[pt] A contratação de energia elétrica no Brasil por parte de grandes consumidores é feita de acordo com o nível de tensão e considerando dois ambientes: o Ambiente Regulado e o Ambiente Livre. Os grandes consumidores são aqueles que possuem carga igual ou superior a 3 MW, atendidos em qualquer nível de tensão e a energia pode ser contratada em quaisquer desses ambientes. Um grande desafio para esses consumidores é determinar a melhor alternativa de contratação. Para tratar este problema, é preciso ter em conta que o consumo de energia e a demanda de potência requerida são variáveis desconhecidas no momento da contratação do consumidor, sendo necessário estimá-las. Esta dissertação propõe atacar este problema por uma metodologia que envolve simulação de cenários futuros de demanda máxima de potência e energia total consumida e otimização estocástica dos cenários simulados para definir o melhor contrato. Dada a natureza estocástica do problema, empregou-se o CVaR (Conditional Value at Risk) como medida de risco para o problema de otimização. Para ilustrar, os resultados da contratação foram obtidos para um grande consumidor real considerando a modalidade Verde A4 no Ambiente Regulado e um contrato de quantidade no Ambiente Livre. / [en] The energy contracting in Brazil for large consumers is done according to the voltage level and considering two environments: the Regulated Environment and the Free Environment. Large consumers are those characterized by installed load equal to or greater than 3 MW, supplied at any voltage level and its energy contract can be chosen between any of these two environments. A major challenge for these consumers is to determine the best alternative of contracting. To address this problem, it must be taken into account that the energy consumption and the required power demand are unknown variables by the time of consumer contracting, being necessary to estimate them. This dissertation proposes to tackle this problem by a methodology based on the simulation of future scenarios of maximum power demand and total consumed energy and on stochastic optimization of these simulated scenarios in order to define the best contract. Given the stochastic nature of the problem, it was used the CVaR (Conditional Value at Risk) as a measure of risk for the optimization problem. To illustrate, the contracting results were obtained for a large real consumer considering the Green Tariff group A4 in the Regulated Environment and a quantity contract in the Free Environment.

[pt] Com o advento do novo modelo do setor elétrico a partir de 2004, foi permitida aos agentes de mercado a comercialização de energia no ambiente de contratação livre. Considerando a natureza destas operações e a influência de variáveis meteorológicas na formação e volatilidade dos preços, as decisões no âmbito da comercialização de energia são tomadas sob condições de incerteza, levando os agentes a buscarem estratégias de contratação para maximização do retorno dos ativos e/ou mitigação dos riscos envolvidos. No setor elétrico brasileiro, a gestão do risco de mercado é realizada principalmente por contratos a termo, de forma a reduzir os impactos adversos da flutuação do PLD. Neste contexto, os objetivos deste estudo são avaliar a aplicabilidade de dois modelos de otimização sob incerteza, estágio único e estocástico de dois estágios, na tomada de decisão de uma comercializadora e comparar as decisões recomendadas pelos modelos. Estes modelos utilizaram uma função de preferência que permite representar a variação do nível de aversão ao risco considerando diferentes bandas de preferência, tendo os seus parâmetros determinados pelo método Analytic Hierarchical Process. Para a construção das curvas forward do modelo estocástico de dois estágios, foi ponderado o preço de mercado observado e as 2.000 séries do PLD da previsão oficial do ONS. Os resultados evidenciaram a efetividade na mitigação do risco para os produtos avaliados. Ademais, devido à redução do custo do arrependimento a partir da modelagem do problema de otimização em dois estágios, este modelo apresentou soluções mais rentáveis quando comparado ao modelo de único estágio. / [en] With the advent of the new model for the electricity sector in 2004, market agents were allowed to sell energy in the free market. Considering the nature of these operations and the influence of meteorological variables on the formation and volatility of prices, energy trading decisions are taken under conditions of uncertainty, leading agents to seek contracting strategies to maximize the return on assets or mitigation of the risks involved. In the Brazilian electricity sector, market risk management is mainly accomplished through forward contracts, in order to reduce the adverse impacts of PLD fluctuation. In this context, the objectives of this study are to evaluate the applicability of two optimization models under uncertainty, single-stage and two-stage stochastic, in the decision making of a trading company and to compare the decisions recommended by the models. These models used a preference function that allows representing the variation of the risk aversion level considering different preference groups, having its parameters determined by the Analytic Hierarchical Process. For the construction of the forward curves of the two-stage stochastic model, the observed market price and the 2,000 PLD series of the ONS official forecast were weighted. The results evidenced the effectiveness in risk mitigation for the evaluated products. Furthermore, due to the reduction in the cost of regret from the two-stage optimization problem modeling, this model presented more cost-effective solutions when compared to the single-stage model.

[pt] A geração distribuída (GD) vem crescendo nos últimos anos no Brasil, particularmente a geração fotovoltaica, permitindo a pequenos e grandes consumidores ter um papel ativo no sistema elétrico, podendo investir em um sistema próprio de geração. Para os consumidores cativos, além da redução do custo de energia, o consumidor também pode ter uma redução no custo de demanda, que é calculado a partir de um contrato com a distribuidora que o atende. Assim, considerando a possibilidade de instalação de painéis fotovoltaicos, o desafio dos consumidores é estimar com maior acurácia possível sua energia, a energia gerada pelos painéis e as demandas máximas futuras de forma a determinar a quantidade ótima de painéis, bem como o contrato de demanda com a distribuidora. Nesta dissertação, propõe-se resolver este problema a partir da simulação de cenários futuros de consumo de energia, demanda máxima e correlacionando-os com cenários futuros de geração de energia. Em seguida, a partir de um modelo de otimização linear inteiro misto, calcula-se a quantidade ótima de painéis fotovoltaicos e a demanda a ser contratada. Na primeira parte da dissertação, a modelagem Box e Jenkins é utilizada para estimar os parâmetros do modelo estatístico de energia consumida e demanda combinados com a geração de energia dos painéis. Na segunda parte, é utilizado um modelo de otimização estocástica que utiliza uma combinação convexa de Valor Esperado (VE) e Conditional Value-at-Risk (CVaR) como métricas de risco para avaliar o número ótimo de painéis e a melhor contratação de demanda. Para ilustrar a abordagem proposta, é apresentado um caso de estudo real para um grande consumidor considerado na modalidade Verde A4 no Ambiente de Contratação Regulado. Os resultados obtidos mostraram que a utilização de painéis fotovoltaicos em um grande consumidor reduzem o custo anual de energia em até 20 por cento, comparado com o valor real faturado. / [en] Distributed Generation (GD) is growing up in the last years in Brazil, particularly photovoltaic generation, allowing small and large consumers play an important role in the electric system, investing in a own generation system. For the regulated consumers, besides the reduction of energy cost, they also may have a reduction in demand cost, which is computed from peak demand contract with the supply utility company. Therefore, taking into account the possibility of photovoltaic panels installation, the challenge of consumers is estimate with highest accuracy as possible its energy, the energy generation by the panels, and the future peak demand in order to estimate the optimum quantity of panels, as well as the peak demand contract with the utility. A way to solve this problem is to simulate future scenarios of energy consumption, peak demand, and correlate them with future scenarios of energy generation. After that, from a mixed integer linear stochastic optimization model, the optimum quantity of panels and peak demand to be contracted are computed. In the first part, the Box and Jenkins modelling is used to estimate the parameters of the energy consumption and peak demand by statistical model, combined with the energy generation of the panels. In the second part, a stochastic optimization model is applied using a convex combination of the Expected Value (VE) and Conditional Value-at-Risk (CVaR), which were used as risk metrics to rate the optimum number of panels and the best peak demand contract. To illustrate the proposed approach, a real case study of a large consumer presented considering the Green Tariff group A4 in the Regulated Environment. The results show that to use photovoltaic panels can reduce the annual cost by up to 20 per cent, compared with the billed real value.