Upload
leque
View
216
Download
0
Embed Size (px)
Citation preview
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Modelos estocásticos para avaliação de contratos de Modelos estocásticos para avaliação de contratos de energia renovávelenergia renovável Colóquio InterinstitucionalColóquio Interinstitucional
Modelos estocásticos e aplicaçõesModelos estocásticos e aplicaçõesCBPFCBPF
8/5/20138/5/2013
Álvaro Veiga Álvaro Veiga
Prof. Associado, DEE, PUC-Rio, [email protected]. Associado, DEE, PUC-Rio, [email protected].
Instituto de Atuária e Gestão de Risco: IAPUCInstituto de Atuária e Gestão de Risco: IAPUC
Departamento de Engenharia Elétrica - DEEDepartamento de Engenharia Elétrica - DEE
Laboratório de Métodos Quantitativos de Apoio à Decisão LAB-MADLaboratório de Métodos Quantitativos de Apoio à Decisão LAB-MAD
preparado por Alvaro Veiga, PUC-Rio, [email protected]
AgendaAgenda
• O LAB-MAD
• Introdução O modelo de comercialização de energia: ACL e ACR e o PLD O risco de preço e quantidade para contratos de energia no ACL Hedge com PCH’s Otimização risco/retorno dos contratos no ACL
• Elementos da solução Descrição probabilística da receita dos contratos
• Modelo financeiro• Fatores de risco
• Variáveis de decisão Medida de risco: CVAR Otimização estocástica árvore de cenário
• O modelo de vento e vazão
• Ferramenta de contratação ótima
preparado por Alvaro Veiga, PUC-Rio, [email protected]
LAB-MADLAB-MADLaboratório de Métodos Quantitativos de Apoio à DecisãoLaboratório de Métodos Quantitativos de Apoio à Decisão
• Coordenação Álvaro Veiga, Cristiano Fernandes, Alexandre Street, Delberis Lima.
• Áreas de atuação Energia Seguros e Previdência Mercado Financeiro
• Pesquisa básica Programação estocástica com restrições de risco; Otimização de grande porte; Modelos estatísticos não lineares e/ou não gaussianos; Modelos estatísticos multivariados; e Métodos quantitativos para análise de risco e retorno.
preparado por Alvaro Veiga, PUC-Rio, [email protected]
LAB-MADLAB-MADLaboratório de Métodos Quantitativos de Apoio à DecisãoLaboratório de Métodos Quantitativos de Apoio à Decisão
• Projetos recentes Contratação ótima de energia hídrica e eólica (UTE - Norte Fluminense, 2011-
2012); Gestão de ativos e passivos para o setor de petróleo (Petrobras, 2009-2011); Cálculo de reserva IBNR para o seguro obrigatório de veículos (Seguradora
Lider, 2012); Análise de persistência para produtos de Previdência Privada
(LIMRA/Bradesco, 2012); Análise de risco e retornos para projetos na área de petróleo (Petrobras, 2008-
2009); Indicadores de qualidade de geração (IPEA, 2011-2012); Modelo de otimização estocástica para ALM para previdência pública (Governo
de Angola/DGM, 2008-2009); e Modelo interno para constituição de reservas (Mongeral, 2007-2008).
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Comercialização de energia Comercialização de energia
• ACR Ambiente de comercialização REGULADO Compra: Consumidor cativo, Distribuidoras Venda: Geradores Contratos: disponibilidade total sobre um período longo
• ACL Ambiente de comercialização LIVRE Compra: Consumidor livre, comercializadoras Venda: Gerador, comercializadoras Contratos: total sobre um período curto (ex: mês a mês) A diferença é resolvida no MAE, pelo PLD
• MAE: Mercado Atacadista de Energia O preço spot: PLD (Preço de Liquidação das Diferenças ) Formação do PLD
• Operação centralizada pelo ONS• Programação dual estocástica NEWAVE
a variável dual é o custo marginal de operação valor da água preço da térmica mais cara
O PLD é extremamente volátil RISCO
preparado por Alvaro Veiga, PUC-Rio, [email protected]
• Its main characteristic is the high volatility pattern May be very slow for several years and then increase sharply for a few months before going back
to the “normal” levels.
Introduction – Energy Spot PriceIntroduction – Energy Spot Price
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Preço spot contra energia armazenadaPreço spot contra energia armazenada
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Brazilian System Overview: risk in the contract marketBrazilian System Overview: risk in the contract market
0
100
200
300
400
500
600
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Prices (R$/MWh)
Accumulated Probability
Brazilian System Spot Prices - Quantile FunctionSE zone - Simulated data (average prices during 2011)
Average
Asymmetric (skewness)Heavy tail (excess of kurtosis)
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Brazilian System Overview: rBrazilian System Overview: risk in the contract marketisk in the contract market
y = -2.43E-09x3+ 2.78E-06x2- 0.00118x + 1.159R² = 0.982
90%
95%
100%
105%
110%
115%
0 100 200 300 400 500 600
Generation (% total FEC)
SE Spot Prices (R$/MWh)
Hydroelectric Generation vs Spot PricesSE zone - Simulated data for 2011
The Higher is the price
Th
e Low
er is the produ
ction
preparado por Alvaro Veiga, PUC-Rio, [email protected]
NEWAVENEWAVE
• Definição do PLD Cadeia de modelos de otimização da operação do sistema gerador de energia elétrica NEWAVE(mês,5 anos) : simplificação: 4 subsistemas hídricos, classe de térmica. DECOMP(semana, 2 a 4 meses): geradores tratados individualmente. DESSEM (30min, 1 semana): determinístico.
• NEWAVE Simplificação:
• 4 reservatórios equivalentes (total: 110 com reservatório + 78 PCH’s)
• Armazenamento: água energia equivalente
• Afluência: Energia Natural Equivalente (ENA)
• Classes de térmicas: requisita pela ordem de preço. Insumos:
• Modelo estocástico de simulação de ENAs cenários Operação ótima
• Modelo Par(p). Saída:
• Operação do mês corrente
• 2000 cenários de ENAs e PLDs para o horizonte de até 5 anos
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Esquema dos reservatórios brasileirosEsquema dos reservatórios brasileiros
preparado por Alvaro Veiga, PUC-Rio, [email protected]
0
50
100
150
200
250
300
350
400
450
500
Apr-07
May-07
Jun-07
Jul-07
Aug-07
Sep-07
Oct-07
Nov-07
Dec-07
Jan-08
Feb-08
Mar-08
Apr-08
May-08
Jun-08
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
R$/MWh
Brazilian System Overview: risk in the contract Brazilian System Overview: risk in the contract marketmarket
Hydrological uncertainty affects the forecast of energy spot prices
Hydrological uncertainty affects the forecast of energy spot prices
Figure Powered by PSR Consulting
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Receita oriunda de um contrato de quantidadeReceita oriunda de um contrato de quantidade
Valores futuros desconhecidosRISCO
renovável
preparado por Alvaro Veiga, PUC-Rio, [email protected]
O risco de preço e quantidade em contratos de energiaO risco de preço e quantidade em contratos de energia• Energias renováveis
Intermitente Alto risco no ACL Total de energia em para períodos curtos Em geral preferem o ACR Contratos de total de energia no longo prazo
• Energia Eólica: Geração intermitente
• Altíssimo risco em contratos de quantidade PCH: Pequena central Elétrica:
• Menor risco mas alto assim mesmo
• Neste trabalho Carteira PCH + Eólica Hedge Natural Complementariedade Vento – Vazão Nosso modelo vai mostrar ainda que há ainda uma correlação negativa
Months
Gt
(avgMW)
Low Production
Q
PLDt
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Hedge com PCHs Hedge com PCHs Complementariedade Complementariedade
• PCH : Pequena central hidrelétrica Não tem reservatótio Geração proporcional à VAZÃO do rio
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Hedge com PCHs Hedge com PCHs Complementariedade Complementariedade
• PCH : Pequena central hidrelétrica Não tem reservatótio Geração proporcional à VAZÃO do rio
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Wind Power LocationWind Power Location
57,6 MW 18 MW 105,6 MW
518,9 MW 203,7 MW 1.227,3 MW
617,4 MW 305,2 MW 2.187,6 MW
66 MW
24,8 MW 78 MW
30 MW
384,7 MW 135,4 MW 1.046,9 MW
28,1 MW
2,5 MW
236,4 MW 364 MW 46 MW
993,8 MW
Operating: 2.260,8 MW
Under Construction: 1.622,7 MW
Contracted: 4.794,4 MW
source: ABEEólica
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Wind Power Expansion: Installed CapacityWind Power Expansion: Installed Capacity
Source: ABEEólica/ANEEL/CCEE
Win
d P
ower
In
stal
led
Cap
acit
y (M
W)
Win
d P
ower
In
stal
led
Cap
acit
y (%
sys
tem
)
2010 Auction 2011 Auction
2009 Auction
WP share
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Northeastern Wind Power Generation ProfileNortheastern Wind Power Generation Profile
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Otimização risco/retorno dos carteiras de contratos no Otimização risco/retorno dos carteiras de contratos no ACL com pool de produtores eólicos e hídricosACL com pool de produtores eólicos e hídricos
• Objetivo Maximizar receita do contrato impondo um limite de risco
• Max { Valor esperado da receita – α CVAR(receita)
• Variáveis de Decisão Quantidade Proporção eólica / PCH
• Insumos Modelo financeiro para cada tipo de contrato como uma função de
• Fatores de risco: Gerações hídricas e eólicas e o PLD
• Premissas: preços e prazos Modelo probabilístico CONJUNTO para geração de cenários
• produções hídricas e eólicas e o PLDPrograma NEWAVE gera ENAs e PLDsVAR para as gerações hídricas e eólicas em função das ENAs
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Análise de RiscoAnálise de Risco
• Risco se refere à ocorrência de algum evento adverso Em geral Probabilidade/frequência -- Severidade Risco Financeiro volatilidade do fator de risco – exposição
• Em análise de investimento ou gestão de risco Variável de interesse
• Valor de uma carteira de ativos• Resultado = ativo – passivo
risco de falência• Valor carteira de ativos de liquidez imediata
risco de default (títulos, apólices, anualidades), fornecedores, retardar investimentos. Mapeamento da variável de interesse
• Função matemática que calcula a variável de interesse em função de Fatores de risco: fontes do risco, variáveis de evolução incerta Variáveis de decisão: variáveis sob o controle do gestor Premissas: variáveis cujo valor é fixo por razões de simulação ou decisão.
Medida de risco Enfoques Probabilístico e Determiní
• Associada a uma meta, um objetivo • Associada a uma probabilidade enfoque probabilístico variabilidade = aleatóriedade• Associada a uma sensibilidade enfoque de finanças variabilidade = sensibilidade
• Associada a uma medida de variabilidade estatística Gestão de risco controlar a exposição aos fatores de risco (alocação, derivativos, seguros)
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Modelo Financeiro
Variabilidade
∏=
+T
kkyc
1))(1()0(
Premissas
Fatores de risco$ $
∏=
+T
kkyc
1))(1()0(
$ $
Descrição Probabilísticaou
Cenários para os fatores
Prob
Valor esperado
CVAR α
Decisoes
Visão esquemáticaVisão esquemática
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Sistema EscalávelSistema Escalável
$ $ ∏=
+T
kkyc
1))(1()0(
Premissas
Fatores de risco
INTEGRAÇÃOFatores de risco
Decisão
$ $
$ $ ∏=
+T
kkyc
1))(1()0(
Premissas
Fatores de risco
$ $ ∏=
+T
kkyc
1))(1()0(
Premissas
Fatores de risco
Decisoes
Decisoes
Decisoes
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Medida de risco CVAR
receita
Prob α
fdp
W*
CVAR=E[ W / W ≤ W* ]
VANTAGENS:
-Medida COERENTE
- Restrição linear em PL
preparado por Alvaro Veiga, PUC-Rio, [email protected]
• Modelo VARX(12) de geração de cenários para Vento e Vazão Coerentes com os cenários de ENA’s e PLD’s gerados pelo programa NEWAVE Cenários FC,Vz e PLD cenários para a renda oriunda de contratos de energia.
• Variáveis: Vazão (Vz)
• Energia geradapor uma PCH é proporcional à vazão
• Vz ≥ 0 Fator de Capacidade (FC)
• Energia gerada = FC x Capacidade Nominal da Turbina
• 0 ≤ FC ≤ 1
• Ajuste do modelo desta apresentação: Dados mensais: jan/1976 a jul/2009 (403 meses, 33/34 dados para cada mês) ENA’s de 4 subsistemas calculados pelo NEWAVE (configuração da data do estudo). HIstórico de FC e Vz
• Uso de transformações para garantir cenários dentro do intervalo válido.
Modelo de Simulação de Vento e VazãoModelo de Simulação de Vento e Vazão
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Visão geral do sistema e do simuladorVisão geral do sistema e do simulador
Séries sintéticas de PLD’s
Cenários de renda líquida dos contratos +
spot
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Dados Históricos de FC e Vz
0 2 4 6 8 10 120
10
20
30
40
50
60
70
0 2 4 6 8 10 120
50
100
150
200
250
300
Complementariedade sazonal
:
0
50
100
150
200
250
300
1980 1985 1990 1995 2000 2005
FCVAZAO
1996
FC Vzmédias e variâncias são sazonais
preparado por Alvaro Veiga, PUC-Rio, [email protected]
• Logaritmo da Razão de Chance (LRC) adaptada ao problema;
Variável X min ≤ X ≤ max ;
• Transformação de FC
• Transformação de Vz Não há limite máximo para esta variável. Limite imposto ad-hoc.
• Outras variáveis: ENA’s Transformação logarítmica
Transformações das variáveisTransformações das variáveis
preparado por Alvaro Veiga, PUC-Rio, [email protected]
• Variável dependente
Vetor com duas componentes: FC’ e Vz’ (trasformação LRC).
• Variáveis independentes:
Valores de 12 defasagens de FC’ e Vz’.
Valores contemporâneos e de uma defasagem das ENAS: SE’, S’, NE’, N’.
• Sazonalidade anual:
Média: Captada pela ENAS e pelas defasagens (até 12) de FC e Vz.
Variância: Lei de variância: um valor para cada mês.
• Estrutura da componente aleatória
Ruído independente padronizado com dimensão 2.
Média nula, Matriz de covariâncias: identidade.
• Parâmetros a serem estimados por componente
Coeficientes de FC e Vz: 24
Coeficientes das ENA’: 24
12 variâncias
MODELO VARX(12)MODELO VARX(12)
preparado por Alvaro Veiga, PUC-Rio, [email protected]
Segue em outros arquivos…..Segue em outros arquivos…..
• Formulação matemática e exemplos Relatorio-5_P&D_NorteFlu_PUC-Rio_FINAL_COM-
ALTERACOES.pdf
• Um exemplo de otimização Wind Forum Brazil 2013 - Prof Alexandre Street - DEE PUC-Rio -
26-02-13.pptx
preparado por Alvaro Veiga, PUC-Rio, [email protected]
ContinuaçãoContinuação
• Relatório 4
• Incluir apresentação Norte Fluminense