• Nenhum resultado encontrado

Aplicação de redes neurais em análise de viabilidade econômica de co-geração de energia elétrica

N/A
N/A
Protected

Academic year: 2017

Share "Aplicação de redes neurais em análise de viabilidade econômica de co-geração de energia elétrica"

Copied!
137
0
0

Texto

(1)

CÂMPUS DE BOTUCATU

APLICAÇÃO DE REDES NEURAIS EM ANÁLISE DE

VIABILIDADE ECONÔMICA DE CO-GERAÇÃO DE ENERGIA

ELÉTRICA

MARILDA DA PENHA TEIXEIRA NAGAOKA

Tese apresentada à Faculdade de Ciências Agronômicas da UNESP – Campus de Botucatu para obtenção do título de Doutor em Agronomia (Energia na Agricultura).

(2)

UNIVERSIDADE ESTADUAL PAULISTA "JÚLIO DE MESQUITA FILHO"

FACULDADE DE CIÊNCIAS AGRONÔMICAS

CÂMPUS DE BOTUCATU

APLICAÇÃO DE REDES NEURAIS EM ANÁLISE DE

VIABILIDADE ECONÔMICA DE CO-GERAÇÃO DE ENERGIA

ELÉTRICA

MARILDA DA PENHA TEIXEIRA NAGAOKA

Orientador: Profa. Dra. Maura Tsutsui Seiko Esperancini

Tese apresentada à Faculdade de Ciências Agronômicas da UNESP – Campus de Botucatu para obtenção do título de Doutor em Agronomia (Energia na Agricultura).

(3)

FICHA CATALOGRÁFICA ELABORADA PELA SEÇÃO TÉCNICA DE AQUISIÇÃO E TRATAMENTO DA INFORMAÇÃO – SERVIÇO TÉCNICO DE BIBLIOTECA E DOCUMENTAÇÃO UNESP - FCA - LAGEADO - BOTUCATU (SP)

Nagaoka, Marilda da Penha Teixeira, 1969-

N147a Aplicação de redes neurais em análise de viabilidade econômica de co-geração de energia elétrica / Marilda da Penha Teixeira Nagaoka. – Botucatu : [s.n.], 2005. xi, 124 f. : gráfs., tabs.

Tese (Doutorado) -Universidade Estadual Paulista, Fa- culdade de Ciências Agronômicas, Botucatu, 2005

Orientador: Maura Seiko Tsutsui Esperancini Inclui bibliografia.

1. Energia elétrica e calor - Cogeração. 2. Energia ele-trica. 3. Redes neurais (Computação). 4. Viabilidade eco-nômica. 5. Método de Monte Carlo. I. Esperancini, Maura Seiko Tsutsui. II. Universidade Estadual Paulista “Júlio de Mesquita Filho” (Campus de Botucatu). Faculdade de Ciências Agronômicas III. Título.

(4)

A DEUS, o criador de todas as coisas Aos meus pais, que me deram a vida

Aos meus irmãos, pelo apoio e confiança

Ao meu esposo: Alberto, pela sua constante presença, companheirismo e paciência

Aos meus amigos, pela feliz convivência e encorajamento

(5)

AGRADECIMENTOS

À Faculdade de Ciências Agronômicas (FCA – UNESP), campus de Botucatu e à Coordenadoria do Programa de Pós Graduação em Agronomia, Área de Concentração em Energia na Agricultura, pela oportunidade, em especial aos Professores Doutores: Zacarias Xavier de Barros (Coordenador do Curso) e Kléber Pereira Lanças (Vice- Coordenador do Curso).

À Professora Dra. Maura Seiko Tsutsui Esperancini, do Departamento de Gestão e Tecnologia Agroindustrial da FCA – UNESP, pela orientação, sinceridade, amizade e pelo incentivo constante.

Ao Professor Dr. Flávio Abranches Pinheiro do Departamento de Gestão e Tecnologia Agroindustrial da FCA - UNESP, pela confiança, pelos ensinamentos, pela co-orientação no mestrado e orientação na graduação.

Às Faculdades Integradas Univest, em especial aos coordenadores Prof. Nelson Graneman Casagrande e Prof. Ceniro Ferreira de Sousa pelo incentivo e apoio para encerrar o Doutorado.

Ao Professor Mauro Vianello Pinto do Departamento de gestão e Tecnologia Agroindustrial pelas informações sobre a utilização do Programa ALEAXPRJ, pelas sugestões e pela sua boa vontade.

À minha cunhada Maria Eiko Nagaoka pela ajuda no treinamento e testes das redes Neurais.

(6)

À Usina Barra Grande, em especial ao Sr. Carlos Gilberto Cocco pela atenção, sua paciência e fornecimento dos dados.

Aos professores Doutores Odivaldo José Seraphim e Nelson Miguel Teixeira pela consideração e pelas sugestões.

Aos Colegas Letícia Collares Vilela, André Jorge, Saulo Sebastião Guerra, Isabel Casale, Denise Mahl, Acilvânia e Reginaldo.

Aos funcionários do Departamento de Gestão e Tecnologia Agroindustrial: Marcos Norberto Tavares, Anselmo Ribeiro, Mário, Nivaldo e Rosa pelos serviços prestados.

Aos funcionários do Departamento de Engenharia Rural, Rosângela Cristina Moreci, Rita de Cássia Miranda Araújo, pela atenção e serviços prestados.

Às secretárias da Seção de Pós Graduação Marilena do Carmo Santos, Marlene Rezende de Freitas e Jaqueline de Moura Gonçalves, pela atenção.

(7)

SUMÁRIO

Página LISTA DE QUADROS ... VIII

LISTA DE FIGURAS... XII

1. RESUMO... 01

2. SUMMARY ... 04

3. INTRODUÇÃO... 07

4. REVISÃO DE LITERATURA... 13

4.1.Co-geração de energia elétrica do setor sucroalcooleiro ... 13

4.2. Aproveitamento da biomassa em países desenvolvidos e em desenvolvimento... 16

4.3. Investimentos em projetos de aproveitamento da biomassa para geração de energia... 19

4.4. Riscos presentes no mercado de venda de energia elétrica ... 23

4.5. Métodos de inclusão de riscos em projetos de investimentos... 31

5. METODOLOGIA ... 42

5.1. Caracterização da usina e da unidade de co-geração... 44

5.2. Indicadores de viabilidade econômica em projetos de investimento... 49

5.3. Método de Redes Neurais Artificiais para análise de risco em projetos de investimentos... 54

5.4 Método de Monte Carlo para análise de risco em projetos de investimentos... 63

6. RESULTADOS E DISCUSSÃO ... 67

(8)

6.3. Resultados obtidos a partir do método de Monte Carlo... 92

6.4. Análise comparativa da aplicação dos dois métodos... 103

7.CONCLUSÕES... 108

8. REFERÊNCIAS BIBILIOGRÁFICAS ... 111

(9)

LISTA DE QUADROS

(10)

13. Resultados da Rede 5 – dados de teste da rede5... 85 14. Resultados da rede 6 – cenário 6 (ausência de financiamento, eficiência de queima de 3,0 toneladas de bagaço para geração de 1 MW)... 86 15. Resultados da Rede 6 – dados de teste da rede6... 88 16. Valores dos indicadores de viabilidade econômica obtidos a partir do Método de Redes Neurais, para os três cenários financiados... 89 17. Valor dos indicadores de viabilidade econômica obtidos a partir do Método de Redes Neurais, para os três cenários não financiados. ... 91 18. Resultados dos indicadores do projeto, Cenário1 (com financiamento, eficiência de queima de 6,5 toneladas para geração de 1 MW). SP, 2003... 93 19. - Resultados dos indicadores do projeto, Cenário 2 – (com financiamento, eficiência de queima de 4,0 toneladas para geração de 1 MW). SP, 2003...

93

(11)

eficiência de queima de 6,5 toneladas para geração de 1 MW). SP, 2003, r= 12%... 100 25. Resultados dos indicadores do projeto, Cenário 2 – (com financiamento, eficiência de queima de 4,0 toneladas para geração de 1 MW). SP, 2003, r= 12%... 100 26. Resultados dos indicadores do projeto, Cenário 3 – (com financiamento, eficiência de queima de 3,0 toneladas para geração de 1 MW). SP, 2003, r= 12%... 100 27. Resultados dos indicadores do projeto, Cenário 4 – (com financiamento, eficiência de queima de 6,5 toneladas para geração de 1 MW). SP, 2003, r= 12%... 101 28. Resultados dos indicadores do projeto, Cenário 5 – (sem financiamento, eficiência de queima de 4,0 toneladas para geração de 1 MW). SP, 2003, r= 12%... 102 29. Resultados dos indicadores do projeto, Cenário 6 – (sem financiamento, eficiência de queima de 3,0 toneladas para geração de 1 MW). SP, 2003, r= 12%... 102 30. Indicadores de viabilidade econômica obtidos para os Métodos de Monte Carlo e Redes Neurais, Cenário 1 (com financiamento e nível de eficiência de queima de 6,5 toneladas para geração do MW)... 103 31. Indicadores de viabilidade econômica obtidos para os Métodos de Monte Carlo e Redes Neurais, Cenário 2. (com financiamento e nível de eficiência de queima de 4,0 toneladas para geração do MW)... 103 32. Indicadores de viabilidade econômica obtidos para os Métodos de Monte Carlo e Redes Neurais, Cenário 3. (com financiamento e nível de eficiência de queima de 3,0 toneladas para geração do MW)...

104

(12)
(13)

LISTA DE FIGURAS

Figura Página

1. Rede Feedforward de múltiplas camadas... 57

2. Processo de aprendizagem da rede... 57

3. Fluxo do algoritmo backpropagation... 59

4. Rede Percepton Multicamadas... 60

5. Erro quadrático médio da rede 1... 72

6. Erro quadrático médio da rede 2... 75

7. Erro Quadrático Médio da Rede 3... 78

8. Erro Quadrático Médio da Rede 4... 81

9. Erro Quadrático Médio da Rede 5... 84

10. Erro Quadrático Médio da Rede 6... 87

11. Distribuição de probabilidade acumulada do Valor Atual Líquido obtido mediante Simulação de Monte Carlo, para os seis cenários considerados... 98

(14)

1. RESUMO

A co-geração de energia elétrica excedente por meio do aproveitamento do bagaço de cana-de-açúcar tem sido considerada uma alternativa importante na diversificação de fontes de geração de energia elétrica no Brasil, considerando-se as vantagens em relação à grande produção de matéria prima, menores custos de geração de energia e a possibilidade de reduzir o ônus dos investimentos em geração de energia do setor público.

Apesar do grande potencial apresentado por esta fonte alternativa de energia, o mercado para a energia elétrica co-gerada está ainda hoje, sujeito a um ambiente de grande risco e incerteza, seja decorrente de condições do mercado de energia ou da produção.

(15)

testar a convergência dos resultados obtidos por este método com outro mais tradicionalmente utilizado em análise de risco para a determinação dos indicadores de viabilidade econômica do investimento.

Os indicadores utilizados foram Valor Atual Líquido (VAL); Taxa Interna de Retorno (TIR); Relação Benefício – Custo (RBC); Payback Simples (PBS) e Payback Econômico (PBE).

A análise foi realizada considerando seis cenários, considerando a possibilidade ou não de obtenção de financiamento e diferentes níveis de eficiência de queima do bagaço.

No método de Redes Neurais Artificiais, as redes foram alimentadas com as seguintes variáveis de entrada: valor do investimento; despesas com juros e amortização; despesa com aquisição e transporte do bagaço e receita operacional, tendo como variável de saída o fluxo líquido de caixa. As redes foram treinadas variando-se o número de neurônios, de 4 a 32, em cada camada. A melhor arquitetura foi selecionada pelo critério de menor coeficiente de variação do erro relativo.

(16)

projeto mostrou-se inviável economicamente, com probabilidade reduzida do valor médio do indicador ser superior ao valor limite.

Pode-se considerar que o algoritmo de Redes Neurais Artificiais configurara-se como uma alternativa de análise para estimação dos indicadores de rentabilidade econômica, principalmente em condições de abundância de dados. Porém, verificou-se, por outro lado, grande necessidade de conhecimento especializado para a modelagem do problema e obtenção dos resultados finais.

(17)

APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN ANALYSIS ECONOMIC VIABILITY OF CO-GENERATION OF ELECTRICAL ENERGY. Botucatu, 2005. 124p. Tese (Doutorado em Agronomia/Energia na Agricultura) – Faculdade de Ciências Agronômicas, Universidade Estadual Paulista.

Author: MARILDA DA PENHA TEIXEIRA NAGAOKA

Adviser: PROFA. DRA. MAURA TSUTSUI SEIKO ESPERANCINI

2. SUMMARY

The co-generation of surplus electrical energy by means of the use of sugar-cane bagasse has been considered as an important alternative in the diversification of sources of electrical energy in Brazil. Its advantages in relation to the production of raw material are: smaller costs of generation of energy and the possibility to reduce the costs of the investments in the generation of energy in the public sector.

In spite of the great potential presented by this alternative source of energy, the market for the co-generation of electrical is still today subject to an atmosphere of great risk and uncertainty, be it due to conditions of the energy or of the production market.

(18)

The indicators used were Liquid Current Value (LCV); Internal Rate of Return (IRR); Benefit – Cost Relationship (BCR); Simple Payback (SPB) and Economic Payback (EPB).

The analysis was performed into six different scenarios, having into consideration the possibility or not availabity of financing, and the different levels of efficiency in the burning of bagasse.

In the method of Artificial Neural Networks the nets were supplied with entrance variables, such as, the value of the investment; expenses with interests and amortization; expense with acquisition and transport of the bagasse; operational revenue, and the exit variable included the liquid cash flow. The nets were trained the number of neurons varied from 4 to 32, in each layer.The best architecture was selected according to the criteria of the smallest coefficient of the variation relative error.

The validation of the results for the Monte Carlo method showed a convergence with the results obtained by the algorithm of Artificial Neural Networks. The statistical parameters provided by Monte Carlo method stressed a high convergence of results for the scenarios financing. But, in the case of scenarios where the obtention of financing was not possible the results showed for he of two methods were different. The results showed that the investment project is only economically viable under conditions of financing. For the situations in which it was not possible to obtain financing, the project was not economically feasible, with a probability reduced of the medium value if the indicator is superior to the limit value.

(19)
(20)

3.INTRODUÇÃO

O ano de 2001 foi marcado por uma grave crise de escassez de energia elétrica, que poderá se repetir nos próximos anos, caso não haja maior incentivo à diversificação das fontes de geração existentes ou investimentos no setor hidrelétrico. No Brasil, em torno de 95% da energia elétrica gerada, provém de fontes das hidrelétricas.

(21)

Porém, um grande número destas usinas ainda não foram implantadas devido a indefinições quanto ao preço do gás natural e também dificuldades relacionadas à obtenção da licença ambiental conforme Vieira Filho (2004).

Outras opções para aumentar o parque gerador de energia elétrica têm sido aventadas, sem incorrer em dependência de importação de combustível, como a co-geração de energia elétrica a partir do bagaço da cana-de-açúcar. Há vários anos, a co-co-geração de energia elétrica a partir do bagaço de cana-de-açúcar vem sendo adotada pelas usinas visando o suprimento próprio.

O Brasil possui um potencial de 4.000 MW proveniente da co-geração de energia elétrica a partir do bagaço de cana. Porém somente a partir de 1995 começaram a ser criadas as condições para a comercialização do excedente de energia elétrica gerada no setor sucroalcooleiro, destacando-se o estado de São Paulo, que é responsável por mais de 60% da biomassa proveniente do bagaço (Dna da cana de açúcar, 1998).

Técnicos do setor de energia elétrica, citados por Eid et al. (1998), compararam os investimentos necessários à implantação de produção dessa energia com o investimento para a produção de energia por meio de construção de hidrelétricas e constataram que o investimento adicional no setor hidrelétrico é atualmente de US$ 2.000.000,00/ MW, enquanto que, pelo sistema de cogeração, o investimento é estimado em US$ 1.000.000,00/ MW.

(22)

Além disso, o aproveitamento hidrelétrico praticamente se esgotou nas regiões mais desenvolvidas do país e uma boa parte das futuras usinas hidrelétricas está localizada na Amazônia Legal, onde os estudos ambientais deverão ser tratados com maior rigor pelas agências ambientais em razão do potencial de impacto dos projetos sobre a fauna, flora e as populações ribeirinhas (Energia e Mercados, 2003).

O atrativo da co-geração de energia elétrica no setor sucroalcooleiro também se dá pelo montante de investimentos necessários para implantação de uma unidade de produção de energia elétrica por meio da biomassa da cana-de-açúcar, que é menor comparando-se à produção a partir de termelétricas a gás e a diesel, eólica e nuclear (Escobar, 2003).

Por estas razões, a geração de energia elétrica por meio de co-geração de energia apresenta algumas vantagens em relação à geração de energia de hidrelétricas, ainda mais tendo-se em conta as dificuldades enfrentadas pelo setor público para implementar projetos de investimentos de grande porte.

Com a co-geração de energia elétrica a partir do bagaço da cana, parte do investimento necessário para o aumento da oferta de energia poderia ser repassada ao setor privado, notadamente o setor sucroalcooleiro, reduzindo o ônus dos investimentos do setor público.

(23)

da iniciativa privada para garantir a expansão e e) Definição de regras específicas nos contratos de concessão, para garantir confiabilidade e qualidade no fornecimento.

Esperava-se que, com a segregação das áreas de geração, transmissão e distribuição, o mercado seria competitivo para venda de energia, ampliando-se, portanto, as possibilidades de negociações para a comercialização de energia elétrica pelo setor sucroalcooleiro, por meio da figura do autoprodutor.

Estas mudanças ocorridas no setor elétrico brasileiro que regulamentam a comercialização de energia elétrica, levaram parcelas do setor sucroalcooleiro a realizar investimentos visando comercializar o excedente de energia, para aproveitar as vantagens da venda de excedentes de energia elétrica, em vista de suas dificuldades econômicas e de sua necessidade de diversificação e implantação de economias de escopo (Coelho & Zylberstajn, 1998).

Entretanto, verificou-se que, apesar do grande potencial apresentado por esta fonte alternativa de energia, o mercado para a energia elétrica co-gerada está ainda hoje, sujeito a um ambiente de grande risco e incerteza.

(24)

Segundo Lima (2004) o ambiente para venda de energia continua bastante incerto para os investidores. Estes consideram excessiva a concentração de poder nas mãos do governo, após o anúncio do novo modelo do setor elétrico em dezembro de 2003. A avaliação dos investidores no setor elétrico é que a criação, por parte do governo de uma empresa pública para realizar o planejamento do setor e a gestão do Operador do Sistema Elétrico deve concentrar as decisões do setor na esfera governamental. Para eles a redução ao mínimo das possibilidades de intervenção do governo poderia reduzir a incerteza no setor.

Sales (2003) também constatou que o ambiente de incerteza permanece no mercado de energia elétrica. Para este autor não há sinalização positiva no sentido de atrair o investidor. As distribuidoras, por exemplo, estão com problemas de caixa causando a incapacidade das empresas em honrarem operações e investimentos.

Além dos problemas regulatórios que o setor vem enfrentando, não se pode deixar de mencionar que, apesar de os investimentos em co-geração serem comparativamente menores que outras fontes, o montante de recursos necessários para implementar alterações na planta industrial das usinas com vistas a co-geração para a venda de excedentes de energia elétrica é ainda relativamente elevado.

(25)

Estas questões representam obstáculos à estimativa de indicadores que subsidiam a tomada de decisão de investidores privados no processo de co-geração, tornando-se importante que a estimativa destes indicadores sejam elaboradas com base na probabilidade de variação ou na previsão do comportamento das principais variáveis que compõem o orçamento de custos e receitas do projeto de investimento no processo de co-geração.

(26)

4. REVISÃO DE LITERATURA

4.1 Co-geração de energia elétrica do setor sucroalcooleiro

O termo co-geração é um vocábulo de origem americana empregado desde os anos setenta para designar os processos de produção combinada de calor e potência, com uso seqüencial da energia liberada por uma mesma fonte de combustível (Pinto e Martone, 2001).

(27)

Os sistemas de co-geração conforme Montigny et al. (1999), têm se tornado populares porque utilizam menos combustível que plantas tradicionais e operam com maior eficiência, devido à produção simultânea de calor e eletricidade. Um sistema típico de co-geração é baseado na condensação do vapor na turbina, convertendo entre 30 a 35% do combustível em energia elétrica dentro das caldeiras com o restante sendo lançado no meio-ambiente.

Desde que a agroindústria canavieira foi introduzida no Brasil, transcorreram quase três séculos para que fosse cogitado o uso do bagaço de cana moída nos engenhos como combustível (Oliveira citado por Sleiman, 1998).

Segundo Faccenda (1996), o bagaço até há pouco tempo era tratado como resíduo industrial, sendo queimado nas próprias unidades industriais para geração de vapor. No entanto, em virtude das crises do petróleo, bem como a necessidade de redução de custos de produção no setor sucroalcooleiro, o bagaço começou a ser usado como subproduto, apresentando várias aplicações industriais, além de seu uso como insumo energético.

A composição do bagaço apresenta pouca variação, mesmo dependendo da preparação inicial e do trabalho da moenda, sendo constituído de fibras ou celulose, água, açúcares e impurezas, e sua umidade encontra-se geralmente em torno de 40 – 50%. Segundo Alarcón & Jústiz (1993) a composição do bagaço varia de acordo com a variedade da cana, o método de colheita e a eficiência das moendas da fábrica.

(28)

aproveitamento do bagaço da cana-de-açúcar tem sido a geração de energia elétrica para autoconsumo nas usinas sucroalcooleiras e, mais recentemente, para a venda de excedentes.

O bagaço, devido ao seu alto teor de umidade, não é considerado um combustível de elevado poder calorífico, que não chega a 2.000 kcal/kg. Porém, desde que não seja aproveitado para outros fins pela usina, torna-se econômico como combustível, pois sua remoção é altamente onerosa. De acordo com Eid et al. (1998) para a produção de 1MWh de energia, por meio do sistema de co-geração, são necessárias 6,5 toneladas de bagaço.

Conforme Escobar (2003) a relação entre quantidade de bagaço e geração de energia tem diminuído em função do desenvolvimento de novas tecnologias. Há usinas que utilizam três toneladas de bagaço para a geração de 1MWh de energia elétrica.

De qualquer forma, o uso da biomassa para co-geração de energia tem sido o uso mais viável para aproveitamento deste resíduo industrial. Conforme a revista Controle e Instrumentação (2000), atualmente a co-geração representa apenas 3% na matriz energética do país, mas em alguns países a co-geração de energia elétrica ou térmica tem maior importância dentre as fontes de geração de energia. Na Dinamarca, por exemplo, chega aos 40%, na Holanda a 28%, na Alemanha a 15%, na Itália a 12%, nos EUA a 7% e na Inglaterra a 5% do total da geração de energia elétrica.

Segundo Beeharry (1996) o uso do bagaço e resíduos da cana-de-açúcar para geração de energia elétrica oferece a oportunidade para diversificar as fontes de rendimentos do setor. A exploração destas fontes renováveis de energia pode reduzir a dependência de importação de combustíveis fósseis e incrementar a oferta de energia elétrica.

(29)

Biomassa - CENBIO (2004) o potencial de geração de eletricidade a partir do bagaço da cana está estimado em 4.000 MW.

Este potencial pode ser aproveitado no Brasil, tendo em conta que a demanda por energia tem apresentado crescimento nos últimos anos sem o correspondente aumento de oferta de energia. Conforme a ANEEL (2004) o mercado de energia elétrica apresenta um crescimento da ordem de 4,5% ao ano, devendo ultrapassar o valor dos 100.000 MW em 2008, o que gera uma necessidade de investimentos que atinge R$ 6 a 7 bilhões/ano para a expansão da matriz energética brasileira.

No plano internacional diversas ações vêm sendo desenvolvidas para concretizar a viabilidade de geração de energia elétrica a partir da biomassa, entre elas o Projeto de Geração de Energia por Biomassa – Bagaço de cana-de-açúcar e Resíduos – BRA/96/G31, desenvolvidos no âmbito do projeto GEF (Global Environmental Facility), mostrando a importância que o tema de aproveitamento de resíduos vêm conquistando no cenário econômico mundial.

4.2. Aproveitamento da biomassa em países desenvolvidos e em desenvolvimento

(30)

De acordo com Parikka (2004), a produção de bioenergia como fonte de calor, eletricidade e combustível líquido representa aproximadamente 14% da energia primária do mundo1. Aproximadamente 25% da bioenergia são usados em países industrializados e outros 75% em países em desenvolvimento.

Conforme Ericsson et al. (2004) o uso da biomassa na Finlândia e Suécia tem apresentado um crescimento estável nos últimos 25 anos chegando a aproximadamente 20% do suprimento de energia primária em 2001. Em ambos os países a maior parte da biomassa origina-se das florestas. A biomassa de floresta está atualmente integrando-se a modernos sistemas de geração de energia principalmente em setores industriais que utilizam aquecimento.

Na Finlândia, a geração descentralizada de energia é uma tradição e a biomassa ocupa uma importante posição na matriz energética, atingindo por volta de 20% do consumo de energia do país. Nos Estados Unidos, a capacidade instalada de plantas geradoras de eletricidade a partir de biomassa, no final dos anos de 1970, era de apenas 200MW; já no início da década de 1990, atingia 8,4 GW, (Ripoli et al. 2004).

Nos países em desenvolvimento, a principal fonte de biomassa para geração de energia é a lenha, de origem nativa ou reflorestamento, que é a mais importante base energética, chegando a representar até 95% da fonte de energia em vários países.

Conforme Bhattacharya et al. (2003) o potencial máximo de geração de energia elétrica anual utilizando biomassa em países em desenvolvimento é estimado em aproximadamente 27%; 114%; 4,5%; 79%; 254% e 195 % do total da geração de energia

1 Energia encontrada na natureza sobre uma forma bruta ou primária que resulta de sua extração do solo (como

(31)

elétrica no ano de 2000 na China, Índia, Malásia, Filipinas, Sri Lanka e Tailândia respectivamente.

De acordo com os mesmos autores, um dos fatores de atratividade na geração de energia a partir da biomassa é o relativamente reduzido custo de investimento que varia de US$381 ha-1 a US$1.842 ha-1 , e o custo de produção de biomassa, que estima-se que varie de US$5,1 t-1 a US$23 t-1.nos países mencionados.

Conforme Winkler (2005) o investimento em energia renovável é importante para reduzir o impacto econômico, social e ambiental gerados no processo de geração de energia, mas em alguns países como a África do Sul, a energia renovável contribui relativamente pouco como energia primária.

Em muitos países, o potencial de aproveitamento de resíduos de biomassa para geração de energia, se dá em função da elevada produção de bagaço da cana-de-açúcar. Segundo Herrera citado por Lora et al (2001) há atualmente 70 países produtores de cana-de-açúcar no mundo, com uma área plantada de 12,7 milhões de hectares.

(32)

Nas usinas de açúcar e álcool, o bagaço constitui a fonte principal de energia, permitindo que a produção de açúcar seja um processo auto-suficiente do ponto de vista energético, com possibilidades de obter excedentes significativos de energia elétrica. Tais excedentes podem ser vendidos a centros agroindustriais vizinhos vinculados ao setor ou comercializados no mercado de energia (Leibig, 1994).

No Brasil, a biomassa conforme CENBIO (2005) é utilizada como fonte de energia elétrica em vários setores. E, embora ainda seja reduzido o volume de excedentes vendidos à rede, a co-geração representa, principalmente no setor sucroalcooleiro, a auto-suficiência energética das usinas e significa uma importante redução na demanda de energia. Uma forma de aumentar rapidamente a disponibilidade de energia neste setor seria a introdução de tecnologias mais eficientes como a troca por caldeiras de pressões mais elevadas.

Conforme Sartori (2001), o Brasil configura-se como o maior produtor mundial de cana-de-açúcar, produzindo cerca de 340 milhões de toneladas por ano, ocupando aproximadamente 5,4 milhões de hectares. Estima-se o montante de biomassa residual de colheita em 54 milhões de toneladas por ano. No Estado de São Paulo, a área agrícola da cultura é de 14%, ocupando cerca de 2,5 milhões de hectares, sendo a biomassa residual estimada em 25 milhões t/ano.

(33)

questão em diversas partes do mundo, tanto nos países desenvolvidos como nos em desenvolvimento.

Na América Latina o interesse pela exploração econômica do resíduo sólido é recente. Conforme Briceño et al. (2001), na Colômbia, o setor de açúcar e álcool produz em média quatro milhões de toneladas de bagaço por ano. O volume de energia elétrica cogerada proveniente da biomassa do setor de açúcar e álcool é de 80 MW sendo 65 MW destinado ao consumo próprio do setor e são vendidos 15 MW para o sistema nacional. Conforme os mesmos autores os projetos para a produção de eletricidade proveniente de resíduos da cana-de-açúcar têm sido propostos na Tailândia, Costa Rica, Jamaica, Filipinas, Brasil e Cuba.

Beeharry (1996) descreve o Programa de Desenvolvimento de Energia do bagaço da cana, o (BEDP), na ilha de Mauritius, em 1991, que tinha como objetivos incentivar a produção de eletricidade utilizando-se o bagaço de cana para aumentar a oferta e promover o desenvolvimento de tecnologias para utilização eficiente do bagaço da cana para produção de energia com ênfase na exploração do resíduo de cana.

Nos Estados Unidos, no Estado de Louisiana, conforme Dismukes & Kleit (1999), as usinas de açúcar e álcool possuem grande capacidade técnica e existem incentivos econômicos para a geração de eletricidade o que permite gerar grandes montantes de eletricidade. O aumento da capacidade técnica na indústria de energia tende a incrementar suas possibilidades tanto de comercialização como de auto-geração.

(34)

No Estado de São Paulo, desde 1987, as distribuidoras vêm adquirindo energia co-gerada pelo setor sucroalcooleiro. Naquele ano foram adquiridos 4,9 MW de demanda e 2.700 MWh de consumo. A evolução da demanda (MW) e consumo (MWh) co-gerados pelo setor sucroalcooleiro, fornecidos às distribuidoras paulistas no período de 1987 a 2003 são mostrados no Quadro 1.

Quadro 1 - Montante em MW e MWh adquiridos pelas distribuidoras no Estado de São Paulo, do setor sucroalcooleiro, 1987 –2003.

Ano Potência (MW) Energia (joule)

1987 4,9 2.700

1988 4,3 10.400

1989 3,1 7.400

1990 4,5 16.800

1991 8,7 26.100

1992 10,2 27.200

1993 12,1 49.300

1994 17,4 52.100

1995 14,2 57.130

1996 19,0 95.760

1997 22,0 110.880

1998 26,0 128.000

1999 36,00 181.440

2000 60,00 302.400

2001 105,00 529.200

2002 250,00 1.008.000

2003 460,00 2.255.000

Fonte: Companhia Paulista de Força e Luz. Citado por Escobar (2003).

(35)

preços melhores pela energia adquirida das usinas. O aumento do valor do MWh pago pela distribuidora incentivou várias empresas a investirem em projetos de geração de energia.

Verifica-se que os projetos nesta área são, em geral, intensivos em capital e dependendo do porte dos equipamentos e das modificações envolvidas, os investimentos podem variar na faixa de centenas a milhões de dólares. Os investimentos nesta área normalmente têm elevado período de amortização, que variam, dependendo de possibilidades econômicas e mesmo legais, e envolvem não apenas volumes de recursos, mas também empréstimos, taxas diversas, inflação, seguros, etc, (Balestieri, 2002).

A despeito das vantagens técnicas, ambientais e possivelmente econômicas de aproveitamento de resíduos sólidos, o investidor ou analista de política energética pode usar uma variedade de indicadores para avaliar a atratividade financeira de um projeto de geração de energia elétrica.

Segundo Puccini et al. (1992) para determinar estes indicadores é necessário calcular o fluxo líquido do projeto ao longo de sua vida útil. O fluxo líquido é a diferença entre as receitas e despesas do projeto nos seus respectivos anos. Com base no fluxo de caixa do projeto, diversas análises econômicas e financeiras podem ser desenvolvidas com o objetivo de quantificar sua atratividade para aquele que realizará o investimento.

Os principais indicadores utilizados na avaliação econômica de projetos em geração de energia são os mesmos utilizados na análise de projetos em geral e são: o Valor presente líquido (VPL), a Taxa interna de retorno (TIR), o Tempo de retorno do investimento (Payback), a Relação benefício- custo (George & Schweizer, 1997).

(36)

do Valor Atual como auxiliar à decisão econômica. De acordo com este método, todos os custos, bem como os retornos obtidos da comercialização da energia elétrica, devem ser transportados para o ponto zero do fluxo de caixa e comparados a valores atuais obtidos; para isso, uma taxa de juros e um período de vida útil devem ser especificados.

Escobar (2003), analisando a viabilidade econômica de um projeto de co-geração de energia proveniente de bagaço da cana-de-açúcar, concluiu que, para projetos de até 20MW de potência o investimento é viável. Na média, sem a intermediação bancária, o empreendedor retorna seu capital (Pay Back) por volta de cinco anos. Com financiamento o retorno financeiro fica entre 7 e 10 anos, ainda assim, viável, considerando um contrato de compra de energia (PPA) de 10 a 12 anos.

Entretanto, particularmente no segmento de co-geração, os indicadores estão sujeitos a níveis maiores ou menores de risco e incerteza, o que torna a determinação dos indicadores de atratividade sujeita a variações de indicadores de mercado.

4.4. Riscos presentes no mercado de venda de energia elétrica

Segundo Pretz (2000) pode-se afirmar que os investimentos em co-geração de energia elétrica a partir de resíduos estão fortemente condicionados a cinco parâmetros fundamentais:

(37)

- Meio ambiente: a pressão efetuada por órgãos de controle ambiental sobre as empresas no sentido de se obterem locais adequados para a disposição final dos resíduos e as eventuais multas aplicadas, aliadas aos custos para remoção dos resíduos, são importantes elementos do processo de decisão. Além disso, a combustão de biomassa sob condições controladas reduz a poluição causada por outras fontes, que seriam mobilizadas caso essa não fosse utilizada (custo ambiental evitado). Certificados Ambientais como a ISO 14000 e os Certificados transferíveis de Emissão de Gás Carbônico criam cenários cada vez mais favoráveis e convincentes aos investidores. No caso de co-geração de energia a partir da biomassa da cana, os impactos da geração de energia são minimizados em relação à construção de hidrelétricas e são evitados os custos referentes à avaliação de impactos ambientais;

- Políticas energéticas: a abertura do setor elétrico, consolidada a partir de 1995, com a Lei 9.074 e a sua regulamentação pelo Decreto 2.003, permitiu a participação de pequenas e médias gerações, em regime de produtor independente e auto-produtor. Entretanto, as leis e portarias subseqüentes, apesar dos grandes avanços, ainda não colocam em igualdade de condições o empresário interessado em vender excedentes de energia perante as concessionárias, ao negociar uma tarifa razoável de venda. Em muitos casos práticos, o investidor opta por uma redução na potência final da unidade como forma de melhorar a taxa de retorno do investimento, pois o projeto dimensionado para queimar toda biomassa disponível agrega custos que pioram o perfil do investimento, devido o preço de venda dos excedentes de energia gerados;

(38)

dos grandes equipamentos como caldeira, turbina e gerador, pois se compõe de uma infinidade de itens importantes técnica e economicamente, os quais irão constituir um sistema que, depois de instalado, deve fazer parte do processo produtivo da empresa e estar perfeitamente integrada a parâmetros como a produção de resíduos, a demanda de energia elétrica e térmica, e o regime de operação da empresa. Sutilezas de comportamento destes parâmetros, aliadas a elementos como a oferta de água (poços artesianos ou rios), características da empresa quanto ao emprego de estufas, outros usos para os resíduos, tipos de motores e suas potências, etc., definem mudanças no projeto, implicando em reduções ou aumento de custos significativos; - Linhas de financiamento: na viabilização econômica de centrais termelétricas, as características do financiamento em termos de prazo, nível de participação e taxas de juros são, nesta ordem de importância, elementos fundamentais na obtenção de um bom perfil de investimentos. Regras como as da Carta Circular 28/96 da FINAME/BNDES, com prazos de financiamento de 10 anos e 3 anos de carência viabilizariam quatro vezes mais projetos do que hoje, podendo ser mantidas as mesmas taxas praticadas atualmente, e dispensado qualquer tipo de subsídio. Observa-se que em 100% dos projetos nos quais as prestações do financiamento permanecem abaixo do valor da conta de energia, a empresas interessadas promovem o investimento.

(39)

econômica do país ou região. Seus impactos sobre as receitas do projeto exigem uma preocupação extra com a análise dos cenários futuros e as perspectivas econômicas do país.

As usinas de açúcar e álcool do Estado de São Paulo que comercializam energia co-gerada com a Companhia Paulista de Força e Luz estão enfrentando dificuldades que envolvem o preço da energia. Conforme Santos (2003) esta Companhia vem tentando reduzir em 29% o valor contratado do MWh com as usinas de açúcar e álcool que, no mês de setembro de 2003, estava em torno de R$ 100,00 o MWh. Desde o início da safra da cana-de-açúcar do ano de 2003, época que a co-geração é ativada no sistema elétrico, a Companhia vem pagando cerca de R$ 70,50 pelo MWh, ou seja, abaixo do valor contratado, o que pode comprometer os investimentos já realizados e dificultar a implantação de novos investimentos em co-geração.

Uma das principais razões para esta queda do preço da energia paga às usinas pela Companhia é que o país tem atualmente um excedente de energia elétrica calculado em 8.000 MW. Este excedente foi proporcionado pela queda na demanda por energia após o racionamento em 2001.

Balestieri (2002) também enfatizou a importância do estabelecimento de taxas de juros mais realistas e tarifas adequadas para que a participação da co-geração no mercado brasileiro de produção de energia possa crescer de forma significativa.

(40)

a) Um investimento em geração de energia é alto e, para ser feito, é preciso uma garantia de que, por um longo período, a venda da eletricidade estará garantida. Isso é conseguido através do Power Purchase Agreement (que é um contrato de compra de energia de longo prazo) pelo qual um cliente compromete-se a comprar a energia do produtor por um preço estabelecido em contrato de prazo longo, normalmente de 15 a 20 anos. Nos Estados Unidos, como já existe um mercado spot bem desenvolvido, é possível fazer uma usina sem um PPA (Power Purchase Agreement). No Brasil as usinas sucroalcooleiras, para implantarem os investimentos, recorrem a um contrato de venda de energia de longo prazo com a distribuidora. O PPA aumentará as possibilidades das usinas obterem financiamento junto às instituições financeiras, pois o contrato garante que, durante um período, a energia estará sendo vendida, pois garante que o investidor na área de energia elétrica conseguirá pagar o financiamento obtido.

b) Origem da privatização do mercado brasileiro de energia elétrica que permite aos distribuidores de energia também investirem em geração. Esta medida pode inviabilizar a atuação dos produtores independentes, pois, se as distribuidoras têm perspectivas delas mesmas aumentarem sua geração, estas acabam não assinando os PPA’s (Cabral, 2001).

(41)

A problemática do financiamento para projetos de energia foi levantada por Werthein (2003), para quem outras questões precisam ser definidas pelo novo modelo como as fontes e as condições de financiamento, uma vez que o governo não tem recursos suficientes para a expansão. A iniciativa privada tem, como única alternativa, as instituições bancárias, que precisam oferecer financiamentos com juros e prazos compatíveis com as características e com a remuneração prevista para os empreendimentos.

Com a implantação do novo setor elétrico a ANEEL, agência reguladora criada em 1995 para isolar decisões técnicas das políticas, perdeu poder e as decisões mais importantes do setor como as regras dos leilões de licitação para a construção de novas usinas e as normas para reajustes das tarifas serão agora de responsabilidade do Ministério de Minas e Energia (Lahós, 2004).

O novo modelo, conforme o mesmo autor, inclui mudanças significativas para as empresas do setor. Antes da sua implantação, as empresas do setor disputavam o mesmo mercado, pois, não havia distinção entre as empresas que entraram em operação antes e depois de 2000. A partir do novo modelo do setor elétrico as usinas que entraram em operação até o ano de 2000 foram separadas das que entrarem em operação a partir desta data. As primeiras formaram o mercado de “energia velha”, enquanto as demais venderão a “energia nova”. A “energia nova” será vendida por um preço mais alto tendo por objetivo incentivar os investimentos em novos projetos, e como conseqüência disto, as usinas já em operação,poderão se tornar menos rentáveis.

(42)

as explicações são simples: risco elevado e baixo retorno econômico que são conseqüências de políticas econômicas equivocadas. Para o autor, a situação do Brasil em termos de suprimento de energia, por enquanto, é tranqüila mas os investimentos são fundamentais para o país não passar por outros racionamentos.

Tanto no Brasil, Argentina e no México os marcos regulatórios não estão claros e predominam as incertezas sobre as políticas setoriais, ainda que em diferentes níveis e conseqüências (Junquera, 2003).

O Chile, sendo uma das economias mais sólidas da América Latina e contando com uma estabilidade política pouco comum na região também tem dificuldades de atrair capital para investimentos no setor de energia. Conforme a Revista Potencia (2003) o país necessita de investimentos na geração de energia. Vários fatores estão dificultando a criação de novos projetos entre eles a própria legislação que rege a indústria. O artigo de Lei n0 99 obriga as geradoras a oferecerem um suprimento mínimo em qualquer circunstância. Caso as geradoras não cumpram esta lei o governo pode cobrar destas geradoras multas elevadíssimas. A resolução n0 88 obriga os geradores a vender energia mesmo quando não existe uma relação contratual entre os agentes envolvidos na transação.

Conforme Briceño et al. (2001) os riscos da venda de energia elétrica estão presentes também no mercado colombiano, pois os investimentos da iniciativa privada para a produção de energia dependem das decisões das autoridades públicas, como taxa de juros para financiamentos e os preços da energia.

(43)

a barreiras não-técnicas. Segundo estes autores estas barreiras são: dificuldades em assegurar financiamento para o investimento e um fluxo inadequado de informações sobre as regras do setor elétrico.

Neste contexto, diferentes medidas e instrumentos podem ser implementados para evitar que projetos de energia de biomassa sejam adiados e abandonados, como as regulamentações para obtenção de permissão do governo para implementar projetos de energia proveniente de biomassa devem ser mais claras e abertas; e o aumento da coordenação e harmonização de diferentes regulamentações durante todo o procedimento.

Existem também, dificuldades para implantação de projetos na área de energia elétrica no âmbito ambiental. Conforme Energia e Mercados (2003) um estudo da Associação Brasileira das Indústrias de Base e Infra-Estrutura (Abdib) constatou que, dos 7.500 MW em usinas hidrelétricas licitadas pela ANEEL desde o ano de 2000, 5.500 MW enfrentam problemas ambientais. Estes problemas referem-se a entraves no trâmite do licenciamento dos empreendimentos no Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis (Ibama) ou em organismos estaduais e municipais.

(44)

Considerando a existência de todos estes problemas, como a variação do valor da tarifa de energia elétrica, decisões a respeito do mercado de energia centrada nas mãos do governo, mudanças constantes das regras que regem o setor elétrico como a recente separação da energia elétrica em dois mercados, dificuldades de obtenção de financiamentos e dificuldades para obtenção do licenciamento ambiental é relevante a consideração do risco nas análises de viabilidade econômica em projetos para geração de energia elétrica.

4.5. Métodos de inclusão de riscos em projetos de investimentos

A introdução do risco na análise econômica, de acordo com Fasiaben (2002) é uma questão relevante, pois nem sempre os empresários escolhem atividades levadas unicamente pelo retorno monetário que estas possam gerar, mas consideram incertezas no comportamento das variáveis que compõem o modelo. No setor agrícola, por exemplo, estas incertezas estão associadas à quebra na produção das culturas, mudanças nas condições de comercialização e preços, etc.

Conforme Woiler & Mathias (1996) a principal fonte de risco nos projetos de investimentos é o fato de que o volume de informações envolvido é muito grande e os valores de grande parte das variáveis são projetados no futuro. Nestas condições, a análise do projeto é feita sobre uma base duplamente variável: os dados coletados e processados (sendo a grande maioria estimativa) e o fato de que o futuro muito possivelmente não se comportará de acordo com as projeções.

(45)

princípios de decisão em condições de riscos podem fornecer alguns subsídios úteis para a incorporação explícita da incerteza no processo de avaliação de projetos.

Algumas medidas de abordagem do risco em processos decisórios de análise de investimentos são descritas na literatura, como se segue:

a) Taxa de desconto ajustadas ao risco (TDARs) - uma abordagem prática para o ajuste ao risco envolve a utilização de taxas de desconto ajustadas ao risco (TDARs). A equação a seguir apresenta a expressão básica para o VPL quando taxas de desconto ajustadas ao risco são utilizadas.

VPL =

n

1 = t

t t

) TDAR +

1 (

FC

(1)

A taxa de desconto ajustada ao risco (TDAR) é a taxa de retorno que deve ser obtida em um determinado projeto, para compensar adequadamente os proprietários da empresa. Quanto maior o risco de um projeto, maior será a TDAR e, conseqüentemente, menor o valor presente líquido de uma série de entradas de caixa (Gitman, 2004).

(46)

VPL =

n 1 = t t ) Rf + 1 ( FCt . t α (2) Em que:

αt = fator de equivalente à certeza no ano t ( 0 ≤αt ≤1) FCt = Entrada de caixa relevante no ano t

Rf = Taxa de retorno livre de risco

A equação mostra que o projeto é ajustado ao risco, convertendo em primeiro lugar as entradas de caixa esperadas em montantes certos, αt.FCt, e, então, descontando as entradas de caixa pela taxa livre de risco, Rf. A taxa livre de risco, Rf, é a taxa de retorno que se ganharia em um investimento virtualmente sem risco, tal como um título do governo. Ela é empregada para descontar entradas de caixa certas e não deve ser confundida com a taxa de desconto ajustada ao risco (se fosse usada uma taxa ajustada ao risco, o risco estaria, na verdade, sendo contado em dobro) (Gitman, 2002).

c) Análise de sensibilidade – esta análise consiste em fazer variar um ou mais dados do estudo e medir a correspondente variação no resultado. Uma das finalidades de se fazer análise de sensibilidade é determinar quais dados influenciam mais o resultado de um projeto. Esta análise também é útil quando se está analisando qualitativamente os riscos de um projeto, pois é possível estabelecer os valores críticos das variáveis mais importantes (Woiler & Mathias, 1996 e Costa & Attie, 1984).

(47)

A análise de sensibilidade sozinha, não é suficiente como técnica de análise de riscos em projetos de investimentos, por ser uma análise parcial e apenas indicar se o projeto é ou não sensível a certas variáveis. O autor afirma também que é importante ter conhecimento das probabilidades de ocorrência de situações adversas bem como suas

conseqüências sobre os resultados do projeto. d) Árvores de decisão – é uma maneira gráfica e útil de visualizar as conseqüências de

decisões atuais e futuras bem como os eventos aleatórios relacionados, pois permite a concepção e o controle de um certo número de problemas de investimentos sujeitos a riscos. O diagrama representativo de um investimento feito sob forma de árvore de decisão é o instrumento de análise que propicia as melhores condições ao decisor de visualizar os riscos, as opções e as vantagens financeiras das diversas alternativas de ação. A estrutura de uma árvore de decisão deve ser bem simples e depende do número de ações e eventos aleatórios (Casarotto Filho & Kopittke, 2000).

e) simulação - A análise de risco associada à tomada de decisões pode ser melhorada com o uso da técnica de simulação. Esta técnica, quando aplicada à análise de projetos, refere-se à seleção estocástica ou aleatória de variáveis, sendo também conhecida como Método de Monte Carlo (Woiler & Mathias, 1996). Conforme os mesmos autores a simulação pode ser considerada como uma extensão natural da árvore de decisão, quando o número de alternativas cresce muito.

(48)

Este método consiste em simular variáveis previamente selecionadas e determinar o indicador de rentabilidade (VPL, TIR, B/C) de forma a inserir o risco da variação dos componentes do modelo. Por meio de repetições do processo de seleção de variáveis aleatórias em número suficiente de vezes, é obtida uma distribuição de probabilidades daquele indicador, permitindo-se identificar o grau de risco da atividade analisada (Ferreira, 1995).

(49)

autores concluíram que todas as atividades analisadas apresentaram rentabilidades satisfatórias.

Um modelo de simulação foi empregado por Oliveira et al. (2001), que analisaram as estratégias das companhias aéreas na ponte aérea Rio de Janeiro - São Paulo, por meio de desenvolvimento, validação e experimentação de um modelo de simulação computacional. O foco do trabalho foi o estudo das chamadas Estratégias de Gerenciamento de Receitas (GR), uma inovação tecnológica criada pelas empresas norte-americanas com o processo de desregulamentação do setor, e foi recentemente introduzida no Brasil também como uma resposta ao aumento da competição propiciado pelas políticas das autoridades responsáveis , a partir dos anos noventa.

Corrêa Neto & Tolmasquim (2001) realizaram uma avaliação econômica de um projeto para co-geração no setor sucroacooleiro utilizando a análise de sensibilidade, relatando que é imprescindível a aplicação de um método que permita determinar a influência que a variação em uma das variáveis tem sobre os resultados esperados do projeto. Foram selecionadas cinco variáveis para realizar a análise de sensibilidade; a tarifa de venda da energia elétrica, custo do investimento, custo da biomassa, custos de operação e manutenção, fator de carga anual de instalação. Os autores verificaram que os indicadores apontaram para a inviabilidade do projeto e afirmaram que a viabilidade econômica para projetos de co-geração depende fundamentalmente da internalização dos benefícios ambientais e da utilização de mecanismos de incentivo, sejam nacionais ou internacionais.

(50)

consistente do projeto e o Método de Monte Carlo pode ser um instrumento eficiente para estas decisões de investimento.

f) Algoritmo de Redes Neurais -As redes neurais artificiais (RNA´s) são sistemas de inteligência artificial capazes de simular o funcionamento do cérebro humano por “mecanismos de aprendizado”, apresentando, portanto, a possibilidade de serem treinadas para uma determinada situação (Mizubuti et al., 1994; Olson & Sequeira, 1995; Pozza, 1998).

O conceito de inteligência artificial (IA) surgiu praticamente junto com o computador e refere-se aos processos que imitam o ser humano na tarefa de aprender, efetuar julgamentos ou tomar decisões. O desenvolvimento tecnológico ocorrido nos últimos anos possibilitou criar diversas aplicações de IA. Atualmente, ela encontra-se presente nas mais diversas áreas da atividade humana, como por exemplo, na automação industrial, na aviação, no automobilismo, na medicina e inúmeras outras (Pozza, 1998).

Conforme Beale & Jackson (1990) a abordagem de redes neurais consiste em capturar os princípios básicos de manipulação de informação do cérebro humano e aplicar esse conhecimento na resolução de problemas que exigem aprendizado a partir da experiência. Por serem baseadas nas redes neurais biológicas, as redes neurais artificiais apresentam um surpreendente número de características observadas no processo cognitivo humano, como o aprendizado pela experiência, a generalização a partir de exemplos e a abstração de características essenciais de informações que contem fatos irrelevantes (Silva et al. 2001).

(51)

realização de tarefas antigas, como resultado de mudanças produzidas pelo processo de aprendizado.

Conforme Silva et al. (2001) seguindo um processo de aprendizado dos dados, as redes neurais procuram identificar as relações existentes entre variáveis econômicas. A idéia principal é buscar, como num modelo de regressão, uma racionalidade nas magnitudes e sinais dos parâmetros obtidos, com vistas a entender o grau de influência ou impacto dos resultados obtidos.

De acordo com Wasserman, citado por Muller (1996) um modelo de RNA’s é sensível às variações que podem ocorrer em informações procedentes de suas unidades de entrada, reconhecendo ruído e distorção. A capacidade da rede em se adaptar às novas situações, gerando valores de saída consistentes com os esperados, é vital para a aplicabilidade do modelo em um ambiente do mundo real.

Conforme Fernandes (2003) as estratégias de aprendizado da rede são de três tipos:

a) sem treinamento – os valores dos pesos sinápticos são estabelecidos explicitamente.

b) treinamento supervisionado – a rede é treinada pela apresentação dos vetores de entrada e seus respectivos de saída, chamados de pares de treinamento.

c) treinamento não supervisionado – o treinamento consiste da apresentação apenas dos vetores de entrada, a partir dos quais são extraídas as características desse conjunto de padrões, agrupando-os em classes.

(52)

fim de adaptar a uma situação proposta. No caso de uma rede com aprendizado supervisionado, a rede deve adaptar os seus pesos de maneira a passar a responder de acordo com o exemplo dado, ou seja, gerando na sua saída um estado de ativação compatível para com o esperado. O método utilizado para modificar o comportamento de uma rede é denominado de regra de aprendizado.

Silva et al (2001) afirmaram que existe uma ligação entre as redes neurais e os modelos econométricos tradicionais. Para os autores as redes neurais são basicamente equivalentes ao problema de ajustamento de uma função não-linear a um conjunto de dados, onde a forma desta função não-linear é dada pela arquitetura da rede.

Conforme os mesmos autores, no caso do modelo de regressão, por exemplo, tem-se uma variável dita endógena sendo explicada por diferentes variáveis exógenas. Nas redes neurais, as variáveis exógenas podem ser vistas como os sinais que entram nos neurônios da camada de entrada, enquanto que a variável endógena é representada pelo sinal de saída desejável para a rede. Em outras palavras, a variável endógena é o padrão que é objeto do aprendizado da rede neural. Na verdade, uma rede neural que tenha apenas uma camada de entrada e outra de saída (perceptron) pode ser facilmente relacionada ao modelo de regressão linear.

(53)

temporais ainda é a determinação de sua arquitetura ótima. Ainda não se possui uma metodologia consistente que apresente a melhor configuração da rede para cada série proposta.

Muller (1996) utilizou as RNA’s para investigar o seu potencial preditivo em séries de preços de ações. O autor constatou que as acuidades das previsões geradas pelas redes neurais caracterizam este modelo como uma ferramenta poderosa para a realização das previsões de séries econômicas. A abordagem desses modelos na manipulação de séries de cotações de ações é possível alcançar previsões extremamente próximas dos valores observados, tanto em termos de tendência quanto em termos de valores absolutos. Invariavelmente, as redes neurais artificiais apresentaram desvios de menor magnitude quando comparados com aqueles obtidos pela aplicação dos métodos de previsão convencionais considerados.

Bosaipo (2001) utilizou as RNA’s para previsão do comportamento do mercado financeiro para a construção de uma estratégia de compra e venda de ações. Conforme a autora, as redes obtiveram bons resultados financeiros, mas a rede apresentou movimentos equivocados que podem estar relacionados ao curto intervalo de tempo observado, quenão permite à rede uma percepção de movimentos consistente de alta ou baixa de longa duração.

(54)

não-lineares, a grande vantagem desta categoria de modelos é a de permitir a estimação de parâmetros de modelos, sem a imposição de qualquer tipo de restrição acerca da forma funcional não – linear utilizada ou da normalidade de distribuição de probabilidades dos parâmetros.

(55)

5.METODOLOGIA

Analisou-se neste trabalho, a viabilidade econômica de um projeto de investimento em co-geração de energia, utilizando-se uma metodologia relativamente nova na abordagem de risco em análise de investimentos: o algoritmo de Redes Neurais Artificiais. Para testar este algoritmo foram gerados valores aleatórios para as variáveis do presente estudo utilizando-se o software estatístico ARENA. Para geração destes valores foram utilizadas as mesmas distribuições de probabilidade definidas para estas variáveis no método de Monte Carlo. Foi realizada também a análise pela simulação estocástica, utilizando o Método de Monte Carlo para testar a convergência de resultados.

(56)

A realização de estudo de caso, neste trabalho, justifica-se devido a grande variabilidade de características produtivas entre usinas sucroalcooleiras, que produzem energia co-gerada para autoconsumo ou venda de excedentes de energia elétrica para distribuidoras. Esta variabilidade está relacionada ao nível tecnológico, condições técnicas, porte das usinas, forma de aquisição de matéria prima etc, configurando um segmento bastante heterogêneo. A opção pelo estudo de caso justifica-se também pela restrição por parte das usinas em conceder acesso às informações relacionadas à unidade de co-geração.

O estudo de caso é importante pois reúne informações numerosas e detalhadas com vista em apreender a totalidade de uma situação. A riqueza das informações detalhadas auxilia num maior conhecimento e numa possível resolução de problemas relacionados ao assunto estudado, Beuren (2004).

De acordo com Gil (1999) o estudo de caso é caracterizado pelo estudo profundo e exaustivo de um objeto, de maneira a permitir conhecimentos amplos e detalhados do mesmo, tarefa praticamente impossível mediante os outros tipos de delineamentos considerados. Ainda conforme Yin (1990), a utilização do estudo de caso justifica-se quando as questões propostas são do tipo “como” e “porque” e quando o grupo a ser pesquisado apresenta variáveis cuja variância é muito grande.

(57)

Este item encontra-se organizado em três sub-itens. No primeiro é descrita a caracterização da usina analisada, no segundo sub-ítem são descritos os indicadores de atratividade de projetos de investimentos e no terceiro são descritos os métodos que foram aplicados na análise de risco do projeto de investimento em co-geração.

5.1. Caracterização da usina e da unidade de cogeração

A usina de açúcar e álcool que foi analisada pode ser considerada de médio porte e está localizada no município de Lençóis Paulista, na região Oeste do estado de São Paulo e produz atualmente energia elétrica para auto-consumo e venda de excedentes.

No período de safra (maio a novembro), são moídas, em média, 3,75 milhões de toneladas de cana, produzindo 200 mil toneladas de açúcar, 200.000 m³ de álcool, 4.400 t de levedura seca e 511.200 MWh de energia elétrica.

A produtividade da cana-de-açúcar no campo da usina é de 80 toneladas/ha e a produção de bagaço é de 20 toneladas por ha, sem contar pontas e palhas. A usina possui um total de 500 funcionários, com área plantada de 60.000 ha.

Em março de 1995 a usina adotou a Gestão da Qualidade Total com a implantação de programa de housekeeping 5 S’s, do sistema da qualidade base Normas ISO 9000 e com a adequação das unidades de produção ao padrão alimentício segundo as técnicas HACCP (Análise de Riscos e Pontos Críticos de Controle), GMP (Boas Práticas de Fabricação) e MIP (Manejo Integrado de Pragas).

(58)

Quadro 2 – Volume de energia elétrica em (MW) cogerada pela usina analisada, no período de 1999 – 2003.

Ano Volume comercializado junto à distribuidora em (MW/)

Consumo próprio em (MW/)

1999 1 10

2000 1 10

2001 15 10

2002 15 10

2003 42 18

Fonte: informações fornecidas pela usina

Nos anos de 1999 e 2000, a usina produzia um total de 11 MW, dos quais apenas 1 era destinado à comercialização. Em 2001, foram realizados investimentos na instalação de um turbogerador de 18750 kVA (unidade de potência do transformador) na transformação de turbinas de simples estágio para múltiplo estágio, na instalação de uma SE (subestação elevadora de 138 kV / 25 MVA (mega-amper unidade de amperagem) e linha de transmissão para o sistema elétrico com 2,3 km de extensão) e a usina passou a produzir 25 MW, comercializando 15 MW.

(59)

Os investimentos realizados em 2003, objeto deste estudo, tinham por objetivo ampliar o excedente de energia comercializado junto a distribuidora para 42 MW. O investimento total neste ano foi de R$ 30.150.000,00, incluindo neste valor: aquisição de caldeira, turbo redutor, subestação, gerador, torre de resfriamento, cabos e acessórios elétricos para montagem do turbogerador, sistema de ventilação, instalações e montagens de equipamentos e painéis elétricos, conforme o quadro 3, e compõem o investimento inicial do projeto.

O horizonte temporal considerado neste estudo foi de 20 anos, prazo determinado pela usina para duração do projeto, em função da vida útil dos equipamentos. Quadro 3 – Valores de investimentos incrementais para comercialização de energia elétrica

cogerada. SP, 2003.

Nome Valor Especificação técnica

1. Caldeira R$ 14.000.000 180 tvh 65 kg/cm2

2. Turbo redutor R$ 7.500.000 38800 kW

3.Transformador elevador R$ 600.000 13,8 x 138 KV 35 MVA

4.Subestação R$ 2.000.000 13,8x 138 kV 60 MVA

5. Gerador R$ 2.000.000 13,8 kV 45.750 k VA

6.Torre de resfriamento R$ 400.000 5 células 6.000 m3/h 7. Cabos e acessórios elétricos –montagem do

turbogerador

R$ 500.000 500mm2

8. Sistema de ventilação R$ 150.000 Tipo adiabático 9. Instalações e montagens de equipamentos R$ 1.000.000

10. Painéis elétricos R$ 2.000.000

Total R$ 30.150.000

Fonte: informações fornecidas pela usina

(60)

os custos da geração de energia elétrica (especificamente, despesas com mão-de-obra e manutenção) totalizando R$ 842.500,00 por ano.

Foram coletados também os custos de aquisição do bagaço de cana que variou, no período, entre 500 e 5.000 toneladas/ano junto à outras usinas, para a cogeração do volume de energia contratado com a distribuidora a um valor médio de R$ 30,00/tonelada.

Este volume de bagaço adquirido apresenta grande variação pois, de acordo com informações dos técnicos da área de cogeração da usina, o volume de fibras varia muito de acordo com o período do ano (no início da moagem o teor de fibras é menor) e com as condições atmosféricas, (elevado volume de chuvas, reduz significativamente o teor de fibra).

Além do custo de aquisição incluiu-se também o custo de transporte desta matéria prima, que é de R$ 20,00/tonelada.

(61)

que é o volume requerido de bagaço para geração de 1 MW.) e depois multiplicou-se o valor obtido (100) por 5112 ( que é o numero de horas durante a safra de cana, obtendo o valor de 538.800. Deste montante considerou-se o valor percentual de 20% que foi de 107.760.

Com a contratação de venda de energia elétrica para a distribuidora, a usina utiliza todo o bagaço produzido, (além do volume adquirido de terceiros) e portanto acabou renunciando à receita advinda da venda de bagaço, considerando-se, portanto como um custo adicional do investimento.

As receitas do projeto, ou fluxos de entrada, referem-se à venda de energia elétrica cogerada excedente para a distribuidora durante a safra (período de maio a novembro) aos preços e quantidades contratados junto às distribuidoras. O volume de venda de energia a partir do investimento na unidade de cogeração em análise é de 138.024 MWh considerando-se a quantidade contratada 27 MW (42 – 15) e o período de suprimento de sete meses, totalizando 5112 horas por ano.

(62)

à taxa de juros de longo prazo (TJLP) de 11% a. a; Spread básico de 1,00% a.a. e Spread de risco de 2,50% a.a.; totalizando: 14,5%de juros ao ano.

A forma de amortização do investimento é o sistema de amortização constante (SAC), onde o valor do financiamento é dividido pelo prazo de pagamento, sendo o valor da amortização constante. A cada ano é pago uma parcela do principal mais os juros daquele ano, o débito do ano seguinte é o valor do financiamento menos o valor pago do principal no ano anterior.

5.2. Indicadores de viabilidade econômica em projetos de investimento

Para analisar a viabilidade econômica de projetos de investimento para implantação de uma unidade de cogeração em usina sucroalcooleira, em condições de risco foram utilizados os seguintes indicadores de viabilidade econômica: Valor Atual Líquido (VAL); Taxa Interna de Retorno (TIR); Relação Benefício – Custo (RBC); Payback Simples (PBS) e Payback Econômico (PBE).

A partir dos dados coletados junto à usina, objeto deste estudo, foram elaborados os fluxos de caixa, que são valores em reais que refletem as entradas e saídas dos recursos e produtos por unidade de tempo e formam uma proposta de investimento. Conhecidos os dados físicos, é possível então usar critérios que permitam transformá-los em valores monetários. Todo projeto apresenta fluxos de entrada e saída de recursos e a diferença entre eles, chama-se de fluxo líquido, sobre o qual são determinados os indicadores de viabilidade econômica.

(63)

amortização (em análise de situações de financiamento), custo de aquisição e transporte do bagaço, custo de oportunidade do bagaço próprio, cujo excedente gerava receitas adicionais pela venda a terceiros antes da implantação da unidade de cogeração e custos operacionais que incluem despesas com insumos e mão de obra, insumos e manutenção.

Os fluxos de entrada são as receitas provenientes da venda da energia elétrica cogerada junto à distribuidora e o valor do crédito do financiamento no ano zero.

É importante ressaltar que a determinação dos indicadores de viabilidade econômica de projeto refere-se apenas aos investimentos incrementais relacionados diretamente à implantação da unidade de co-geração na usina, com a finalidade de atender à venda de excedentes de energia elétrica contratada junto à distribuidora. A seguir são apresentados e discutidos os indicadores a serem analisados.

Valor atual líquido – VAL

O valor atual líquido é um indicador bastante utilizado para a determinação do mérito do projeto, uma vez que ele representa, em valores atuais, o total de recursos que permanecem em mãos da empresa ao final de toda a sua vida útil, e é dado pela seguinte expressão:

VAL =

(

)

(

)

(

)

n

0 = j n 0 = j j j j j j ' i + 1 I -' i + 1 C _ R (3)

Imagem

Figura 1 - Rede Feedforward de múltiplas camadas
Figura 3: Fluxo do algoritmo backpropagation.  Fonte: Nagaoka (2003).
Figura 4  - Rede Percepton  Multicamadas
Figura 5 –  Erro quadrático médio  da rede 1
+6

Referências

Documentos relacionados

Figura A53 - Produção e consumo de resinas termoplásticas 2000 - 2009 Fonte: Perfil da Indústria de Transformação de Material Plástico - Edição de 2009.. A Figura A54 exibe

Mineração de conhecimento interativa em níveis diferentes de abstração: Como é  difícil  prever  o  que  exatamente  pode  ser  descoberto  de  um  banco 

Trong đó:  V : tốc độ gió thiết kế m/s  At : diện tích của kết cấu hay cấu kiện phải tính tải trọng gió ngang m2  Cd : hệ số cản được quy định

a) retirou a sua vontade, apropriando-se dela para sempre b) retirou a sua vontade, deixando-a partir, em seguida, para o céu c) não conseguiu retirar a sua vontade.. d) decidiu

Combinaram encontrar-se às 21h

Faial, que parecia mesmo um lobo, abriu e fechou a boca várias vezes, mas não uivou (19).. No entanto, era evidente (20) que os cães também se

Local de realização da avaliação: Centro de Aperfeiçoamento dos Profissionais da Educação - EAPE , endereço : SGAS 907 - Brasília/DF. Estamos à disposição

No 2T18, o segmento apresentou uma pequena redução da receita líquida (desconsiderando receita de longa distância) em relação ao 2T17 e um crescimento de 0,9% na comparação com