definido. Os novos cenários gerados são comparados com os resultados do Cenário Base para identificação dos efeitos desta variação de parâmetros. A aplicação das políticas escolhidas, bem como maiores informações sobre a escolha de parâmetros, são apresentadas na seção 5.2. deste artigo, junto com as discussões pertinentes.

4.4. MODELO DE SIMULAÇÃO 4.4.1. Desenvolvimento do modelo

O modelo de simulação desenvolvido busca representar ambos os

mercados de contratação existentes no Brasil (ACR e ACL) e as decisões dos principais tipos de agentes que compõem estes mercados. O foco principal é analisar os efeitos que as decisões destes agentes possam ter para a difusão da tecnologia de geração eólica no país. Dois tipos de agentes distintos são utilizados: Agente Regulador e Agente Empreendedor.

O Agente Regulador centraliza as decisões de governança do sistema de leilões de energia, incluindo a definição dos montantes de energia a serem leiloados em cada modalidade de leilão, as diferenças de preços entre as fontes concorrentes e a execução dos leilões. Já os Agentes Empreendedores representam agentes cujo propósito é vender energia elétrica produzida por seus empreendimentos, tanto no ACR quanto no ACL. Estes agentes decidem a fonte de geração que irão

131

utilizar para produzir energia elétrica em suas usinas, a partir da atratividade percebida individualmente sobre cada fonte disponível. Ambos tipos de agentes são interdependentes, com suas relações causais individuais contribuindo positiva ou negativamente para a evolução da capacidade de geração eólica instalada no SIN. A Figura 26 apresenta de forma simplificada as principais decisões e interações entre os dois tipos de agentes considerados.

132

Figura 26: Módulo de Agentes


133

Estes agentes atuam dentro de um ambiente modelado utilizando DS. Este ambiente é contínuo e responsivo às decisões dos agentes, além de influenciar os seus critérios individuais de decisão. As principais variáveis calculada pelo modelo de DS, bem como os principais estoques considerados, são apresentados na Figura 27.

134

Figura 27: Módulo 1 de Dinâmica de Sistemas


135

Ao decidir pela construção de uma usina eólica no ACL ou no ACR, a decisão do agente influencia diretamente o módulo de DS através das variáveis "ConstrucaoEolicaACL" e "ConstrucaoEolicaACR", respectivamente. Estas variáveis levam à uma curva de aprendizado que reduz os custos do preço da tecnologia eólica, que é percebido pelos agentes através da variável "EfeitoDoAprendizadoNoPreço". Esta variável segue um padrão decrescente, aumentando a atratividade percebida pelo Agente Empreendedor para a fonte eólica na medida em que reduz o preço de geração desta fonte (variável "PreçoAtualFonteEólica").

Os estoques "CapElétricaTotalACR", "CapEólicaInstaladaACR", "CapElétricaTotalACL", "CapEólicaInstaladaACL" também são afetados diretamente pelas decisões dos agentes. O Agente Regulador gerencia estes estoques, adicionando a eles novas capacidades de geração elétrica construídas no ACR e ACL, e a capacidade das usinas eólicas construídas pelos Agentes Empreendedores. No caso específico da capacidade eólica instalada no ACR, esta adição é feita de forma gradativa (através da variável "EfeitoAtraso"), para compensar empreendimentos que estejam atrasados em relação aos contratos estabelecidos. A troca de mercado de contratação pelos Agentes Empreendedores também é executada através do Agente Regulador, que realiza a transferência da capacidade de geração instalada de um mercado para o outro. Além deste módulo, o ambiente de DS ainda calcula a energia eólica e hídrica produzida no ACR, conforme apresentado na Figura 28.

136

Figura 28: Módulo 2 de Dinâmica de Sistemas


137

Assim, a geração mensal eólica é dependente do estoque "CapEólicaInstaladaACR", apresentado na Figura 27, da eficiência média das usinas eólicas e das condições sazonais dos ventos, que seguem o mesmo padrão ao longo de cada ano. Já a geração hídrica mensal é dependente do estoque de capacidade hidrelétrica instalada no ACR, da eficiência média das usinas hidrelétricas e do volume hídrico disponível nos reservatórios das hidrelétricas. Este volume hídrico por sua vez é afetado por variações anuais no índice de chuvas e por sazonalidades hídricas, podendo assim ser reduzido em períodos de secas ou aumentar até níveis próximos à sua capacidade máxima, em períodos mais chuvosos. Um breve sumário dos principais parâmetros considerados no modelo é apresentado na Tabela 10.

Tabela 10: Descrição dos principais parâmetros considerados

Parâmetro Descrição Un. de medida

Tipo Origem

Eficácia de políticas de incentivo

Define a influência de políticas de incentivo na adoção de determinada fonte de geração

- Exóge-

no Litera-

tura

Coefici-ente de Influência

Define a influência de adotantes de determinada fonte de geração sobre adotantes potenciais

- Exóge-

no Litera-

tura

Mercado Potencial de uma fonte de geração

Número de agentes dispostos a adotar determinada fonte de geração

Agentes Empre-endedo-

res

Endó-geno

-

Capacida-de Instalada de uma fonte de geração

Valor total de capacidade instalada de geração de uma determinada fonte

MW Endó-geno

-

Capaci-dade Leiloada

Somatório de toda a capacidade de geração de energia elétrica contratada no ano

MW Endó-geno

-

Volume leiloado

Valor total de capacidade de geração de energia elétrica contratada em determinada modalidade de leilão

MW Endó-geno

-

Efeito do Preço

Define o quanto o preço atual de determinada fonte de geração

- Endó-geno

-

138

influencia na percepção da sua atratividade

Efeito do aprendizado no preço

Define o quanto os custos de geração inicial de determinada fonte são reduzidos em função de ganhos de eficiência

- Endó-geno

-

Experi-ência de geração acumu-lada da fonte

Capacidade total de usinas construídas baseadas em determinada fonte de geração

MW Endó-geno

-

Geração mensal de uma fonte

Energia gerada pela totalidade de usinas baseadas em determinada fonte de geração em um mês

MWh Endó-geno

-

Eficiência média das usinas

Capacidade das usinas baseadas em determinado tipo de fonte em converter a capacidade instalada de geração em energia elétrica

% Exóge-

no Calibra-

ção

Variação anual de chuvas

Define o índice de precipitações ao longo de um ano

- Exóge-

no Calibra-

ção

Sazona-lidade mensal de geração

Define a influência de condições climáticas que se repetem da mesma forma em cada mês ao longo dos anos na geração elétrica de usinas baseadas em determinada fonte de energia

- Exóge-

no

Dados históri-cos e

calibra-ção

Volume Hídrico Disponível

Volume de água disponível nos reservatórios das hidrelétricas

MWh Exógen

o

Dados históri-

cos

Fonte: Elaborado pelos autores (2018) As equações utilizadas para calcular os parâmetros endógenos

utilizados no modelo são apresentadas na próxima seção. Além disso, uma descrição detalhada do modelo com todas as variáveis e equações utilizadas é apresentada no Apêndice B.

139

4.4.2. Estrutura do modelo 4.4.2.1. Mercados de Contratação

Tanto no ACR quanto no ACL, assume-se que exista um

mercado potencial para cada tipo de fonte disponível, que pode evoluir positiva ou negativamente dependendo da percepção sobre a atratividade individual de cada fonte de geração. A evolução deste mercado potencial, para ambos ambientes de contratação, é representada baseada no Modelo de Difusão de Bass (BASS, 1969) e extensões propostas por STERMAN (2000) para a difusão de uma nova tecnologia. Este modelo é amplamente utilizado na literatura, e em especial para analisar a difusão de energias renováveis. Neste modelo considera-se um crescimento exponencial de uma nova tecnologia, iniciado por adotantes com comportamento de inovação, e difundida posteriormente por adotantes que tendem a imitar os primeiros. As taxas de adoção de inovadores "In" e imitadores "Im" são calculadas utilizando as equações (i) e (ii), respectivamente.

(i)In = E ×M

(ii)Im = t1 ×��

��

Onde "E" representa a eficácia inicial de políticas de incentivo e "M" representa a totalidade de empreendedores que estão dispostos a construir uma usina de geração baseada em uma determinada fonte em particular (ou seja, o mercado potencial desta fonte). Já a eficácia inicial de políticas de incentivo reflete o coeficiente de influência de ações de fomento à determinada fonte de geração (como nos LFAs, que incentivaram o desenvolvimento inicial da tecnologia de geração eólica). Em relação à equação (ii), "t1" representa o coeficiente de influência dos empreendedores adotantes da tecnologia de geração sobre empreendedores que ainda não a adotaram, "Cf" representa a capacidade instalada da fonte de geração e "Cl" representa a capacidade leiloada. O mercado potencial da fonte de geração é calculado pela equação (iii).

(iii)M = Cl × EP Onde a variável "EP" representa o efeito do preço na percepção

de atratividade da tecnologia. Assim, conforme o preço de uma determinada tecnologia torna-se menor e mais competitivo, maior é o número de empreendedores dispostos a adotá-la. Esta variável depende dos custos da geração da fonte ao longo do tempo e é calculada pela equação (iv).

(iv) EP = Pi × A

140

Sendo que as variáveis "Pi" e "A" representam o preço inicial de geração da tecnologia e o efeito da aprendizagem sobre o preço, respectivamente. O efeito de aprendizagem sobre o preço é o resultado dos ganhos da curva de aprendizado considerados, que estima a taxa de redução nos custos de produção que pode ser atribuída à ganhos de eficiência das experiências de produção acumuladas (DESROCHES et al., 2013). Essa taxa é crescente conforme o custo de geração diminui, atingindo o valor máximo de 1 quando o custo de geração da fonte for nulo. A taxa é alimentada pelo fluxo de adoção da fonte de geração, calculada pela equação (v).

(v)Ea = ��

��

A variável "C" é um expoente negativo e determina o quão forte é a curva de aprendizado. As variáveis "Et" e "Ei" representam a experiência de geração acumulada da fonte e a experiência inicial da fonte. Assim, o aumento da experiência sobre a fonte eólica, elevado ao expoente "C" negativo, produz uma curva exponencial decrescente, que reduz, também exponencialmente, o preço atual da fonte eólica.

Finalmente, as condições do ambiente ainda afetam a geração de cada tipo de fonte de geração. Considerando que o parque gerador brasileiro é predominantemente baseado em geração hídrica, considera-se que as variações inerentes à este tipo de geração afetam a difusão de outras tecnologias de geração, incluindo a tecnologia eólica. A geração hídrica mensal "Gh" é calculada pela equação (vi).

(vi) Gh = ch × ec × Em Onde "ch", "ec" e "Em" representam a capacidade de geração

hídrica instalada, o efeito das condições hidrológicas e a eficiência média das usinas de geração, respectivamente. O efeito das condições hidrológicas representa os impactos do volume hídrico disponível na geração hídrica. Este volume hídrico, por sua vez, depende de variações anuais no índice de chuvas no país "va" e da sazonalidade mensal da geração hídrica "sh", conforme apresentado na equação (vii)

(vii)ec = va × sh Considera-se que a variação anual das chuvas ocorre de forma

imprevisível ao longo dos anos, tendo atingindo seus valores mínimos nas secas históricas vistas no país nos anos de 2001 e 2002 e entre 2014 e 2015. Já a curva hídrica brasileira varia mensalmente da mesma forma todos os anos, e foi definida a partir dos dados históricos de geração mensal hídrica dos últimos 10 anos, de janeiro de 2007 a junho de 2017, disponibilizados pela ANEEL. Os dados históricos dos 126 meses disponibilizados são apresentados na Figura 29.

141

Figura 29: Histórico brasileiro de geração hídrica mensal 2007-2017


De forma semelhante, a geração eólica "Ge" é calculada pela equação (viii).

(viii)Ge = Ca × se × Ef Onde "Ca" representa a capacidade de geração eólica instalada no

ACR, "se" representa a sazonalidade mensal de geração eólica e "Ef" representa a eficiência média das usinas de geração eólica. Neste caso, a curva mensal de geração eólica é definida da mesma forma que curva hídrica, utilizando os dados dos últimos 10 anos de geração eólica no Brasil. Os dados históricos são apresentados na Figura 30.

27000

29000

31000

33000

35000

37000

39000

41000

43000

1 7

13

19

25

31

37

43

49

55

61

67

73

79

85

91

97

103

109

115

121

En

erg

ia E

létr

ica

Ger

ada

(em

MW

h)

Geração Hídrica Histórica

142

Figura 30: Histórico brasileiro de geração eólica mensal 2007-2017

Fonte: Elaborado pelos autores (2018) Percebe-se aqui o comportamento exponencial da geração eólica,

semelhante à uma senoide. Esta série temporal pode ser classificada como não estacionária, uma vez que é marcada por uma tendência de crescimento relacionada ao aumento da capacidade de geração eólica instalada. Já a geração hídrica, em comparação, pode ser classificada como uma série temporal estacionária, uma vez que mesmo o aumento da capacidade instalada de geração hídrica não é o suficiente para justificar variações na tendência de geração hídrica. Da mesma maneira, a geração hídrica é fortemente influenciada por fatores estocásticos (como as variações climáticas), enquanto que a geração eólica é determinística. As metodologias distintas utilizadas atualmente para modelar a geração destas duas fontes no Brasil são resultados da influência destes dois fatores distintos, visualizados no modelo NEWAVE, baseado em uma metodologia de Programação Dinâmica Dual Estocástica (PDDE) para otimizar o despacho hidrotérmico nacional, e no uso de modelos determinísticos para calcular a expectativa de geração eólica.

0

500

1000

1500

2000

2500

3000

3500

40001 7 13

19

25

31

37

43

49

55

61

67

73

79

85

91

97

10

3

10

9

11

5

12

1

En

erg

ia E

létr

ica

Ger

ada

(em

MW

h)

Geração Eólica Histórica

143

4.4.2.2. Agente Empreendedor Considerando que o objetivo do modelo é analisar a difusão da

tecnologia de geração eólica, por motivos de simplificação o Agente Empreendedor escolhe entre dois tipos de opções de geração: eólica ou outras fontes. Outra simplificação feita é o estabelecimento de um mesmo padrão de comportamento para todos os Agentes Empreendedores. Como resultado desta segunda simplificação, diferentes padrões de comportamento que possam existir entre empreendedores com características distintas (como preferências individuais por determinada fonte de geração, ou preferências e limitações relacionadas à localização de atuação do empreendedor, por exemplo) não são considerados no modelo.

Os Agentes Empreendedores atuam da mesma forma no ACR e ACL, com a única diferença de que no ACR os agentes só tomam a decisão de construir uma usina no momento que existir a demanda dos leilões de energia. Em ambos mercados apenas uma parcela da população de Agentes Empreendedores cogitará adotar a fonte eólica para a construção de suas usinas, constituindo assim o já mencionado mercado potencial para esta fonte. No caso do ACR, este mercado potencial de agentes dispostos a adotar a tecnologia eólica ainda pode ser reduzido, dependendo das diretrizes estabelecidas nos leilões. Um exemplo típico recente de diretriz aplicada em leilões aconteceu no 23º LEN A-5, que estabeleceu os preços teto de 164,04 R$/MWh, 217,25 R$/MWh e 221,14 R$/MWh para as fontes eólica, de biomassa e a carvão, respectivamente. Tal diretriz é assumida no modelo como de efeito negativo para o mercado potencial eólico, uma vez que as outras fontes concorrentes possuem preços-teto de venda mais atrativos para os Agentes Empreendedores.

Uma vez escolhida a fonte de geração, o agente constrói a sua usina em um tempo "t", passando a integrar o SIN e produzir energia no seu respectivo mercado de contratação após decorrido o período estipulado por "t". No caso do ACR, o período "t" é determinado pelo tempo estabelecido na modalidade de leilões (3 anos para os LEN A-3. 5 anos para os LEN A-5, por exemplo), enquanto que no ACL é estabelecido um tempo médio de 2,33 anos para a construção de todas as usinas eólicas. Uma parcela de empreendedores do ACR ainda pode terminar as suas usinas antes do tempo determinado pela diretriz do leilão, atuando no ACL até que o período "t" seja completado e eles entrem no ACR. Tal situação é comum no setor elétrico brasileiro, e

144

foram confirmadas na análise dos dados históricos de saída de empreendimentos de geração do ACL para entrada no ACR.

Os empreendimentos eólicos atuando exclusivamente no ACL ainda podem migrar para o ACR, desde que consigam vencer um leilão. Ainda levando em consideração as diretrizes aplicadas nos leilões de energia do ACR para a fonte eólica, os contratos dos empreendimentos eólicos são desfeitos após um período de 20 anos de operação das usinas (tempo típico aplicado para os contratos de usinas eólicas neste mercado) e esta capacidade é retirada do ACR.

4.4.2.3. Agente Regulador

O Agente Regulador é composto por um único agente que toma

as decisões referentes aos leilões de energia baseado na situação atual do setor de geração elétrica brasileiro. Este agente considera 3 tipos de leilões para contratação de energia nova a ser adicionada à matriz elétrica brasileira: Leilões A-3, Leilões A-5 e Leilões LER. Para fins de simplificação e considerando os tempos de entrada em operação, bem como a suposição de que não existirá mais este tipo de leilão para incentivo à fonte eólica, os Leilões de Fontes Alternativas históricos foram incluídos dentro do volume leiloado nos LERs. Considerando uma média histórica de entrada em operação dos LERs já realizados, foi considerado o tempo "t" de 2,75 anos para a entrada em operação de usinas contratadas nesta modalidade.

Devido à inexistência histórica de algum Leilão Estruturante para a fonte eólica, esta modalidade foi desconsiderada. Já os Leilões de Energia Existente foram limitados à uma taxa que define que um número relativo de empreendimentos eólicos construídos migram do ACL para o ACR (ou seja, quanto mais empreendimentos eólicos construídos no ACL, maior é a taxa de migração destes empreendimentos para o ACR). Destaca-se novamente que os Leilões de Descontratação de Energia são aplicados conforme a diretriz do leilão original, descontratando exclusivamente empreendimentos contratados em LERs anteriores.

O Agente Regulador calcula os volumes a serem leiloados nos Leilões A-3 e A-5 e LERs a partir de duas suposições distintas. A primeira é de que o volume de energia contratada nos LENs (A-3 ou A-5), que visam contratar energia para atender ao aumento futuro da demanda por energia elétrica no Brasil, é dependente do aumento do PIB brasileiro. Esta suposição é resultado da hipótese de que um aumento da demanda por energia elétrica esteja relacionado ao

145

desenvolvimento econômico do país, verificada também através das quedas de contratação de energia expressivas percebidas em anos recentes, em que não houve crescimento do PIB. Assim, a equação utilizada pelo Agente Regulador para calcular a quantidade total de Energia Nova leiloada é dada por (ix).

(ix) V1 = Ct × mp × ep × c1 Onde "Ct" é a Capacidade Elétrica Total do ACR, "mp"

representa a média das variações positivas do PIB abrangendo o ano do leilão e os 2 anos anteriores ao leilão, "ep" representa o efeito do PIB e "c1" representa o coeficiente de conversão de energia nova. O valor 0 é considerado para valores de PIB negativos. Considera-se ainda que o efeito do PIB varia de forma crescente, partindo de 0 e tendo efeito máximo para valores de PIB próximos ou superiores à 7,5%.

Já a suposição assumida para os leilões do tipo LER é de que este tipo de leilão ocorre para compensar condições hidrológicas desfavoráveis, que ocasionam a perda de lastro e impactam negativamente a geração hídrica. Sobre esta modalidade de leilão, vale destacar aqui a inexistência de qualquer explanação por parte do governo sobre os critérios adotados para a contratação de Energia de Reserva, ressaltada em INSTITUTO ACENDE BRASIL (2012), o que naturalmente dificulta a criação de projeções para esta modalidade de leilão. A equação utilizada para calcular o volume leiloado para este tipo de contratação é dada pela fórmula (x).

(x)V2 = Ct × v × ev × c2 Onde "v", "ev", e "c2" representam a Capacidade Elétrica Total

do ACR, o volume de água disponível nos reservatórios das hidrelétricas, o efeito das variações de volume e o coeficiente de conversão de energia de reserva, respectivamente. Considera-se que o efeito das variações de volume é dependente do volume de água disponível nos reservatórios das hidrelétricas, atingindo valor máximo de 1 quando este volume é igual 0.

Uma vez determinados os volumes de eletricidade a serem leiloados, o Agente Regulador executa os leilões, contratando um número de projetos para cada leilão proporcional à carga leiloada. Ainda foram feitas duas simplificações para o comportamento do Agente Regulador: i) Os leilões A-3, A-5 e LER ocorrem uma vez por ano cada e ii) os parques eólicos construídos possuem 30 MW de capacidade instalada. Esse montante foi escolhido com base na Resolução Normativa Brasileira 77, de 2004, que estabeleceu uma redução de 50% nas tarifas de transmissão e distribuição para projetos baseados em

146

fontes alternativas de até 30 MW de capacidade. Esta resolução teve grandes impactos na escolha da potência máxima proposta em projetos registrados em leilões ACR, de modo que a maioria dos projetos eólicos verificados possuem potência instalada idêntica ou um pouco inferior a este valor.

4.5. ANÁLISE DE CENÁRIOS 4.5.1. Implementação e validação do modelo

Os cenários da simulação iniciam em 2007, em razão deste ser o

primeiro ano com registro completo de dados de geração eólica disponibilizados pela ANEEL. A evolução da capacidade eólica instalada no SIN, para os mercados de contratação regulada e livre, é apresentada na Figura 31, juntamente com os dados históricos.

Figura 31: Evolução da capacidade eólica instalada no SIN


Percebe-se pela Figura 31 um comportamento de crescimento

mais gradativo nos valores simulados de capacidade instalada de geração eólica no ACR em comparação com os valores históricos. Essa

0

2000

4000

6000

8000

10000

12000

14000

200

7

200

8

200

9

201

0

201

1

201

2

201

3

201

4

201

5

201

6

201

7

Cap

acid

ade

Eó

lica

Ins

tala

da

(em

MW

)

Cap Eolica Instalada ACR Dados Históricos ACR

Cap Eolica Instalada ACL Dados Históricos ACL

147

diferença é ainda maior no ACL, que apresenta variações bruscas no comportamento histórico, suavizadas pelo modelo. Apesar da suavização ser típica de modelos de DS, as diferenças mais significativas entre os dados históricos e simulados são resultado de variações não consideradas na modelagem.

Este tipo de variações pode ser difícil de prever, podendo estar relacionadas a casos pontuais. Faltas de linhas de transmissão para escoar a geração eólica, por exemplo, impediram a entrada em operação de um grande número de parques e usinas eólicas entre 2012 e 2013, que conseguiram fazê-lo finalmente em 2014 (ABEEÓLICA, 2015), o que pode ser motivo para o aumento abrupto de usinas no ACR verificadas nos dados históricos desse ano. Tal comportamento atípico mostra o quanto eventos aparentemente aleatórios podem impactar a correlação dos dados simulados e históricos, principalmente ao se analisar um sistema complexo como o SIN.

Ainda foram analisados os valores de geração hídrica e eólica simulados para o ACR, em comparação com os dados históricos para o Cenário Base, apresentadas nas Figuras 32 e 33. Os valores referem-se aos 126 meses entre o ano de 2007 e junho de 2017, último mês de dados disponibilizados pela ONS.

148

Figura 32: Evolução das geração hídrica


Verifica-se na Figura 32 que a geração hídrica simulada

novamente apresenta curvas mais suaves e em menores níveis de intensidade, em comparação com os dados históricos. Assume-se aqui que tal comportamento está associado às diferenças mais bruscas entre os volumes de chuvas e o volume dos reservatórios das hidrelétricas do que assumido pelo modelo. A Figura 33 apresenta a comparação dos dados simulados com os valores históricos de geração eólica para o mesmo período.

25000

27000

29000

31000

33000

35000

37000

39000

41000

43000

45000

1 7 13

19

25

31

37

43

49

55

61

67

73

79

85

91

97

10

3

10

9

11

5

12

1

En

erg

ia E

létr

ica

Ger

ada

(em

MW

h)

Geração Hídrica Simulada Geração Hídrica Histórica

149

Figura 33: Evolução da geração eólica

Fonte: Elaborado pelos autores (2018) Para fins de comparação, no mês de outubro de 2016, que

representou a maior diferença histórica entre a relação geração eólica e geração hídrica, a geração eólica produziu um equivalente a 10,6% de toda a energia hídrica gerada. Os valores simulados apontam para o mesmo mês uma diferença de 11,6% entre estes dois tipos de geração. Com base nesses dados, os resultados das medidas de MAPE, RMSE e R² são utilizados novamente para avaliar estatisticamente a capacidade do modelo em reproduzir o comportamento histórico. Os valores destas medidas são apresentados na Tabela 11.

Tabela 11: Resultados da análise estatística para as principais variáveis e

estoques considerados

CapEólicaACR CapEólicaACL

Geração Hídrica

Geração eólica

R² 0,99 0,87 0,58 0,95

MAPE 14,9% 24,5% 6,9% 21,3%

RMSE 397,7 412,1 3.023,2 293,27

Fonte: Elaborado pelos autores (2018) Percebe-se pelos dados apresentados na Tabela 11 que, exceto

pela geração hídrica, os coeficientes de correlação estão muito próximos

0

500

1000

1500

2000

2500

3000

3500

4000

1 6 11

16

21

26

31

36

41

46

51

56

61

66

71

76

81

86

91

96

101

106

111

116

121

126E

ner

gia

Elé

tric

a G

erad

a (e

m M

Wh)

Geração Eólica Simulada Geração Eólica Histórica

150

ao valor 1, que seria se igualar aos valores históricos. O coeficiente de correlação de 0,58 para a geração hídrica indica que existe variância nos dados que não é explicada pelo modelo. Tal variância pode ser em grande parte atribuída ao comportamento estocástico da geração hídrica, com vários componentes aleatórios influenciando esta geração que são difíceis de prever com exatidão por um modelo de simulação.

Apesar de apresentar tal desempenho para o R², a geração hídrica apresenta os melhores resultados em relação aos erros médios, produzindo erros médios na ordem de 6,9% em relação aos valores reais. Ainda em relação ao MAPE, percebe-se que a capacidade eólica instalada no ACL e a geração eólica apresentam os piores resultados, com erros médios relativos de 24,5%. e 21,3% respectivamente. No caso da geração eólica em especial este erro está em grande parte relacionado ao erro médio da capacidade eólica instalada no ACR, no valor de 14,9%. Em razão de depender desta variável, o erro acaba sendo amplificado também para a geração eólica. Quanto ao ACL, confirma-se que as diferenças entre as oscilações abruptas históricas, suavizadas pelo modelo, são fortemente penalizadas pelo MAPE por constituírem erros distantes dos valores reais (mesmo que estes sejam compensados depois). Finalmente, os valores de RMSE apontam o quanto as variáveis analisadas se afastaram dos valores reais, em MW e MWh para as variáveis de capacidade eólica e de geração, respectivamente.

Ainda são verificados os volumes de contratação estimados pelo Agente Regulador. Os resultados do volume leiloado nos Leilões de Energia Nova e nos Leilões de Energia de Reserva, calculados por este agente, são apresentados na Figura 34, em comparação com os valores históricos destes leilões.

151

Figura 34: Volumes de energia leiloados

Fonte: Elaborado pelos autores (2018) Apesar de iniciar em 2007, o modelo precisa de um ano de

simulação para gerar os primeiros leilões, em 2008, ano em que historicamente ocorreu o primeiro LER brasileiro. Verifica-se grande semelhança entre os dados históricos e os dados estimados para os volumes dos LERs, com uma diferença significativa percebida apenas no ano de 2012. Neste ano não houve qualquer LER, ao que o modelo aponta a ocorrência de volume de energia de reserva leiloada.

Já os dados estimados de volumes leiloados em LENs seguem um comportamento semelhante aos dados históricos, mas com um atraso de 2 anos. Este comportamento parece estar relacionado às suposições de que o cálculo do volume a ser leiloado nos LENs baseia-se em uma média de variações do PIB do ano do leilão e dos dois anos anteriores (equação "ix" apresentada anteriormente). Um atraso de dois anos aponta que na verdade este cálculo relaciona-se melhor com uma média envolvendo o valor do PIB no ano do leilão e estimativas para os dois anos seguintes (ao invés de dados históricos dos dois anos anteriores). Neste caso, pequenas variações como a ocorrida em 2014 estariam relacionadas com pequenos erros nestas estimativas de crescimento do PIB envolvendo os 2 anos seguintes ao leilão. Apesar deste atraso, verifica-se que o volume leiloado nos LENs de fato estão relacionados com o crescimento do PIB do país. Considerando ainda que o objetivo deste trabalho é analisar o comportamento do sistema, e não fazer

0

1000

2000

3000

4000

5000

6000

7000

8000

2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

Po

tênc

ia L

eilo

ada

(em

MW

)

LER Simulado LER Histórico

LEN Simulado LEN Histórico

152

previsões sobre valores exatos, julga-se os resultados obtidos com a equação (ix) como adequados para o objetivo do modelo de simulação. A tentativa de atribuir a qualidade do modelo a sua capacidade de fazer previsões sobre os valores exatos seria infundada, na medida em que para analisar cenários até 2030 são necessárias suposições sobre o crescimento do PIB entre 2018 e 2030, que estariam altamente sujeitas a erros. Desta forma, frisa-se a assertiva de STERMAN (2000) e OLAYA (2012), segundo a qual a utilidade de um modelo de simulação deve ser avaliar o comportamento do sistema, e não fazer previsões.

Também foi avaliada a suposição assumida de que as condições hidrológicas influenciam a geração hídrica e a expansão da capacidade de geração eólica instalada. Para isto foram simulados dois novos cenários, comparados com o Cenário Base: um utilizando os dados de hidrologia desfavoráveis verificados no Brasil entre 2014 e 2015, e outro com os dados favoráveis verificados no país entre 2012 e 2013. A Figura 35 mostra os efeitos simulados dos dois novos cenários, em relação ao Cenário Base.

Figura 35: Geração hídrica em diferentes condições hidrológicas


Para fins de comparação, a diferença entre condições hidrológicas

favoráveis e desfavoráveis em 2030 chega a atingir a cifra de 10.4 MWh

25000

30000

35000

40000

45000

50000

200

72

008

200

92

010

201

12

012

201

32

014

201

52

016

201

72

018

201

92

020

202

12

022

202

32

024

202

52

026

202

72

028

202

92

030Ene

rgia

Elé

tric

a G

erad

a (e

m M

Wh)

Geração Hídrica BaseGeração Hídrica Cond. FavoráveisGeração Hídrica Cond. Desfavoráveis

153

de energia gerada no mês, ou cerca de 24% do valor total do Cenário Base para o mesmo mês. A simulação permite perceber ainda o crescimento lento de geração hídrica no cenário desfavorável, verificado principalmente entre 2024 e 2028, quando este crescimento acontece sem a adição de volumes hídricos nos reservatórios das hidrelétricas. Percebe-se também que de maneira geral há um crescimento muito pequeno de geração nos três cenários a partir do ano de 2017, resultado da suposição de que a expansão de grandes hidrelétricas no Brasil já atingiu o seu limite.

Os efeitos das variações hidrológicas nos leilões LER, assumidos no modelo como relacionados às variações hidrológicas, são apresentados na Figura 36.

Figura 36: Evolução da capacidade de energia leiloada nos LERs


O cenário com hidrologia favorável teve 22,6% a menos de carga

leiloada em LERs, enquanto que o cenário desfavorável teve 47, 3% a mais de carga leiloada para o mesmo tipo de leilão. Tal resultado mostra o quão impactante são as condições hidrológicas, principalmente as desfavoráveis, para a ocorrência de LERs no país. Esta diferença de volume leiloado também afeta a difusão da tecnologia eólica, uma vez

0

10000

20000

30000

40000

50000

60000

70000

200

72

008

200

92

010

201

12

012

201

32

014

201

520

16

201

7

201

820

19

202

020

21

202

220

23

202

4

202

520

26

202

720

28

202

920

30

Cap

acid

ade

Lei

load

a (e

m M

W)

Volume LERs BaseVolume LERs Hid FavorávelVolume LERs Hid Desfavorável

154

que influencia o tamanho do mercado potencial gerado pelos leilões. Vale destacar que o volume leiloado em LENs não é alterado. O resultado da influência das diferenças de valores leiloados para a geração eólica é visualizado na Figura 37.

Figura 37: Evolução da geração eólica sob o impacto de diferentes condições

hidrológicas


Percebe-se pela Figura 37 que as variações hidrológicas desfavoráveis favorecem a expansão eólica no ACR. Em 2029, a geração eólica mensal com condições hidrológicas desfavoráveis têm extremos variando entre 4.737 e 9.886 MWh ao longo do ano, enquanto que sob condições favoráveis a geração varia entre 3.978 e 8.449 MWh. Nota-se no gráfico que o aumento da geração eólica também resulta em um aumento nas oscilações de geração entre os valores máximo e mínimo mensais, o que pode significar maior dificuldade para atender às variações de demanda no SIN.

0

2000

4000

6000

8000

10000

12000

200

720

08

200

920

10

201

120

12

201

320

14

201

520

16

201

720

18

201

920

20

202

120

22

202

320

24

202

520

26

202

720

28

202

920

30

Ene

rgia

Elé

tric

a G

erad

a (e

m M

Wh)

Geração Eólica BaseGeração Eólica Cond DesfavoráveisGeração Eólica Cond Favoráveis

155

4.5.2. Aplicação de políticas Conforme mencionado anteriormente, foram escolhidos dois

tipos de políticas para a criação de cenários: variação de preços-teto e repetição das políticas de descontratação. Ambas são aplicadas a partir de 2018 e se estendem até 2030.

A variação de preços-teto é aplicada pelo Agente Regulador no estabelecimento das diretrizes dos leilões e influencia diretamente o mercado potencial estipulado pelo ambiente dinâmico. Na opção de Livre concorrência o Agente Regulador aplica os mesmos preços-teto para todas as fontes que concorrem nos leilões, não influenciando na redução do mercado potencial da tecnologia eólica. Já na opção de Incentivo à outras fontes o Agente Regulador determina que o preço-teto da fonte eólica fique mais baixo que o das outras fontes concorrentes. Para a definição dos valores aplicados, foram feitas simulações no modelo até que o mercado potencial do número de participantes registrados com projetos envolvendo a tecnologia eólica coincidisse com o número de projetos eólicos que concorreram nos 22º e 23º Leilões de Energia Nova, utilizados como referência. Nestes dois leilões, a fonte eólica concorreu com preços-teto entre 15% e 23% menores do que o preço-teto estabelecido para as outras fontes concorrentes.

Já na política do tipo repetição das políticas de descontratação são aplicadas porcentagens de capacidade eólica a serem descontratadas, com base no valor total de capacidade eólica contratada em LERs até o momento do leilão. O valor descontratado é subtraído deste histórico de capacidade eólica contratada em LERs. Assume-se que esta política é aplicada também para usinas eólicas já concluídas e em operação no ACR, que quando descontratadas passam a atuar no ACL. As duas taxas de descontratação aplicadas são de 2% e 15% sobre o valor total de capacidade eólica contratada em LERs. Esta política é aplicada a cada 2 anos.

Os resultados das simulações do efeito destas políticas sobre a evolução da capacidade eólica instalada no ACR são apresentados na Figura 38, em comparação com o Cenário Base. Os resultados são apresentados na forma de cenários, que por sua vez são divididos em 3 categorias distintas para facilitar a visualização: i) Cenários Agressivos (C.A.), com letras de cor vermelha, representam os cenários que tiveram melhor desempenho em relação ao Cenário Base; ii) Cenários Moderados (C.M.), com letras de cor verde, representam os cenários

156

com desempenho módico, próximo aos valores do Cenário Base; e iii) Cenários Brandos (C.B.), com letras em cor azul, representam os cenários com os piores desempenhos em relação ao Cenário Base.

Figura 38: Evolução da capacidade eólica instalada no ACR em cada

cenário

Fonte: Elaborado pelos autores (2018) Apenas três dos oito cenários tem um efeito positivo para o

crescimento da capacidade eólica instalada no ACR, em comparação com o Cenário Base, nomeadamente os Cenários 1, 5 e 6, que resultam em crescimentos de 6.492, 5.470 e 321 MW em relação ao Cenário Base. Já os cenários restantes apresentam uma inibição da expansão eólica em valores entre 1.213 (Cenário 3) e 10.701 MW (Cenário 8). Para fins de comparação, o Cenário Base apresenta, no início de 2030, 32.960 MW e 10.140 MW de capacidade de geração eólica instalada no ACR e ACL, respectivamente. Estes valores equivalem à 15,5 e 16,0%

0

5000

10000

15000

20000

25000

30000

35000

40000

200

72

008

200

92

010

201

12

012

201

32

014

201

52

016

201

72

018

201

92

020

202

12

022

202

32

024

202

52

026

202

72

028

202

92

030

Cap

acid

ade

Eó

lica

In

stal

ada

(em

MW

)

Cenário Base Cenário 1 Cenário 2Cenário 3 Cenário 4 Cenário 5Cenário 6 Cenário 7 Cenário 8

C.A.

C.M.

C.B.

157

da capacidade elétrica total instalada no ACR e ACL, respectivamente, e 15,6% da capacidade elétrica total brasileira.

O efeito da aplicação das políticas sobre a evolução da capacidade eólica instalada no ACL é visualizado na Figura 39.

Figura 39: Evolução da capacidade eólica instalada no ACL em cada cenário


Neste mercado, o Cenário 1 é o único que não favorece à difusão eólica. Considerando que este é o cenário que mais favorece a expansão eólica no ACR, pode-se constatar que a aplicação das políticas neste cenário influenciam a migração de empreendedores do ACL para o ACR. Quanto aos cenários restantes, os de número 6, 8 e 4 produzem os melhores desempenhos, propiciando crescimentos de 4.740 MW, 5.040 MW e 3.210 MW respectivamente, em relação ao Cenário Base. Os cenários remanescentes apresentam um crescimento modesto, ocasionando no aumento de no máximo 870 MW (Cenário 3) em relação ao Cenário Base.

0

2000

4000

6000

8000

10000

12000

14000

16000

200

72

008

200

92

010

201

12

012

201

32

014

201

52

016

201

72

018

201

92

020

202

12

022

202

32

024

202

52

026

202

72

028

202

92

030

Cap

acid

ade

Eó

lica

In

stal

ada

(em

MW

)


C.A.

C.M.

C.B.

158

Ainda foi analisada a diferença entre a capacidade eólica total instalada nos dois mercados de contratação e o Cenário Base. Esta diferença é apresentada na Figura 40.

Figura 40: Diferença da capacidade eólica total instalada em relação ao Cenário

Base

Fonte: Elaborado pelos autores (2018) Ao todo, 3 cenários apresentam expansão da capacidade eólica

total instalada no país em relação ao Cenário Base: os cenários 5, 1 e 6. Estes cenários apresentam um aumento de 6.270, 5.802 e 5.252 MW da capacidade eólica instalada ao final do período analisado, em relação ao Cenário Base. Já os cenários restantes apresentam uma inibição da expansão eólica em valores entre 450 MW (Cenário 3) e 7.857 MW (Cenário 7). Quanto à representatividade em relação à capacidade total de geração elétrica instalada no Brasil, os resultados variam entre 12,8% (Cenário 7) e 17,9% (Cenário 5) de representatividade da geração eólica ao final do período analisado.

Um resumo sobre os valores relativos resultantes da aplicação das políticas para cada cenário é apresentado na Figura 41.

-8000

-7000

-6000

-5000

-4000

-3000

-2000

-1000

0

1000

2000

3000

4000

5000

6000

7000

200

72

008

200

92

010

201

12

012

201

32

014

201

52

016

201

72

018

201

92

020

202

12

022

202

32

024

202

52

026

202

72

028

202

92

030

Cap

acid

ade

Eó

lica

In

stal

ada

(em

MW

)


C.A.

C.M.

C.B.

159

Figura 41: Resumo de resultados de cada cenário em relação ao Cenário Base


Os resultados das simulações apontam que as políticas envolvendo variações nos preços-teto de contratação são as que mais influenciam na expansão da capacidade eólica instalada no país. As políticas de incentivo à outras fontes, que inibem o desenvolvimento da fonte eólica no ACR, têm seus efeitos potencializados, em relação à capacidade eólica total, quando combinadas com políticas de descontratação. Destaca-se ainda que o incentivo à outras fontes no ACR causa a migração de alguns empreendimentos eólicos deste mercado para o ACL, que se torna uma opção mais atrativa em comparação. Tal resultado é percebido principalmente no Cenário 2, em que esta política causa uma redução da expansão eólica no ACR, mas um aumento da sua difusão no ACL.

Já as políticas de descontratação possuem um efeito menor na capacidade total eólica instalada, mas são mais impactantes para o desenvolvimento da tecnologia eólica no ACL. Ainda em relação a essa política, percebe-se que o aumento do valor descontratado para uma taxa de 15% tem um efeito de incentivo na capacidade total eólica instalada menor do que o uso de taxas de 2%. Um resultado interessante para este

-35%

-25%

-15%

-5%

5%

15%

25%

35%

45%

Cenário 1

Cenário 2

Cenário 3

Cenário 4

Cenário 5

Cenário 6

Cenário 7

Cenário 8

Var

iaçã

o e

m r

elaç

ão a

o C

enár

io B

ase

(em

%)

Capacidade Eólica ACR Capacidade Eólica ACL

Capacidade Eólica Total

160

efeito pode ser visualizado na aplicação das políticas dos cenários 1, 5 e 6, que envolvem o uso de livre concorrência. Apesar da combinação da descontratação de 2% com livre concorrência no Cenário 5 incentivar a expansão total eólica em relação ao Cenário 1, em que é aplicado somente a livre concorrência, quando variada para 15% no Cenário 6 o resultado é menor do que o verificado no Cenário 1. Este resultado indica que existe uma saturação da tecnologia de geração eólica no ACL com a utilização de uma taxa de 15% de descontratação em conjunto com uma política de livre concorrência, que causa uma inibição da expansão total desta tecnologia de geração. Esta saturação ocorre quando a expansão da geração eólica no ACL cresce entre 46,8% e 49,7% em relação ao Cenário Base, ou o equivalente à uma representatividade de aproximadamente 23% deste tipo de geração em relação à capacidade total de geração do ACL. A verificação de um nível de saturação da difusão da tecnologia eólica no ACL destaca a importância de considerar os efeitos sistêmicos da aplicação de políticas, bem como da escolha de valores adequados das taxas de descontratação.

Considerando a aplicação individual das políticas no Brasil, podem ser feitas ainda algumas constatações. A combinação de políticas aplicadas no Cenário 1 é a mais efetiva para incentivar a expansão eólica no ACR. No entanto, deve ser levado em consideração que a expansão expressiva da geração eólica no ACR pode gerar instabilidade na operação do SIN. Já a combinação de políticas aplicadas nos Cenários 5 e 6 trazem impactos positivos à difusão da capacidade total eólica instalada no Brasil, concentradas principalmente no ACR, no Cenário 5, e no ACL, no Cenário 6. Vale destacar aqui que os Cenários 5 e 6 são os únicos que apresentam expansão eólica em ambos os mercados de contratação.

Os Cenários 3 e 4 por outro lado, baseados somente no mecanismo de descontratação, afetam pouco a difusão da capacidade eólica total instalada no país, mas têm efeitos bastante impactantes para a difusão desta capacidade no ACL. Conforme citado na seção 2 deste artigo, a expansão da tecnologia eólica neste mercado deve favorecer a queda de preços de contratação da tecnologia eólica no ACR, em razão do aumento da concorrência deste tipo de fonte nos Leilões de Energia Existentes, além de potencialmente favorecer a taxa de inovação de empreendimentos de geração eólica.

Finalmente, a combinação de políticas aplicadas nos Cenários 2, 7 e 8 inibe o desenvolvimento da geração eólica ao custo de incentivar outras fontes. Combinações deste tipo são adequadas para desacelerar a expansão eólica frente a possíveis instabilidades geradas no SIN, por

161

exemplo, ao mesmo tempo que contribuem para o desenvolvimento de outras fontes. Neste caso, a combinação de políticas aplicadas no Cenário 8 teria seus efeitos percebidos mais rapidamente, uma vez que é a que mais inibe o crescimento do ACR, impactando positivamente ainda o desenvolvimento desta fonte no ACL.


O presente trabalho analisou o efeito de políticas para a expansão

da capacidade instalada de geração eólica nos mercados de contratação existentes no Brasil. Mais especificamente, explorou-se como o novo mecanismo de descontratação e as diretrizes estabelecidas nos leilões podem influenciar a difusão da tecnologia eólica nos mercados de contratação brasileiros. Os resultados das simulações permitem a identificação, entre as políticas testadas, de medidas de incentivo à difusão da capacidade instalada de geração eólica no Ambiente de Contratação Regulada (ACR), no Ambiente de Contratação Livre (ACL) e nos dois mercados em simultâneo. Também foram identificadas medidas que inibem a difusão eólica da mesma forma nestes dois mercados.

Com a combinação de políticas de maior efeito positivo, espera-se que a capacidade total eólica instalada no país aproxime-se da cifra de 49 GW no início de 2030, enquanto que com a combinação de políticas de maior efeito negativo espera-se uma cifra próxima a 35 GW para o mesmo período. Estes valores equivalem a 17,9% e 12,8%, respectivamente, de representatividade da geração eólica em relação à capacidade total de geração elétrica instalada no Brasil. Ainda foi identificado um possível efeito negativo da expansão de geração eólica no ACR, nomeadamente o aumento da intensidade das oscilações da geração eólica no Sistema Interligado Nacional, devido às características de sazonalidade e intermitência desta fonte. Também foi verificado um nível de saturação da tecnologia de geração eólica no ACL, observado quando esta atinge valores próximos á 23% de representatividade em relação à capacidade total de geração deste mercado.

Especificamente em relação aos leilões de descontratação, a análise de cenários permitiu apontar que este novo tipo de leilão pode contribuir sobretudo para a difusão da tecnologia de geração eólica instalada no ACL, sem afetar significativamente a expansão eólica total no Brasil. Percebeu-se também que o uso de valores de descontratação elevados pode minimizar o potencial desta política para a difusão da

162

tecnologia eólica, mostrando a importância da definição de valores adequados de descontratação, bem como a relevância de considerar os efeitos sistêmicos da aplicação de políticas para o desenvolvimento do sistema.

Frente aos potenciais ganhos advindos do uso deste tipo de leilão, ficam evidentes as vantagens de estender as suas diretrizes para permitir a descontratação de empreendimentos já em operação, conforme simulado. Tal medida amplia os benefícios provenientes deste tipo de leilão, trazendo vantagens: i) aos empreendedores, que modem migrar mais facilmente entre os mercados de contratação; ii) às concessionárias, que podem lidar mais facilmente com possíveis sobras estruturais de energia; iii) aos consumidores, uma vez que tende a favorecer a concorrência no ACR e levar à queda dos preços de contratação; e iv) ao controle do SIN, trazendo maior flexibilidade para lidar com eventuais dificuldades de controle devidas ao aumento do uso de geração por fontes intermitentes, por exemplo.

Verificou-se também a hipótese sugerida pelos autores de que os leilões do tipo LER, apesar de não terem uma justificativa apresentada por parte do governo quanto aos critérios utilizados para definir a sua aplicação, têm a sua ocorrência fortemente influenciada pelos regimes hidrológicos que ocorrem no país. Em condições hidrológicas desfavoráveis, o volume de energia leiloado nesta modalidade de leilão tende a ser maior, ocorrendo o efeito inverso em condições favoráveis de hidrologia. O aumento do volume de energia leiloado favorece a fonte eólica, uma vez que proporciona maior demanda por energia no ACR e os custos baixos de implantação desta fonte favorecem a sua taxa de contratação. Vale destacar ainda que a longo prazo o aumento da diversificação da matriz energética tende a diminuir a ocorrência de LERs devido a condições hidrológicas, uma vez que a matriz energética torna-se menos sensível à este tipo de condições.

Finalmente, vale mencionar o uso do modelo híbrido de Dinâmica de Sistemas (DS) e Modelagem Baseada em Agentes (MBA). O modelo aplicado possui caráter inovador, sendo o primeiro híbrido de DS-MBA conhecido pelos autores utilizado na área de energia para analisar a difusão de uma tecnologia de geração. O módulo de MBA é utilizado para explorar melhor as características de heterogeneidade dos agentes, semelhante ao verificado em MAZHARI, E. M. et al. (2009) e MAZHARI, E. et al. (2011). No entanto, o presente modelo tem um cunho mais estratégico, bastante semelhante ao sistema de apoio à decisão apresentado em ALFARIS et al. (2015). A MBA permite discretizar melhor os eventos dos leilões de energia e a tomada de

163

decisões dos agentes, além de facilitar discernir entre a variedade de resultados possíveis da decisão individual de cada agente nas diversas modalidades de leilões consideradas, facilitado pelo uso de diagramas de estado. Já o caráter contínuo da DS foi utilizado para definir a percepção dos agentes sobre a atratividade da tecnologia eólica ao longo do tempo. Além disso, diferente do uso feito por LI et al. (2016), a metodologia de DS aqui foi utilizada para analisar valores de geração de energia elétrica, produzindo resultados coerentes. Desta forma, o uso da modelagem híbrida de DS-MBA possibilitou explorar toda a heterogeneidade de aspectos do setor elétrico brasileiro de energia pretendido pelos autores, destacando o potencial deste tipo de modelagem para lidar com decisões estratégicas em sistemas complexos de energia.

4.7. REFERÊNCIAS

ABDMOULEH, Z.; ALAMMARI, R. A.; GASTLI, A. Review of policies encouraging renewable energy integration & best practices. Renewable and Sustainable Energy Reviews, 1516063343, v. 45, p. 249-262, 2015. ISSN 1364-0321. ABEEÓLICA. Relatório Anual 2014. 2015. Disponível em: < http://www.abeeolica.org.br/wp-content/uploads/2016/08/ABEeolica_RA2014.pdf >. ALFARIS, A. et al. The Integrated Energy Decision Support System. Systems Engineering, 1516022555, v. 18, n. 5, p. 511-529, 2015. ISSN 1520-6858. ATALAY, Y.; KALFAGIANNI, A.; PATTBERG, P. Renewable energy support mechanisms in the Gulf Cooperation Council states: Analyzing the feasibility of feed-in tariffs and auction mechanisms. Renewable & Sustainable Energy Reviews, 1516026472, v. 72, p. 723-733, May 2017. ISSN 1364-0321. Disponível em: < <Go to ISI>://WOS:000400227200056 >. BASS, F. M. A new product growth for model consumer durables. Management science, 1516025648, v. 15, n. 5, p. 215-227, 1969. ISSN 0025-1909. BOBASHEV, G. V. et al. A hybrid epidemic model: combining the advantages of agent-based and equation-based approaches. Simulation Conference, 2007 Winter, 2007. IEEE. p.1532-1537. CCEE. Resultado consolidado dos leilões - 02/2017. 2017. Disponível em: < https://www.ccee.org.br/ccee/documentos/CCEE_386119 >.

164

DEL RÍO, P.; LINARES, P. Back to the future? Rethinking auctions for renewable electricity support. Renewable and Sustainable Energy Reviews, 1516027038, v. 35, p. 42-56, 2014/07/01/ 2014. ISSN 1364-0321. Disponível em: < http://www.sciencedirect.com/science/article/pii/S1364032114002007 >. DESROCHES, L.-B. et al. Incorporating experience curves in appliance standards analysis. Energy Policy, 1489113943, v. 52, p. 402-416, 2013. ISSN 0301-4215. INSTITUTO ACENDE BRASIL. Leilões no Setor Elétrico Brasileiro: Análises e Recomendações., 2012. Disponível em: < http://www.acendebrasil.com.br/media/estudos/2012_WhitePaperAcendeBrasil_07_Leiloes_Rev2.pdf >. ______. Análise de Leilões de Geração. 2018. Disponível em: < http://www.acendebrasil.com.br/analises?busca=BUSCAR&tipo=Leil%C3%B5es+de+Gera%C3%A7%C3%A3o >. JO, H. et al. A dynamic feasibility analysis of public investment projects: An integrated approach using system dynamics and agent-based modeling. International Journal of Project Management, 1517406999, v. 33, n. 8, p. 1863-1876, 2015/11/01/ 2015. ISSN 0263-7863. Disponível em: < http://www.sciencedirect.com/science/article/pii/S026378631500112X >. JUÁREZ, A. A. et al. Development of the wind power in Brazil: Political, social and technical issues. Renewable and sustainable energy reviews, 1485356891, v. 39, p. 828-834, 2014. ISSN 1364-0321. KREISS, J.; EHRHART, K.-M.; HAUFE, M.-C. Appropriate design of auctions for renewable energy support – Prequalifications and penalties. Energy Policy, 1516026872, v. 101, p. 512-520, 2017/02/01/ 2017. ISSN 0301-4215. Disponível em: < http://www.sciencedirect.com/science/article/pii/S0301421516306012 >. LÄTTILÄ, L.; HILLETOFTH, P.; LIN, B. Hybrid simulation models – When, Why, How? Expert Systems with Applications, 1517408375, v. 37, n. 12, p. 7969-7975, 2010/12/01/ 2010. ISSN 0957-4174. Disponível em: < http://www.sciencedirect.com/science/article/pii/S0957417410003398 >. LI, Y. et al. Modeling and optimization oriented to the micro-grid-EV joint system. Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD), 2016 12th International Conference on, 2016. IEEE. p.336-341.

165

MACAL, C. M. To agent-based simulation from system dynamics. Proceedings of the Winter Simulation Conference, 2010. Winter Simulation Conference. p.371-382. MAZHARI, E. et al. Hybrid simulation and optimization-based design and operation of integrated photovoltaic generation, storage units, and grid. Simulation Modelling Practice and Theory, 1516023429, v. 19, n. 1, p. 463-481, 2011. ISSN 1569-190X. MAZHARI, E. M. et al. Hybrid simulation and optimization-based capacity planner for integrated photovoltaic generation with storage units. Winter Simulation Conference, 2009. Winter Simulation Conference. p.1511-1522. MORENO, R. et al. Auction approaches of long-term contracts to ensure generation investment in electricity markets: Lessons from the Brazilian and Chilean experiences. Energy Policy, 1516027296, v. 38, n. 10, p. 5758-5769, 2010/10/01/ 2010. ISSN 0301-4215. Disponível em: < http://www.sciencedirect.com/science/article/pii/S0301421510003976 >. NAVA GUERRERO, G.; SCHWARZ, P.; SLINGER, J. A recent overview of the integration of system dynamics and agent-based modelling and simulation. 34th international conference of the system dynamics society, 2016. System Dynamics Society. NORTH, M. J. et al. Integrated modeling of conflict and energy. Winter Simulation Conference (WSC), 2015, 2015. IEEE. p.2499-2510. OLAYA, C. Models that include cows: the significance of operational thinking. 30th International Conference on System Dynamics Society, 2012. p.1-19. OSGOOD, N. Using traditional and agent based toolsets for system dynamics: present tradeoffs and future evolution. System Dynamics, 1516152817, 2007. PARUNAK, H. V. D.; SAVIT, R.; RIOLO, R. L. Agent-based modeling vs. equation-based modeling: A case study and users’ guide. International Workshop on Multi-Agent Systems and Agent-Based Simulation, 1998. Springer. p.10-25. SCHOLL, H. J. Agent-based and system dynamics modeling: a call for cross study and joint research. System Sciences, 2001. Proceedings of the 34th Annual Hawaii International Conference on, 2001. IEEE. p.8 pp. STERMAN, J. D. J. D. Business dynamics: systems thinking and modeling for a complex world. 2000. ISBN 0072311355.

166

SWINERD, C.; MCNAUGHT, K. R. Design classes for hybrid simulations involving agent-based and system dynamics models. Simulation Modelling Practice and Theory, 1516023558, v. 25, p. 118-133, 2012/06/01/ 2012. ISSN 1569-190X. Disponível em: < http://www.sciencedirect.com/science/article/pii/S1569190X1100147X >. WALLENTIN, G.; NEUWIRTH, C. Dynamic hybrid modelling: Switching between AB and SD designs of a predator-prey model. Ecological Modelling, 1517405474, v. 345, p. 165-175, 2017/02/10/ 2017. ISSN 0304-3800. Disponível em: < http://www.sciencedirect.com/science/article/pii/S0304380016303714 >. WANG, B.; MOON, Y. B. Hybrid modeling and simulation for innovation deployment strategies. Industrial Management & Data Systems, 1517407620, v. 113, n. 1, p. 136-154, 2013. ISSN 0263-5577.

168

5. CONCLUSÃO GERAL 5.1. PRINCIPAIS RESULTADOS

A análise do sistema que envolve a tecnologia eólica no Brasil

permitiu identificar o nível nacional atual de desenvolvimento desta tecnologia. Percebe-se que há interesse por parte das instituições em desenvolver a tecnologia eólica no país, verificado através de leis de incentivo, disponibilização de financiamentos públicos e divulgação de metas de crescimento para o setor de geração de tecnologia eólica. Dentre as leis mais relevantes, destaca-se o Programa de Incentivo às Fontes Alternativas de Energia Elétrica (PROINFA), que possibilitou o desenvolvimento comercial inicial da tecnologia de geração eólica no país (DUTRA; SZKLO, 2008; PEREIRA et al., 2012; DA SILVA, N. F. et al., 2013; DA SILVA, R. C.; DE MARCHI NETO; SEIFERT, 2016). Também merece destaque a participação do Banco Nacional de Desenvolvimento Econômico e Social (BNDES) para o desenvolvimento desta tecnologia, através da sua linha BNDES Finame. Além de conceder financiamento para a implementação de mais de 90% das usinas eólicas existentes no país (ABDI, 2014), esta linha contribuiu para o desenvolvimento de um setor industrial relacionado à tecnologia eólica, ao exigir um índice de nacionalização de equipamentos para a concessão de empréstimos.

Como resultado, muitas indústrias estrangeiras relevantes, tidas como grandes fabricantes e desenvolvedoras de tecnologia eólica, se instalaram no país para atender aos níveis de nacionalização exigidos pelo BNDES (DA SILVA, N. F. et al., 2013; JUÁREZ et al., 2014), contribuindo também para o desenvolvimento de fornecedores locais e trazendo mais diversidade ao setor. Consequentemente, a tecnologia eólica tem concentrado, desde o ano de 2013, mais de 60% da totalidade de investimentos feitos em energias renováveis no país (ABEEÓLICA, 2017).

Apesar disso, o Brasil encontra dificuldades para absorver o conhecimento internacional facilitado pela introdução destas empresas no país. A mão-de-obra qualificada brasileira é escassa, principalmente no que se refere à atividades de conhecimento intensivo, que precisam ser realizadas por atores internacionais. Também não é desenvolvida tecnologia nacional a nível relevante para o país, com pouco interesse por parte dos atores envolvidos com a tecnologia eólica em conduzir projetos de P&D para atender às necessidades nacionais (FURTADO; PERROT, 2015).

169

O recente setor industrial brasileiro também enfrenta dificuldades que ameaçam a sua consolidação. Originado principalmente devido a demandas vindas do Ambiente de Contratação Regulado (ACR), através dos leilões de energia, o setor ainda não é competitivo o suficiente para atuar internacionalmente, em grande parte devido à infraestruturas deficientes e legislações inadequadas que influenciam diretamente no aumento dos custos de produção. Dentre estas legislações, pode-se citar o uso de leis criadas para outros setores e estendidas para o setor eólico, como as referentes a REIDI e ICMS, e legislações existentes que contribuem diretamente para o aumento dos custos da tecnologia eólica no país, como as referentes ao transporte naval e rodoviário.

Ao mesmo tempo, quedas expressivas da taxa de contratação no ACR de usinas provenientes de fontes eólicas, devido em grande parte a diretrizes estabelecidas nos leilões de energia, minimizam a demanda interna por produtos relacionados à tecnologia eólica, dificultando ainda mais o estabelecimento do referido setor industrial. Outro possível mercado que poderia gerar demandas para a tecnologia eólica, nomeadamente o Ambiente de Contratação Livre (ACL), possui ainda menos suporte à exploração desta tecnologia (WWF BRASIL, 2015).

Considerando o contexto verificado, fica evidente a relevância do desenvolvimento de um mercado nacional para a difusão eólica no país. O desenvolvimento deste mercado contribuiu não só para a ascensão de um setor industrial relacionado, como também para a expansão da demanda por tecnologia eólica de geração. Além disso, o desenvolvimento de um mercado nacional proporcionou o aumento das atividades relacionadas à tecnologia eólica, incluindo a interação com empresas estrangeiras com maior expertise, e o aumento de investimentos e de atividades de P&D relacionadas à tecnologia eólica.

Conseqüentemente, em um segundo momento este estudo analisou políticas de incentivo para a difusão da tecnologia eólica de geração, através de um modelo de simulação para análise de cenários. O modelo de simulação, desenvolvido inicialmente utilizando a metodologia de Dinâmica de Sistemas (DS), possibilitou explorar como a aplicação de diferentes políticas pode afetar a difusão da tecnologia eólica no Ambiente de Contratação Regulado brasileiro. Posteriormente, a implantação de uma nova modalidade de leilão no Brasil, através do 1º Mecanismo (Leilão) de Descontratação de Energia de Reserva, chamou a atenção quanto ao potencial deste mecanismo para combater adversidades presentes atualmente no setor elétrico nacional. Neste momento da pesquisa também ficou mais clara a relevância das

170

particularidades do sistema de leilões brasileiros para a análise deste setor, difíceis de modelar utilizando somente uma metodologia baseada no uso de valores médios agregados (NAVA GUERRERO; SCHWARZ; SLINGER, 2016), como a Dinâmica de Sistemas.

Assim, a presente pesquisa continuou analisando a difusão comercial da tecnologia de geração eólica, mas desta vez aprofundando-se no que se refere à tomada de decisões pelos principais atores envolvidos nesta difusão e no referente aos mercados de contratação considerados, passando a incluir também o Ambiente de Contratação Livre. O novo modelo analisou o processo de tomada de decisão das instituições, que regulam os leilões de energia, e de investidores, que atuam no ACR e ACL escolhendo tecnologias de geração segundo critérios próprios e as adotando para geração de energia elétrica. Ainda foi verificado o efeito do uso majoritário de fontes hídricas para a geração de energia elétrica no Brasil, que influencia diretamente no volume de energia contratado nos Leilões de Energia de Reserva: em períodos de hidrologia desfavorável, esta modalidade de leilão busca compensar o déficit proveniente da geração hídrica através da contratação de mais capacidade de geração elétrica, atuando no sentido inverso em períodos de hidrologia favorável.

Já a aplicação de políticas possibilitou a verificação do potencial do novo mecanismo de descontratação brasileiro para contribuir sobretudo para a difusão da tecnologia de geração eólica instalada no ACL. A expansão da tecnologia eólica neste mercado, se combinada com a sua inibição no ACR, pode contribuir para minimizar efeitos das oscilações de geração inerentes à fonte eólica, trazendo maior estabilidade ao ACR ao mesmo tempo em que contribui para o aumento da capacidade instalada desta fonte no país. Percebeu-se também que o uso de valores de descontratação elevados pode minimizar o potencial desta política para a difusão da tecnologia eólica, mostrando a importância da definição de valores adequados de descontratação, bem como a relevância de considerar os efeitos sistêmicos da aplicação de políticas para o desenvolvimento do sistema.

Finalmente, ao longo desta pesquisa, ainda são destacadas políticas que podem inibir a expansão da capacidade eólica instalada no país, que também são úteis para o cumprimento dos objetivos iniciais desta pesquisa. A identificação deste tipo de política permite evitá-los, quando se busca a expansão eólica, ou adotá-los em momentos em que esta expansão precisa ser estabilizada para evitar adversidades. Atuar antes de um problema ocorrer ainda é a melhor forma de controlar efeitos sistêmicos indesejados.

171

5.1. CONTRIBUIÇÕES TEÓRICAS E METODOLÓGICAS Entre as principais contribuições teóricas desta pesquisa, pode se

destacar o aprofundamento de uma teoria qualitativa (Sistemas de Inovação), feito através do uso de uma abordagem quantitativa proveniente de uma teoria distinta (uso de simulação baseada na teoria da Análise Prospectiva). Neste sentido, a metodologia proposta em BERGEK et al. (2008) para o mapeamento das determinantes da inovação (conhecidas como funções), concluído com a especificação de questões políticas relacionadas a mecanismos de indução e bloqueio identificados em um Sistema Tecnológico de Inovação (STI), é complementada com o uso de outra abordagem, utilizada para possibilitar analisar quantitativamente aspectos das questões políticas propostas através de uma análise de cenários.

O aspecto complementar oposto entre as duas abordagens também é válido: o primeiro passo do procedimento metodológico proposto por STERMAN (2000) para o uso da Dinâmica de Sistemas, que consiste na identificação e definição do problema a ser analisado, pode ser melhor compreendido através da abordagem de STI ao se analisar a difusão de uma tecnologia em específico. Através da identificação preliminar de questões políticas relevantes, bem como do nível atual de desenvolvimento da tecnologia no ambiente delimitado pela análise, aumenta-se a possibilidade de lograr êxito em modelar os principais aspectos do sistema, e conseqüentemente de conseguir antecipar de maneira assertiva o comportamento mais provável de intervenções feitas neste sistema. Destaca-se ainda a importância de uma análise prévia deste tipo para a identificação de aspectos relacionados a tecnologias, cujas características intangíveis tornam especialmente difícil determinar ou medir questões particulares como o seu nível nacional de desenvolvimento, por exemplo.

Já entre as contribuições metodológicas, pode-se citar o desenvolvimento de um modelo de simulação híbrido envolvendo as abordagens de Dinâmica de Sistemas (DS) e Modelagem Baseada em Agentes (MBA), primeiro conhecido desenvolvido na área de energia para analisar a difusão de uma tecnologia. A natureza do setor elétrico brasileiro, baseado em momentos discretos (leilões) e contínuos (geração, aumento da demanda por energia) destaca a utilidade de usar estas duas abordagens em conjunto. Através dos aspectos complementares entre ambas foi possível explorar toda a diversidade de aspectos do setor elétrico brasileiro pretendido, destacando o potencial

172

de modelos híbrido de DS e MBA para lidar com análises de sistemas complexos de energia.

Em particular, o caráter contínuo da DS foi utilizado para analisar a evolução da percepção de atratividade da tecnologia eólica ao longo do tempo, crescente na medida em que uma curva de aprendizado (BARRETO; KYPREOS, 2004; RADOMES; ARANGO, 2015) contribui para a redução dos custos de aplicação da tecnologia. Além disso, a abordagem de DS é utilizada para gerar os valores agregados de geração das fontes eólica e hídrica no país. Já a MBA permite discretizar os eventos dos leilões de energia e a tomada de decisão dos agentes durante estes eventos, além de possibilitar discernir entre a variedade de resultados possíveis da decisão individual de cada agente nas diversas modalidades de leilões consideradas.

O desenvolvimento de software que possibilitam a integração de diferentes abordagens de simulação, junto com o aumento da capacidade computacional, facilitam a aplicação de modelos híbridos deste tipo. Já a verificação de resultados satisfatórios tende a aumentar o interesse em torno destas aplicações, destacando a importância do pioneirismo desta pesquisa para outros trabalhos semelhantes no setor de energia.

5.2. LIMITAÇÕES DA PESQUISA E SUGESTÕES PARA TRABALHOS FUTUROS

Como principais limitações desta pesquisa, pode-se citar

simplificações feitas no modelo de simulação para facilitar o seu desenvolvimento, como o uso de um valor fixo para a capacidade das usinas eólicas e o uso de valores médios agregados para definir alguns aspectos do comportamento dos agentes. O uso de um modelo de Bass também encontra críticas na literatura, principalmente no que se refere aos parâmetros de inovação e imitação, apresentados nesta pesquisa com adaptações para serem melhor entendidos. Alguns valores calculados na análise de sensibilidade também mostram que existem comportamentos não explicados pelo modelos, em especial no que se refere à geração hídrica.

Ainda em relação ao modelo, outras análises ainda não realizadas podem ser conduzidas, envolvendo a exploração: i) do uso de diferentes contratos estabelecidos nos leilões regulados (contratação por disponibilidade e por quantidade), que distinguem-se entre si pela alocação dos riscos hidrológicos e pela forma de remuneração; ii) de uma possível expansão de outros tipos de geração, como a solar fotovoltaica, e de como isso afetaria a difusão eólica; e iii) de métodos

173

de precificação utilizados para definir os preços-teto das fontes concorrentes nos leilões de energia.

Além de aprofundamentos referentes ao modelo, sempre possíveis na análise de cenários complexos, outras questões foram identificadas como relevantes para trabalhos futuros durante esta pesquisa. Teorias provenientes da economia comportamental, relacionadas ao comportamento não racional dos indivíduos na tomada de decisões, como as apresentadas pelo mais recente ganhador do prêmio Nobel de Economia, Richard H. Thaler, poderiam trazer insights interessantes relacionados à tomada de decisões em leilões por parte das instituições e investidores.

Em especial, a aversão à perdas, relacionada tanto ao comportamento individual quanto ao comportamento de organizações, apresentada em KAHNEMAN; KNETSCH; THALER (1991); BENARTZI; THALER (1995), e mais recentemente destacada em THALER (2016), poderia complementar as teorias econômicas clássicas que assumem os tomadores de decisão como completamente racionais. Acredita-se aqui que tais teorias trariam maior diversidade de resultados e de análises em modelos de simulação, ao mesmo tempo em que os tornariam mais próximos da realidade. Os parâmetros clássicos "p" e "q" do Modelo de Bass, por exemplo, que são os principais causadores de críticas na literatura à este modelo, poderiam ser melhor desagregados utilizando a economia comportamental, tornando-os mais compreensíveis.

Outra sugestão para trabalhos futuros é buscar uma integração ainda maior entre as teorias de Sistemas de Inovação e Análise Prospectiva. Mais especificamente, acredita-se que a abordagem funcional proposta por HEKKERT et al. (2007) e BERGEK et al. (2008) poderia ser completamente integrada com uma abordagem de cenários através da modelagem individual das funções da inovação e suas interações. Um trabalho pioneiro deste tipo é encontrado na literatura em WALRAVE; RAVEN (2016), mas ainda apresentando as funções de uma forma adimensional e muito agregada. Acredita-se que somente um modelo menos abstrato, com dimensões e variáveis relacionadas à tecnologia analisada, possibilitaria a análise de políticas de incentivo.

Finalmente, frente ao aumento do uso de tecnologias renováveis, ainda foi identificado outro tópico visto como altamente relevante para trabalhos futuros: as smart grids. As redes inteligentes, como também são chamadas, são sistemas de distribuição e de transmissão de energia

174

elétrica que possibilitam o melhor controle do consumo, tanto por parte das concessionárias quanto por parte dos consumidores, além de serem apontadas como instrumento facilitador à disseminação de fontes renováveis de energia por se basearem em conceitos de geração distribuída e microgeração.

A International Energy Agency (IEA) já apontava em 2010 o potencial das smart grids para minimizar as emissões de carbono, estimando entre 0.9 Gt e 2.2 Gt o volume de emissões de CO2 que poderia ser evitado até 2050 através da implantação desta tecnologia (IEA, 2010). Trabalhos relacionados ao tema já são encontrados no Brasil, como em FALCÃO (2009); (2010); RIVERA; ESPOSITO; TEIXEIRA (2013), mas ainda são bastante recentes e há pouco suporte e interesse de aplicação por parte das instituições. Neste sentido, modelos de análise de cenário neste caso poderiam ser úteis para avaliar diversas políticas de implementação e os ganhos potenciais resultantes. Já a análise do Sistema Tecnológico de Inovação que envolve esta tecnologia poderia contribuir para identificar os bloqueios brasileiros que estão impedindo o seu desenvolvimento.

5.3. REFERÊNCIAS

ABDI. Mapeamento da cadeia produtiva da indústria eólica no Brasil. Ministério do Desenvolvimento, Indústria e Comércio Exterior, 2014. Disponível em: < http://investimentos.mdic.gov.br/public/arquivo/arq1410360044.pdf >. ABEEÓLICA. Annual Wind Power Generation Report. 2017. Disponível em: < http://www.abeeolica.org.br/wp-content/uploads/2017/06/424_Boletim_Anual_de_Geracao_Eolica_2016_Ingles_Final.pdf >. BARRETO, L.; KYPREOS, S. Endogenizing R&D and market experience in the “bottom-up” energy-systems ERIS model. Technovation, 1516741570, v. 24, n. 8, p. 615-629, 2004. ISSN 0166-4972. BENARTZI, S.; THALER, R. H. Myopic loss aversion and the equity premium puzzle. The quarterly journal of Economics, 1510651551, v. 110, n. 1, p. 73-92, 1995. ISSN 1531-4650. BERGEK, A. et al. Analyzing the functional dynamics of technological innovation systems: A scheme of analysis. Research policy, 1485359165, v. 37, n. 3, p. 407-429, 2008. ISSN 0048-7333.

175

DA SILVA, N. F. et al. Wind energy in Brazil: From the power sector's expansion crisis model to the favorable environment. Renewable and Sustainable Energy Reviews, 1487527394, v. 22, p. 686-697, 2013. ISSN 1364-0321. DA SILVA, R. C.; DE MARCHI NETO, I.; SEIFERT, S. S. Electricity supply security and the future role of renewable energy sources in Brazil. Renewable and Sustainable Energy Reviews, 1485356995, v. 59, p. 328-341, 2016. ISSN 1364-0321. DUTRA, R. M.; SZKLO, A. S. Incentive policies for promoting wind power production in Brazil: Scenarios for the Alternative Energy Sources Incentive Program (PROINFA) under the New Brazilian electric power sector regulation. Renewable Energy, 1487527257, v. 33, n. 1, p. 65-76, 2008. ISSN 0960-1481. FALCÃO, D. M. Smart grids e microrredes: o futuro já é presente. SIMPÓSIO DE AUTOMAÇÃO DE SISTEMAS ELÉTRICOS, 1516801961, v. 8, 2009. ______. Integração de tecnologias para viabilização da smart grid. III Simpósio Brasileiro de Sistemas Elétricos, 1516801858, p. 1-5, 2010. FURTADO, A. T.; PERROT, R. Innovation dynamics of the wind energy industry in South Africa and Brazil: technological and institutional lock-ins. Innovation and Development, 1490688083, v. 5, n. 2, p. 263-278, 2015. ISSN 2157-930X. HEKKERT, M. P. et al. Functions of innovation systems: A new approach for analysing technological change. Technological forecasting and social change, 1485359366, v. 74, n. 4, p. 413-432, 2007. ISSN 0040-1625. IEA. Energy technology perspectives 2010–scenarios and strategies to 2050. 2010. Disponível em: < https://www.iea.org/publications/freepublications/publication/etp2010.pdf >. JUÁREZ, A. A. et al. Development of the wind power in Brazil: Political, social and technical issues. Renewable and sustainable energy reviews, 1485356891, v. 39, p. 828-834, 2014. ISSN 1364-0321. KAHNEMAN, D.; KNETSCH, J. L.; THALER, R. H. Anomalies: The endowment effect, loss aversion, and status quo bias. The journal of economic perspectives, 1510651763, v. 5, n. 1, p. 193-206, 1991. ISSN 0895-3309. NAVA GUERRERO, G.; SCHWARZ, P.; SLINGER, J. A recent overview of the integration of system dynamics and agent-based modelling and simulation.

176

34th international conference of the system dynamics society, 2016. System Dynamics Society. PEREIRA, M. G. et al. The renewable energy market in Brazil: Current status and potential. Renewable and Sustainable Energy Reviews, 1490693395, v. 16, n. 6, p. 3786-3802, 2012. ISSN 1364-0321. RADOMES, A. A.; ARANGO, S. Renewable energy technology diffusion: an analysis of photovoltaic-system support schemes in Medellín, Colombia. Journal of Cleaner Production, 1516741467, v. 92, p. 152-161, 2015/04/01/ 2015. ISSN 0959-6526. Disponível em: < http://www.sciencedirect.com/science/article/pii/S0959652614013924 >. RIVERA, R.; ESPOSITO, A. S.; TEIXEIRA, I. Redes elétricas inteligentes (smart grid): oportunidade para adensamento produtivo e tecnológico local. Revista do BNDES, Rio de Janeiro, 1516801885, n. 40, p. 43-83, 2013. STERMAN, J. D. J. D. Business dynamics: systems thinking and modeling for a complex world. 2000. ISBN 0072311355. THALER, R. H. Behavioral economics: Past, present and future. Browser Download This Paper, 1512487488, 2016. WALRAVE, B.; RAVEN, R. Modelling the dynamics of technological innovation systems. Research Policy, 1516800991, v. 45, n. 9, p. 1833-1844, 2016. ISSN 0048-7333. WWF BRASIL. Desafios e Oportunidades para a energia eólica no Brasil: recomendações para políticas públicas. 2015. Disponível em: < http://data.novo.gessulli.com.br/file/2015/09/10/E142912-F00001-U138.pdf >.

177

APÊNDICE A - Estrutura do modelo Stella Estoques e fluxos

179

Variáveis

Variáveis gráficas

180

APÊNDICE B - Estrutura do modelo Anylogic O modelo desenvolvido no Anylogic é composto por 3 ambientes distintos: Main (principal), ePE e empreendedors. A estrutura, equações do modelo e valores utilizados são apresentados abaixo. Para fins de simplificação, diagramas de estado e transições vazias não são detalhadas.

181

Ambiente Main

185

Agents ePE (Single agent, parameters: v1; v2) empreendedors (Population of agents, Initial number of agents: 0, parameters: TempoConstrucao; color) Dynamic Variables Ano = getYear() CapElétricaInicial = 106000 ci = SDUtilities.lookupForward(Ci, Ano) EfeitoAtraso = SDUtilities.lookupForward(Atraso, Ano) EfeitoDoAprendizadoNoPreço = SDUtilities.lookupBackward(EfeitoDoPreçoNaDifEól, PrecoAtualFonteEólica) efeitodopib = SDUtilities.lookupForward(EfeitoPIB, PIBpos2) EfeitoDoPreçoNaDifusãoEólica = Math.pow((ExperiênciaAcumulada/(ExperiênciaInicialACR+ExperiênciaInicialACL)), ExpoenteC) efeitoVolumeHídriconaGeração = SDUtilities.lookupBackward(EfeitoDaVariacaoAnual, VolumeHídricoDisponível) EficáciaDePolíticasdeIncentivo = SDUtilities.lookupForward(EfetividadeProinfa, Ano) EficiênciaMédiaUsinasEólicas = SDUtilities.lookupForward(eficienciaanual, Ano) EficiênciaMédiaUsinasHidrelétricas = 0.87 ExperiênciaInicialACL (No formula, Initial Value = 120) ExperiênciaInicialACR (No formula, Initial Value = 220)

186

ExpoenteC (No formula, Initial Value = -0.08) GeraçãoHidrelétricaMensal = (efeitoVolumeHídriconaGeração*CapGeracHidInstalada*EficiênciaMédiaUsinasHidrelétricas) GeraçãoMensalEólica = CapEólicaInstaladaACR*SazonalidadeEólica*EficiênciaMédiaUsinasEólicas incentivos = SDUtilities.lookupForward(historicoIncentivos, Ano) Incentivos = SDUtilities.lookupForward(IncentivosFiscais, Ano) incremento = SDUtilities.lookupForward(VariacaoACL, Ano) IncrementoCapHidrelétrica = SDUtilities.lookupForward(incrementohidr, Ano) mediadasmedias = (VariacaoPIBpos+VariacaoPIBpos2)/2 mês = 1+getMonth() PIBpos = SDUtilities.lookupForward(PIBpositivo, Ano-2) PIBpos1 = SDUtilities.lookupForward(PIBpositivo, Ano-1) PIBpos2 = SDUtilities.lookupForward(PIBpositivo, Ano) PrecoAtualFonteEólica = PreçoInicialFonteEólica*EfeitoDoPreçoNaDifusãoEólica*(1-Incentivos) PreçoInicialFonteEólica (No formula, Initial Value = 180) RelCapEolicaACLCapTotal = CapEólicaInstaladaACL/CapInstaladaACL SazonalidadeEólica = SDUtilities.lookupForward(curvaventos1, mês) SazonalidadeHídrica = SDUtilities.lookupForward(curvahidr, (mês)) SDUtilities.lookupForward(variacaochuvas, Ano) TaxaAdoçãoEólicas = ConstrucaoEolicaACR+ACLConstrucaoEolica variacaoanualchuvas = VariacaoPIBpos = (PIBpos1+PIBpos)/2 VariacaoPIBpos2 = (PIBpos1+PIBpos2)/2 VolumeHídricoDisponível = delay(297000*SazonalidadeHídrica*variacaoanualchuvas,0) Events CapTotaisACL (Timeout, Cyclic, First ocurrence: 0 months; Recurrence: 1 months; Action: this.CapEólicaInstaladaACL=CapEólicaInstaladaACL+(ACLEolicaConcluidas)*(30+capatrasada); ACLEolicaConcluidas=0;) CapTotaisACR (Timeout, Cyclic, First ocurrence: 0 months; Recurrence: 3 months; Action: this.CapInstaladaOutrasFontesACR=CapInstaladaOutrasFontesACR+OutrasFontesConcluidas*CapMediaOutrasFontes; this.CapElétricaTotalACR=CapElétricaTotalACR+(OutrasFontesConcluidas)*CapMediaOutrasFontes+(EolicaACRConcluidas)*30; this.UsinaemConstrução=UsinaemConstrução+(EolicaACRConcluidas*30); OutrasFontesConcluidas=0; EolicaACRConcluidas=0;) capusinasacl (Timeout, Occurs once, Calendar dates: 01/01/2016: 8:00:00; Action: this.capatrasada=0) DesativacaoUsinas (Timeout, Cyclic, First ocurrence: 0 months; Recurrence: 1 months; Action: this.CapElétricaTotalACR=CapElétricaTotalACR-

187

(DesativacaoEolicaACR)*30; this.CapEólicaInstaladaACR=CapEólicaInstaladaACR-(DesativacaoEolicaACR)*30; DesativacaoEolicaACR=0;) DesativacaoUsinas1 (Timeout, Cyclic, First ocurrence: 0 months; Recurrence: 1 months; Action: this.CapEolicaConstruidaLER2=CapEolicaConstruidaLER2-(DesativacaoEolicaLER)*30; DesativacaoEolicaLER=0;) DesativacaoUsinas2 (Timeout, Cyclic, First ocurrence: 0 months; Recurrence: 1 months; Action: this.CapEolicaConstruidaLER=CapEolicaConstruidaLER+(UsinasEolicasConcluidasLER)*30; this.CapEolicaConstruidaLER2=CapEolicaConstruidaLER2+(UsinasEolicasConcluidasLER)*30; UsinasEolicasConcluidasLER=0;) DesativacaoUsinasACL (Timeout, Cyclic, First ocurrence: 0 months; Recurrence: 1 months; Action: this.CapEólicaInstaladaACR=CapEólicaInstaladaACR+(DesativacaoEolicaACL)*30; this.CapEólicaInstaladaACL=CapEólicaInstaladaACL-(DesativacaoEolicaACL)*30; this.CapInstaladaACL=CapInstaladaACL-(DesativacaoEolicaACL)*30; DesativacaoEolicaACL=0;) Flows adccaphid = IncrementoCapHidrelétrica AumentoCapACL = CapInstaladaACL*(incremento/12) CapElétricaTotalACR = CapElétricaInicial CapEólicaInstaladaACL = ExperiênciaInicialACL CapEólicaInstaladaACR = ExperiênciaInicialACR CapGeracHidInstalada = 74876 CapInstaladaACL = 21184 CapInstaladaOutrasFontesACR = (CapElétricaInicial-ExperiênciaInicialACR) ExperiênciaAcumulada = ExperiênciaInicialACR+ExperiênciaInicialACL flow1 = UsinaemConstrução/EfeitoAtraso Stocks TaxaDeAcumulaçãoDeExperiência = TaxaAdoçãoEólicas UsinaemConstrução = 700 Variables ACLConstrucaoEolica (Double, Initial Value = 0) ACLDescontratacaoEolica (Double, Initial Value = 0) ACLEolicaConcluidas (Double, Initial Value = 0) capatrasada (Double, Initial Value = 8) CapMediaOutrasFontes (Double, Initial Value = 34) ConstrucaoEolicaACR (Double, Initial Value = 0) ConstrucaoOutrasFontes (Double, Initial Value = 0) convertidos = (Double, Initial Value = 0) DesativacaoEolicaACL (Double, Initial Value = 0) DesativacaoEolicaACR (Double, Initial Value = 0) DesativacaoEolicaLER (Double, Initial Value = 0) EmpDescontratados = (Int, Initial Value = 0)

188

EmpDescontratados2 = (Int, Initial Value = 0) EolicaACRConcluidas (Double, Initial Value = 0) escolhendo = (Double, Initial Value = 0) ImitadoresACL = (Double, Initial Value = 0) ImitadoresACR = (Double, Initial Value = 0) InovadoresACL = (Double, Initial Value = 0) InovadoresACR = (Double, Initial Value = 0) MercadoAnualACL = (Double, Initial Value = 0) MercadoPotencialACL = (Double, Initial Value = 0) MercadoPotencialACR = (Double, Initial Value = 0) OutrasFontesACR = (Double, Initial Value = 0) OutrasFontesConcluidas (Double, Initial Value = 0) ParticipantesACR = (Double, Initial Value = 0) removidos = (Double, Initial Value = 0) TotalParticipantesACL = (Double, Initial Value = 0) tst = (Double, Initial Value = 0) UsinasEolicasConcluidasLER (Double, Initial Value = 0) Table functions Atraso = (2006.0, 400.0), (2007.0, 400.0), (2008.0, 150.0), (2009.0, 40.0), (2010.0, 40.0), (2011.0, 30.0), (2012.0, 30.0), (2013.0, 20.0), (2014.0, 17.0), (2015.0, 15.0), (2015.5, 4.0), (2016.0, 4.0), (2017.0, 14.0), (2018.0, 7.0), (2019.0, 4.0) Ci = (2004.0, 0.0), (2005.0, 0.1), (2006.0, 0.1), (2007.0, 0.1), (2008.0, 0.1), (2009.0, 0.3), (2010.0, 0.5), (2011.0, 0.6), (2012.0, 0.7), (2013.0, 0.7), (2014.0, 0.7), (2015.0, 0.7), (2016.0, 0.5), (2017.0, 0.3), (2018.0, 0.2), (2019.0, 0.2), (2020.0, 0.2), (2021.0, 0.2), (2022.0, 0.2), (2023.0, 0.2), (2024.0, 0.1), (2025.0, 0.1), (2026.0, 0.1), (2027.0, 0.1), (2028.0, 0.1), (2029.0, 0.1), (2030.0, 0.1) curvahidr = (1.0, 0.732746226232535), (2.0, 0.874068659495794), (3.0, 0.955961226136545), (4.0, 0.98793332686063), (5.0, 0.979494362373891), (6.0, 0.94015373338217), (7.0, 0.879420840591309), (8.0, 0.806805084707151), (9.0, 0.731815866435536), (10.0, 0.663962586482307), (11.0, 0.612754645553306), (12.0, 0.587701444354374) curvaventos1 = (1.0, 0.602402107122858), (2.0, 0.484195280582466), (3.0, 0.444643303163261), (4.0, 0.467118151038732), (5.0, 0.534991800382367), (6.0, 0.631636227367654), (7.0, 0.740423408168083), (8.0, 0.844725318957141), (9.0, 0.927913935908317), (10.0, 0.973361235195099), (11.0, 0.964439192990976), (12.0, 0.884519785469437) EfeitoDaVariacaoAnual = (370000.0, 0.55), (357500.0, 0.55), (345000.0, 0.55), (332500.0, 0.54), (320000.0, 0.54), (307500.0, 0.53), (295000.0, 0.53), (282500.0, 0.52), (70000.0, 0.51), (257500.0, 0.5), (245000.0, 0.49), (232500.0, 0.48), (220000.0, 0.46), (207500.0, 0.5), (195000.0, 0.46), (182500.0, 0.46), (170000.0, 0.46), (157500.0, 0.46), (145000.0, 0.42), (132500.0, 0.42), (120000.0, 0.41), (107500.0, 0.37), (95000.0, 0.37) EfeitoDoPreçoNaDifEól = (0.0, 1.0), (30.0, 1.0), (50.0, 1.0), (70.0, 1.0), (90.0, 1.0), (103.0, 1.0), (108.0, 1.0), (113.0, 1.0), (120.0, 1.0), (125.0, 1.0), (130.0,

189

1.0), (135.0, 1.0), (140.0, 1.0), (145.0, 1.0), (150.0, 0.98), (155.0, 0.95), (160.0, 0.9), (165.0, 0.55),(170.0, 0.4), (175.0, 0.11), (178.0, 0.08), (180.0, 0.05) EfeitoPIB = (7.5, 1.45), (7.0, 1.44), (6.5, 1.43), (6.0, 1.4), (5.5, 1.35), (5.0, 1.3), (4.5, 1.0), (4.0, 0.85), (3.5, 0.8), (3.0, 0.75), (2.5, 0.6), (2.0, 0.5), (1.5, 0.4), (1.0, 0.25), (0.5, 0.1), (0.0, 0.0) EfetividadeProinfa = (2004.0, 0.8), (2005.0, 0.8), (2006.0, 0.84), (2007.0, 0.83), (2008.0, 0.55), (2009.0, 0.23), (2010.0, 0.12), (2011.0, 0.11), (2012.0, 0.0), (2013.0, 0.0), (2014.0, 0.0), (2015.0, 0.0), (2016.0, 0.0), (2017.0, 0.0), (2018.0, 0.0), (2019.0, 0.0),(2020.0, 0.0), (2021.0, 0.0), (2022.0, 0.0), (2023.0, 0.0), (2024.0, 0.0), (2025.0, 0.0), (2026.0, 0.0), (2027.0, 0.0), (2028.0, 0.0), (2029.0, 0.0), (2030.0, 0.0) eficienciaanual = (2007.0, 0.22), (2008.0, 0.18), (2009.0, 0.19), (2010.0, 0.3), (2011.0, 0.27), (2012.0, 0.27), (2013.0, 0.2), (2014.0, 0.23), (2015.0, 0.38), (2016.0, 0.38), (2017.0, 0.38), (2018.0, 0.38), (2019.0, 0.39), (2020.0, 0.39), (2021.0, 0.39), (2022.0, 0.39), (2023.0, 0.39), (2024.0, 0.39), (2025.0, 0.39), (2026.0, 0.4), (2027.0, 0.4), (2028.0, 0.4), (2029.0, 0.4), (2030.0, 0.4) historicoIncentivos = (2007.0, 0.0), (2008.0, 0.0), (2009.0, 0.0), (2010.0, 0.0), (2011.0, 0.0), (2012.0, 0.0), (2013.0, 0.0), (2014.0, 0.0), (2015.0, 0.55), (2016.0, 0.65), (2017.0, 0.0), (2018.0, 0.6), (2019.0, 0.0), (2020.0, 0.0), (2021.0, 0.6), (2022.0, 0.0), (2023.0, 0.0), (2024.0, 0.65), (2025.0, 0.0), (2026.0, 0.0), (2027.0, 0.65), (2028.0, 0.0), (2029.0, 0.0), (2030.0, 0.65) IncentivosFiscais = (2004.0, 0.0), (2005.0, 0.0), (2006.0, 0.0), (2007.0, 0.0), (2008.0, 0.0), (2009.0, 0.0), (2010.0, 0.0), (2011.0, 0.0), (2012.0, 0.0), (2013.0, 0.0), (2014.0, 0.0), (2015.0, 0.0), (2016.0, 0.0), (2017.0, 0.0), (2018.0, 0.0), (2019.0, 0.0), (2020.0, 0.0), (2021.0, 0.0), (2022.0, 0.0), (2023.0, 0.0), (2024.0, 0.0), (2025.0, 0.0), (2026.0, 0.0), (2027.0, 0.0), (2028.0, 0.0), (2029.0, 0.0), (2030.0, 0.0) incrementohidr = (2007.0, 108.0), (2008.0, 80.0), (2009.0, 101.0), (2010.0, 167.0), (2011.0, 162.0), (2012.0, 362.0), (2013.0, 383.0), (2014.0, 68.0), (2015.0, 168.0), (2016.0, 30.0), (2017.0, 30.0), (2018.0, 30.0), (2019.0, 30.0), (2020.0, 30.0), (2021.0, 30.0), (2022.0, 30.0), (2023.0, 30.0), (2024.0, 30.0), (2025.0, 30.0), (2026.0, 30.0), (2027.0, 30.0), (2028.0, 30.0), (2029.0, 30.0), (2030.0, 30.0) PIBpositivo = (2005, 3.202), (2006, 3.961), (2007, 6.072), (2008, 5.094), (2009, 0.0), (2010, 7.529), (2011,3.91), (2012, 1.915), (2013, 3.015), (2014, 0.5), (2015, 0.0), (2016, 1.0), (2017, 2.0), (2018, 3.0), (2019, 0.6), (2020, 4.0), (2021, 3.0), (2022, 2.5), (2023, 2.0), (2024, 0.0), (2025, 3.0), (2026, 0.8), (2027, 3.0), (2028, 3.0), (2029, 2.0), (2030, 2.0) VariacaoACL = (2007.0, 0.053), (2008.0, 0.08), (2009.0, 0.047), (2010.0, 0.074), (2011.0, 0.046), (2012.0, 0.045), (2013.0, 0.055), (2014.0, 0.105), (2015.0, 0.062), (2016.0, 0.08), (2017.0, 0.085), (2018.0, 0.07), (2019.0, 0.06), (2020.0, 0.055), (2021.0, 0.045), (2022.0, 0.045), (2023.0, 0.04), (2024.0, 0.04), (2025.0, 0.04), (2026.0, 0.04), (2027.0, 0.03), (2028.0, 0.025), (2029.0, 0.025), (2030.0, 0.015)

190

variacaochuvas = (2007.0, 1.1), (2008.0, 0.9), (2009.0, 1.9), (2010.0, 1.4), (2011.0, 1.8), (2012.0, 1.3), (2013.0, 0.95), (2014.0, 0.3), (2015.0, 0.3), (2016.0, 0.5), (2017.0, 0.8), (2018.0, 0.6), (2019.0, 1.2), (2020.0, 1.0), (2021.0, 0.7), (2022.0, 1.4), (2023.0, 0.9), (2024.0, 0.8), (2025.0, 0.6),(2026.0, 0.3), (2027.0, 0.9), (2028.0, 1.3), (2029.0, 1.5), (2030.0, 0.8)

191

Ambiente ePE

192

Collections collectionEmpreendACL (LinkedList, Element class: Empreendedor) collectionEmpreendLER (LinkedList, Element class: Empreendedor) Dynamic variables A3 = SDUtilities.lookupForward(HistoricoA3, Ano) A5 = SDUtilities.lookupForward(HistoricoA5, Ano) Descontratar = SDUtilities.lookupForward(VolumeAdescontratar, Ano)

193

efeitodasvariacoesnosLERs = SDUtilities.lookupForward(efeitodasvarLERs, VariacoesVolumetricasReservatorios) NovosEmpreendedoresACL = roundToInt(main.AumentoCapACL/30) VariacoesVolumetricasReservatorios = SDUtilities.lookupForward(volumedisponivel, Ano) Parameters v1 (Type: Empreendedor) v2 (Type: Empreendedor) States DescontratarEmp (Entry action: deliver("Descontratar", v2);) IniciarEscolha1 (Entry action: D=roundToInt(((Descontratar*main.CapEolicaConstruidaLER2)/30));) LeilaoEnergiaNova (Entry action: while (LEN_A3>emprLEN_A3*30), emprLEN_A3++; while (LEN_A5>emprLEN_A5*30), emprLEN_A5++;) LeilaoEnergiaReserva (Entry action: while (LeiloesLER>emprLER*30), emprLER++;) VariacaoGeracao (Entry action: LeiloesLER=roundToInt(main.CapElétricaTotalACR*conversaoLER*VariacoesVolumetricasReservatorios*efeitodasvariacoesnosLERs)) VariacaoPIB (Entry action: EnergiaNovaLeiloada=main.CapElétricaTotalACR*conversaoEN*main.mediadasmedias*main.efeitodopib; LEN_A3=roundToInt(A3*EnergiaNovaLeiloada); LEN_A5=roundToInt(A5*EnergiaNovaLeiloada);) Transitions initialState1 (Action: NvEm=NovosEmpreendedoresACL*6) Leilao = VariacaoPIBpos=main.VariacaoPIBpos main.LeilãoLER=LeiloesLER; main.LeilãoLERTotal=main.LeilãoLERTotal+LeiloesLER; main.LeilãoA3Total=main.LeilãoA3Total+LEN_A3; main.LeilãoA5Total=main.LeilãoA5Total+LEN_A5; main.ParticipantesACR=0;) transition1 (Timeout: 12 months, Action: main.LeilãoA3=LEN_A3; main.LeilãoA5=LEN_A5; transition11 (Condition: VariacaoPIBpos>0) transition12 (Condition: VariacaoGerac>0) transition13 (Default) transition15 (Condition: LeiloesLER>0) transition16 (Message, Message type: Object, On particular message, "Escolher", Action: V=1; main.escolhendo++;) transition17 (Condition, V==2, Action: V=0; deliver("Ocupar", v1); main.tst++; n++;) transition19 (Condition: emprLEN_A3>=1; Action: emprLEN_A3--; main.add_empreendedors(T_A3, black); main.ParticipantesACR++;) transition2 (Timeout: 1 hours, Action: VariacaoPIBpos=main.VariacaoPIBpos; VariacaoGerac=1;)

194

transition20 (Default, Action: VariacaoPIBpos=0;) transition21 (Condition: emprLEN_A5>=1; Action: emprLEN_A5--; main.add_empreendedors(T_A5, black); main.ParticipantesACR++;) transition22 (Condition: emprLER>=1; Action: emprLER--; main.add_empreendedors(T_LER, black); main.ParticipantesACR++; VariacaoGerac=0;) transition23 (Condition, V==1, Action: v1=collectionEmpreendACL.get(n+1); V=2;n=0;) transition24 (Timeout: 6 months) transition25 (Condition: NvEm>=1, Action: NvEm--; main.add_empreendedors(T_ACL, purple); main.TotalParticipantesACL++; main.MercadoAnualACL++;) transition26 (Timeout: 1.5 months) transition27 (Timeout: 10 months, Action: main.EmpDescontratados=0;) transition28 (Condition: D>=1) transition29 (Condition: (v2.TempoConstrucao==33 && v2.color==orange), Action: v3=0; p=0;) transition30 (Condition: v3==0, Action: D--;) transition31 (Condition: D>=1, Action: v3=1) transition32 (Condition: v3==1) transition33 (Default) transition34 (Default, Action: p++) transition4 (Default) transition5 (Condition: LEN_A3>0) transition6 (Condition: LEN_A5>0) Variables conversaoEN (Double, Initial value: 0.0105726159421776) conversaoLER (Double, Initial value: 0.254842204510835) D (Int, Initial value: 0) emprLEN_A3 (Int, Initial value: 0) emprLEN_A5 (Int, Initial value: 0) emprLER (Int, Initial value: 0) EnergiaNovaLeiloada(Double, Initial value: 3) LeiloesLER (Int, Initial value: 0) LEN_A3 (Int, Initial value: 0) LEN_A5 (Int, Initial value: 0) n (Double, Initial value: 0) NvEm (Double, Initial value: 0) p (Int, Initial value: 0) T_A3 (Int, Initial value: 36) T_A5 (Int, Initial value: 60) T_ACL (Int, Initial value: 28) T_LER (Int, Initial value: 33) V (Double, Initial value: 0) v3 (Int, Initial value: 0)

195

VariacaoGerac (Double, Initial value: 1) VariacaoPIBpos (Double, Initial value: 0) Table functions efeitodasvarLERs = (0.55, 0.0226), (0.52, 0.077), (0.49, 0.19), (0.46, 0.22), (0.43, 0.24), (0.4, 0.25), (0.37, 0.26), (0.34, 0.27), (0.31, 0.28), (0.28, 0.29), (0.25, 0.3), (0.22, 0.38), (0.19, 0.46), (0.16, 0.75), (0.13, 0.9), (0.1, 0.97), (0.07, 0.99), (0.04, 1.0), (0.0, 1.0) HistoricoA3 = (2006.0, 0.69), (2007.0, 0.34), (2008.0, 0.3), (2009.0, 1.0), (2010.0, 0.37), (2011.0, 0.69), (2012.0, 0.0), (2013.0, 0.15), (2014.0, 0.16), (2015.0, 0.37), (2016.0, 0.5), (2017.0, 0.5), (2018.0, 0.5), (2019.0, 0.5), (2020.0, 0.5), (2021.0, 0.5), (2022.0, 0.5), (2023.0, 0.5), (2024.0, 0.5), (2025.0, 0.5), (2026.0, 0.5), (2027.0, 0.5), (2028.0, 0.5), (2029.0, 0.5), (2030.0, 0.5) HistoricoA5 = (2006.0, 0.31), (2007.0, 0.66), (2008.0, 0.69), (2009.0, 0.0), (2010.0, 0.63), (2011.0, 0.31), (2012.0, 1.0), (2013.0, 0.85), (2014.0, 0.84), (2015.0, 0.63), (2016.0, 0.0), (2017.0, 1.0), (2018.0, 0.5), (2019.0, 0.5), (2020.0, 0.5), (2021.0, 0.5), (2022.0, 0.5), (2023.0, 0.5), (2024.0, 0.5), (2025.0, 0.5), (2026.0, 0.5), (2027.0, 0.5), (2028.0, 0.5), (2029.0, 0.5), (2030.0, 0.5) VolumeAdescontratar = (2007.0, 0.0), (2008.0, 0.0), (2009.0, 0.0), (2010.0, 0.0), (2011.0, 0.0), (2012.0, 0.0), (2013.0, 0.0), (2014.0, 0.0), (2015.0, 0.0), (2016.0, 0.0), (2017.0, 0.02), (2018.0, 0.0), (2019.0, 0.0), (2020.0, 0.0), (2021.0, 0.0), (2022.0, 0.0), (2023.0, 0.0), (2024.0, 0.0), (2025.0, 0.0), (2026.0, 0.0), (2027.0, 0.0), (2028.0, 0.0), (2029.0, 0.0), (2030.0, 0.0) volumedisponivel = (2007.0, 0.105454442113571), (2008.0, 0.0967741935483869), (2009.0, 0.0645161290322581), (2010.0, 0.0725806451612907), (2011.0, 0.0), (2012.0, 0.0434998523452964), (2013.0, 0.26155845951633), (2014.0, 0.501550083561026), (2015.0, 0.554021788120386), (2016.0, 0.366987833591618), (2017.0, 1.0), (2018.0, 0.4), (2019.0, 0.5), (2020.0, 0.05), (2021.0, 0.6), (2022.0, 0.5), (2023.0, 0.5), (2024.0, 0.4), (2025.0, 0.6), (2026.0, 1.0), (2027.0, 0.8), (2028.0, 0.5), (2029.0, 0.3), (2030.0, 0.6)

196

Ambiente empreendedors

Parameters color (Type: Color, Default value: blue) TempoConstrucao (Type: Int, Default value: 0) States

197

AdotantesACLEólica (Entry action: this.moveTo(main.ACL_Eólica); this.color=green;) AdotantesACREólica (Entry action: this.color=navy; this.moveTo(main.ACR_AdotantesEolica);) ConstruindoUsina (Entry action: if (this.color==silver), main.ConstrucaoOutrasFontes++; if (this.color==blue), main.ConstrucaoEolicaACR++; if (this.color==green), main.ACLConstrucaoEolica++;) MercadoPotencialACLEólica (Entry action: main.MercadoPotencialACL++; this.color=peru;) MercadoPotencialACREólica (Entry action: main.MercadoPotencialACR++;) UsinaACRDesativada (main.remove_empreendedors(this);) UsinaConstruida (Entry action: if (this.color==silver), main.OutrasFontesConcluidas++; if (this.color==blue), main.EolicaACRConcluidas++; if (this.color==blue), this.color=orange; if (this.color==green), main.ACLEolicaConcluidas++;) Transitions EfeitoPreco (Rate: 30*(main.incentivos) per month, Action: this.color=black; main.MercadoPotencialACR--;) if (color==black), color=silver; if (color==navy),color=blue;)) Imitador (Rate: (main.ci*((main.CapEólicaInstaladaACR)/30))/main.ParticipantesACR per month, Action: main.ImitadoresACR++;) Imitador1 (Rate: ((main.ci)*((main.CapEólicaInstaladaACL)/30))/(main.MercadoAnualACL) per month, Action: this.color=dodgerBlue; main.ImitadoresACL++;) Inovadores (Rate: main.EficáciaDePolíticasdeIncentivo per month, Action: main.InovadoresACR++;) Inovadores1 (Rate: main.EficáciaDePolíticasdeIncentivo per month, Action: this.color=gold; main.InovadoresACL++;) transition (Message, Message type: Object, On particular message, "Ocupar", Action: main.removidos++; main.DesativacaoEolicaACR++; this.color=red; main.ePE.collectionEmpreendACL.remove(this); main.remove_empreendedors(this);) transition1 (Condition: this.color==black) transition16 (Rate: ((main.ParticipantesACR*main.EfeitoDoAprendizadoNoPreço)/8) per year) transition17 (Timeout: 2 months, Action: if (color==black),main.OutrasFontesACR++; transition19 (Rate: 0.27 per year, Action: deliver("Escolher", main.ePE); this.color=orange; main.DesativacaoEolicaACL++;) transition2 (Condition: this.color==purple; Action: this.moveTo(main.ACL_OutrasFontes);)

198

transition20 (Rate: ((main.MercadoAnualACL*main.EfeitoDoAprendizadoNoPreço)/8) per year, Action: main.convertidos++;) transition21 (Timeout: 2.5 months, Action: main.MercadoAnualACL=0;) transition3 (Timeout: TempoConstrucao months, Action: if (this.color==silver), main.ConstrucaoOutrasFontes--; if (this.color==blue), main.ConstrucaoEolicaACR--; if (this.color==green), main.ACLConstrucaoEolica--;) transition4 (Condition: (this.color==orange), Action: if (this.TempoConstrucao==33), main.ePE.collectionEmpreendLER.addFirst(this); if (this.TempoConstrucao==33), main.UsinasEolicasConcluidasLER++; transition5 (Timeout: 3 months) transition6 (Condition: (this.color==green), Action: main.ePE.collectionEmpreendACL.addFirst(this);) transition7 (Timeout: 240 months, Action: main.DesativacaoEolicaACR++;) transition8 (Message, Message type: Object, On particular message, "Descontratar", Action: main.EmpDescontratados++; main.EmpDescontratados2++; main.DesativacaoEolicaACR++; main.DesativacaoEolicaLER++; main.ACLEolicaConcluidas++; main.ACLDescontratacaoEolica++; main.ePE.collectionEmpreendLER.remove(this); main.ePE.collectionEmpreendACL.addFirst(this); this.color=pink;) transition9 (Timeout: 35 months)