modelo de programaÇÃo estocÁstica para seleÇÃo de … › wp-content › uploads › 2019 ›...
TRANSCRIPT
FACULDADE IETEC
Glaucio Lyra Filho
MODELO DE PROGRAMAÇÃO ESTOCÁSTICA PARA SELEÇÃO DE
PORTFÓLIO DE PROJETOS CONCILIANDO OBJETIVOS
ECONÔMICOS E AMBIENTAIS
Belo Horizonte
2017
Glaucio Lyra Filho
MODELO DE PROGRAMAÇÃO ESTOCÁSTICA PARA SELEÇÃO DE
PORTFÓLIO DE PROJETOS CONCILIANDO OBJETIVOS
ECONÔMICOS E AMBIENTAIS
Dissertação apresentada ao Programa de Mestrado da Faculdade Ietec, como requisito parcial à obtenção do título de Mestre em Engenharia e Gestão de Processos e Sistemas.
Área de concentração: Engenharia e Gestão de Processos e Sistemas
Linha de pesquisa: Gestão de Processos, Sistemas e Projetos
Orientador: Dr Bruno Santos Pimentel
Faculdade Ietec
Belo Horizonte
Faculdade Ietec
2017
Lyra Filho, Glaucio.
L992m Modelo de programação estocástica para seleção de portfólio de projetos conciliando objetivos econômicos e ambientais / Glaucio Lyra Filho - Belo Horizonte, 2017.
106 f., enc.
Orientador: Bruno Santos Pimentel.
Dissertação (mestrado) – Faculdade Ietec.
Bibliografia: f. 86-90
1. Modelos multiobjetivo. 2. Modelos estocástico. 3. Emissões de CO2e. 4. Seleção de portfólio. 5.Geração de energia. I. Pimentel, Bruno Santos. II. Faculdade Ietec. Mestrado em Engenharia e Gestão de Processos e Sistemas. III. Título.
CDU: 658.5
Modelo de programação estocástica para seleção de portfólio de projetos conciliando
objetivos econômicos e ambientais
Dissertação apresentada ao Curso de Mestrado em Engenharia e Gestão de Processos e Sistemas da Faculdade Ietec, como requisito parcial à obtenção do título de Mestre em Engenharia e Gestão de Processos e Sistemas.
Área de concentração: Engenharia e Gestão de Processos e Sistemas
Linha de pesquisa: Gestão de Processos, Sistemas e Projetos
Orientador: Dr Bruno Santos Pimentel
Faculdade Ietec
Aprovada pela banca examinadora constituída pelos professores:
Belo Horizonte, 14 de setembro de 2017.
Faculdade IETEC
Rua Tomé de Souza, 1065 - Belo Horizonte, MG - 30140-131 - Brasil - tel.: (031) 3116-1000 - fax (031)
Programa de Pós-Graduação
em Engenharia e Gestão de
Processos e Sistemas
Faculdade Ietec
AGRADECIMENTOS
Gostaria de agradecer ao professor Bruno Santos Pimentel, por toda ajuda,
dedicação e paciência.
A todos os colegas do Ietec, pelo apoio e incentivo durante este período.
Aos meus pais e aos meus irmãos pelos exemplos e incentivo ao estudo.
A Junia e Tatianna pela compreensão, amor e carinho.
A todos os professores, amigos e colegas que ao longo de minha caminhada
contribuíram de alguma forma com a minha formação e me ajudaram a chegar até
aqui.
Era uma vez um escritor, que morava em uma praia calma, próximo a uma colônia de pescadores. Todas as manhãs ele caminhava à beira do mar para se inspirar e, à tarde, ficava em casa escrevendo. Certo dia, caminhando pela praia, viu um vulto ao longe que parecia dançar. Ao chegar perto, reparou que se tratava de um jovem que recolhia estrelas-do-mar da areia, para, uma a uma, jogá-las de volta ao oceano, para além de onde as ondas quebravam. Por que você está fazendo isto?, perguntou o escritor. Você não vê?, explicou o jovem, que alegremente continuava a apanhar e jogar as estrelas ao mar, A maré está vazando e o sol está brilhando forte... elas irão ressecar e morrer se ficarem aqui na areia. O escritor espantou-se com a resposta e disse com paciência: Meu jovem, existem milhares de estrelas-do-mar espalhadas pela praia. Você joga algumas poucas de volta ao oceano, mas a maioria vai perecer de qualquer jeito. De que adianta tanto esforço, não vai fazer diferença? O jovem se abaixou e apanhou mais uma estrela na praia, sorriu para o escritor e disse: Para esta aqui faz, e jogou-a de volta ao mar. Naquela noite, o escritor não conseguiu escrever, nem sequer dormir. Pela manhã, voltou à praia e procurou o jovem, uniu-se a ele e juntos, começaram a jogar estrelas de volta ao mar.
Autor desconhecido
RESUMO
Num mundo em que as incertezas são cada vez maiores, a tomada de decisão de
investimento torna-se cada vez mais difícil. Diante deste cenário, o uso de
ferramentas que auxiliam este processo é importante para tornar mais robustas as
decisões determinadas pelos modelos. Neste trabalho procurou-se desenvolver um
modelo matemático para a seleção de portfólio de projetos, considerando múltiplos
objetivos e levando-se em conta diferentes cenários de interesse. Para o
desenvolvimento do modelo foi utilizado o conceito de programação matemática
inteira multiobjetivo e estocástica. Por meio do modelo, foi possível determinar
combinações ótimas dos projetos de modo a atingir os objetivos propostos. Para
testar a eficácia do modelo foi elaborada uma carteira de projetos de geração de
energia elétrica a partir de fontes hidrelétrica, eólica e solar, utilizando dados dos
leilões promovidos pela ANEEL, considerando diferentes cenários de produção e
demanda, com análise das emissões de CO2e para a atmosfera. Os resultados
obtidos mostram a importância da análise de cenários no ambiente de decisões de
investimento, para aumentar a sua eficácia, além disso, que é possível o
balanceamento entre objetivos conflitantes como retorno econômico e preservação
ambiental.
Palavras-chave: Modelo multiobjetivo. Modelos estocásticos. Emissões de CO2e.
Seleção de portfólio. Geração de energia.
ABSTRACT
In a world on what uncertainties are increasing, investment decision-making is
becoming increasingly difficult. Given this scenario, the use of tools that help this
process is important to make the decisions determined by the models more robust.
In this work was sought to develop a mathematical model for the selection of project
portfolio, considering multiple objectives and taking into account different scenarios
of interest. The concept of multiobjective and stochastic mathematical programming
was used develop the model. Through the model, it was possible to determine
optimal combinations of the projects to reach the proposed objectives. In order to
test the effectiveness of this model, a portfolio of different electric power generation
projects was developed from hydroelectric, wind and solar sources, using data from
the auctions promoted by ANEEL. Mainly two aspects were considered: production
and demand different scenarios, always considering the analysis of CO2e emissions
for the atmosphere. The results obtained show the importance of the analysis of
scenarios in the environment of investment decisions, to increase the effectiveness
of the portfolio, besides, that it is possible to balance between conflicting objectives
such as economic return and environmental preservation.
Keywords: Multi-objective models. Stochastic models. CO2 equivalents emissions.
Portfolio selection. Electrical energy generation.
LISTA DE FIGURAS
Figura 1 - Fronteira eficiente ..................................................................................... 24
Figura 2 - Sustentabilidade e as suas dimensões ..................................................... 37
Figura 3– Possibilidades futuras ............................................................................... 39
Figura 4 - Fatores considerados na análise de Cenários .......................................... 40
Figura 5 - Fatores de influência ................................................................................. 42
Figura 6 - Cenários mundiais: incertezas críticas ...................................................... 47
Figura 7 - Cenários mundiais: denominação de cenários ......................................... 47
Figura 8 - Cenários mundiais: denominação de cenários ......................................... 48
Figura 9 - Caracterização dos cenários nacionais .................................................... 49
Figura 10 - Projeção do consumo final de eletricidade no Brasil .............................. 50
LISTA DE GRÁFICOS
Gráfico 1 - Fronteira eficiente do modelo determinístico ........................................... 71
Gráfico 2 - Variação da potência gerada por tipo de geração em função das
emissões de CO2e Indireto do modelo determinístico ............................................... 71
Gráfico 3 - Fronteira eficiente do modelo estocástico, considerando os cenários de
condições climáticas ................................................................................................. 74
Gráfico 4 - Fronteira eficiente do modelo estocástico, considerando os cenários de
condições climáticas e demanda incerta ................................................................... 76
Gráfico 5 – Variação do máximo valor econômico em função da variação da
penalidade por emissão de CO2e , considerando os cenários de condições climáticas
e condições econômicas ........................................................................................... 78
Gráfico 6 - Variação da potência gerada por tipo de geração em função das
emissões de CO2e, do modelo multiobjetivo com cenário de ótimas condições
atmosféricas .............................................................................................................. 79
Gráfico 7 - Variação da potência gerada por tipo de geração em função das
emissões de CO2e, do modelo estocástico com cenário condições atmosféricas
normais ..................................................................................................................... 80
Gráfico 8 - Variação da potência gerada por tipo de geração em função das
emissões de CO2e Indireto, do modelo estocástico com cenário condições
atmosféricas ruins ..................................................................................................... 81
Gráfico 9 - Variação da potência produzida, comprada e vendida, em função das
emissões de CO2e, do modelo multiobjetivo no cenário na crista da onda ............... 82
Gráfico 10 - Variação da potência produzida, comprada e vendida, em função das
emissões de CO2e, do modelo multiobjetivo no cenário surfando na marola. ........... 83
Gráfico 11 - Variação da potência produzida, comprada e vendida, em função das
emissões de CO2e, do modelo estocástico no cenário navegando em pedalinho .... 84
Gráfico 12 - Variação da potência produzida, comprada e vendida, em função das
emissões de CO2e, do modelo estocástico no cenário naufragando ........................ 85
Gráfico 13 - Comparação entre máximo retorno econômico, emissões, potências
geradas e compradas, variando os fatores de carga, considerando cenários de
produção de ótimas condições climáticas e demanda incerta .................................. 90
Gráfico 14 - Comparação entre máximo retorno econômico, emissões, potências
geradas e compradas, mudando a forma de contratação de energia de menor preço,
para melhor eficiência, na seleção de portfólio considerando cenários de produção
de ótimas condições climáticas e demanda incerta .................................................. 91
LISTA DE QUADROS
Quadro 1 - Indicadores ambientais GRI .................................................................... 38
Quadro 2 - Fatores de emissão de gases efeito estufa (GEE) das tecnologias de
geração de eletricidade segundo a meta análise e a geração de eletricidade de cada
tecnologia no ano de 2010 ........................................................................................ 51
Quadro 3 - Fatores de emissão de CO2e (em gramas de CO2e por KWh) ................ 52
Quadro 4 - Emissões diretas e indiretas na geração de eletricidade (gCO2e/KWh) .. 52
Quadro 5 - Emissões em gCO2e/KWh por tipo de geração de energia elétrica ........ 52
LISTA DE TABELAS
Tabela 1 - Valores utilizados para cálculo da receita líquida .................................... 51
Tabela 2 - Cenários de demanda prevista em 2030 e suas probabilidades ............. 54
Tabela 3 - Cenários de produção durante a vida útil dos projetos de geração de
energia elétrica e suas probabilidades ...................................................................... 54
Tabela 4 – Métricas de interesse para o modelo de acordo com o número de
cenários considerados .............................................................................................. 66
Tabela 5 - Resultados encontrados na solução do problema determinístico ............ 69
Tabela 6 - Cenários de produção de energia elétrica de acordo com as condições
atmosféricas e suas probabilidades .......................................................................... 72
Tabela 7 – Resultados da solução do problema estocástico com potência produzida
incerta ....................................................................................................................... 73
LISTA DE ABREVIATURAS E SIGLAS
ANEEL Agência Nacional de Energia Elétrica
BSC Balanced Scorecard
CMMAD Comissão Mundial sobre Meio Ambiente e Desenvolvimento da ONU
FMI Fundo Monetário Internacional
GRI Global Reporting Initiative
MIT Massachusetts Institute of Technology
ONU Organização das Nações Unidas
TBL Triplo Bottom Line
UNCTAD Conferência das Nações Unidas sobre Comércio-Desenvolvimento
UNEP Programa de Meio Ambiente das Nações Unidas
SUMÁRIO
1 INTRODUÇÃO ............................................................................................. 17
2 REVISÃO BIBLIOGRÁFICA ........................................................................ 22
2.1 Seleção de Portfólio ..................................................................................... 22
2.1.1 Seleção de Portfólio de Ativos por Markowitz .............................................. 22
2.2 Otimização multiobjetivo ............................................................................... 24
2.2.1 Conceitos básicos ........................................................................................ 25
2.2.2 Métodos de Otimização Multiobjetivo ........................................................... 26
2.2.2.1 Método a priori ou tomada de decisão antes da busca. ............................... 26
2.2.2.2 Método a posteriori ou tomada de decisão depois da busca. ...................... 27
2.2.2.3 Método interativo ou tomada de decisão durante a busca. .......................... 27
2.2.3 Métodos Clássicos de Otimização ................................................................ 28
2.2.3.1 Método da soma ponderada ......................................................................... 28
2.2.3.2 Método "restrito” ........................................................................................... 29
2.2.3.3 Método de programação por metas ............................................................. 29
2.2.4 Programação estocástica ............................................................................. 31
2.2.4.1 Modelo de recurso ........................................................................................ 32
2.2.4.2 Modelos probabilísticos ................................................................................ 32
2.2.4.3 Valor Esperado da Informação Perfeita ....................................................... 33
2.3 Desenvolvimento sustentável ....................................................................... 34
2.3.1 Indicadores da Global Reporting Initiative (GRI) .......................................... 37
2.3.1.1 Indicadores de desempenho ambiental ........................................................ 37
2.4 Análise e planejamento de cenários ............................................................. 39
2.4.1 Processo de Planejamento de Cenários ...................................................... 41
2.5 Estado da arte na seleção de portfólios ....................................................... 42
3 DESENVOLVIMENTO .................................................................................. 44
3.1 Metodologia .................................................................................................. 44
3.1.1 Levantamento dos dados .......................................................................... 44
3.1.1.1 O Plano Nacional de Energia (PNE) ............................................................. 45
3.1.1.2 O Ciclo de Planejamento Energético Integrado ............................................ 45
3.1.1.3 Os Estudos do Plano Nacional de Energia 2030(PNE 2030) ....................... 45
3.1.1.4 Leilões de energia da ANEEL ...................................................................... 50
3.1.1.5 Cálculo da receita liquida.............................................................................. 50
3.1.1.6 Emissões de CO2e para a atmosfera ............................................................ 51
3.1.1.7 Parâmetros Associados à Incerteza ............................................................. 53
3.1.1.8 Geração de cenários .................................................................................... 53
3.2 Seleção de projetos e parâmetros utilizados nos modelos de otimização de
portfólio de projetos de geração de energia elétrica ................................................. 54
3.3 Formas de modelar o problema ................................................................... 56
3.4 Modelos matemáticos determinísticos e estocásticos, para a seleção de
portfólios de projetos ................................................................................................. 57
3.4.1 Versão determinística ................................................................................... 58
3.4.1.1 Índices e conjuntos ....................................................................................... 58
3.4.1.2 Parâmetros ................................................................................................... 58
3.4.1.3 Variáveis de decisão .................................................................................... 59
3.4.1.4 Modelo matemático ...................................................................................... 59
3.4.2 Versão estocástica com energia produzida incerta ...................................... 60
3.4.2.1 Índices e conjuntos ....................................................................................... 60
3.4.2.2 Parâmetros ................................................................................................... 60
3.4.2.3 Variáveis de decisão .................................................................................... 61
3.4.2.4 Modelo matemático ...................................................................................... 61
3.4.3 Versão estocástica com energia produzida e demanda incerta ................... 62
3.4.3.1 Índices e conjuntos ....................................................................................... 62
3.4.3.2 Parâmetros ................................................................................................... 62
3.4.3.3 Variáveis de decisão .................................................................................... 62
3.4.3.4 Modelo matemático ...................................................................................... 63
3.4.4 Versão estocástica com representação de um problema multiobjetivo ........ 64
3.4.4.1 Índices e conjuntos ....................................................................................... 64
3.4.4.2 Parâmetros ................................................................................................... 64
3.4.4.3 Variáveis de decisão .................................................................................... 64
3.4.4.4 Modelo matemático ...................................................................................... 64
3.4.4.5 Métricas de interesse para o modelo............................................................ 65
4 RESULTADOS E DISCUSSÃO ................................................................... 67
4.1 Descrição do caso estudado ........................................................................ 67
4.2 Análise dos resultados ................................................................................. 69
4.2.1 Modelo determinístico .................................................................................. 69
4.2.2 Modelo estocástico com energia produzida incerta ...................................... 72
4.2.3 Modelo estocástico com energia produzida e demanda incerta .................. 74
4.2.4 Modelo multiobjetivo com energia produzida e demanda incerta ................. 76
4.3 Análise de sensibilidade ............................................................................... 88
4.3.1 Variação do fator de carga da geração de energia das usinas .................... 89
4.3.2 Mudança na forma de contratação de energia do leilão, de menor preço para
maior eficiência ......................................................................................................... 91
5 CONCLUSÃO ............................................................................................... 93
5.1 Trabalhos Futuros ........................................................................................ 94
REFERÊNCIAS ......................................................................................................... 95
ANEXO A – Resultado dos leilões da ANEEL ..................................................... 101
ANEXO B – Indicadores ambientais da GRI ........................................................ 107
APENDICE A – Gráficos do modelo estocástico considerando o cenário de
condições climáticas. ........................................................................................... 108
APENDICE B – Gráficos do modelo estocástico considerando os cenários de
condições climáticas e demanda. ....................................................................... 110
APENDICE C – Gráficos do modelo estocástico com energia gerada e
demandas incertas, variando o fator de carga médio nos cenários de
condições climáticas normais e ruins. ............................................................... 114
APENDICE D – Gráficos do modelo estocástico com energia gerada e
demandas incertas, mudando a forma de contratação de preço mais baixo para
melhor eficiência, nos cenários de ótimas condições climáticas e normais. . 116
17
1 INTRODUÇÃO
Em um mundo globalizado, em que fatos novos acontecem a todo o momento e têm
repercussões imediatas, em todas as áreas, as decisões de investimentos das
empresas são cada vez mais complexas. Como exemplos desses fatos, pode-se
destacar:
- A Eleição de Donald Trump para o governo dos Estados Unidos da América;
O rali da eleição presidencial nos Estados Unidos elevou às alturas as bolsas americanas. Após a posse de Donald Trump, porém os mercados globais têm assistido os primeiros dias do governo entre a euforia e o medo. Na semana passada, por exemplo, o Dow Jones ultrapassou o patamar dos 20 mil pontos pela primeira vez na história, após Trump assinar decretos para flexibilizar regulamentações ambientais e apoiar a retomada de projetos de oleodutos, suspensos durante a gestão Obama. Mas ontem a história foi diferente: as bolsas globais se abalaram diante do anúncio pelo governo americano de uma radicalização nas regras de imigração e bloqueio de entrada no país de visitantes de algumas nações com predomínio muçulmano. Na visão da estrategista de mercado globais do J.P.Morgan Asset em Nova York, Gabriela Santos, os mercados viveram nesta segunda-feira ”um choque entre a realidade e as expectativas”. Em entrevista ao Valor, a especialista da instituição americana previu aumento da volatilidade, em meio às incertezas das políticas de Trump, mas também a sustentação das altas das ações, diante do fortalecimento dos fundamentos econômicos e corporativos, que independem do cenário político. (TAUHATA, 2017).
- A Saída da Inglaterra da Zona do Euro;
O resultado final foi recebido com choque por economistas, cientistas políticos e líderes mundiais. Afinal, essa é a primeira vez que um país desenvolvido se desliga do bloco. O clima, agora, é sombrio, especialmente por conta das dúvidas acerca do que acontecerá na esfera política
na Europa e em todo o mundo. “Esse é o maior risco político enfrentado pelo mundo desde a crise dos mísseis em Cuba”, lamentou no Facebook Ian Bremmer, cientista político e fundador da consultoria Eurasia Group. Jan Techau, diretor do centro de relações internacionais Instituto Carnegie, classificou a última sexta (24) como “um dia devastador” e disse que a reputação da UE saiu abalada. (RUIC, 2016).
Neste ambiente, em que as crises são cada vez mais intensas e num intervalo de
tempo cada vez menor, torna-se muito mais difícil para as empresas decidir onde e
em que investir.
Em muitos países, o clima político é tenso. A falta de crescimento da renda e o aumento das desigualdades abriram as portas para políticas populistas e isolacionistas, o que dificulta ainda mais a solução dos problemas herdados do passado, aumentam a exposição das economias e dos mercados a choques e eleva o risco de um processo gradual de estagnação econômica e financeira. (FMI, 2016).
18
Uma das vertentes que dificultam a decisão é sem dúvida o aspecto econômico
Turbulências diárias em escala global estão dando aos líderes e investidores muitas razões para agirem com cautela, já que eles precisam enfrentar grandes desafios constantemente. O aumento de dívidas soberanas, os mercados voláteis, a instabilidade de moedas, os impasses políticos e o crescimento estagnado ameaçam as economias dos países desenvolvidos. (FIORENTINO et al., 2012).
Além do problema citado acima, existem outras preocupações:
Mas não são apenas os aspectos econômicos que devem ser considerados pelas empresas nas suas decisões de investimentos, pois as demandas ambientais são cada vez maiores nos dias de hoje. “Empresas que não conseguirem atender as exigências ambientais, não terão as necessárias licenças, concedidas pelo poder público, para suas operações. (FIORENTINO et al., 2012).
Nos últimos anos, a importância da responsabilidade social na atuação das
empresas evoluiu tanto, que nos dias de hoje já se fala em licença social para
funcionar. “Licença Social é uma aprovação da comunidade em relação às
operações de uma determinada empresa” (THOMSON, 2014.) e se baseia na idéia
de que as empresas precisam não apenas de permissões do governo, mas também
uma “permissão social” para desenvolver seus projetos.
A forma como estes três aspectos, econômico, ambiental e social, são considerados
pelas empresas nos seus investimentos e atividades, é denominado
Sustentabilidade.
A primeira definição formal de Sustentabilidade surgiu no relatório “Our Commom Future”, da Comissão Mundial sobre Meio Ambiente e Desenvolvimento das Nações Unidas em 1987, como “o desenvolvimento que satisfaz as necessidades presentes, sem comprometer a capacidade de satisfazer as necessidades das futuras gerações”. “O tema foi aceito como prioritário por praticamente todos os países, e isso elevou a importância dessa discussão também no mundo empresarial”. O conceito do Triple Bottom Line (TBL) ganhou destaque nas discussões devido ao fato de criar um modelo que balizaria as discussões sobre o tema, tornando o assunto mais atrativo para as organizações que ainda não haviam se sensibilizado. Desde então, muitas organizações passaram a comunicar seus desempenhos econômico, ambiental e social e suas inter-relações, baseadas neste conceito. (ISENMANN et al., 2007).
O triple-botton-line é utilizado para medir o sucesso de uma empresa.
O conceito de sustentabilidade está baseado na estrutura triple-bottom-line, que se refere à abordagem de medir o sucesso das atividades de uma organização, de acordo com o seu desempenho social e ambiental, além do desempenho financeiro tradicional. (PIMENTEL et al., 2016).
19
Como os recursos de uma empresa são escassos e normalmente existem mais
projetos do que recursos, torna-se necessária a escolha informada e racional dos
projetos que vão utilizar os recursos disponíveis (TVERSKY; KAHNEMAN, 1986)
Neste ambiente a seleção do portfólio de projetos é cada vez mais importante e
deve ser olhada com um rigor científico, conciliado com o tino empresarial do gestor.
Segundo The standard... (2013, p. 123) portfólio é “uma coleção de programas,
projetos ou operações, gerenciados como um grupo para atingir os objetivos
estratégicos da empresa”.
As empresas têm adotado a seleção de portfólio como um meio para priorizar projetos, programas e operações, entre várias opções, bem como alocar recursos com a maximização de valor, equilíbrio e alinhamento estratégico da carteira em mente. (COOPER et al., 1997).
A teoria básica para a seleção de portfólio e a determinação da “Fronteira Eficiente”
foi iniciada por Markowitz (1952) para a seleção de uma carteira de investimentos
financeiros.
Conforme citado na pesquisa efetuada por Melo (2009) sobre os artigos existentes
de seleção de portfólio, a maioria dos artigos objetivam uma minimização dos
custos, maximização do retorno e redução dos riscos, sendo que uma minoria
refere-se a modelos para múltiplos objetivos.
Normalmente, na seleção do portfólio os projetos são avaliados apenas em função
da expectativa de resultados financeiros (por exemplo, Valor Presente Líquido) e
dos níveis de riscos (estimados, por exemplo, pela variância dos retornos
esperados), sem considerar outros parâmetros para esta seleção.
Um bom exemplo de outros parâmetros são os aspectos ambientais, objetos de
preocupação em todo o mundo e para os quais existem indicadores de performance
reconhecidos mundialmente, dentre os quais se destaca os indicadores da Global
Reporting Initiative (GRI). “GRI foi pioneira e desenvolveu um relatório abrangente
de Sustentabilidade, que é amplamente utilizado em todo o mundo.” (GOMES et al.,
2013).
20
Caso os aspectos ambientais sejam levados em consideração para a seleção do
portfólio, tem-se então as seguintes variáveis a considerar: as variáveis econômicas
e as variáveis ambientais. Desta forma o problema de seleção de portfólios passa a
ser como um problema de programação matemática multiobjetivo, conforme
entendimento de ABDELAZIZ et al. (2007).
Outro aspecto encontrado na maioria dos problemas de seleção do portfólio é que
os resultados financeiros previstos para os projetos são valores determinísticos, ou
seja, não levam em consideração à variação dos fatores tais como prazos, custos,
habilidades inadequadas, receitas, entre outros, que muitas vezes provocam
mudanças nos resultados esperados. Desta forma, a abordagem estocástica deve
ser utilizada para modelar as variáveis aleatórias nos diversos cenários estudados.
Este trabalho se propõe a desenvolver modelos para a seleção e otimização de
portfólios, de geração de energia elétrica, considerando objetivos econômicos e
ambientais, em situações de incerteza associada aos parâmetros de interesse, e
tem como objetivos específicos:
a) analisar o balanceamento entre objetivos econômicos e de desenvolvimento
sustentável ambiental, nas decisões de investimentos em projetos de geração
de energia;
b) analisar cenários que representem a incerteza associada a parâmetros como
demanda futura e capacidade de geração de energia;
c) avaliar a aplicabilidade do modelo proposto em contextos da realidade do
mercado de energia nacional.
Para atingir os objetivos e responder aos questionamentos propostos, organizou-se
o presente trabalho de forma a apresentar, no capítulo 2, uma revisão bibliográfica
dos temas de interesse relativos à seleção de portfólio, utilizando programação
matemática, sustentabilidade e análise de cenários. A metodologia utilizada,
juntamente com modelo matemático e suas versões, serão mostrados no capítulo 3.
No capítulo 4, descreve-se o caso abordado e submete-se as versões do modelo
21
mostrando os resultados obtidos. Finalmente, as conclusões e sugestões de
pesquisas futuras são apresentadas no capítulo 5.
22
2 REVISÃO BIBLIOGRÁFICA
Neste capítulo serão apresentados os tópicos relativos à seleção de portfólio
utilizando programação matemática, desde Markowitz até os dias de hoje, além de
abordar os temas sustentabilidade e análise de cenários.
2.1 Seleção de Portfólio
Um portfólio é uma coleção de programas, projetos ou operações gerenciadas de forma conjunta de modo a se alcançar objetivos estratégicos. Os componentes da coleção não devem, necessariamente, ser interdependentes ou possuir objetivos relacionados, mas devem ser quantificáveis (PMI, 2013).
Mas como escolher os programas, projetos e operações, que farão parte do
portfólio, dentre as várias alternativas disponíveis?
Conforme Triantaphyllou (2002), um dos principais desafios das organizações está
na sua capacidade de fazer escolhas certas e consistentes, alinhada com seus
objetivos estratégicos, principalmente nas empresas intensivas em capital, onde a
disciplina na alocação dos recursos e uma exigência dos acionistas, como
observado por Hopwood (2008).
Existem várias formas de realizar esta seleção, conforme mencionado por Archer;
Ghasemzadeh (1999), dentre eles podemos citar a abordagens ad hoc, abordagens
comparativas, modelos de pontuação, matrizes de portfólio e modelos de
otimização. No presente trabalho optou-se pelos métodos de programação
matemática. Estes métodos são especialmente interessantes para suportar esse
tipo de decisão, pois permitem modelar os problemas matematicamente, selecionar
decisões ótimas e analisar as suas implicações de acordo com o comportamento
das variáveis do problema.
2.1.1 Seleção de Portfólio de Ativos por Markowitz
Em 1952 Harry Markowitz publicou “Portfolio Selection”, estabelecendo os
fundamentos da economia financeira moderna. Ele teve a percepção que a
23
diversificação do investimento poderia reduzir os riscos, mas não seria suficiente
para eliminá-los por completo.
Utilizando um método que registra a variância de uma carteira como a soma das
variâncias individuais de cada ativo e covariâncias entre pares de ativos da carteira,
de acordo com o seu respectivo peso na carteira e preconiza que deve haver uma
carteira de ativos que maximiza o retorno esperado e minimiza a variância, e esta
deve ser a carteira recomendada para um investidor.
Markowitz conclui que o processo de seleção de uma carteira de ativos pode ser
dividido em dois estágios. O primeiro estágio visa levantar dados sobre o
desempenho histórico dos ativos e promover análises estatísticas que possibilitam
estimar o desempenho futuro. O segundo estágio visa, a partir do desempenho
futuro estimado, selecionar os ativos que otimizem o desempenho total da carteira.
Por sua contribuição, Markowitz dividiu o Prêmio Nobel de Economia de 1990 com
Merton Miller e William Sharpe. Sejam o retorno do ativo , o valor esperado, o desvio padrão de , a
covariância entre os ativos e e a porcentagem dos recursos do investidor no
ativo , o retorno do portfólio é então dado por:
(1)
O retorno do portfólio é uma soma ponderada de variáveis aleatórias, cujos pesos
são escolhidos pelo investidor. Assim, o valor esperado do portfólio é:
ℰ = 𝑥𝑖
𝑛
𝑖=1
𝜇𝑖
(2)
Com variância igual a:
(3)
24
O investidor pode escolher entre várias combinações possíveis entre e , de
acordo com suas escolhas dos pesos .
As combinações devem ser escolhidas de forma racional, ou seja, aquelas com
mínima variância, para um dado retorno esperado, ou aquelas com máximo valor
esperado, para um dado nível de variância.
Esses limites representam a fronteira eficiente do portfólio (FIGURA 1).
Figura 1 - Fronteira eficiente
Fonte: apifunds.com/api-approach/the-efficient-frontier/ 1952
Não por acaso, o modelo de Markowitz é chamado de Modelo de Média-Variância.
2.2 Otimização multiobjetivo
A maior parte dos problemas reais encontrados na área de otimização, envolve a obtenção de diversas metas que devem ser atingidas simultaneamente. Elas geralmente são conflitantes, ou seja, não existe uma solução única que otimize todas ao mesmo tempo. Para tal classe de problemas devemos buscar um conjunto de soluções eficientes. (TICONA, 2003).
Como existe mais de uma solução, o tomador da decisão deverá escolher aquela
que se mostrar mais eficiente para resolver o problema.
25
Conforme Arroyo (2002) os problemas dessa natureza são chamados de problemas
de otimização multiobjetivo por envolverem minimização (ou maximização)
simultânea de um conjunto de objetivos, sujeito a um conjunto de restrições. O
tomador de decisão deverá levar em conta os objetivos globais do problema para
escolher uma entre as soluções do conjunto de soluções eficientes.
2.2.1 Conceitos básicos
“A otimização multiobjetivo pode ser definida como o problema de achar um vetor de variáveis de decisão cujos elementos representam as funções objetivo. Essas funções formam uma descrição matemática do critério de otimalidade que estão em conflito umas com as outras. Neste caso, o termo “otimizar”, para o analista, significa encontrar um conjunto de soluções que não podem ser melhoradas simultaneamente” (COELLO,1999).
Um problema de otimização multiobjetivo pode ser representado como:
Minimizar uma função (4)
Sujeito a: (5)
(6)
(7)
Na qual é o vetor decisão, é o número de objetivos e é o vetor objetivo.
A imagem de é denominada espaço objetivo factível, sendo representado por:
(8)
As otimizações multiobjetivo possuem um conjunto de alternativas, geralmente
conhecidas como soluções pareto-ótimo, enquanto que nas otimizações
monobjetivos existe apenas uma solução ótima identificada.
Um vetor é denominado pareto-ótimo, ou seja, faz parte do conjunto de vetores
que pertencem à fronteira eficiente de solução do problema, se não existe um outro
vetor viável que possa melhorar algum objetivo, sem piorar pelo menos um outro
objetivo. Considerando o problema de minimização, temos:
a) domina para algum ;
e são indiferentes ou possuem o mesmo grau de dominância se, e somente se
não domina e não domina
26
Como não existe uma solução que domine a outra, não se pode identificar uma
solução ideal, a não ser que haja preferência do encarregado da decisão e esta
preferência tenha sido incluída nos objetivos.
“A otimização multiobjetivo diverge da otimização monobjetivo, devido ao fato de
raramente admitir uma simples solução.” (FONSECA, 1995). Assim, o conjunto de
soluções pareto-ótimos deve ser considerado equivalente, em vista da ausência de
informação referente à importância de cada objetivo.
2.2.2 Métodos de Otimização Multiobjetivo
Como os objetivos normalmente são conflitantes, achar soluções viáveis para todos é o maior desafio da otimização multiobjetivo. Na solução de problemas multiobjetivos, dois problemas podem ser identificados: busca de soluções e tomada de decisões. O primeiro refere-se ao processo de otimização no qual o conjunto de soluções viáveis, ou factíveis, deve ser guiado para o encontro do conjunto de soluções Pareto-Ótimos. O segundo problema, de tomada de decisões, consiste na seleção de um critério apropriado para a escolha de uma solução do conjunto Pareto-Ótimo. Este critério será utilizado pelo responsável, ou decisor, para a tomada de decisão, ou seja, ele poderá ponderar entre as diferentes soluções conflitantes. (HORN, 1997).
Para muitos autores, como Zitzler (1999), Veldhuizen e Lamont (2000), Fonseca e
Fleming (1995) e Arroyo (2002), os métodos de otimização multiobjetivo podem ser
classificados dentro de três categorias:
2.2.2.1 Método a priori ou tomada de decisão antes da busca.
No método a priori o tomador da decisão ajuda na busca das possíveis soluções
antes da resolução do problema, atribuindo preferências para os objetivos por meio
de duas configurações diferentes.
Na primeira, combina-se vários objetivos em um único objetivo. E a preferência é
identificada pelo peso de cada objetivo. Desta forma, transforma-se os objetivos
múltiplos em um único objetivo e aplica-se os métodos tradicionais de otimização
para resolver o problema.
Uma outra forma de configurar o problema é ordenar os objetivos de maneira a
resolver o problema na seqüência em que os objetivos aparecem. Assim,
27
inicialmente resolve-se o problema considerando apenas o primeiro objetivo. Em
seguida considera-se o próximo objetivo, com a restrição de atender a solução para
o objetivo anterior. O processo é repetido até a solução de todos os objetivos. Neste
método a vantagem é concentrar os esforços na busca de soluções para o problema
multiobjetivo, focando em um único objetivo por vez, embora seja necessário
realizar novas tentativas, sempre que alguma preferência for alterada ou a inclusão
de um novo objetivo, para encontrar a solução que atenda ao problema modificado.
2.2.2.2 Método a posteriori ou tomada de decisão depois da busca.
No método a posteriori, ou tomada de decisão depois da busca, a tomada de
decisão ocorre após a busca e identificação das soluções pareto-ótimos. Essa
busca é realizada considerando todos os objetivos do problema simultaneamente,
desde que sejam relevantes para o problema.
Dentre o conjunto de soluções aproximadas ou Pareto-ótimos, obtidas após esta
busca, cabe ao tomador da decisão escolher a mais adequada, sob seu ponto de
vista. Este método envolve um alto custo computacional, devido ao longo tempo
gasto para encontrar o conjunto de soluções pareto-ótimos. Entretanto, para os
problemas nos quais as preferências relativas, a mudança das preferências não
implica em custo computacional, sendo recomendado para estes casos.
2.2.2.3 Método interativo ou tomada de decisão durante a busca.
Neste método, há uma interferência do responsável pela decisão durante todo o
processo de busca de soluções, que direciona a busca nas regiões onde existam
soluções relevantes. Esta interferência do tomador de decisão torna o processo de
otimização interativo, pois define as prioridades, guiando a busca a partir de um
conjunto de soluções conflitantes.
Este método tem a vantagem de criar um método intermediário entre os métodos
anteriores, porém a constante intervenção do tomador de decisão pode tornar o
método inapropriado, para os problemas multiobjetivos complexos.
28
2.2.3 Métodos Clássicos de Otimização
“Para os problemas multiobjetivos, os métodos convencionais de otimização
monobjetivo não são eficientes” (PEREIRA, 2004). Logo, há necessidade de se
buscar métodos de otimização para solucionar os problemas encontrados.
Os métodos clássicos de otimização multiobjetivo podem ser usados para solucionar
estes problemas. Eles foram baseados nas soluções que utilizam pesos e/ou
prioridades associadas a estes objetivos.
Segundo Cohon (1978) e Steuer (1986), esses métodos clássicos transformam os
objetivos existentes no problema original em um problema substituto com um único
objetivo, utilizando métodos de priorização dos objetivos. Com esta transformação, o
problema passa a ser um problema monobjetivo. Existem três métodos clássicos
que podem ser utilizados para transformar os problemas multiobjetivo em
monobjetivo, e resolve-los:
2.2.3.1 Método da soma ponderada
Atribuindo-se pesos diferentes para cada objetivo, de acordo com a priorização dos
mesmos, constrói-se uma nova função para representar os objetivos. O novo
problema surgido desta mudança pode ser representado pela nova função que
expressa a relação linear existente entre os objetivos.
No caso de um problema de minimização temos:
Minimizar (0 (( (09)
Sujeito a:
No qual, é o peso do objetivo em relação aos outros objetivos.
Segundo Chankong e Haimes (1983), considerando que é um
vetor de pesos, uma solução do problema anterior será pareto-ótimo se: for
uma solução única e , para todo
𝑓 𝑥 = 𝑤𝑖𝑓𝑖(𝑥)
𝑟
𝑖=1
29
As soluções pareto-ótimos deste problema serão encontradas por meio de
iterações, considerando a opinião dos tomadores de decisão, na definição dos
pesos dos vetores, de acordo com a importância dos objetivos.
Os pesos devem ser normalizados pelo tomador de decisão para refletir a
importância dos objetivos. Isto fará com que exista um grau de importância de um
objetivo em relação aos outros.
.
Segundo Arroyo (2002), este método tem uma desvantagem quando o espaço
objetivo é não convexo, pois ele não consegue encontrar todas as soluções pareto-
ótimos. Neste método são geradas diferentes retas suportes, definidas pelos valores
, e geralmente, nem todos os pontos pareto-ótimos admitem estas retas.
2.2.3.2 Método "restrito”
Este método consiste na otimização do objetivo mais importante, sujeitando-o as
restrições dos outros objetivos, e será o método utilizado nas versões determinística,
estocástica com energia produzida incerta e estocástica com energia produzida e
demanda incerta.
Em um problema de minimização, considerando a função como o objetivo mais
importante, pode-se descrevê-la da seguinte forma:
Minimizar
Sujeito a: (10)
com , na qual, é o limite superior do objetivo .
Variando-se o limite superior , é possível construir o conjunto de soluções Pareto-
ótimo, mesmo quando o espaço objetivo é não convexo. Deve-se garantir que existe
solução viável para o problema ou o subconjunto de possíveis soluções será vazio.
2.2.3.3 Método de programação por metas
“Nos problemas de programação linear por metas, ou goal programming, usa-se
uma técnica da pesquisa operacional que permite a modelagem e a busca de
30
soluções para os problemas com múltiplas metas a serem otimizadas” (MORAES,
2005).
De acordo com Arenales et al. (2007), o método do peso é o mais utilizado, entre os
métodos existentes para a abordagem e resolução deste tipo de problema. Neste
método, os múltiplos objetivos são transformados em apenas um objetivo. As
soluções para o problema passam a ser as soluções em que o desvio permitido para
as variáveis que foram flexibilizadas estão próximos a zero.
Para o problema de programação linear por metas considera-se que cada meta
possui uma importância diferente na otimização representada através de pesos.
Quanto maior a importância da meta, maior será o seu peso. É possível aumentar o
espaço de soluções viáveis, nos problemas de programação por metas,
flexibilizando as restrições com a utilização de variáveis de desvio, que podem
otimizar os problemas avaliando as restrições que ficaram fora da meta
estabelecida.
Pode-se exemplificar um problema de programação linear por metas da seguinte
forma:
Minimizar (11)
Sujeito a:
(12)
, para todo
, para todo
para todo
Nesta formulação:
representam atividades a serem realizadas,
representam restrições a serem observadas,
31
a meta de recursos a serem utilizados ou exigências a serem alcançadas;
o custo da -ésima atividade e;
é a quantidade de recurso i (ou exigência) em uma unidade da atividade .
Neste modelo , e representam variáveis de decisão.
A variável quantifica o nível de operação da -ésima atividade. Os desvios e
são os desvios positivo e negativo da meta ou recurso . As prioridades são
informadas através das constantes e para análise dos desvios em relação à
meta.
2.2.4 Programação estocástica
“A programação estocástica é uma estrutura para modelar problemas de otimização que envolvam incerteza. Enquanto problemas de otimização determinística são formulados com parâmetros conhecidos, problemas do mundo real quase invariavelmente incluem alguns parâmetros desconhecidos”. (THE STOCHASTIC PROGRAMMING SOCIETY, [1984?]).
Mesmo sabendo-se que no mundo real os problemas quase sempre incluem
parâmetros variáveis, existe uma tendência à simplificação dos mesmos,
considerando-os como determinísticos.
“Muitos modelos de programação estocástica são inicialmente formulados como modelos determinísticos. No entanto, se alguns dos parâmetros do modelo determinísticos são incertos e este modelo apresenta-se sensível a alterações destes parâmetros, então é apropriado considerar programação estocástica para a solução desse problema” (SEN, 1999).
Diferentemente dos modelos determinísticos, que são ideais para situações em que
há pouca ou nenhuma variância dos parâmetros de interesse, os modelos
estocásticos consideram o conjunto de todos os cenários simultaneamente, cada
um com uma probabilidade de ocorrência associada, logo as suas soluções são
muito mais robustas do que as soluções do modelo determinístico, dado que o
cenário futuro é incerto. Para verificação da solução encontrada, é possível
compará-la ao valor esperado da informação perfeita, definida por BIRGE (1997)
como o valor que mede o máximo montante que um tomador de decisão estaria
disposto a pagar pela informação perfeita, isto é o preço a pagar para conhecer as
32
realizações futuras, como são conhecidas as soluções obtidas pelo modelo
determinístico, e avaliar a viabilidade ou não da utilização da programação
estocástica para solucionar o problema. “A programação estocástica trata de
problemas de otimização com parâmetros que assumem uma distribuição de
probabilidade discreta ou contínua.” (RIBAS, 2009). Existem maneiras adequadas
para solucioná-los. “As principais formas de abordagem da Programação
estocástica são por meio dos modelos de recursos, modelos probabilísticos e
programações estocásticas robustas.” (SAHADINIS, 2004).
2.2.4.1 Modelo de recurso
A abordagem para problemas de programação estocástica de dois estágios foi
originalmente proposta por Dantzig (1955) e Beale (1955). Elas utilizam modelos de
recursos, com ações corretivas, para compensar a violação de restrições que
surgirem após a realização das incertezas. É a escolhida para a versão do modelo
multiobjetivo modificado, por representar mais adequadamente os parâmetros
incertos do problema.
Abaixo está representada a forma como se apresenta a programação Estocástica
de dois estágios com recursos:
(13)
sujeito a: ,
Em que , é o valor ótimo do problema
de segundo estágio e é o valor esperado para cada realização
.
Assume-se que e são parâmetros determinísticos e é um vetor aleatório com
função de distribuição acumulada marginal .
2.2.4.2 Modelos probabilísticos
Charnes e Cooper (1959) foram responsáveis por apresentarem este modelo, que
permitem que algumas restrições de segundo estágio sejam expressas em termos
de declarações probabilísticas sobre as decisões de primeiro estágio. Desta forma,
33
algumas ações corretivas necessárias nos modelos de recurso são evitadas, já que
algumas restrições de segundo estágio podem ser violadas ao incorporarem uma
medida de risco. Nos casos em que os custos e benefícios associados às decisões
de segundo estágio são difíceis de serem avaliados, os modelos probabilísticos são
bastante úteis.
Na equação 13 do modelo de recurso, assumindo que c e A são parâmetro
determinísticos e é um vetor aleatório com função de distribuição acumulada
marginal conhecida, simplifica-se a abordagem e define-se o nível de confiança
para reescrever a restrição como:
(14)
Em que é a medida de probabilidade. Aplicando a função de distribuição
acumulada de à restrição (14), esta pode ser reformulada como:
(15)
Em que e são conhecidos. Desta forma, a restrição (14) é reduzida a uma
restrição linear e o modelo probabilístico se transforma em um modelo de
programação linear determinístico.
2.2.4.3 Valor Esperado da Informação Perfeita
O valor esperado da informação perfeita (Expected Value of Perfect Information -
EVPI) mede o máximo montante que um tomador de decisão estaria disposto a
pagar pela informação perfeita, isto é, o preço a pagar para conhecer as realizações
futuras.
para cada cenário, é possível calcular a solução conhecida como espere-e-veja
(wait-and-see - WS). A solução chamada de espere-e-veja corresponde ao valor
ótimo do problema quando as realizações futuras em cada cenário são conhecidas,
isto é, o tomador de decisão pode esperar e ver o futuro antes de decidir.
O valor esperado da informação perfeita (EVPI) é, por definição, a diferença entre
as soluções espere-e-veja e aqui-e-agora:
EVPI = WS − RP
𝑃𝑟 𝐴𝑖𝑗 𝑥𝑖 ≤ 𝑏𝑖
𝑚
𝑗=1
} ≥ 𝛼𝑖
34
O valor esperado da informação perfeita (EVPI) representa a diferença entre a
solução obtida pelo agente com poder de predição perfeita (conhece os eventos
futuros) e o agente que resolve o problema sob a hipótese de conhecer apenas a
distribuição de probabilidade dos cenários.
Valor da Solução Estocástica
Em alguns casos precificar o valor da informação perfeita não é a medida de
comparação mais adequada, já que a solução espere-e-veja (WS) é impossível de
ser realizada na prática. Nestes casos, outra opção consiste em utilizar a solução do
problema determinístico associada à média das variáveis aleatórias para comparar
com a solução estocástica. Assim, defini-se por EV (expected value) a solução do
problema para o cenário esperado.
O valor da solução estocástica (Value of the Stochastic Solution -VSS) fica então:
VSS = EEV − RP .
O valor da solução estocástica (VSS) pode ser interpretado como o benefício
esperado do agente que considerou a incerteza, ou ainda, como a perda esperada
do agente que optou pela modelagem determinística utilizando o valor esperado de
um cenário específico.
2.3 Desenvolvimento sustentável
Os últimos três séculos foram marcados pelas revoluções industriais e tecnológicas que culminaram com o surgimento de novas técnicas produtivas. Toda essa mudança fez a capacidade de produção aumentar de maneira acelerada. No entanto, tamanha velocidade do crescimento e a conseqüente necessidade de geração de riquezas acabaram culminando numa série de efeitos colaterais para a sociedade na qual o modelo produtivo se insere, o que levou a questões sobre a impossibilidade de subsistência. (MALTHUS, 1998).
Desde então, a sociedade passou a enfrentar o agravamento de problemas como
concentração de riquezas, desigualdade social, desemprego, prejuízos ambientais,
além de questões relacionadas à própria possibilidade de subsistência. Com isso, a
sociedade se mobilizou com objetivo de estudar e pesquisar o problema, de forma a
desenvolver um modelo de desenvolvimento que permitiria conciliar o crescimento
com uma melhor interação humana com o meio ambiente e com outros seres vivos.
Um dos resultados desta mobilização foi a criação do Clube de Roma, em 1968, que
publicou, em 1972, o relatório intitulado “Os Limites do Crescimento”, reconhecido
35
como sua maior contribuição para o assunto. Utilizando modelos matemáticos, foi
elaborado um estudo, baseado em dinâmica de sistemas, que recebeu muitas
críticas, com previsão que, se as atuais tendências de crescimento da população
mundial, industrialização, poluição, produção de alimentos e diminuição de recursos
naturais continuarem imutáveis, os limites de crescimento neste planeta serão
alcançados algum dia, dentro dos próximos cem anos, e concluía que o crescimento
deveria ser contido para isto não ocorrer.
Em 1973, Maurice Strong lançou o conceito de Ecodesenvolvimento, que pregava
uma política de desenvolvimento alternativo.
A Declaração de Cocoyok, também divulgada em 1973, foi o produto da reunião da Conferência das Nações Unidas sobre Comércio-Desenvolvimento (UNCTAD) e do Programa de Meio Ambiente das Nações Unidas (UNEP), e concluiu que os países industrializados contribuíam para os problemas de subdesenvolvimento devido ao seu alto grau de consumo. O Relatório Dag-Hammarskjöld (1975), estudo elaborado pela UNEP, em conjunto com pesquisadores e políticos de 48 países, veio reforçar a Declaração de Cocoyok, angariando a rejeição dos países desenvolvidos e
de pesquisadores mais conservadores. (CAVALCANTI et al., 1994).
Em 1987, a Comissão Mundial sobre Meio Ambiente e Desenvolvimento (CMMAD),
da Organização das Nações Unidas (ONU), apresentou oficialmente o termo
“Sustentabilidade”, que foi definido como: “[...] a capacidade de satisfazer as
necessidades do presente sem comprometer a capacidade das gerações futuras de
satisfazerem suas próprias necessidades”. (COMISSÃO..., 1988, p. 9). O tema foi
aceito como prioritário por praticamente todos os países, mas foi alvo de diversas
críticas, como por exemplo, segundo Drummond (1999) a definição de
“Sustentabilidade” foi considerada imprecisa e carregada de utopismo.
“Responsabilidade socioambiental deixou de ser uma opção para as organizações,
ela é uma questão de visão, estratégia e, muitas vezes, de sobrevivência”.
(TREVISAN et al., 2008). Mas não basta só a intenção de promover a
sustentabilidade nas organizações.
36
No entanto, embora todas elas tenham incluído a busca pela sustentabilidade em suas missões e visões, ainda são raras as empresas reconhecidas como exemplo a ser seguido nesse campo. Isso se deve, principalmente, à falta de um modelo que alie, de forma eficaz, o planejamento estratégico, particularmente o Balanced Scorecard (BSC) com os conceitos da sustentabilidade (PRIETO et al., 2006).
A comprovação desta afirmação está na constatação que: “A questão ambiental só
ganhou força quando se apresentou como um grave problema no meio produtivo, e
só então se iniciou a discussão acerca de “Ecoeficiência” e do que seria
politicamente correto” (LAYRARGUES, 1997).
Em 1992, durante a conferência da Cúpula da Terra, no Rio de Janeiro, que ficou
conhecida ECO 92, foi firmado um acordo, assinado por quase todos os países do
mundo, para estabilização da concentração dos gases responsáveis pelo efeito
estufa (GEE). Acordo que sofreu posteriormente revisões periódicas, sendo a mais
famosa delas o Protocolo de Quioto, apresentado em 1997. Elkington (1994),
apresentou em um estudo o conceito Triple Bottom Line, que é conhecido no idioma
inglês por 3P (People, Planet e Profit), e traduzido para o idioma português, como
PPL (Pessoas, Planeta e Lucro). Esta sigla significa que o lado econômico (lucro),
deve objetivar o desenvolvimento de empreendimentos viáveis para os investidores;
o lado ambiental (planeta), a interação com o meio ambiente sem lhe causar danos
permanentes; e social (pessoas), cujo objetivo é estabelecer um relacionamento
justo com seus empregados, parceiros e sociedade.
O conceito do Triple Bottom Line (TBL) ganhou destaque nas discussões devido ao fato de criar um modelo que balizaria as discussões sobre o tema, tornando o assunto mais atrativo para as organizações, que ainda não haviam se sensibilizado. Desde então, muitas organizações passaram a comunicar seus desempenhos econômico, ambiental e social, e suas inter-relações baseadas neste conceito (ISENMANN, et al., 2007).
Juntos, no entanto, estes três pilares se relacionam de tal forma que a interseção
entre dois pilares resulta em viável, justo e vivível, e dos três, resultaria no alcance
da sustentabilidade (FIGURA 2).
37
Figura 2 - Sustentabilidade e as suas dimensões
Fonte: ALLEDI FILHO et al., 2003, p.12.
“Cabe ressaltar que, recentemente, mais um pilar foi incorporado aos Bottom lines: o
pilar cultural. No entanto, este pilar ainda não foi totalmente incorporado pelas
organizações como forma de análise para a sustentabilidade” (REBELLO et al.,
2012).
2.3.1 Indicadores da Global Reporting Initiative (GRI)
A Global Reporting Initiative (GRI) foi criada em 1997 a partir da reunião de ambientalistas, ativistas sociais e representantes de fundos socialmente responsáveis, a GRI é uma organização multistakeholder, sem fins lucrativos, que desenvolve uma Estrutura de Relatórios de Sustentabilidade adotada por cerca de 1.000 organizações, em todo o mundo. A visão da GRI é que os relatórios de desempenho econômico, ambiental e social elaborados por todas as organizações se tornem tão rotineiros e úteis quanto são os tradicionais relatórios financeiros. (Global Reporting Initiative, GRI, 2012)
A GRI foi pioneira em desenvolver uma estrutura de um relatório que permite as
organizações medir e apresentar suas preocupações econômicas, ambientais e
sociais. Este relatório é amplamente utilizado em todo o mundo.
Os indicadores de performance do GRI são organizados em grupos de acordo com
a abordagem, sendo: EC(economic), EN (Environment), LA (Labour Practices), HR
(Human Rights), SO (Society) e PR (product Responsably). Existem também os
indicadores por aspecto, que é o grupo de um determinado tema, que se relaciona a
um consumo de indicadores de mesma natureza. (ANEXO B)
2.3.1.1 Indicadores de desempenho ambiental
O conjunto de indicadores ambientais foi estruturado, para refletir os resultados e de
que maneira uma organização impacta o meio ambiente (GOMES, et al., 2013).
38
Água, energia e materiais, são três tipos de insumos padrões utilizados na maioria
das organizações. A utilização destes insumos tem, como resultado, importantes
aspectos ambientais e são medidos por meio de emissões, efluentes e resíduos
(QUADRO 1).
Quadro 1 - Indicadores ambientais GRI
INDICADORES Descrição Aspecto
EN16Total de emissões diretas e indiretas de gases de
efeito estufa, por peso.
EN17Outras emissões indiretas relevantes de gases de
efeito estufa e as reduções obtidas.
EN18Iniciativas para reduzir as emissões de gases de
efeito estufa e as reduções obtidas.
EN19Emissões de substâncias destruidoras da camada de
ozônio, por peso.
EN20NOx, SOx e outras emissões atmosféricas
significativas, por peso.
EN21 Descarte total de água, por qualidade e destinação.
EN22 Peso total de água, por qualidade e destinação.
EN23Número e volume total de derramamentos
significativos.
EN24
Peso de resíduo transportados, importados,
exportados ou tratados considerados perigosos e
percentual destes resíduos transportados
internacionalmente
EN25
Identificação, tamanho e status de proteção do
índice de biodiversidade dso corpos e habitats
afetados por descartes de água.
INDICADORES PARA EMISSÕES, EFLUENTES E RESÍDUOS
Emissões, Efluentes
e Resíduos
Fonte: GRI, 2017, p.12. (Parte dos dados suprimida pelo autor).
a) indicadores de emissões
Existem indicadores normalizados (padrões), que determinam quando os valores
das emissões atmosféricas são considerados poluentes. Os indicadores de
emissões atmosféricas são os EN16, 17, 18, 19 e 20. Particularmente, dois desses
indicadores: EN16 e EN17, estão contemplados em Convenções internacionais
sobre os gases com efeito de estufa. Neste estudo, daremos ênfase ao indicador
EN 16, total de emissões diretas e indiretas de gases de efeito estufa (GEE) por
peso.
39
2.4 Análise e planejamento de cenários
Em um mundo incerto como o que vivemos, os dirigentes das organizações devem
avaliar as suposições existentes sobre o comportamento do mundo, para tentar
enxergar de maneira clara como ele funciona, para alcançar o sucesso em seus
negócios. O propósito da análise e planejamento de cenários é tentar entender a
realidade atual e prever, o mais próximo possível, como ela será no futuro. O
produto final deste processo, porém, não é uma estimativa precisa do amanhã, mas
elementos que possibilitem aos tomadores de decisão a escolha das melhores
opções, com uma visão mais clara sobre as possibilidades futuras (FIGURA 3).
Figura 3– Possibilidades futuras
Fonte: Dye, (2002).
“Lembre-se, análise e planejamento de cenários não é uma bola de cristal, mas
usado corretamente, pode ajudar, em muito, a organização na seleção de projetos e
priorização de processos para atingir seus objetivos” (DYE, 2002).
De acordo com Dye (2002), o processo de análise de cenários leva em conta os
diversos fatores internos e externos, que podem influenciar os resultados desejados,
dentre os quais, os mostrados na Figura 4.
40
Figura 4 - Fatores considerados na análise de Cenários
Fonte: Pimentel, (2016)
Independente da forma como o cenário é apresentado, bons cenários possuem as
seguintes características:
a) interessantes, desafiadores, plausíveis e consistentes com os fatos
analisados;
b) “um processo de planejamento de cenários, bem estruturado e o cenário
apresentado, devem enfatizar divergências e não convergências” (RIES,
1999).
c) evitam limites e restrições no processo de imaginação, permitindo a inclusão
de fatores extremos e pequenos;
d) incluem um número adequado de cenários (quatro cenários);
e) separam em dois grupos, que incluam fatores gerenciáveis (fatores internos)
e fatores externos;
f) devem representar as ameaças e oportunidades;
41
g) sejam elaborados num tempo adequado e atualizados, no mínimo
trimestralmente.
Existem alguns fatores que podem impactar a qualidade do processo de análise de
cenários, tais como:
a) construção de cenários que apenas reforçam posições e percepções
estabelecidas;
b) não ficar satisfeita ao primeiro sinal de que todos os cenários foram
imaginados;
c) não se basear em “achismo” e sim em fatos e dados.
No século XXI, os vencedores serão aqueles que ficam a frente da curva de mudança, redefinindo constantemente suas indústrias, criando novos mercados, abrindo novas trilhas, reinventando a empresa e desafiando o status quo. (BURRELL,1999).
2.4.1 Processo de Planejamento de Cenários
Não existe um roteiro sobre como efetuar o planejamento de cenários que possa ser
utilizado por todas as empresas. No entanto, algumas etapas são necessárias neste
processo, como:
a) definir a questão crítica que desafia a organização;
b) identificar forças e incertezas críticas que determinam os resultados dos
cenários;
c) analisar e classificar os fatores de decisão por ordem de importância e
incerteza.
A Figura 5 ilustra uma matriz de dois eixos simples que pode ser usada para traçar
fatores de influência.
42
Figura 5 - Fatores de influência
Fonte: DYE, 2002.
Embora não exista um modelo padrão para a apresentação da análise e
planejamento de cenários, uma das formas utilizadas é:
a) identificar os cenários e contar uma breve história para cada um;
b) identificar implicações e relações entre cenários;
c) selecionar indicadores e gatilhos para monitoramento;
d) implementar os planos estratégicos.
2.5 Estado da arte na seleção de portfólios
Apesar de existirem muitos trabalhos sobre sustentabilidade ambiental, por um lado,
e sobre gestão de portfólio de projetos, as duas áreas seguem separadas e com
apenas raras interfaces teórico-empíricas, Jugend e Figueiredo (2017).
Em uma revisão sistemática sobre o assunto, Carvalho et al. (2013), foi observado
que os métodos e ferramentas mais citadas são financeiras, programação
matemática e modelos estatísticos; e os critérios para a seleção de projetos que se
destacam são baseados no mercado potencial, análise econômico-financeira e risco
/análise de incerteza. Jugend et al. (2014) propõem um estrutura para tomada de
decisão de portfólio de projetos baseada na aplicação sistemática de métodos
financeiros, listas de verificação, modelos de classificação e priorização, diagramas
e gráficos e pesquisas de mercado.
43
Alguns estudos (Abrantes e Figueiredo, 2015; Dutra et al., 2014) enfatizam que a
aplicação desses métodos e ferramentas associadas ao gerenciamento de portfólio
de projetos, tende a ajudar as empresas a melhorar sua avaliação, seleção,
priorização de projetos, gerenciamento de escopo e alocação de recursos entre
diferentes projetos.
Em relação a questões ambientais, alguns estudos recomendaram a aplicação de
métodos de concepção ecológica (Bovea e Pérez-Belis, 2012; Brones e Carvalho,
2015) e a análise de ciclo vida do projeto (Silvius et al., 2012) como suporte para
decisões do portfólio de projeto, incorporando a sustentabilidade ambiental.
Dobrovolskienė e Tamosiuniene (2016) também enfatizam que é relevante adotar
critérios específicos de sustentabilidade para escolher e alocar recursos dentro do
portfolio de projetos. Khalili-Damghani e Tavana (2014) propõem a adoção de
indicadores de meio ambiente nas carteiras de projetos, tais como: os tipos de
materiais utilizados; os consumos de energia e água; os impactos na biodiversidade;
as emissões, efluentes e desperdícios.
44
3 DESENVOLVIMENTO
A seleção de portfólio de projetos é uma importante ferramenta para que as
organizações consigam colocar em prática os seus objetivos e estratégias
organizacionais. Nesta linha, a modelagem matemática do problema de seleção de
portfólio pode ser uma ferramenta importante no auxilio à tomada de decisão a
respeito do projetos que farão parte do portfólio, e quando deverão ser
implementado, para alcançar os objetivos da organização.
3.1 Metodologia
Para auxiliar na criação, testes e conclusões do modelo matemático, serão
abordados neste trabalho os seguintes tópicos:
a) coleta e análise dos dados sobre projetos de geração de energia elétrica,
seus indicadores econômicos e o nível de emissões de dióxido de carbono
equivalente (CO2e), para a atmosfera;
b) coleta e análise de dados sobre cenários para análise da demanda de
energia elétrica no Brasil;
c) desenvolvimento dos modelos;
d) construção de versões do modelo para sua avaliação;
e) testes com os modelos (resultados, desempenho e análise de sensibilidade,
cenários);
f) análise dos resultados e discussão.
3.1.1 Levantamento dos dados
Os dados utilizados neste trabalho foram obtidos no Plano Nacional de Energia
(PNE) 2030, divulgado pelo Ministério das Minas e Energia, nos resultados dos
leilões publicados no site da ANEEL, nas publicações Energia Renovável:
Hidráulica, Biomassa, Eólica, Solar, Oceânica (2016), algumas estatísticas obtidas
da simulação da geração eólica na região Nordeste (2016) da Empresa de Pesquisa
Energética (EPE) e nas dissertações MIRANDA (2012) e LAZZARESCHI, (2014).
45
3.1.1.1 O Plano Nacional de Energia (PNE)
O Plano Nacional de Energia (PNE) tem como objetivo o planejamento de longo prazo do setor energético do país, orientando tendências e balizando as alternativas de expansão desse segmento nas próximas décadas. O PNE é composto de uma série de estudos que buscam fornecer insumos para a formulação de políticas energéticas segundo uma perspectiva integrada dos recursos disponíveis. Estes estudos estão divididos em volumes temáticos cujo conjunto subsidiará a elaboração do relatório final do PNE (Redação Empresa de Pesquisa Energética, 2007).
3.1.1.2 O Ciclo de Planejamento Energético Integrado
A partir das definições das políticas e das diretrizes, se desenvolvem os estudos e
as pesquisas para balizar o desenvolvimento do setor energético. Os estudos e
pesquisas sistematizados e continuados, com base nas políticas e diretrizes
constituem o ciclo de planejamento energético integrado. Este ciclo é dividido nas
etapas de diagnóstico, elaboração de diretrizes e políticas, implementação e
monitoramento.
Cada uma destas etapas apoiam-se em estudos e pesquisas, referentes ao
diagnóstico estratégico do setor elétrico e nos planos de desenvolvimento
energético.
Os diagnósticos estratégicos mostram o balanço energético, com suas estatísticas e
retrospectiva, além de uma visão prospectiva. Já os planos de desenvolvimento
avaliam os potenciais energéticos sob a ótica de estado da arte, desenvolvimento
tecnológico e condições de sustentabilidade. Somam-se a estes dados a formulação
de cenários macroeconômicos, as projeções de mercado e as alternativas para
expansão da oferta com os seus respectivos custos. O ciclo de planejamento
energético integrado é um processo retroalimentado e recursivo.
3.1.1.3 Os Estudos do Plano Nacional de Energia 2030(PNE 2030)
O Plano Nacional de Energia 2030 – PNE 2030 é composto por vários documentos
que detalham as análises e pesquisas realizadas, no sentido de fornecer subsídios
para a formulação de uma estratégia para a expansão da oferta de energia, com
vistas ao atendimento de diferentes cenários de evolução da demanda.
No plano estão documentados os recursos e reservas dos diversos energéticos e a
caracterização técnica e econômica de cada fonte de energia, especialmente de
46
geração de energia elétrica, assim como sobre os aspectos socioambientais
envolvidos em sua utilização e seu potencial de uso com vistas ao atendimento da
demanda, além da formulação de cenários de demanda de longo prazo com base
na evolução da economia mundial bem como a caracterização e quantificação de
cenários para a economia nacional.
Cenários macroeconômicos
Como fartamente comprovado na literatura técnica, a correlação entre a evolução da
demanda total de energia e o nível de atividade econômica é bastante significativa.
Assim, para efeito de um exame prospectivo da demanda de energia no Brasil, há
que se estabelecer premissas para o crescimento econômico do país. Isto se fez
aplicando a técnica de cenários, considerada a mais indicada para estudos dessa
natureza, especialmente quando se trata de horizonte de análise tão amplo. (PNE
2030, pag.33)
Cenários mundiais
O contexto internacional que se apresenta como condição de contorno para
os estudos do PNE 2030 foi analisado segundo três elementos básicos de
incerteza (FIGURAS 6 e 7):
Padrão de globalização, que define o grau de integração entre as
economias nacionais e/ou regionais (permitindo, por exemplo, maior
mobilidade dos fatores de produção);
Estrutura do poder político econômico, que se relaciona com o grau
de polaridade da governança mundial (papel das instituições multilaterais),
em termos políticos, e com a forma de ajustamento da economia norte-
americana (desequilíbrio fiscal e da balança comercial), e principalmente as
relações entre China e Estados Unidos, no campo econômico;
Solução de conflitos, pelo qual se avalia a forma como as
divergências serão enfrentadas, especialmente quanto aos conflitos étnico-
religiosos e à disputa por recursos naturais (energéticos e água, sobretudo),
(PNE 2030, pag.34).
47
Figura 6 - Cenários mundiais: incertezas críticas
Fonte: EPE, 2007, pag. 34.
Figura 7 - Cenários mundiais: denominação de cenários
Fonte: EPE, 2007, pag. 34.
Cenários nacionais
A formulação dos cenários nacionais levou em conta as forças (potencialidades) e fraquezas (obstáculos a superar) que o país apresenta em face dos contextos mundiais descritos. Entre as principais potencialidades, se alinham:
Instituições e estabilidade macroeconômica em processo de consolidação;
Grande mercado interno com elevado potencial de crescimento; Abundância de biodiversidade e de recursos naturais;
Fatores de produção competitivos, tais como potencial de energia renovável de baixo custo relativo ainda não aproveitado e setores da economia com alta competitividade nos mercados mundiais (exemplos: agropecuária, segmentos da indústria de insumos básicos, como siderurgia, papel e celulose, etc.);
Diversidade cultural e étnica; Entre os principais obstáculos a superar podem ser citados:
Necessidade de expansão da infra-estrutura (transportes, energia, telecomunicações, etc.);
48
Concentração excessiva da renda e relevantes desigualdades regionais;
Fatores de produção com baixa competitividade (baixa qualificação da mão-de-obra, atraso tecnológico em vários setores da economia, etc.);
Elevado custo do capital e mercado de crédito de longo prazo pouco desenvolvido;
Conflitos federativo e institucionais não equacionados adequadamente. (PNE 2030, pag.37).
Figura 8 - Cenários mundiais: denominação de cenários
Fonte: EPE, 2007, pag. 34
De acordo com o PNE 2030, embora a análise de todos os cenários pudesse
enriquecer e tornar mais robusto o planejamento energético, optou-se em reduzir as
possibilidades, pois não haveria perdas em termos de posicionamento estratégico
com um menor conjunto de cenários.
Desta forma, optou-se por quatro das seis combinações possíveis, mostradas na
Figura 8, que permitem cobrir uma amplitude de possibilidades suficiente para os
propósitos do estudo.
Na Figura 9 são caracterizados os quatro cenários.
49
Figura 9 - Caracterização dos cenários nacionais
Fonte: EPE, 2007, p. 34.
Projeções da Demanda Consumo Total
No PNE 2030, (2007) foi considerado que a demanda de energia elétrica no Brasil
deve continuar crescendo, conforme as projeções do consumo final de energia
elétrica e a demanda de energia total, a partir do Modelo Integrado de Planejamento
Energético – MIPE, tendo por base o estágio de desenvolvimento do país, em que
existe um baixo nível de consumo per capita de eletricidade e o consumo de energia
elétrica tem, historicamente, crescido sempre, com a exceção, única, do ano do
último racionamento (2001), com taxas de crescimento superiores às da expansão
da economia.
Nessas condições, o PNE 2030 prevê que o consumo total de energia elétrica no
Brasil aumente de aproximadamente 375 TWh, em 2005, para valores entre 850 e
1.250 TWh, em 2030, dependendo do cenário macroeconômico tomado por
referência.
A Figura 10 mostra o consumo previsto em cada um dos quatro cenários
considerados no estudo.
50
Figura 10 - Projeção do consumo final de eletricidade no Brasil
Fonte: EPE, 2007, pag. 34.
3.1.1.4 Leilões de energia da ANEEL
Com base nos leilões da ANEEL, para fornecimento de energia no ano de 2018,
foram obtidos o nome do projeto, a potência nominal de cada projeto, a potência
garantida, o preço de venda e o custo do investimento de cada projeto e do tipo de
geração de energia, conforme anexo A.
3.1.1.5 Cálculo da receita liquida
Para cálculo da receita líquida de cada projeto foram utilizados os dados da potência
garantida e o preço de venda, obtidos nos resultados dos leilões da ANEEL, além
dos custos de manutenção fixo e variável, as taxas de descontos e a vida útil dos
empreendimentos publicados na revista Energia Renovável: Hidráulica, Biomassa,
Eólica, Solar, Oceânica (2016), da EPE, juntamente com a taxa de cambio projetada
e inflação prevista para 01 jan. 2018 do Relatório Focus (07/04/2017) do Banco
Central do Brasil, quando os projetos entrariam em operação (TABELA 1).
51
Tabela 1 - Valores utilizados para cálculo da receita líquida
Hidroélétrica Eólica Solar Custo de Manutenção
e Operação Fixo
(R$/KWano)
45,50 85,00 66,50
Custo de Manutenção
e Operação Variável
(R$/KWano)
6,30 0,00 0,00
Vida útil
(anos)50 20 25
Taxa de desconto
(% ao ano)8 8 8
ItensTipo de Geração
Valores Utilizados Para Cálculo do Máximo Valor Econômico
Fonte: Elaborado pelo autor, 2017.
3.1.1.6 Emissões de CO2e para a atmosfera
Foram utilizados os dados publicados nas revistas “Energia Renovável: Hidráulica,
Biomassa, Eólica, Solar, Oceânica (2016)” e “Algumas estatísticas obtidas da
simulação da geração eólica na região Nordeste (2016)” da Empresa de Pesquisa
Energética (EPE) e na dissertação MIRANDA (2012), conforme QUADROS 2, 3 e 4.
Quadro 2 - Fatores de emissão de gases efeito estufa (GEE) das tecnologias de geração de eletricidade segundo a meta análise e a geração de eletricidade de cada tecnologia no ano de 2010
Fonte: Miranda, 2012.
52
Quadro 3 - Fatores de emissão de CO2e (em gramas de CO2e por KWh)
Fonte: Elaborado por GESEL – UFRJ, 2012.
Quadro 4 - Emissões diretas e indiretas na geração de eletricidade (gCO2e/KWh)
Fonte: Miranda, 2012.
Como não foi possível encontrar os valores das emissões de gases de efeito estufa,
de cada uma das tecnologias de geração de energia, numa única fonte de pesquisa,
foram assumidos os seguintes valores mostrados no quadro 5:
Quadro 5 - Emissões em gCO2e/KWh por tipo de geração de energia elétrica
Geração Hidroelétrica 86
Geração Eólica 16
Geração Solar 105
Geração Térmica 618
Emissões (gCO2e/KWh)
Fonte: Elaborado pelo autor, 2017.
É interessante notar que, embora a tecnologia de geração de energia solar a partir
de usinas fotovoltaicas seja considerada como energia verde, as suas emissões são
53
altas quando comparadas com as outras tecnologias, a exceção da térmica. Na
dissertação da Miranda (2012), que apresenta as emissões na geração de
eletricidade, considerando várias fontes, é possível perceber que, diferentemente
das outras tecnologias, toda a emissão de CO2e acontece antes da geração.
O fato de gerar eletricidade diretamente do sol e de não consumir combustíveis fósseis e, consequentemente, não emitir gases do efeito estufa durante a operação do sistema, não significa que esse processo de geração de energia não possua impactos ambientais. Algumas etapas do ciclo de vida dos sistemas de painéis voltaicos necessitam de grandes quantidades de energia, inclusive térmica. Dentre estas etapas estão os vários estágios de fabricação das células solares, a montagem dos módulos de painéis voltaicos, dos equipamentos de instalação, inversores, o transporte de todo material, instalação, manutenção e limpeza, desmontagem, descarte ou reciclagem. (PENG, 2013).
Um exemplo deste fato é a redução do quartzo. “A etapa de maior consumo
energético no processo produtivo dos painéis voltaicos está relacionada ao refino da
matéria-prima, ou seja, na redução do quartzo ao grau metalúrgico para a
purificação do silício.” (SHERWANI, 2010).
3.1.1.7 Parâmetros Associados à Incerteza
Este trabalho considera duas fontes de incertezas: a geração de energia de cada
projeto e a demanda total do mercado para o portfólio de projetos de geração de
energia elétrica.
3.1.1.8 Geração de cenários
Não faz parte do escopo deste trabalho desenvolver uma metodologia para geração
de cenários. No entanto, é indispensável para a avaliação do modelo matemático
proposto a criação de cenários com probabilidades associadas, e para isso, foram
utilizadas as análises de cenários consideradas no PNE 2030 para a variável
demanda. No caso da variável geração de energia optou-se por arbitrar os valores,
coerente com a realidade do problema estudado.
As probabilidades de ocorrência foram arbitradas e não possuem nenhum
embasamento em processos estocásticos multivariados e servem apenas para
testar o modelo matemático (TABELA 2 e 3)
.
54
Tabela 2 - Cenários de demanda prevista em 2030 e suas probabilidades
CenárioNa Crista
da Onda
Surfando na
Marola
Navegando em
PedalinhoNaufragando
Demanda Prevista(MWh) 250 225 200 175
Probabilidades 5% 55% 30% 10%
Cenário de Demanda
Fonte: Elaborado pelo autor, 2017.
Tabela 3 - Cenários de produção durante a vida útil dos projetos de geração de energia elétrica e suas probabilidades
Condições
Climáticas
Ótimas
Condições
Climáticas
Normais
Condições
Climáticas Ruins
20% maior Produção
Nominal 10% menor
10% 60% 30%
Cenário
Variação da produção
Probabilidades
Cenário de Produção
Fonte: Elaborado pelo autor, 2017.
3.2 Seleção de projetos e parâmetros utilizados nos modelos de otimização
de portfólio de projetos de geração de energia elétrica
Decisões de investimento de uma organização necessitam estar atreladas à sua
estratégia organizacional e precisam ser bem avaliadas, pois dentre uma gama
enorme de projetos e melhorias operacionais, devem ser escolhidas aquelas que
realmente irão alavancar a organização nos aspectos desejados. Esta escolha deve
ser informada e racional, além de contemplar diferentes objetivos (econômicos,
ambientais, sociais). Como objeto de estudo deste trabalho, será analisado a
decisão de investimento, de compra de energia elétrica no Brasil, utilizando os
leilões organizados pela ANEEL, com o objetivo de suprir a demanda futura de
energia elétrica. Nos leilões, são adquiridas energia elétrica geradas a partir de
fontes hídricas, eólicas, solares e combustíveis fosseis e orgânicos. Nesta seleção,
são envolvidas alguns parâmetros, como preço de aquisição, quantidade a ser
adquirida de cada fonte, impacto ambiental e aspectos sociais, que devem ser
considerados. Neste trabalho serão abordados parâmetros econômicos, além da
quantidade de energia de cada fonte de geração e o impacto ambiental medido
pelas emissões de CO2e.
55
No intuito de auxiliar a escolha dos projetos a serem selecionados, a partir de uma
lista, para a entrega da energia contratada no ano de 2018, e considerando projetos
de geração de energia elétrica por meio de pequenas centrais hidrelétricas (PCH),
geração de energia eólica (EOL) e energia solar (UFV), foi desenvolvido um modelo
programação matemática multiobjetivo e estocástico visando simular as diversas
combinações possíveis dos projetos componentes do portfólio.
Para esta simulação foram selecionados, dentre os 200 projetos vencedores de
quatro leilões realizados pela ANEEL, para entrega da energia contratada em
janeiro, maio e novembro de 2018, sendo 31 de geração hidrelétrica via pequenas
centrais hidrelétricas (PCH), 136 de geração eólica (EOL) e 33 de geração Solar
(UFV), os dez primeiros com menor preço de venda ofertado de cada uma das três
formas de geração consideradas: hidrelétrica, eólica e solar.
Com base na receita prevista ao longo do ciclo de vida do projeto, no custo de
implantação, além dos custos de manutenção e operação, foi calculada a receita
líquida, utilizando o método de fluxo de caixa descontado, de cada um dos dez
projetos selecionados de cada tecnologia de geração de energia.
Para cálculo dos valores das emissões de CO2e de cada um dos projetos, assim
como as emissões de CO2e na geração de energia elétrica a partir combustíveis
fosseis, foram utilizadas as tabelas de Empresa de Pesquisa Energética (EPE), do
Ministério das Minas e Energia do Brasil.
Apesar dos projetos de geração de energia elétrica a partir de combustíveis fosseis
não fazerem parte do grupo de projetos a serem selecionados, esta sendo
considerado a sua utilização para complementar a demanda de energia elétrica
prevista, pois são mais poluentes e a energia gerada é mais cara do que outras
fontes de geração de energia elétrica.
Para possibilitar a escolha dos projetos mais interessantes sob o ponto de vista de
um investidor, foi estabelecido como objetivo maximizar o retorno econômico, sendo
estabelecido um orçamento máximo disponível para a implantação de R$
2.500.000,00.
56
Estes projetos deveriam gerar no mínimo 250 MWh de energia, e também como
forma de atender a exigência do órgão regulador, que estabeleceu um limite mínimo
de geração energia para cada um dos tipos de usina, sendo 50 MWh para geração
hidrelétrica, 25 MWH para geração eólica e 10 MWh para geração solar. Caso fosse
vantajoso para o investidor, o mesmo admitiria adquirir energia térmica no mercado
ao invés de gerar, para suprir a demanda mínima exigida.
3.3 Formas de modelar o problema
A partir da receita líquida, do valor máximo de investimento previsto e das emissões
equivalentes de cada um dos dez projetos, foram criadas quatro formas para
modelar o problema e demonstrar as possibilidades de escolha dos projetos
componentes do portfólio, conforme a seguir:
a) na 1ª versão foi considerado um modelo matemática determinístico, de forma
a maximizar o retorno econômico, com restrições do custo total de
investimento no portfólio, das emissões máximas CO2e, da potência total
mínima a ser entregue, sob pena de compra de energia térmica, para suprir a
energia total mínima contratada, além de uma energia mínima a ser gerada
em cada tipo de usina, hidrelétrica, eólica e solar.
b) para a 2ª versão foi considerado um modelo estocástico, pois a energia a ser
gerada por cada projeto e por conseqüência a energia comprada, depende
das condições climáticas que influenciam a quantidade de água disponível
para geração hidrelétrica, da velocidade dos ventos para a geração eólica e
da radiação solar para os projetos de geração fotovoltaicos, com os mesmos
objetivos e restrições da 1ª versão.
c) No caso da 3ª versão uma segunda variável estocástica foi introduzida, a
demanda a ser atendida, que depende dos níveis de consumo, de acordo
com a análise de cenários efetuada, com as diversas projeções para a
economia brasileira durante o ciclo de vida dos projetos, mantidos as
mesmas situações previstas no modelo da 2ª versão.
57
d) Na última versão foi introduzida uma penalidade por emissões de CO2e,
representada pelo percentual da receita líquida a ser descontada no máximo
retorno econômico, e retirada da restrição de emissões, de forma a termos
um problema multiobjetivo e estocástico, mantidas as mesmas situações
previstas no modelo da 3ª versão.
Nas três primeiras versões do modelo foram gerados os gráficos relativos à fronteira
eficiente, considerando a receita líquida nas diversas variações da quantidade de
emissões de CO2e, e nas quatro versões a distribuição da energia gerada por cada
tipo de tecnologia. Para fins de ajuda na decisão de escolha do melhor portfólio,
foram simuladas as escolhas pelo menor preço e melhor eficiência de geração de
energia, na versão três do modelo.
Como análise de sensibilidade, foi simulado o que ocorreria, equalizando as
eficiências da tecnologia de geração solar e geração eólica. E num segundo
momento a simulação foi feita, equalizando as eficiências destas 03 tecnologias.
O objetivo desta análise é mostrar a possibilidade de ganhos futuros a serem
obtidos no uso destas tecnologias eólica e solar, que hoje apresentam baixo fator de
capacidade, quando comparado com a geração hidrelétrica.
As soluções dos modelos foram resolvidas com o Solver do programa Excel, do
pacote Office Professional Plus 2010, da Microsoft, versão para Windows.
3.4 Modelos matemáticos determinísticos e estocásticos, para a seleção de
portfólios de projetos
Nesta seção apresentaremos as quatro formas de modelar o problema, mostrando
os índices e conjuntos, os parâmetros, as variáveis de decisão e o modelo
matemático de cada um deles.
58
3.4.1 Versão determinística
3.4.1.1 Índices e conjuntos
Conjunto de projetos de fonte hidráulica;
Conjunto de projetos de fonte eólica;
Conjunto de projetos de fonte solar;
Conjunto de todos os projetos de geração de energia, sendo:
3.4.1.2 Parâmetros
Energia efetiva em MWh entregue pelo projeto ;
Emissões em kgCO2e/MWano do projeto ;
Emissões em kgCO2e/MWano de cada unidade térmica comprada;
Preço de venda da energia gerada pelo projeto em R$/MWh
Custo de produção em R$/MWano para a energia gerada pelo projeto ;
Vida útil do projeto , em anos, (50, 20 e 25 anos, segundo a revista Energia
renovável de maio, 2016, pag. 108, 288 e 372, publicada EPE, para os projetos de
geração hidrelétrica, eólica e solar respectivamente);
Índice de correção das receitas anuais, conforme índice de inflação anual de
4,5% ao ano, prevista para o ano de 2018, publicado no boletim Focus do Banco
central do Brasil;
Índice de correção de capital para os projetos de geração de energia elétrica,
determinada pelo investidor com base nos dados da revista Energia renovável de
maio, 2016, pag. 108, 288 e 372, publicada EPE;
Fator de correção de preços de compra de energia pela inflação e trazidos a
valor presente pela taxa de desconto, do projeto em que
Receitas líquidas corrigidas e trazidas a valor presente do projeto em R$;
59
Em que ;
Preço de compra em R$/MWh para a energia térmica;
Demanda total de energia em MWh prevista para o período de um ano;
Limite superior em kgCO2e/MWano para as emissões de carbono permitido para
o período de um ano;
Limites mínimos de geração hidrelétrica, eólica e solar respectivamente
em MWh.
: Investimento do projeto , em R$;
: Limite máximo do investimento do portfólio (R$ = 2.500.000,00).
3.4.1.3 Variáveis de decisão
Seleção do projeto ;
Quantidade de energia térmica comprada para atender a demanda em MWh e
.
3.4.1.4 Modelo matemático
Maximizar (14)
A equação 14 é a função objetivo do problema e calcula o máximo retorno
econômico, a partir do somatório das receitas líquidas corrigidas de cada projeto
selecionado, subtraído do respectivo valor do investimento, e depois subtraído o
valor gasto corrigido na compra de energia para complementar a demanda prevista.
Sujeito a (15)
Esta é a restrição (equação 15) de demanda mínima a ser atendida pela soma da
energia gerada pelos projetos selecionados mais a energia adquirida.
, (16)
, (17)
, (18)
60
Nas equações 16, 17 e 18, estão às restrições existentes para cada tipo de geração
de energia, que deve atender a uma demanda mínima.
, (19)
As emissões máximas permitidas são atendidas pela equação 19.
Na equação 20 está colocada a restrição relativa ao montante máximo de capital a
ser investido.
(20)
3.4.2 Versão estocástica com energia produzida incerta
Nesta versão, é introduzida uma nova variável ao problema, tornando a geração de
energia uma variável dependente (estocástica) do cenário de condições climáticas,
com três possibilidades: ótimas condições climáticas, condições climáticas normais,
condições climáticas ruins.
3.4.2.1 Índices e conjuntos
Índices e conjuntos acrescido em relação à versão determinística:
Cenários de condições climáticas (ótimas condições climáticas: aumento de 20%
na energia gerada, condições climáticas normais: geração de energia igual a efetiva,
condições climáticas ruins: diminuição em 10% na energia gerada);
Conjunto de cenários de condições climáticas.
3.4.2.2 Parâmetros
Parâmetros modificados em relação à versão determinística:
Energia efetiva em MWh entregue pelo projeto no cenário ;
Receitas líquidas corrigidas e trazidas a valor presente do projeto em
R$, no cenário ;
Em que ;
Parâmetro acrescido em relação à versão determinística:
61
Probabilidade associada ao cenário .
3.4.2.3 Variáveis de decisão
Variável modificada em relação à versão determinística:
Quantidade de energia térmica em MWh comprada para atender a demanda
total no cenário , e a variável de recurso (segundo estágio) nesta versão do
modelo.
3.4.2.4 Modelo matemático
Maximizar (20)
A equação 20 é a função objetivo do problema e calcula o máximo retorno
econômico, a partir do somatório das receitas líquidas corrigidas de cada projeto
selecionado, subtraído do respectivo valor do investimento, e depois subtraído o
valor gasto corrigido na compra de energia para complementar a demanda prevista,
multiplicado pela probabilidade de ocorrência de cada cenário de condições
climáticas.
Sujeito a , ; (21)
Esta é a restrição (equação 21) de demanda mínima a ser atendida pela soma da
energia gerada pelos projetos selecionados mais a energia adquirida em cada um
dos três cenários de condições climáticas.
, : (22)
, ; (23)
, ; (24)
Nas equações 22, 23 e 24, estão às restrições existentes para cada tipo de geração
de energia, que deve atender a uma demanda mínima em cada um dos três
cenários.
, (25)
62
As emissões máximas permitidas são atendidas pela equação 25.
3.4.3 Versão estocástica com energia produzida e demanda incerta
Nesta versão, é introduzida uma nova variável estocástica ao problema, a demanda
a ser atendida, com quatro possibilidades de cenário: na crista da onda, surfando na
marola, navegando em pedalinho e naufragando .
3.4.3.1 Índices e conjuntos
Índices e conjuntos acrescidos nesta versão:
Cenários de demanda
Conjunto de cenários de demanda
3.4.3.2 Parâmetros
Parâmetros modificados nesta versão:
Demanda total de energia em MWh prevista para o período de um ano, no
cenário ;
Parâmetros acrescidos nesta versão:
Probabilidade de demanda associada ao cenário ;
Penalidade por desvio negativo (em R$/MWano) em relação à demanda
(correspondente a compra de energia térmica);
Fator de penalização pela produção de energia acima da demanda prevista;
Preço médio de venda da energia gerada em R$/MWh.
3.4.3.3 Variáveis de decisão
63
Energia produzida em MWh além da demanda no cenário , sendo
;
3.4.3.4 Modelo matemático
Maximizar
(26)
A equação 26 é a função objetivo do problema e calcula o máximo retorno
econômico, a partir do somatório das receitas líquidas corrigidas de cada projeto
selecionado, subtraído do respectivo valor do investimento, e depois subtraído o
valor gasto corrigido na compra de energia para complementar a demanda prevista,
multiplicado pela probabilidade de ocorrência de cada cenário de produção.
O resultado é subtraído da penalidade imposta por produzir acima da demanda,
representada pela multiplicação da potência anual produzida além da demanda,
pelo preço médio de venda de energia e pelo fator Kad.
A probabilidade de ocorrência do cenário de demanda multiplica o resultado acima e
representa o máximo retorno econômico.
Sujeito a , e . (27)
Esta é a restrição (equação 27) da demanda a ser atendida para cada uma das
combinações de cenário entre a energia gerada e a demanda a ser atendida, e é
dada pela soma da energia gerada pelos projetos selecionados em cada um dos
três cenários de condições climáticas, mais a energia adquirida em cada uma das
combinações de cenários entre energia gerada e demanda, subtraída da energia
vendida além da demanda em cada combinação de cenários.
, ; (28)
, ; (29)
, ; (30)
64
Nas equações 28, 29 e 30, estão às restrições existentes para cada tipo de geração
de energia, que deve atender a uma demanda mínima em cada um dos três
cenários de condições climáticas.
, ; (31)
As emissões máximas permitidas são atendidas pela equação 31.
3.4.4 Versão estocástica com representação de um problema multiobjetivo
Nesta versão, na função objetivo foi introduzida uma parcela de penalização pela
quantidade de kgCO2e emitida e retirada a restrição de emissão. Desta forma o
modelo combina os dois objetivos econômico e ambiental, ambos contabilizados
financeiramente.
3.4.4.1 Índices e conjuntos
Os mesmos da versão anterior
3.4.4.2 Parâmetros
Fator de penalização pela emissão de CO2e.
3.4.4.3 Variáveis de decisão
As mesmas da versão anterior
3.4.4.4 Modelo matemático
Maximizar
(32)
65
A equação 32 é a função objetivo do problema e calcula o máximo retorno
econômico, a partir do somatório das receitas líquidas corrigidas de cada projeto
selecionado, subtraído do respectivo valor do investimento, e depois subtraído o
valor gasto corrigido na compra de energia para complementar a demanda prevista,
multiplicado pela probabilidade de ocorrência de cada cenário de produção. O
resultado é subtraído da penalidade imposta por produzir acima da demanda,
representada pela multiplicação da potência anual produzida além da demanda,
pelo preço médio de venda de energia e pelo fator Kad e da penalização por emitir
CO2e.
As parcelas da função objetivo correspondentes a cada cenários são ponderadas
pelas respectivas probabilidade de ocorrência.
Sujeito a , e . (33)
Esta é a restrição (equação 33) da demanda a ser atendida, para cada uma das
combinações de cenário entre a energia gerada e a demanda a ser atendida, e é
dada pela soma da energia gerada pelos projetos selecionados em cada um dos
três cenários de condições climáticas, mais a energia adquirida em cada uma das
combinações de cenários entre energia gerada e demanda, subtraída da energia
vendida além da demanda, em cada combinação de cenários.
, ; (34)
, ; (35)
, ; (36)
Nas equações 34, 35 e 36, estão as restrições existentes para cada tipo de geração
de energia, que deve atender a uma demanda mínima em cada um dos três
cenários de condições climáticas.
3.4.4.5 Métricas de interesse para o modelo
As versões do modelo matemático apresentado no Capítulo 5 se baseiam na
programação linear inteira mista (MILP), em que as variáveis de seleção de projetos
66
foram definidas como binárias e as demais variáveis contínuas. As versões foram
implementadas no Excel e resolvidos utilizando a ferramenta Solver.
Tabela 4 – Métricas de interesse para o modelo de acordo com o número de cenários considerados
Modelo Cenário RestriçõesVariaveis
Binárias
Variaveis
Continuas
Multiojetivo - 7 30 1
Multiobjetivo e
estocástico - cenário
condições atmosférica
3 15 30 3
Multiobjetivo e
estocástico - cenário
condições atmosférica e
demanda de mercado
12 24 30 24
Complexidade do Modelo
Fonte: Elaborado pelo autor, 2017.
Conforme demonstrado na Tabela 4, na medida em que se aumenta o número de
cenários, cresce exponencialmente o número de variáveis continuas.
67
4 RESULTADOS E DISCUSSÃO
Utilizando os dados dos leilões da ANEEL e do Plano Nacional de Energia 2030
(PNE 2030), elaborado pela Empresa de Pesquisa Enérgica (EPE) do Ministério das
Minas e Energia do Brasil, foram desenvolvidas as versões do modelo e obtidos os
resultados.
4.1 Descrição do caso estudado
Os modelos propostos foram aplicados a um estudo sobre as possibilidades de
escolha de portfólios de projetos de geração de energia elétrica, visando à seleção
dos projetos, considerando:
a) 30 projetos vencedores dos leilões promovidos pela ANEEL, para entrega de
energia em 2018, sendo 10 de geração hidrelétrica, 10 de geração eólica e
10 de geração solar, em que:
- Os dados de potência nonimal, potência garantida, investimento e preço de
venda, foram obtidos diretamente dos resultados dos leilões.
- As emissões foram calculadas tomando por base as potências nominais
obtidas no leilão, multiplicadas pelas emissões informadas no quadro 5.
- As receitas líquidas dos projetos foram obtidas a partir do cálculo do retorno
do investimento, considerando:
o investimento previsto;
as receitas obtidas com as vendas, levando em consideração a
potência gerada garantida e o funcionamento das usinas durante 24
horas e 365 dias no ano.
os custos de manutenção e operação das usinas;
os impostos existentes;
a taxa de inflação de 4,5 % ao ano, estimada pelo Banco central do
Brasil;
a taxa de retorno de 8% informada no revista EPE como taxa de
retorno para estes investimentos;
68
a vida útil de cada tipo de empreendimento (usina hidrelétrica 50 anos,
usina eólica 20 anos e usina solar 25 anos).
Os projetos com os seus valores, estão mostrados na Tabela 5.
Tabela 5 – Os 30 projetos selecionados dos projetos vencedores dos leilões e seus respectivos dados
Fonte: Elaborado pelo autor, 2017.
b) a maximização do retorno econômico do portfólio;
c) investimento total no portfólio de projetos deve ser inferior a R$
2.500.000.000,00.
d) nível adequado de emissões de CO2e, limitado a 300.000 kgCO2e/MWano
e) a energia total gerada pelos projetos selecionados não deveria ser inferior a
250 MWh;
69
- se não for gerado o valor mínimo estabelecido de 250 MWh, a empresa deverá
adquirir a quantidade necessária para complementar os 250 MWh, em energia
térmica, com o custo e emissões conforme mostrado na Tabela 5.
f) geração mínima por tipo de fonte, conforme definido pelo leilão como forma
de incentivo a múltiplas fontes de energia, sendo:
Energia hidrelétrica: 50 MWh
Energia eólica: 25 MWh
Energia Solar: 10 MWh
4.2 Análise dos resultados
Os resultados aqui apresentados são relativos às versões do modelo matemático
descrito no capítulo 3, baseados em programação linear utilizando as condições e
valores informados no item 4.1.
4.2.1 Modelo determinístico
Os resultados encontrados na solução do problema determinístico encontra-se na
Tabela 6. A compra de energia térmica, deve-se ao limite total do valor a ser
investido no portfólio, que é insuficiente para suprir a demanda mínima de energia
gerada.
Tabela 6 - Resultados encontrados na solução do problema determinístico
Fonte: Elaborado pelo autor, 2017.
70
Tabela 7 – Projetos selecionados na solução do problema determinístico
Fonte: Elaborado pelo autor, 2017.
Nesta versão do modelo, todos os projetos de geração de energia solar são
selecionados, devido ao alto preço de venda da energia, mesmo com alta emissão
de CO2e, quando comparada com a geração hidrelétrica e eólica (TABELA 7).
No Gráfico 1, pode-se observar a fronteira eficiente do modelo determinístico, com
os valores de máximo retorno econômico de acordo com a variável, emissões de
CO2e. Para valores baixos de emissões, o máximo retorno econômico é baixo, pois
a produção de energia é mantida no limite para atender a potência mínima requerida
pelo sistema. Na medida em que pode-se emitir mais CO2e, o sistema fica liberado
para produzir mais energia, e consequentemente aumentar a receita auferida com a
venda da energia produzida.
71
Gráfico 1 - Fronteira eficiente do modelo determinístico
-500
0
500
1.000
1.500
2.000
79 99 139 200 249 287 341 394 433 499 287 550 600
M
á
x
i
m
o
r
e
t
o
r
n
o
E
c
o
n
ô
m
i
c
o(
M
R
$)
Emissões (mtCO2e/MW ano)
Seleção de portfólio - Fronteira Eficiente
Fonte: Elaborado pelo autor, 2017.
Gráfico 2 - Variação da energia gerada por tipo de geração em função das emissões de CO2e - modelo determinístico
0
50
100
150
200
250
79 99 139 200 249 287 341 394 433 499
Ene
rgia
(M
Wh
)
Emissões (mtCO2e/MWano)
Seleção de portfólioVariação do tipo de geração em função das
emissões
Energia Hidráulica Gerada Energia Eólica Gerada
Energia Solar Gerada Energia Térmica Comprada
Fonte: Elaborado pelo autor, 2017.
No Gráfico 2, é possível verificar que com a possibilidade de aumento da quantidade
de emissões, aumenta a energia fornecida pelas usinas solares e a energia
comprada da fonte térmica, que possuem emissões mais altas do que as demais,
72
mas com um melhor retorno econômico, devido ao melhor preço de venda, no caso
das usinas solares. A energia total fornecida pelas usinas eólicas diminuiu em
virtude de uma receita liquida menor quando comparada à receita liquida das usinas
hidrelétricas e solares.
4.2.2 Modelo estocástico com energia produzida incerta
Neste modelo foi calculado o máximo retorno econômico do portfólio de projetos,
considerando os mesmos valores e dados da versão anterior, sendo que a produção
de cada projeto, seria variável de acordo com as condições climáticas, com os
seguintes cenários e suas respectivas probabilidades (TABELA 8).
Tabela 8 - Cenários de produção de energia elétrica de acordo com as condições climáticas e suas probabilidades
Fonte: Elaborado pelo autor, 2017.
Na Tabela 9, é mostrado o resultado da solução do problema estocástico com
energia produzida incerta.
73
Tabela 9 – Resultados da solução do problema estocástico com energia produzida incerta
Fonte: Elaborado pelo autor, 2017.
Na versão estocástica com energia produzida incerta, mais uma vez, os projetos de
geração de energia solar são selecionados, devido ao alto preço de venda da
energia, mesmo com alta emissão de CO2e, quando comparada com a geração
hidrelétrica e eólica (TABELA 10).
Tabela 10 – Projetos selecionados na solução do problema
estocástico com energia produzida incerta
Fonte: Elaborado pelo autor, 2017.
O Gráfico 3 mostra a fronteira eficiente do modelo estocástico, considerando os
cenários de condições climáticas, com os valores de máximo retorno econômico de
acordo com a variável emissões de CO2e.
De novo percebe-se que na medida em que é liberada a emissão de CO2, o máximo
valor econômico aumenta, já que a energia produzida é maior, elevando a receita
liquida obtida.
.
74
Gráfico 3 - Fronteira eficiente do modelo estocástico, considerando os cenários de condições climáticas
0
200
400
600
800
1.000
1.200
1.400
1.600
1.800
80 130 180 230 280 330 380 430 480 530 580
M
á
x
i
m
o
Va
l
o
r
E
c
o
n
ô
m
i
c
o(
M
R
$)
Emissões (mtCO2e/MWano)
Seleção de portfólio considerando cenário de produção Fronteira Eficiente
Fonte: Elaborado pelo autor, 2017.
4.2.3 Modelo estocástico com energia produzida e demanda incerta
Neste caso, para o cálculo do máximo valor econômico do portfólio de projetos, foi
considerado, além da produção de cada projeto, como uma variável estocástica em
função das condições climáticas (TABELA 8), também a demanda a ser atendida,
de acordo com as condições de crescimento do consumo, que possibilitariam os
seguintes cenários e suas respectivas probabilidades (TABELA 11):
Tabela 11 - Cenários de demanda de energia elétrica de acordo com as condições econômicas.
CenárioNa Crista
da Onda
Surfando na
Marola
Navegando em
PedalinhoNaufragando
Demanda Prevista(MW) 250 225 200 175
Probabilidades 5% 55% 30% 10%
Cenário de Demanda
Fonte: Elaborado pelo autor, 2017.
Para esta versão, na seleção dos projetos de geração a demanda a ser atendida
varia de acordo com o cenário de demanda e a energia gerada excedente será
vendida com 10% de desconto em relação ao preço médio ofertado no leilão.
Os resultados da solução do problema estocástico com potência produzida e
demanda incerta, são mostrados na TABELA 12.
75
Tabela 12 - Resultados da solução do problema estocástico com energia produzida e demanda incerta.
Fonte: Elaborado pelo autor, 2017.
Na versão estocástica com energia produzida incerta e demanda incerta, mais uma
vez, os projetos de geração de energia solar são selecionados, devido ao alto preço
de venda da energia, mesmo com alta emissão de CO2e, quando comparada com a
geração hidrelétrica e eólica (TABELA 13).
Tabela 13 – Projetos selecionados na solução do problema estocástico com energia produzida e demanda incerta.
Fonte: Elaborado pelo autor, 2017.
O Gráfico 4 mostra a fronteira eficiente do modelo estocástico, considerando os
cenários de condições climáticas e demanda incerta, com os valores de máximo
retorno econômico, de acordo com a variável emissões de CO2e. Como nos dois
casos anteriores, na medida em que o sistema é liberado para emitir mais CO2e o
máximo valor econômico aumenta, devido a produção mais alta de energia.
.
76
Gráfico 4 - Fronteira eficiente do modelo estocástico com energia produzida e demanda incerta.
0
20
40
60
80
100
120
140
160
180
0 50 100 150 200 250 300 350
M
á
x
i
m
o
v
a
l
o
r
e
c
o
n
ô
m
i
c
o(
M
R
$)
Emissões (mtCO2e/MWano)
Seleção de portfólio considerando cenário de produção e de demanda Fronteira Eficiente
Fonte: Elaborado pelo autor, 2017.
4.2.4 Modelo multiobjetivo com energia produzida e demanda incerta
Neste caso, para o cálculo do máximo valor econômico do portfólio de projetos, foi
considerada, além da produção de cada projeto, como uma variável estocástica em
função das condições climáticas, a demanda a ser atendida, de acordo com as
condições de crescimento do consumo, uma penalidade representada pelo
percentual da receita liquída para as emissões de CO2e.
Os resultados da solução do problema estocástico com representação de um
problema multiobjetivo, com energia produzida e demanda incerta, são mostrados
na TABELA 14.
Tabela 14 - Resultados do modelo estocástico com representação de um problema multiobjetivo.
Fonte: Elaborado pelo autor, 2017.
77
Nesta versão, como existe a penalização por emissão, afetando diretamente o
máximo valor econômico, a solução do problema privilegiou os projetos de geração
de energia eólica que tem um preço de venda de energia inferior, mas tem um nível
de emissão de CO2e menor, quando comparada com a geração solar (TABELA 15).
Tabela 15 – Projetos selecionados com representação de um problema multiobjetivo.
Fonte: Elaborado pelo autor, 2017.
O Gráfico 5 mostra a variação do máximo retorno econômico, em função da
variação do valor da penalidade por emissões de CO2e. Conforme, aumenta-se a
penalização para as emissões de CO2e o máximo valor econômico diminui, no início
de forma exponencial e depois com variações menores.
.
78
Gráfico 5 – Variação do máximo valor econômico em função da variação da penalidade por emissão de CO2e , considerando os cenários de condições climáticas e condições econômicas
-200
0
200
400
600
800
1.000
1.200
1.400
1.600
1.800
0% 1% 2% 3% 4% 5%
M
á
x
i
m
o
v
a
l
o
r
e
c
o
n
ô
m
i
c
o(
M
R
$)
Penalização da receita em função da emissões de co2e
Seleção de portfólio considerando cenário de produção e de demanda Variação do máximo valor econômico em função da penalização das
emissões
Fonte: Elaborado pelo autor, 2017.
No Gráfico 6, é mostrado o comportamentos da energia gerada por cada tipo de
usina, considerando os cenários de ótimas condições atmosférica, em que a energia
produzida é acima da capacidade nominal das usinas. Nesta situação de produção,
considerando a hipótese que não haja penalização por emissão de CO2e, a energia
produzida para alcançar o máximo valor econômico é inferior a 250 MWh, obtidas
inclusive por meio da compra de energia. Na medida em que a penalidade é
introduzida, o sistema tende a aumentar a energia total produzida, aumentando a
geração eólica que produz menos emissões de CO2e e eliminando a compra de
energia térmica, que é mais poluente.
79
Gráfico 6 - Variação da energia gerada por tipo de geração em função das emissões de CO2e, do modelo multiobjetivo com cenário de ótimas condições climáticas
0
50
100
150
200
250
300
0,00% 0,50% 1,50% 2,50% 3,50% 4,50%
Ene
rgia
(MW
h)
Seleção de portfólio considerando cenários de produção e demanda - Variação do tipo de geração
cenário ótimas condições climáticas
Energia Hidráulica Gerada Energia Eólica Gerada
Energia Solar Gerada Energia Térmica Comprada
Emissões CO2e ( kgCO2e /MWano)
Fonte: Elaborado pelo autor, 2017.
No Gráfico 7, é mostrado o comportamentos da energia gerada por cada tipo de
usina, considerando o cenário de condições atmosférica normais, em que a energia
produzida é igual a capacidade nominal das usinas. Neste caso, a variação da
energia total produzida é mínima para os valores de penalização analisados. A
energia térmica adquirida diminui na medida em que a penalidade aumenta e a
energia eólica aumenta como forma de manter a mesma energia total produzida
pelo sistema.
80
Gráfico 7 - Variação da energia gerada por tipo de geração em função das emissões de CO2e, do modelo estocástico com cenário de condições climáticas normais
0
50
100
150
200
250
0,00% 0,50% 1,50% 2,50% 3,50% 4,50%
Ene
rgia
(MW
h)
Seleção de portfólio considerando cenários de produção e demanda - Variação do tipo de geração Cenário condições climáticas normais
Energia Hidráulica Gerada Energia Eólica Gerada
Energia Solar Gerada Energia Térmica Comprada
Emissões CO2e ( kgCO2e /MWano)
Fonte: Elaborado pelo autor, 2017.
No Gráfico 8, é mostrado o comportamentos da energia gerada por cada tipo de
usina, considerando o cenário de condições atmosférica ruins, em que a energia
produzida é abaixo da capacidade nominal das usinas. Neste caso, a variação da
energia total produzida é praticamente nula e torna-se necessário a compra de
energia térmica para os valores de penalização analisados. A energia térmica
adquirida diminui na medida em que a penalidade aumenta e a geração eólica
aumenta como forma de manter a mesma energia total produzida pelo sistema.
81
Gráfico 8 - Variação da energia gerada por tipo de geração em função das emissões de CO2e, do modelo estocástico com cenário de condições climáticas ruins
0
50
100
150
200
250
0,00% 0,50% 1,50% 2,50% 3,50% 4,50%
Ene
rgia
(MW
h)
Seleção de Portfólio considerando cenarios de produção e demanda - Variação do tipo de geração
Cenário condições Climáticas Ruins
Energia Hidráulica Gerada Energia Eólica Gerada
Energia Solar Gerada Energia Térmica Comprada
Emissões CO2e ( kgCO2e /MWano)
Fonte: Elaborado pelo autor, 2017.
A distribuição entre a média de energia produzida, energia comprada e energia
vendida, nos quatro cenários analisados, é apresentada nos GRÁFICOS 9, 10, 11 e
12.
82
Gráfico 9 - Variação média da energia produzida, comprada e vendida, em função das emissões de CO2e, do modelo multiobjetivo no cenário na crista da onda
Fonte: Elaborado pelo autor, 2017.
No cenário de demanda alta (crista da onda), nos três cenários de condições
climáticas, a média da energia comprada é maior para valores de penalização mais
baixos, por proporcionar um resultado econômico maior, fazendo com que, não seja
necessário gerar excedente de produção. Conforme a penalização aumenta, a
média da energia comprada diminui e o sistema passa a aumentar a média da
energia gerada e consequentemente necessitar de vender energia excedente a
demanda (GRÁFICO 9).
83
Gráfico 10 - Variação média da energia produzida, comprada e vendida, em função das emissões de CO2e, do modelo multiobjetivo no cenário surfando na marola.
Fonte: Elaborado pelo autor, 2017.
No Gráfico 10, é mostrado a variação média da energia produzida, comprada e
vendida, considerando o cenário “surfando na marola”, para as três condições
climáticas. Pode-se perceber que a energia média comprada diminui rapidamente
na medida em que a penalização aumenta. A média da energia gerada aumenta
para compensar esta diminuição, chegando ao ponto de gerar excedentes para a
venda, para quase todo o intervalo de variação da penalização.
84
Gráfico 11 - Variação média da energia produzida, comprada e vendida, em função das emissões de CO2e, do modelo estocástico no cenário navegando em pedalinho
Fonte: Elaborado pelo autor, 2017.
Para o cenário “navegando em pedalinho” quase toda a energia média necessária
para atender a demanda, nos três cenários de condições climáticas é gerada, a
exceção do início do intervalo de variação de penalização pela emissão CO2e.
Conforme a penalização aumenta, a média da energia gerada aumenta para
compensar a diminuição da energia térmica comprada, que é mais poluente e
consequentemente contribui numa escala maior para diminuir o retorno econômico.
Desta forma a média de energia gerada ultrapassa a demanda e como
consequência, ocorre à necessidade de venda da energia excedente (GRÁFICO
11).
85
Gráfico 12 - Variação média da energia produzida, comprada e vendida, em função das emissões de CO2e, do modelo estocástico no cenário naufragando
Fonte: Elaborado pelo autor, 2017
No Gráfico 12, é mostrado a variação da média da energia gerada, comprada e
vendida, considerando o cenário “naufragando”, nos três cenários de condições
climáticas. Neste cenário a demanda é baixa e a necessidade de compra de energia
somente ocorre no início do intervalo de variação da penalidade. Pode-se perceber
que a média da energia vendida aumenta de forma constante, o que indica que a
média da energia gerada é cada vez maior, na medida em que a penalidade
aumenta.
86
Tabela 16 – Comparação dos resultados encontrados para cada uma das versões do modelo.
ResultadosVersão
Deterministica
Versão Estocástica
com Produção
Varíavel
Versão Estocástica
com Produção e
demanda Varíavel
Versão
multiobjetivo
Máximo Retorno
Econômico (MR$)1.658 1.401 1.560 1.387
Emissões(tCO2e/an
o)287 300 266 266
Energia
Hidrelétrica Gerada
(MWh)
50 60 57 57
Energia Eólica
Gerada (MWh)74 63 37 37
Energia Solar
Gerada (MWh)66 66 66 66
Energia Térmica
Comprada (MWh)60 61 63 53
Fonte: Elaborado pelo autor, 2017
Na tabela 16, é feita a comparação entre os resultados encontrados em cada uma
das versões do modelo.
Percebe-se que quando se introduz cenários e atribuem-se probabilidades, o
máximo retorno econômico diminui, ou seja o valor da solução estocástica (VSS),
definido na seção 2.2.4.3, que pode ser interpretado como o benefício esperado do
agente que considerou as incerteza, ou ainda, como a perda esperada do agente
que optou pela modelagem determinística ou com poucos cenários (TABELA 17).
87
Tabela 17 – Resultados das soluções estocásticas.
Fonte: Elaborado pelo autor, 2017
88
Tabela 18 – Comparação dos projetos selecionados para cada uma das versões do modelo.
Fonte: Elaborado pelo autor, 2017
4.3 Análise de sensibilidade
Como existe diferença no fator de carga médio de geração de energia elétrica para
os três tipos de usinas de geração de energia elétrica, foram realizadas simulações,
na versão do modelo estocástico com energia gerada e demandas incertas, para
verificar a sensibilidade do máximo retorno econômico, das emissões de CO2e, das
quantidades de energia elétricas geradas em cada tipo de usina e da energia
comprada.
89
Segundo Nakabayashi (2014), o Fator de Capacidade (FC) representa o nível de
atividade de uma usina em determinado período, ou seja, é a energia efetivamente
produzida por uma usina dividida pela produção que teria em caso de
funcionamento em sua capacidade nominal durante todo o período. Na Tabela 19
são mostrados os fatores de carga médios, para cada tipo de geração hidrelétrica,
eólica e solar.
Tabela 19 - Fatores de carga médios para os tipos de geração hidrelétrica, eólica e solar.
Tipo de Geração Fator de carga
Hidrelétrica 52%
Eólica 46%
Solar 26%
Fator de Carga
Fonte: Elaborado pelo autor, 2017.
4.3.1 Variação do fator de carga da geração de energia das usinas
Conforme mostrado na tabela acima existe diferenças entre os fatores de carga das
usinas de geração de energia elétrica, principalmente de geração solar, desta forma
foi variado o fator de carga das usinas e analisado os resultados:
a) aumentando o fator de carga das usinas solares em 10%;
b) igualando o fator de carga das usinas solares (26%) ao fator de carga das
usinas eólicas (46%);
c) aumentando os fatores de cargas das usinas solares e eólicas para igualar o
fator de carga as usinas hidrelétricas.
90
Gráfico 13 - Comparação entre máximo retorno econômico, emissões, energia gerada e comprada, variando os fatores de carga, considerando cenários de produção de ótimas condições climáticas e demanda incerta
0
50
100
150
200
250
300
Máximo retorno
Econômico
Emissões Hidrelétrica Eólica Solar Térmica
Val
ore
s d
e m
áxim
o r
eto
rno
eco
nô
mic
o,
em
issõ
es,
en
erg
ia g
era
da
e
com
pra
da
Seleção de Portfólio considerando cenários de produção e demandaComparação máximo retorno econômico, emissões, energia gerada e
comprada - cenário: Ótimas condições climáticas
Original
Melhorar solar 10%
Igualar F.C. solar (26) com eólica (46%)
Igualar F.C. solar (26) e eólica (46%) com Hidrelétrica (52%)
Fonte: Elaborado pelo autor, 2017.
No Gráfico 13, percebe-se o ganho obtido na redução das emissões de CO2e na
medida em que melhora o fator de carga das usinas eólicas e solares. Esta melhora
aumenta a energia gerada nas usinas solares e diminui a compra da energia
térmica, principal responsável pelas emissões, tornando-a dispensável, quando o
fator de carga das usinas solares é igualado ao fator de carga das usinas eólicas, no
cenário de ótimas condições climáticas.
A mesma situação ocorre nos demais cenários, cujos gráficos encontram-se no
ANEXO E.
91
4.3.2 Mudança na forma de contratação de energia do leilão, de menor preço para
maior eficiência
Para este caso foram selecionadas as 10 (dez) usinas de cada tipo de geração de
energia elétrica com os melhores fatores de carga, ao invés das 10 (dez) usinas
com menores preços de cada tipo.
Gráfico 14 - Comparação entre máximo retorno econômico, emissões, energia
gerada e comprada, mudando a forma de contratação de energia de menor preço, para melhor eficiência, na seleção de portfólio considerando cenários de produção de condições climáticas ruins e demanda incerta
0
50
100
150
200
250
300
Máximo Retorno Econômico
Emissões Energia Hidráulica Ger.
Energia Eólica Ger.
Energia Solar Ger.
Energia Térmica Comp.
Val
ore
s d
e m
áxim
o r
eto
rno
eco
nô
mic
o, E
mis
sõe
s,En
ergi
a G
era
da
e C
om
pra
da
Seleção de Portfólio considerando cenários de produção e demanda
Comparação entre contratação pelo menor preço e maior eficiência Cenário: Condições Climáticas Ruins
Menor Preço Mais eficiênte
Fonte: Elaborado pelo autor, 2017.
92
Como mostrado no Gráfico 14, a mudança na forma de contratação do leilão de
menor preço para melhor eficiência, no cenário de condições climáticas ruins, reduz
de forma extrema as emissões e aumenta a geração de energia, principalmente nas
usinas eólicas e solares, reduzindo por sua vez, a energia térmica comprada.
No Anexo F são apresentados os gráficos relativos aos cenários de ótimas
condições climáticas e condições climáticas normais, em que mesma situação
ocorre.
93
5 CONCLUSÃO
Este trabalho analisou como selecionar portfólio de projetos de geração de energia
elétrica, de uma matriz energética com geração, hidrelétrica, eólica e solar,
complementada por energia térmica, considerando incertezas associadas á
produção de energia e a demanda prevista, tendo como restrição uma variável
ambiental, utilizando um modelo de programação matemática estocástico e
multiobjetivo.
Neste modelo foram utilizados dados reais extraídos de leilões da ANEEL, revista da
EPE e do PNE 2030.
As simulações realizadas nas versões do modelo possibilitaram analisar o
comportamento da carteira de projetos selecionados, em relação ao máximo retorno
econômico, as emissões e ao tipo de geração, considerando inicialmente esta
seleção como um problema determinístico, posteriormente como um problema
estocástico, em que a produção de energia era função das condições climáticas,
num terceiro problema estocástico, em que além da produção, a demanda também
era dependente das condições econômicas do país, e por último no problema
estocástico com representação multiobjetivo.
Como motivações para este trabalho foram apresentadas diversas aplicações de
programação matemática, para seleção de portfólio de projetos. Tendo como base a
pesquisa realizada por Jugend e Figueiredo (2017), ficou constatado que até o
momento, existem poucos modelos para seleção de projetos sob incerteza,
principalmente que tenha como restrição uma variável ambiental. Os autores que se
propuseram a criar modelos para seleção de portfólio, em sua maioria o fizeram
para ativos financeiros, como Abdelaziz et al., (2007).
Na Tabela 14 apresentada na final da seção 4.1.4 do Capítulo 4 foram comparadas
as soluções obtidas com as diversas versões do modelo. Os resultados mostram
que na medida em que os cenários são considerados, os resultados obtidos ficam
aparentemente piores, porém aumenta a certeza dos benefícios a serem
94
alcançados. É importante lembrar que, independente do benefício proporcionado
por cada uma das versões do modelo matemático, o agente tomador de decisão
deverá se preocupar em garantir a melhor escolha levando em conta a
probabilidade de cada um dos cenários, para garantir um melhor retorno em
qualquer cenário que ocorra.
Por fim, dado a instabilidade da economia mundial, aliada a inúmeras incertezas
que envolvem decisões econômicas, fica claro a importância de se adotar um
modelo de auxilio na decisão de investimento que permita avaliar o impacto de
parâmetros incertos sob a ótica estocástica.
5.1 Trabalhos Futuros
Uma clara extensão deste trabalho é analisar um número maior de cenários, ou
considerando outras variáveis na solução deste problema. É importante incluir na
construção de um conjunto maior de cenários, um estudo de séries temporais
envolvendo as projeções de demanda e produção.
O modelo desenvolvido permite análises sobre influência de vários fatores
existentes na geração de energia como:
a) Um maior número de cenários por exemplo, considerando a variação das
condições climáticas e da demanda ao longo do ciclo de vida das usinas de
geração de energia elétrica;
b) mudanças na legislação ambiental e a necessidade de adaptação do parque
de geração, sujeito a restrições ambientais cada vez mais rígidas;
c) o impacto de novas tecnologias, uma vez que os processos de fabricação de
placas solares e geradores eólicos estão cada vez mais desenvolvidos.
Segundo Wener (2009), esta é uma tendência, face à necessidade de
modificação da matriz energética, baseada no consumo de combustíveis
fosseis, na maioria dos países, com graves implicações ambientais;
d) estudos sobre a inclusão de outras formas de geração e o seu impacto no
parque instalado;
e) é possível limitar as ofertas de tipos de energia por meio de restrições ou
ainda, incluir uma penalidade na função objetivo para tipos de geração
associadas a uma decisão política ou estratégica de reduzir a sua
importância na matriz energética.
95
REFERÊNCIAS
ABDELAZIZ, F. B. et al. Multi-objective stochastic programming for portfolio
selection. European Journal of Operational Research, v. 177, p. 1811–1823, 2007.
ABRANTES, R; FIGUEIREDO, J. Feature base process framework to manage scope
in dynamic NPD portfolios. International Journal of Project Management, v. 32, p. 874- 884, 2014. ARCHER, N.P; GHASEMZADEH F. An integrated framework for project portfolio
selection. International Journal of Project Management, V 17, p. 207-216, 1999
ARENALES, M. et al. Pesquisa operacional: para cursos de engenharia. Rio de Janeiro: Elsevier, 2007. 524 p.
ARROYO, J. E. C. et al. Heurísticas e metaheurísticas para otimização
combinatória multiobjetivo. 256f. Tese de Doutorado, Unicamp, 2002.
BANCO CENTRAL DO BRASIL. Focus: relatório de mercado. Brasil: BCB, 2017. Disponível em: <http://www.bcb.gov.br/pec/GCI/PORT/readout/R20170407.pdf>. Acesso em: 10 maio 2017.
BAUMGARTEN, M. Conhecimento, planificação e sustentabilidade. São Paulo em
Perspectiva, v. 16, n. 3, p. 31-41, 2002.
BEALE, E. On minizing a convex function subject to linear inequalities. Journal of
the Royal Statistical Society, Series B (Methodological), v. 17, n. 2, p. 173-184, 1955. BOVEA, M. D.; PEREZ-BELIS, V. A taxonomy of ecodesign tools for integrating
environmental requirements into the product design process. Journal of Cleaner
Production, v. 20, p. 61-71, 2012. BRONES, F; CARVALHO, M. M. From 50 to 1: Integrating literature toward a
systemic ecodesign model. Journal of Cleaner Production, v. 96), p. 44-47, 2015. BURRELL, G. Normal science, paradigms, metaphors, discourses and genealogies
of analysis. In: CLEGG, S.; HARDY, C.; NORD, W. (Ed.). Handbook of
organization studies. London: Sage, 1996. CARVALHO, M. M; LOPES, P. V. B. V; MARZAGÃO, D. S. L. Gestão de portfólio de
projetos: contribuições e tendências da literatura. Gestão & Produção, v. 20, p. 433-454, 2013.
CAVALCANTI C. et al. Desenvolvimento e natureza: estudos para uma sociedade sustentável. Instituto de Pesquisas Sociais, Fundação Joaquim Nabuco, Ministério de Educação, Governo Federal, Recife, Brasil. Outubro. 1994.
96
CEL_Resultado_Leiloes_Geracao_2005 a 2016_18-jan-17, retirado do site da ANEEL, no endereço http://www.aneel.gov.br/geracao4, acessado no dia 03 abr. 2017.
CHANKONG, V; HAIMES, Y. Y. Multiobjective decision making: theory and methodology. New York: Elsevier Science Publishing, 1983.
CHARNES, A; COOPER, W. Chance-constrained programming, Management
Science, v. 6, n.1, p.73-79, 1959.
COHON, J. L. Multiobjective programing and planning. academic press, New York, 1978. COMISSÃO MUNDIAL SOBRE MEIO AMBIENTE E DESENVOLVIMENTO -
CMMAD. Nosso futuro comum. Rio de Janeiro: Fundação Getúlio Vargas, 1988. COOPER, R. et al. Portfólio management in new product development: Lessons
from the leaders I. Research Technology Management, v. 40, n. 5, p. 16-28, 1997.
DANTZIG, G. Linear Programming Under Uncertainty. Management Science, v. 50, 12 Supplement, p. 1764-1769, 1955. DANTZIG, G; COELLO G., C. A. C. An updated survey of ga-based multiobjective
optimization techniques: state of the art and future trends. Evolutionary
Computation, 1999. CEC 99. Proceedings of the 1999 Congress, V.1 p. 3-13, 1999 DOBROVOLSKIENE, N; TAMOSIUNIENE, R. An índex to measure sustainability of
a business project in the construction industry: lithuanian case. Sustainability, v. 8, p. 1-14, 2016.
DUTRA, C. C; RIBEIRO, J. L. D.; CARVALHO, M. M. An economic-probabilistic
model for Project selection and prioritization. International Journal of Project
Management, v. 32, p. 1042-1055, 2014. DRUMMOND, J. A. Desenvolvimento sustentável: debates em torno de um conceito
problemático. História, Ciências, Saúde, v. 5, n. 3, p. 755-761, 1999.
DYE, L. D. Using scenario planning as an aid in project portfolio management. Paper
presented at Project Management Institute Annual Seminars & Symposium, San Antonio, TX. Newtown Square, PA: Project Management Institute, 2002. ELKINGTON, J. Triple bottom line revolution: reporting for the third millennium. Australian CPA, v. 69, p. 75, 1994.
FIORENTINO, G. et al. As oito grandes tendências de crescimento até 2020, bain &
Company, 2012.
97
FONSECA, C. M; FLEMING, P. J. An overview of evolutionary algorithms in
multiobjective optimization. Evolutionary Computation, v. 3, n. 1, p. 1–16, 1995. Geração de eletricidade da matriz de energia elétrica do SIN no ano de 2010,
publicado pela ONS, 2011. GOMES, L. A. M. et al. Promoting Sustainability in Mining: Multicriteria Assignment
of Resources in Vale. 22nd
Internacional Conference on Multiple Criteria Decision
Making, Málaga, Spain, 2013.
GRI, Global Reporting Initiative. About GRI. Boston. 2012b. Disponível em <https:/www.globalreportin.org/information/about-gri/pages/default.aspx>. Acesso em: 04 abr. 2017
HOPWOOD, A. Management Accounting Research in a changing World. Journal of
Management Accouting Research, v. 20, p. 3 -13, 2008.
HORN, J. Handbook of Evolutionary Computation. Oxford University Press, Oxford, England, 1997. HORN, J; NAFPLIOTIS, N; GOLDBERG, D. E. A niched Pareto genetic algorithm for
multiobjective optimization. Evolutionary Computation, 1994. IEEE World
Congress on Computational Intelligence. p. 82-87, 1994
INTERNATIONAL MONETARY FUND, Global Financial Stability Report, Potent Policies for a Successful Normalization, Washington, April 2016. ISENMANN, R; BEY, C; WELTER, M. Online reporting for sustainability issues.
Business Strategy and the Environment, v. 16, p 487-501, 2007. JUGEND, D; FIGUEIREDO, J. Integrando sustentabilidade ambiental e gestão de
portfólio de projetos: estudo de caso em uma empresa de energia. Gest. Prod., São
Carlos, v. 24, n. 3, p. 526-537, 2017 JUGEND, D; CREPALDI, A. F; MIGUEL, P. A. C. Gestão de portfólio de projetos:
métodos e práticas. Gestão de projetos: teoria prática e tendências (p. 27- 48). Rio de Janeiro: Elsevier. 2014. KHALILI-DAMGHANI, K; TAVANA, M. A Comprehensive framework for sustainable
project portfolio selection based on structural equation modeling. Journal of Project
Management, v. 45, p. 83-97, 2014. LAYRARGUES, P. P, Do ecodesenvolvimento ao desenvolvimento sustentável:
evolução de um conceito. Revista Proposta, v. 25, n. 71, p. 5-10, 1997.
LAZZARESCHI, V. H. Avaliação de portfólio de geração de energia elétrica para
o setor elétrico brasileiro: uma abordagem regulatória. 2014. 196 f. Dissertação (Mestrado em Energia) – Energia, Universidade de São Paulo, São Paulo, 2014.
98
MALTHUS, T. R. An essay on the principle of population. Reprint. Amherst, NY: Prometheus Books, 1998.
MARKOWITZ, H. “Portfolio Selection”, The Journal of Finance, vol. 7, n. 1, p. 77–91, 1952. MELO, M. T. et al. Facility location and supply chain management-A review.
European Journal of Operational Research, V. 196, n. 2, p. 401-412, 2009.
MIRANDA, M. M. Fator de emissão de gases de efeito estufa da geração de
energia elétrica no Brasil: implicações da aplicação da Avaliação do Ciclo de Vida. 2012. 164 f. Dissertação (Mestrado em Ciências da Engenharia Ambiental) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2012.
MORAES, E. F. Um modelo de programação matemática para otimizar a
composição de lotes de minério de ferro da mina cauê da CVRD. 2005. 89 f. Dissertação (Mestrado em Engenharia Mineral) – Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2005.
NAKABAYASHI, R. K. Microgeração fotovoltaica no Brasil: condições atuais e perspectivas futuras. 2014. 107 f. Dissertação (Mestrado em Energia) – Instituto de Energia e Ambiente, Universidade de São Paulo, São Paulo, 2014.
NORTH D. W. A Tutorial Introduction to Decision Theory, Systems Science and
Cybernetics, vol. 4, n. 3, p. 200-210, 1968
Pegada de CO2 dos painéis fotovoltaicos na América Latina.
https://www.researchgate.net/publication/271824595_Pegada_de_CO2_dos_paineis
_fotovoltaicos_na_America_Latina acessado em 18 mai. 2017.
PENG, J; Lu, Lu; Yang H. Renewable and Sustainable Energy Reviews. Review on Life Cycle Assessment of Energy Payback and Greenhouse Gas Emission of Solar
Photovoltaic Systems, Renewable and Sustainable Energy Reviews, v. 19, p. 255-274, 2013.
PEREIRA, G. W. Aplicação da técnica de recozimento simulado em problemas
de planejamento florestal multiobjectivo. 2004. 84 f. Dissertação (Mestrado em Ciência da Computação) – Instituto de Ciências Exatas, Universidade Federal de Minas Geraes, Belo Horizonte, 2004. PIMENTEL, B.S, et al. Decision-support models for sustainable mining
networks. Journal of Cleaner Production, v. 112, p. 2145-2157, 2016.
Plano Nacional de Energia 2030/Ministério de Minas e Energia; colaboração
Empresa de Pesquisa Energética . Brasília : MME : EPE, 2007
99
PRIETO, V. C. et al. Fatores críticos na implementação do Balanced
Scorecard. Gestão & Produção, v. 13, n. 1, p. 81-92, 2006. REBELLO, L. O. et al, Sustentabilidade: da evolução dos conceitos à
implementação como estratégia nas organizações. Revista Produção, v. 22, n. 1, p. 70-82, jan./fev. 2012 RIBAS, S; Coelho, I. M.; Souza, M. J. F. e Menotti, D., Parallel iterated local search
aplicado ao planejamento operacional de lavra. Anais do XLI Simpósio Brasileiro
de Pesquisa Operacional, p. 2037–2048, Porto Seguro, BA, 2009.
RIES, A; TROUT, J. Focused in a fuzzy world. Rethinking the Future: Business, Principles, Competition, Control, Leadership, Markets and the World, London: Nicholas Brealey Publishing, p. 181-195, 1997.
RUIC, G. A ressaca da Brexit: o mundo pode esperar uma catástrofe? EXAME.com, São Paulo, 25 jun. 2016. Mais vistas. Disponível em: <http://exame.abril.com.br/mundo/a-ressaca-da-brexit-o-mundo-pode-esperar-uma-catastrofe>. Acesso em: 05 mai. 2017. SEN, S; HIGLE, J. L. An introductory tutorial on stochastic linear programming
models. Interfaces, v.29, p. 33- 61, 1999. SHAHINIDIS, N.V. Optimization under uncertainty: State of the art and opportunities.
Computers and Chemical Engineering. v.28, n. 6, p. 971–983, 2004. SHERWANI, A.F; J.A. Usmani; Varun. Life Cycle Assessment of Solar PV Based
Electricity: A Review. Renewable and Sustainable Energy Reviews, v. 14, n. 1, p. 540-544, 2010. Silvius, G. A. J. et al. Sustainability in project management: advances in project
management. Surrey, England: Gower Publishing, 2012.
STEUER, R. E, Multiple Criteria Optimization: Theory, Computation, and
Application. Willey, New York: Wiley, 1986.
TAUHATA, S. Mercado vive choque entre expectativas e realidade. Valor
Econômico, São Paulo, 31 jan. 2017. Finanças. Disponível em: <http:/www.valor.com.br/finanças/4852794/mercado-vive-choque-entre-expectativas-e-realidade>. Acesso em: 29 abr. 2017. THE STANDARD for portfolio management. 3
rd ed. Newton Square, Pennsylvania:
Project Management Institute, 2013. 189 p.
THE STOCHASTIC PROGRAMMING SOCIETY. Overview of stochastic
programming. [S.l.]: SPS, [1984?]. Disponível em: <https://www.stoprog.org/what-stochastic-programming>. Acesso em: 20 mai. 2017.
100
THOMSON, I. Pela política da boa vizinhança. Ideia Sustentável, São Paulo, 31 jan. 2014. Entrevista concedida a Poliana Abreu. Disponível em: <http://www.ideiasustentavel.com.br/2014/01/pela-politica-da-boa-vizinhança/> Acesso em: 30 abr. 2017.
TICONA, W. G. C. Algoritmos evolutivos multi-objetivo para a reconstrução de
árvores filogenéticas. 2003. 158 f. Tese (Doutorado em Ciências)- Instituto de Ciências Matemáticas e Computação, Universidade de São Paulo, São Paulo, 2003. TOLMASQUIM. Algumas estatísticas obtidas da simulação da geração eólica na
região Nordeste, publicado pela EPE, Rio de Janeiro, 2016. TOLMASQUIM. Energia Renovável: Hidráulica, Biomassa, Eólica, Solar, Oceânica,
publicado pela EPE, Rio de Janeiro, 2016. TREVISAN, M. et al. Uma ação de responsabilidade socioambiental no rodeio
internacional. ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO–
ENEGEP, v. 28, 2008.
TRIANTAPHYLLOU, E. Multi-Criteria Decision Making Methods: a comparative
study, Springer, US, p.5-21, 2002. TRIANTAPHYLLOU, E; MANN S. H. (1995). Using The Analytic Hierarchy Process
For Decision Making in Engineering Applications: Some Challenges. International
Journal of Industrial Engineering: Applications and Practice, Vol. 2, n. 1, p. 35-44, 1995. TVERSKY, A; KAHNEMAN, D. Rational Choice and the Framing of Decisions. The Journal of Business, Vol. 59, No. 4, Part 2: The Behavioral Foundations of Economic Theory 1986. VARGAS, R. Utilizando a Programação Multicritério (AHP) para Selecionar e
Priorizar Projetos na Gestão de Portfólio. PMI Global Congress 2010 – North
America, Washington – DC, EUA, 2010 VELDHUIZEN, D. A. Van; Lamont, G. B. Multiobjective evolutionary algorithms:
analyzing the state-of-the-art. Evolutionary Computation, v. 8, n. 2, p. 125-147. 2000. WERNER, D; TAVARES, D. A.C. Hidrelétricas e desenvolvimento sustentável: Uma combinação possível? In: ENCONTRO DA SOCIEDADE BRASILEIRA DE
ECONOMIA ECOLÓGICA, 8., 2009, Cuiabá. Anais... . Cuiabá: Ecoeco, 2009. ZITZLER, E. Evolutionary algorithms for multiobjective optimization: methods and
applications. PhD thesis, Federal Institute of Technology Zurich, Zurich, Swiss, 1999.
101
ANEXO A – Resultado dos leilões da ANEEL
PCH Verde 08 Leilão 6/2013 28,50 16,9 13,1 130,00 GO Rio Verde 204.796.000,00
PCH Cantu 2 Leilão 6/2013 18,00 9,5 9,5 128,99 PR Rio Cantu 112.082.180,00
UHE Sinop Leilão 6/2013 400,00 239,8 215,8 109,40 MT RIO TELE PIRES 1.777.429.780,00
PCH Cabeça de Boi Leilão 6/2013 29,68 13,6 13,6 119,99 MT Rio Apiacás 188.169.560,00
PCH Da Fazenda Leilão 6/2013 19,50 9,1 9,1 120,00 MT Rio Apiacás 126.336.230,00
UHE Salto Apiacás Leilão 6/2013 45,00 22,9 22,4 119,97 MT Rio Apiacás 178.394.060,00
PCH Santo Cristo Leilão 6/2013 19,50 10,8 0,5 129,00 SC Rio Pelotinhas 165.698.690,00
PCH Manopla Leilão 6/2013 5,00 2,6 2,6 128,99 PE Rio Sirinhaém 44.959.060,00
PCH Mata Velha Leilão 6/2013 24,00 13,1 12,7 128,99 MG Rio Preto 178.544.660,00
PCH Ypê Leilão 6/2013 29,30 16,7 16,7 131,20 GO Rio Verde 149.483.000,00
UTE Amandina Leilão 6/2013 40,00 13,3 10 135,00 MS Bagaço de Cana 94.329.630,00
UTE Canto do Buriti Leilão 6/2013 150,00 119,1 119,1 136,69 PI Cavaco de Madeira 469.407.000,00
UTE Campo Grande Leilão 6/2013 150,00 122,1 122,1 136,69 BA Cavaco de Madeira 496.407.000,00
UTE Delta Leilão 6/2013 40,00 23,8 19 135,31 MG Bagaço de Cana 113.600.000,00
UTE Eldorado ampliação Leilão 6/2013 116,00 52,2 52,2 132,30 MS Bagaço de Cana 215.429.000,00
UTE Santa Helena Leilão 6/2013 45,00 15,2 15,2 132,81 MS Bagaço de Cana 165.000.000,00
UTE Caarapó Leilão 6/2013 38,00 17 15,3 134,37 MS Bagaço de Cana 140.143.300,00
UTE Guarani Tanabi Leilão 6/2013 34,00 15 10,6 134,89 SP Bagaço de Cana 93.750.000,00
UTE Guarani Tanabi 2 Leilão 6/2013 34,00 16 11,3 133,89 SP Bagaço de Cana 85.676.600,00
1.265,48 748,70 690,80 129,39 4.999.635.750,00
Invest. Previsto (R$)Usina LEILÃO Pot. (MW)Garantia
Física (MWmédio)
Lotes Vendidos
(MWmédio)Preço (R$/MW) Localização Fonte
102
PCH Água Limpa Leilão 10/2013 23,00 11,44 6 138,00 MG Rio Piracicaba 142.410.110,00
PCH Ado Popinhak Leilão 10/2013 19,30 10,44 10,4 135,90 SC Rio Canoas 99.698.680,00
PCH Linha Aparecida Leilão 10/2013 24,92 13,78 11,7 136,98 RS Rio da Várzea 134.476.550,00
PCH Linha Jacinto Leilão 10/2013 17,41 9,87 9,3 137,98 RS Rio da Várzea 101.616.060,00
PCH Fazenda Velha Leilão 10/2013 16,50 8,9 6,7 131,95 GO Rio Ariranha 68.541.970,00
PCH Garça Branca Leilão 10/2013 6,50 3,4 3,2 137,86 SC Rio das Antas 37.382.820,00
PCH Jardim Leilão 10/2013 9,00 4,46 1,1 139,00 RS Rio Turvo 35.437.000,00
PCH Morro Grande Leilão 10/2013 9,80 4,38 1,1 139,00 RS Rio Ituim 27.096.000,00
PCH Nova Mutum Leilão 10/2013 14,00 6,12 1,2 139,00 MT Rio dos Patos 68.460.000,00
PCH Serra das Agulhas Leilão 10/2013 28,00 11,7 11,7 134,90 MG Rio Pardo Pequeno 125.667.440,00
PCH Pito Leilão 10/2013 4,00 2,3 2,3 134,90 SCRio Lajeado Passo
Grande23.871.000,00
PCH Quartel I Leilão 10/2013 30,00 14 13,9 139,20 MG Rio Paraúna 143.734.680,00
PCH Quartel II Leilão 10/2013 30,00 14,2 14,1 139,20 MG Rio Paraúna 147.755.020,00
PCH Quartel III Leilão 10/2013 30,00 14,1 14 139,20 MG Rio Paraúna 120.321.420,00
PCH Renic Leilão 10/2013 16,00 6,55 2,5 136,90 GO Rio Bonito 23.411.500,00
PCH Tamboril Leilão 10/2013 29,33 12,91 7 136,90 GO Rio Bonito 21.856.700,00
UHE São Manoel Leilão 10/2013 700,00 421,7 409,5 83,49 PA Rio Teles Pires 2.292.951.980,00
UTE ERB Candeias Leilão 10/2013 16,79 14,9 14,9 135,49 BA Cavaco de Madeira 38.400.000,00
UTE Santa Cândida II Leilão 10/2013 55,00 23,1 22,8 133,02 SP Bagaço de Cana 218.840.730,00
UTE Santo Ângelo Leilão 10/2013 30,00 13,9 10,5 135,45 MG Bagaço de Cana 55.000.000,00
UTE Vista Alegre II Leilão 10/2013 30,00 20,4 20,4 133,00 MS Bagaço de Cana 94.554.240,00
UTE Vista Alegre I Leilão 10/2013 30,00 22,2 15,6 133,01 MS Bagaço de Cana 94.554.240,00
EOL Arara Azul Leilão 10/2013 27,50 10,7 9,8 121,30 RN Vento 95.427.000,00
EOL Bentevi Leilão 10/2013 15,00 5,7 5,2 121,30 RN Vento 53.630.000,00
EOL Ouro Verde I Leilão 10/2013 27,50 10,7 9,8 121,30 RN Vento 95.427.000,00
EOL Ouro Verde II Leilão 10/2013 30,00 11,2 10,4 121,30 RN Vento 103.932.000,00
EOL Ouro Verde III Leilão 10/2013 25,00 9,4 8,6 121,30 RN Vento 86.922.000,00
EOL Aura Mangueira IV Leilão 10/2013 22,00 9,7 9,7 119,48 RS Vento 81.290.000,00
EOL Aura Mangueira VI Leilão 10/2013 28,00 12,3 12,3 119,48 RS Vento 103.460.000,00
EOL Aura Mangueira XI Leilão 10/2013 10,00 4,3 4,3 119,48 RS Vento 36.950.000,00
EOL Aura Mangueira XII Leilão 10/2013 16,00 6,9 6,9 119,48 RS Vento 59.120.000,00
EOL Aura Mangueira XIII Leilão 10/2013 14,00 6 6 119,49 RS Vento 51.730.000,00
Preço (R$/MW) Localização Fonte Invest. Previsto (R$)Usina LEILÃO Pot. (MW) GF (MWmédio)Lotes Vendidos
(MWmédio)
103
EOL Aura Mangueira XV Leilão 10/2013 18,00 7,9 7,9 119,48 RS Vento 66.510.000,00
EOL Aura Mangueira XVII Leilão 10/2013 14,00 5,8 5,8 119,48 RS Vento 51.730.000,00
EOL Aura Mirim IV Leilão 10/2013 14,00 6 6 119,50 RS Vento 51.730.000,00
EOL Aura Mirim VI Leilão 10/2013 8,00 3,4 3,4 119,48 RS Vento 29.560.000,00
EOL Aura Mirim VIII Leilão 10/2013 8,00 3,3 3,3 119,48 RS Vento 29.560.000,00
EOL Banda de Couro Leilão 10/2013 29,70 12,9 12,5 121,80 BA Vento 103.950.000,00
EOL Baraúnas II Leilão 10/2013 21,60 7,8 7,8 119,99 BA Vento 75.600.000,00
EOL Bons Ventos Cacimbas 2 Leilão 10/2013 25,20 9,8 9,3 121,58 CE Vento 105.787.500,00
EOL Bons Ventos Cacimbas 3 Leilão 10/2013 14,70 6 6 121,58 CE Vento 61.708.520,00
EOL Bons Ventos Cacimbas 4 Leilão 10/2013 10,50 4,3 4,3 121,58 CE Vento 44.079.790,00
EOL Bons Ventos Cacimbas 5 Leilão 10/2013 23,10 9,6 9,2 121,58 CE Vento 96.971.900,00
EOL Bons Ventos Cacimbas 7 Leilão 10/2013 16,80 6,5 6,5 121,58 CE Vento 70.525.000,00
EOL Itaguaçu da Bahia Leilão 10/2013 28,00 14 12,1 120,02 BA Vento 96.077.000,00
EOL Ventos de Santa Luiza Leilão 10/2013 28,00 14,2 12,2 120,01 BA Vento 96.077.000,00
EOL Ventos de Santa Madalena Leilão 10/2013 28,00 14,7 12,7 120,01 BA Vento 96.077.000,00
EOL Ventos de Santa Marcella Leilão 10/2013 28,00 13,6 11,7 120,02 BA Vento 96.077.000,00
EOL Ventos de Santa Vera Leilão 10/2013 28,00 15,2 13,1 120,02 BA Vento 96.077.000,00
EOL Ventos de Santo Antonio Leilão 10/2013 28,00 16,1 13,9 120,01 BA Vento 96.077.000,00
EOL Ventos de São Bento Leilão 10/2013 28,00 14,4 12,4 120,01 BA Vento 96.077.000,00
EOL Ventos de São Cirilo Leilão 10/2013 28,00 14,7 12,7 120,02 BA Vento 96.077.000,00
EOL Ventos de São João Leilão 10/2013 28,00 15 12,9 120,01 BA Vento 96.077.000,00
EOL Ventos de São Rafael Leilão 10/2013 28,00 13,8 11,9 120,02 BA Vento 96.077.000,00
EOL Assuruá I Leilão 10/2013 30,00 11,5 11,5 118,80 BA Vento 141.870.000,00
EOL Assuruá VI Leilão 10/2013 30,00 13,8 13,8 118,76 BA Vento 141.870.000,00
EOL Capoeiras I Leilão 10/2013 26,00 11,5 11,5 118,80 BA Vento 123.628.000,00
EOL Capoeiras II Leilão 10/2013 30,00 13,9 13,9 118,76 BA Vento 141.870.000,00
EOL Curral de Pedras III Leilão 10/2013 30,00 13,2 13,2 118,78 BA Vento 141.870.000,00
EOL Curral de Pedras IV Leilão 10/2013 20,00 8,9 8,9 118,78 BA Vento 96.270.000,00
EOL Aroeira Leilão 10/2013 30,00 11,3 11,3 108,90 RN Vento 104.506.950,00
EOL Jericó Leilão 10/2013 30,00 11,9 11,4 108,90 RN Vento 104.506.950,00
EOL Umbuzeiros Leilão 10/2013 30,00 12,4 11,6 108,90 RN Vento 104.506.950,00
EOL Casa Nova II Leilão 10/2013 28,00 7,1 7,1 118,95 BA Vento 125.872.750,00
EOL Casa Nova III Leilão 10/2013 24,00 5,5 5,5 118,95 BA Vento 125.872.750,00
EOL Pedra Cheirosa Leilão 10/2013 26,00 13,6 13,6 117,40 CE Vento 103.370.000,00
EOL Pedra Cheirosa II Leilão 10/2013 24,00 12,5 12,5 117,39 CE Vento 95.418.000,00
EOL Umburanas 1 Leilão 10/2013 27,00 14,5 14,1 117,77 BA Vento 98.244.980,00
EOL Umburanas 10 Leilão 10/2013 21,00 10,7 10,4 117,77 BA Vento 82.966.570,00
EOL Umburanas 11 Leilão 10/2013 15,00 7,4 7,2 117,77 BA Vento 67.409.910,00
EOL Umburanas 12 Leilão 10/2013 22,80 12 11,7 117,77 BA Vento 92.610.910,00
EOL Umburanas 13 Leilão 10/2013 18,90 10,3 10 117,77 BA Vento 81.843.380,00
EOL Umburanas 14 Leilão 10/2013 24,90 12,2 11,9 119,75 BA Vento 108.050.960,00
EOL Umburanas 15 Leilão 10/2013 18,90 9,6 9,4 119,75 BA Vento 81.086.370,00
EOL Umburanas 16 Leilão 10/2013 27,00 14,1 12,7 119,75 BA Vento 97.625.710,00
EOL Umburanas 18 Leilão 10/2013 8,10 4,4 4,2 119,75 BA Vento 35.806.790,00
EOL Umburanas 2 Leilão 10/2013 27,00 14,3 13,9 117,77 BA Vento 99.773.540,00
EOL Umburanas 3 Leilão 10/2013 18,90 10,1 9,8 118,76 BA Vento 83.589.900,00
EOL Umburanas 4 Leilão 10/2013 18,90 9,9 9,7 119,75 BA Vento 82.620.790,00
EOL Umburanas 5 Leilão 10/2013 18,90 9,5 9,3 119,75 BA Vento 81.692.060,00
EOL Umburanas 6 Leilão 10/2013 21,60 11,6 11,3 118,76 BA Vento 71.979.410,00
EOL Umburanas 7 Leilão 10/2013 24,30 11,7 11,3 119,75 BA Vento 28.763.780,00
EOL Umburanas 8 Leilão 10/2013 24,30 12,8 12,5 117,77 BA Vento 28.168.660,00
EOL Umburanas 9 Leilão 10/2013 18,00 8,8 8,6 119,75 BA Vento 72.059.450,00
EOL Aventura I Leilão 10/2013 26,00 10,5 10,5 108,90 RN Vento 101.825.950,00
EOL Cabeço Vermelho Leilão 10/2013 30,00 15 13,6 119,72 RN Vento 117.913.000,00
EOL Cabeço Vermelho II Leilão 10/2013 20,00 9 9 120,72 RN Vento 78.234.000,00
EOL Tamanduá Mirim 2 Leilão 10/2013 24,00 8 7,2 119,70 BA Vento 45.898.450,00
104
EOL Catanduba I Leilão 10/2013 30,00 13,3 13,3 121,80 RN Vento 78.865.710,00
EOL Catanduba II Leilão 10/2013 30,00 12,1 12,1 121,80 RN Vento 78.874.000,00
EOL Porto do Delta Leilão 10/2013 30,00 12,7 12,7 117,46 PI Vento 106.417.070,00
EOL Testa Branca I Leilão 10/2013 30,00 14,8 11 117,50 PI Vento 106.417.070,00
EOL Santa Rosa Leilão 10/2013 20,00 8,4 7,4 121,10 CE Vento 76.682.000,00
EOL Uirapuru Leilão 10/2013 28,00 12,6 11,2 121,10 CE Vento 104.204.000,00
EOL Ventos de Angelim Leilão 10/2013 24,00 10,3 9,1 121,10 CE Vento 88.727.000,00
EOL Ventos de Santo Augusto I Leilão 10/2013 16,00 8,2 8,2 120,47 PI Vento 54.890.000,00
EOL Ventos de Santo Augusto II Leilão 10/2013 30,00 15,7 13,3 120,48 PI Vento 102.940.000,00
EOL Ventos de Santo Augusto VI Leilão 10/2013 30,00 16,4 14,9 120,47 PI Vento 102.940.000,00
EOL Ventos de Santo Augusto VII Leilão 10/2013 16,00 8,4 8,2 120,48 PI Vento 54.890.000,00
EOL Ventos de Santo Augusto VIII Leilão 10/2013 16,00 8,8 8,8 120,47 PI Vento 54.890.000,00
EOL Ventos de Santo Estevão I Leilão 10/2013 30,00 16,5 11,6 120,48 PE Vento 102.940.000,00
EOL Ventos de Santo Estevão II Leilão 10/2013 30,00 15,4 11,4 121,49 PE Vento 102.940.000,00
EOL Ventos de Santo Estevão III Leilão 10/2013 30,00 15,6 12,6 120,48 PE Vento 102.940.000,00
EOL Ventos de Santo Estevão V Leilão 10/2013 30,00 14,8 13,5 120,47 PE Vento 102.940.000,00
EOL Serra do Mel I Leilão 10/2013 28,00 13 12,6 121,09 RN Vento 110.187.000,00
EOL Serra do Mel II Leilão 10/2013 28,00 12,8 12,5 121,09 RN Vento 110.187.000,00
EOL Serra do Mel III Leilão 10/2013 28,00 12,5 12,2 121,09 RN Vento 110.187.000,00
EOL União dos Ventos 15 Leilão 10/2013 30,00 13,4 9,4 115,00 RN Vento 135.914.530,00
EOL União dos Ventos 16 Leilão 10/2013 30,00 12,7 8,9 115,00 RN Vento 135.847.630,00
EOL Ventos da Bahia II Leilão 10/2013 30,00 13,1 12,7 117,74 BA Vento 114.046.540,00
EOL Ventos da Bahia IV Leilão 10/2013 12,00 5,5 5,3 117,74 BA Vento 44.875.150,00
EOL Ventos da Bahia VIII Leilão 10/2013 30,00 13,3 12,9 117,74 BA Vento 114.046.540,00
EOL União dos Ventos 12 Leilão 10/2013 27,20 14,2 9,9 115,00 RN Vento 123.316.000,00
EOL União dos Ventos 13 Leilão 10/2013 20,40 10,7 7,5 115,00 RN Vento 82.212.000,00
EOL União dos Ventos 14 Leilão 10/2013 22,10 11,9 8,3 115,00 RN Vento 123.316.000,00
EOL Vila Amazonas V Leilão 10/2013 30,00 14,8 10,5 120,36 RN Vento 90.882.430,00
EOL Vila Pará I Leilão 10/2013 30,00 14,2 11,8 119,13 RN Vento 90.882.430,00
EOL Vila Pará II Leilão 10/2013 30,00 14 10,6 120,38 RN Vento 90.882.430,00
EOL Vila Pará III Leilão 10/2013 30,00 13,9 10,5 120,37 RN Vento 90.882.430,00
3.507,35 1.748,15 1.599,50 121,86 12.812.167.730,00
105
Usina LEILÃO Pot. (MW) GF (MWmédio)Lotes Vendidos
(MWmédio)Preço (R$/MW) Localização Fonte Invest. Previsto (R$)
EOL Pedra do Reino IV Leilão 9/2015 20,000 9,700 97 178,00 BA Vento 96.098.000,00
EOL Ventos da Bahia I Leilão 9/2015 30,000 13,100 131 203,96 BA Vento 144.935.880,00
EOL Ventos da Bahia III Leilão 9/2015 30,000 14,500 145 203,96 BA Vento 144.563.510,00
EOL Ventos da Bahia IX Leilão 9/2015 30,000 13,400 132 203,96 BA Vento 144.980.980,00
EOL Ventos da Bahia XVIII Leilão 9/2015 27,000 13,400 134 203,96 BA Vento 118.632.670,00
EOL Serra da Babilonia II Leilão 9/2015 30,000 16,100 135 206,48 BA Vento 135.140.000,00
EOL Serra da Babilonia VI Leilão 9/2015 26,000 13,200 108 206,48 BA Vento 117.130.000,00
EOL Serra da Babilonia VII Leilão 9/2015 26,000 14,400 128 206,48 BA Vento 117.130.000,00
EOL Serra da Babilonia VIII Leilão 9/2015 26,000 14,100 126 206,48 BA Vento 117.130.000,00
EOL Serra da Babilonia IX Leilão 9/2015 26,000 13,200 118 206,48 BA Vento 117.130.000,00
EOL Vila Acre I Leilão 9/2015 25,200 15,200 144 210,98 RN Vento 100.800.000,00
EOL Serra da Babilonia X Leilão 9/2015 26,000 14,100 127 206,48 BA Vento 117.130.000,00
EOL Serra da Babilonia XI Leilão 9/2015 28,000 15,500 120 206,48 BA Vento 126.135.000,00
EOL Serra da Babilonia XII Leilão 9/2015 28,000 15,800 131 206,48 BA Vento 126.135.000,00
EOL Ventos Maranhenses 05 Leilão 9/2015 30,000 15,300 122 212,39 MA Vento 77.770.000,00
EOL Ventos de Santa Aparecida Leilão 9/2015 28,000 15,400 152 199,37 BA Vento 128.800.000,00
EOL Ventos de Santa Aurora Leilão 9/2015 28,000 14,100 139 199,37 BA Vento 128.800.000,00
EOL Ventos de Santa Beatriz Leilão 9/2015 28,000 15,400 152 199,37 BA Vento 128.800.000,00
EOL Ventos deSanta Emilia Leilão 9/2015 28,000 14,400 142 199,37 BA Vento 128.800.000,00
EOL Ventos do São Gabriel Leilão 9/2015 28,000 14,500 143 199,37 BA Vento 128.800.000,00
UFV Coremas III Leilão 9/2015 30,000 7,100 71 302,80 PB Sol143.042.000,00
UFV Sol Steelcons Miracema 1 Leilão 9/2015 30,000 5,400 54 295,99 TO Sol203.655.000,00
UFV Sol Steelcons Miracema 2 Leilão 9/2015 30,000 5,400 54 296,99 TO Sol203.655.000,00
UFV Sol Steelcons Miracema 3 Leilão 9/2015 30,000 5,400 54 301,49 TO Sol203.655.000,00
UFV Nova Cruz Leilão 9/2015 30,000 7,000 63 292,60 RN Sol171.541.250,00
UFV Brisas Suaves Leilão 9/2015 5,000 1,300 13 293,00 SP Sol 20.180.000,00
UFV Apodi I Leilão 9/2015 30,000 8,700 87 300,88 CE Sol 120.000.010,00
UFV Guimarania 1 Leilão 9/2015 30,000 8,200 82 290,00 MG Sol 129.298.000,00
UFV Assu V Leilão 9/2015 30,000 9,200 92 302,99 RN Sol 149.784.370,00
UFV Apodi II Leilão 9/2015 30,000 8,700 87 300,88 CE Sol 120.000.000,00
UFV Guimarania 2 Leilão 9/2015 30,000 8,200 82 290,00 MG Sol 126.008.000,00
UFV Apodi III Leilão 9/2015 30,000 8,700 87 300,88 CE Sol 120.000.000,00
UFV Apodi IV Leilão 9/2015 30,000 8,700 87 300,88 CE Sol 120.000.000,00
UFV Pirapora 2 Leilão 9/2015 30,000 8,400 84 301,00 MG Sol 128.168.000,00
UFV Paracatu 1 Leilão 9/2015 30,000 8,500 85 298,00 MG Sol 125.916.000,00
UFV Paracatu 2 Leilão 9/2015 30,000 8,500 85 298,00 MG Sol 125.738.000,00
UFV Pirapora 3 Leilão 9/2015 30,000 8,400 84 299,50 MG Sol 127.738.000,00
UFV Pirapora 4 Leilão 9/2015 30,000 8,400 84 299,50 MG Sol 127.738.000,00
UFV Paracatu 3 Leilão 9/2015 30,000 8,500 85 298,00 MG Sol 125.738.000,00
UFV Paracatu 4 Leilão 9/2015 30,000 8,500 85 298,00 MG Sol 125.738.000,00
UFV Sobrado1 Leilão 9/2015 30,000 7,800 78 299,95 BA Sol 118.598.000,00
UFV Floresta I Leilão 9/2015 30,000 9,400 94 292,80 RN Sol 143.892.370,00
UFV Floresta II Leilão 9/2015 30,000 9,400 94 292,80 RN Sol 143.892.370,00
UFV Floresta III Leilão 9/2015 20,000 6,300 63 292,81 RN Sol 100.223.590,00
UFV Boa Hora 1 Leilão 9/2015 25,000 5,300 53 291,75 PE Sol 150.195.000,00
UFV Boa Hora 2 Leilão 9/2015 25,000 5,300 53 291,75 PE Sol 150.195.000,00
UFV Boa Hora 3 Leilão 9/2015 25,000 5,300 53 291,75 PE Sol 150.195.000,00
UFV Juazeiro Solar I Leilão 9/2015 29,835 8,700 87 301,02 BA Sol 122.224.000,00
106
UFV Juazeiro Solar II Leilão 9/2015 29,835 8,700 87 301,02 BA Sol 122.224.000,00
UFV Juazeiro Solar III Leilão 9/2015 29,835 8,700 87 301,02 BA Sol 122.224.000,00
UFV Juazeiro Solar IV Leilão 9/2015 29,835 8,700 87 301,02 BA Sol 122.224.000,00
UFV Fazenda Esmeralda Leilão 9/2015 30,000 6,200 62 294,00 PE Sol 153.719.890,00
UFV BJL 4 Leilão 9/2016 20,000 5,000 50 300,15 BA Sol 79.481.000,00
1.477,54 530,80 5.079,00 261,87 6.841.721.890,00
Usina LEILÃO Pot. (MW) GF (MWmédio)Lotes Vendidos
(MWmédio)Preço (R$/MW) Localização Fonte Invest. Previsto (R$)
PCH Santa Carolina Leilão 4/2015 10,500 5,130 46 203,00 RS Rio Turvo 40.095.000,00
PCH Dores de Guanhaes Leilão 4/2015 14,000 7,140 71 205,50 MG Rio Guanhaes 85.761.310,00
PCH Fortuna II Leilão 4/2015 9,000 4,660 46 205,50 MG Rio Corrente Grande 59.341.760,00
PCH Jacare Leilão 4/2015 9,000 4,990 49 205,50 MG Rio Guanhaes 56.317.360,00
PCH das Pedras Leilão 4/2015 5,600 3,300 23 207,00 SC Rio Chapeco 34.528.750,00
PCH Senhora do Porto Leilão 4/2015 12,000 6,510 65 205,50 MG Rio Guanhaes 68.015.160,00
PCH Xavantina Leilão 4/2015 6,075 3,540 31 202,85 SC Rio Irani 38.021.610,00
UTE Clealco Queiroz Leilão 4/2015 28,500 14,500 145 210,73 SP Bagaço de Cana 70.000.000,00
UTE ProsperidadeI Leilão 4/2015 28,023 23,300 227 214,25 BA Gás Natural 93.306.000,00
UTE São Sepe Leilão 4/2015 8,000 6,800 62 212,00 RS Casca de Arroz 45.920.000,00
EOL Cacimbas 1 Leilão 4/2015 18,900 10,200 99 181,49 CE Vento 93.193.320,00
EOL Ventos do Norte 13 Leilão 4/2015 30,000 13,100 128 179,87 MA Vento 77.770.000,00
EOL Ventos do Norte 15 Leilão 4/2015 30,000 13,100 128 179,86 MA Vento 77.770.000,00
EOL Ventos do Norte 18 Leilão 4/2015 30,000 13,800 135 179,85 MA Vento 77.770.000,00
EOL Ventos Maranhenses 01 Leilão 4/2015 30,000 12,700 124 179,88 MA Vento 77.770.000,00
EOL Ventos Maranhenses 02 Leilão 4/2015 30,000 13,000 127 179,88 MA Vento 77.770.000,00
EOL Ventos Maranhenses 03 Leilão 4/2015 30,000 13,100 128 179,87 MA Vento 77.770.000,00
EOL Ventos Maranhenses 04 Leilão 4/2015 30,000 13,500 132 179,86 MA Vento 77.770.000,00
EOL Santa Monica I Leilão 4/2015 18,900 10,000 97 181,49 CE Vento 92.807.410,00
EOL Ouro Verde Leilão 4/2015 29,700 13,200 128 181,49 CE Vento 149.178.440,00
EOL Testa Branca III Leilão 4/2015 22,000 8,800 86 178,88 PI Vento 86.945.230,00
EOL Estrela Leilão 4/2015 29,700 14,000 136 181,49 CE Vento 161.238.460,00
EOL Ventos de Sao Vicente 08 Leilão 4/2015 30,000 16,000 145 182,39 PI Vento 112.461.940,00
EOL Ventos de Sao Vicente 09 Leilão 4/2015 29,900 14,600 131 182,41 PI Vento 112.087.070,00
EOL Ventos de Sao Vicente 10 Leilão 4/2015 29,900 14,000 137 182,41 PI Vento 112.087.070,00
EOL Ventos de Sao Vicente 11 Leilão 4/2015 29,900 14,100 124 182,42 PI Vento 112.087.070,00
EOL Ventos de Sao Vicente 12 Leilão 4/2015 30,000 15,600 132 182,41 PI Vento 112.461.940,00
EOL Ventos de Sao Vicente 13 Leilão 4/2015 29,900 13,700 116 182,42 PI Vento 112.087.070,00
EOL Ventos de Sao Vicente 14 Leilão 4/2015 30,000 15,600 145 182,40 PI Vento 112.461.940,00
669,50 331,97 3.143,00 190,09 2.504.793.910,00 Fonte: ANEEL, 2017.
107
ANEXO B – Indicadores ambientais da GRI
INDICADORES Descrição Aspecto
EN1 Materiais usados por peso ou volume.
EN2Percentual dos materiais utilizados proveniente de
reciclagem.
EN3Consumo de energia direta descriminado por fonte
de energia primária.
EN4Consumo de energia indireta descriminado por
fonte de energia primária.
EN5Energia economizada devido a melhorias em
conservação e eficiência.
EN6Iniciativas para fornecer produtos/serviços com
baixo consumo de energia.
EN7Iniciativas para reduzir o consumode energia
indireta eas reduções obtidas.
EN8 Total de retirada de água, por fonte.
EN9Fontes hídricas significativamente afetadas por
retirada de água.
EN10Percentual e volume total de água reciclada e
reutilizada.
EN11Localização e tamanho da área administrativa
dentro de áreas protegidas.
EN12
Descrição dos impactos significativos na
biodiversidade de atividades, produtos e serviços
em áreas de alto índice de biodiversidade.
EN13 Habitats protegidos ou restaurados.
EN14Estratégias, medidas em vigor e planos futuros para
a gestão de impactos na biodiversidade.
EN15Número de espécie em extinção afetadas por
operações da empresa.
EN16Total de emissões diretas e indiretas de gases de
efeito estufa, por peso.
EN17Outras emissões indiretas relevantes de gases de
efeito estufa e as reduções obtidas.
EN18Iniciativas para reduzir as emissões de gases de
efeito estufa e as reduções obtidas.
EN19Emissões de substâncias destruidoras da camada de
ozônio, por peso.
EN20NOx, SOx e outras emissões atmosféricas
significativas, por peso.
EN21 Descarte total de água, por qualidade e destinação.
EN22 Peso total de água, por qualidade e destinação.
EN23Número e volume total de derramamentos
significativos.
EN24
Peso de resíduo transportados, importados,
exportados ou tratados considerados perigosos e
percentual destes resíduos transportados
internacionalmente
EN25
Identificação, tamanho e status de proteção do
índice de biodiversidade dso corpos e habitats
afetados por descartes de água.
EN26Iniciativas para mitigar os impactos ambientais de
produtos e serviços e a redução destes impactos.
EN27
Percentual de produtos e suas embalagens
recuperadosem relação ao total de produtos
vendidos, por categoria de produtos.
EN28
Valor monetário de multas significativas
resultantes da não -conformidades com as leis
ambientais.
Conformidade
EN29Impactos ambientais de transporte de produtos e
do transporte de trabalhadores.Transporte
EN30Total de investimentos e gastos em proteção
ambiental, por tipo.Geral
Produtos e Serviços
Material
Energia
Água
Biodiversidade
Emissões, Efluentes
e Resíduos
INDICADORES DE MEIO AMBIENTE (série EN)
Fonte: GRI, 2017.
108
APENDICE A – Gráficos do modelo estocástico considerando o cenário de
condições climáticas.
Gráfico 1 - Variação da energia gerada por tipo de geração em função das emissões de CO2e, do modelo estocástico com cenário de ótimas condições climáticas.
0
50
100
150
200
250
109 150 198 240 300 321 382 429 500 550
Ene
rgia
(M
Wh
)
Emissões (mtCO2e/MWano)
Seleção de PortfólioVariação do tipo de geração em função das emissões
Cenário Ótimas Condições atmosféricas
Energia Hidrelétrica Gerada Energia Eólica GeradaEnergia solar Gerada Energia Térmica Comprada
Fonte: Elaborado pelo autor, 2017.
Gráfico 2 - Variação da energia gerada por tipo de geração em função das emissões de CO2e, do modelo estocástico com cenário de condições climáticas normais.
0
50
100
150
200
250
109 150 198 240 300 321 382 429 500 550
Ene
rgia
(M
Wh
)
Emissões (mtCO2e/MWano)
Seleção de PortfólioVariação do tipo de geração em função das emissões
Cenário Condições atmosféricas Normais
Energia Hidrelétrica Gerada Energia Eólica Gerada
Energia solar Gerada Energia Térmica Comprada
Fonte: Elaborado pelo autor, 2017.
109
Gráfico 3 - Variação da energia gerada por tipo de geração em função das
emissões de CO2e, do modelo estocástico com cenário condições climáticas ruins.
0
50
100
150
200
250
109 150 198 240 300 321 382 429 500 550
Ene
rgia
(M
Wh
)
Emissões (mtCO2e/MWano)
Seleção de PortfólioVariação do tipo de geração em função das emissões
Cenário Condições atmosféricas Ruins
Energia Hidrelétrica Gerada Energia Eólica Gerada
Energia solar Gerada Energia Térmica Comprada
Fonte: Elaborado pelo autor, 2017.
110
APENDICE B – Gráficos do modelo estocástico considerando os cenários de
condições climáticas e demanda.
Gráfico 1 - Variação da energia gerada por tipo de geração em função das emissões de CO2e, do modelo estocástico com cenário de ótimas condições climáticas e demanda incerta
0
50
100
150
200
250
300
29,90 98,32 198,65 265,76
Ene
rgia
(M
Wh
)
Seleção de portfólio considerando cenários de produção e demanda - Energia gerada/comprada cenário ótimas condições climáticas
Energia Hidrelétrica Gerada Energia Eólica Gerada
Energia solar Gerada Energia Térmica Comprada
Emissões CO2 e ( kgCO2e /MWano)
Fonte: Elaborado pelo autor, 2017.
Gráfico 2 - Variação da energia gerada por tipo de geração em função das emissões de CO2e, do modelo estocástico com cenário condições climáticas normais e demanda incerta
0
50
100
150
200
250
29,90 98,32 198,65 265,76
Ene
rgia
(M
Wh
)
Seleção de Portfólio considerando cenários de produção e
demanda - Energia Gerada/Comprada Cenário condições Climáticas Normais
Energia Hidrelétrica Gerada Energia Eólica Gerada
Energia solar Gerada Energia Térmica Comprada
Emissões CO2 equivalente ( kgCO 2eq /MWano)
Fonte: Elaborado pelo autor, 2017.
111
Gráfico 3 - Variação da energia gerada por tipo de geração em função das emissões de CO2e, do modelo estocástico com cenário condições climáticas ruins e demanda incerta
0
50
100
150
200
250
29,90 98,32 198,65 265,76
Ene
rgia
(MW
h)
Seleção de Portfólio considerando cenarios de produção e demanda Energia Gerada/Comprada Cenário condições Climáticas Ruins
Energia Hidrelétrica Gerada Energia Eólica Gerada
Energia solar Gerada Energia Térmica Comprada
Emissões CO2 equivalente ( kgCO 2eq /MWano)
Fonte: Elaborado pelo autor, 2017.
Gráfico 4 - Variação da energia média produzida, comprada e vendida, em função das emissões de CO2e, do modelo estocástico no cenário na crista da onda
Fonte: Elaborado pelo autor, 2017.
112
Gráfico 5 - Variação da energia média produzida, comprada e vendida, em função das emissões de CO2e, do modelo estocástico no cenário surfando na marola
Fonte: Elaborado pelo autor, 2017.
Gráfico 6 - Variação da energia média produzida, comprada e
vendida, em função das emissões de CO2e, do modelo estocástico no cenário navegando em pedalinho
Fonte: Elaborado pelo autor, 2017.
113
Gráfico 7 - Variação da energia média produzida, comprada e vendida, em função das emissões de CO2e, do modelo estocástico no cenário naufragando
Fonte: Elaborado pelo autor, 2017.
114
APENDICE C – Gráficos do modelo estocástico com energia gerada e
demandas incertas, variando o fator de carga médio nos cenários de
condições climáticas normais e ruins.
Gráfico 1 - Comparação entre máximo valor econômico, emissões, energia gerada e comprada, variando os fatores de carga, na seleção de portfólio considerando cenários de produção de condições climáticas normais e demanda incerta.
0
50
100
150
200
250
300
Máximo retorno
Econômico
Emissões Hidrelétrica Eólica Solar Térmica
Val
ore
s d
e m
áxim
o r
eto
rno
eco
nô
mic
o,
em
issõ
es,
en
erg
ia g
era
da
e
com
pra
da
Seleção de Portfólio considerando cenários de produção e demandaComparação máximo retorno econômico, emissões, energia gerada e
comprada
Cenário: Condições climáticas normais
Original
Melhorar solar 10%
Igualar F.C. solar (26) com eólica (46%)
Igualar F.C. solar (26) e eólica (46%) com Hidrelétrica (52%)
Fonte: Elaborado pelo autor, 2017.
115
Gráfico 2 - Comparação entre máximo valor econômico, emissões, energia gerada e comprada, variando os fatores de carga, na seleção de portfólio considerando cenários de produção de condições climáticas ruins e demanda incerta.
0
50
100
150
200
250
300
Máximo retorno
Econômico
Emissões Hidrelétrica Eólica Solar Térmica
Val
ore
s d
e m
áxim
o r
eto
rno
eco
nô
mic
o,
em
issõ
es,
en
erg
ia g
era
da
e
com
pra
da
Seleção de Portfólio considerando cenários de produção e demandaComparação máximo retorno econômico, emissões, energia gerada e
comprada - Cenário: Condições climáticas ruins
Original
Melhorar solar 10%
Igualar F.C. solar (26) com eólica (46%)
Igualar F.C. solar (26) e eólica (46%) com Hidrelétrica (52%)
Fonte: Elaborado pelo autor, 2017.
116
APENDICE D – Gráficos do modelo estocástico com energia gerada e
demandas incertas, mudando a forma de contratação de preço mais baixo para
melhor eficiência, nos cenários de ótimas condições climáticas e normais. Gráfico 1 - Comparação entre máximo valor econômico, emissões, energia gerada e comprada, mudando a forma de contratação de energia de menor preço, para melhor eficiência, na seleção de portfólio considerando cenários de produção de Ótimas condições climáticas e demanda incerta.
0
50
100
150
200
250
300
Máximo Retorno Econômico
Emissões Energia Hidráulica Ger.
Energia Eólica Ger.
Energia Solar Ger. Energia Térmica Ger.
Val
ore
s d
e m
áxim
o r
eto
rno
eco
nô
mic
o, e
mis
sõe
s, e
ne
rgia
ge
rad
a e
co
mp
rad
a
Seleção de Portfólio considerando cenários de produção e demanda
Comparação entre contratação pelo menor preço e maior eficiênciaCenário: Ótimas condições climáticas
Menor Preço Mais eficiênte
Fonte: Elaborado pelo autor, 2017.
117
Gráfico 2 - Comparação entre máximo valor econômico, emissões, energia gerada e comprada, mudando a forma de contratação de energia de menor preço, para melhor eficiência, na seleção de portfólio considerando cenários de produção de condições climáticas normais e demanda incerta.
0
50
100
150
200
250
300
Máximo Retorno
Econômico
Emissões Energia
Hidráulica Ger.
Energia Eólica
Ger.
Energia Solar
Ger.
Energia Térmica
Ger.
Val
ore
s d
e m
áxim
o r
eto
rno
eco
nô
mic
o, e
mis
sõe
s, e
ne
rgia
ge
rad
as e
co
mp
rad
as
Seleção de Portfólio considerando cenários de produção e demanda
Comparação entre contratação pelo menor preço e maior eficiênciaCenário: Condições climáticas normais
Menor Preço Mais eficiênte
Fonte: Elaborado pelo autor, 2017.