1
Modelo de Negócio de uma Virtual Power Plant
com Emprego de Machine Learning
Felipe C. Lucchese, Guilherme B. da Costa, Humberto Wickert, Marcelo A. Benetti, Rodinei Carraro
 de tomada de decisão sejam automatizados e que o índice de
Abstract — Uma usina virtual é um conjunto agrupado de
unidades descentralizadas em uma rede de energia, operados por
um sistema de controle comum e centralizado. As unidades podem
ser produtores de energia (como biogás, eólica, solar, cogeração ou
hidroelétricas), consumidores de energia, unidades de
armazenamento de energia. O objetivo da Virtual Power Plant
(VPP) é comercializar coletivamente o poder e a flexibilidade dos
ativos agregados, virtualizando a infraestrutura da rede elétrica e
operando como um sistema único. Qualquer unidade
descentralizada que produza, consuma ou armazene eletricidade
para as centrais de energia possa fazer parte de uma usina virtual.
Além de operar cada ativo individualmente, o sistema usa um
algoritmo especial para ajustar as condições da rede e controlar os
comandos de reserva dos operadores do sistema de transmissão,
podendo ser utilizado o conceito de Machine Learning para
otimizar os parâmetros dos métodos. Quando se trata de negociar
energia, a VPP pode reagir de forma rápida e eficiente ao preço
dos sinais das trocas de energia e ajustar as operações de acordo
com o cenário ideal. Este trabalho propõem um modelo de negócio
visando inserir a tecnologia de VPP em um sistema de distribuição,
apresentando resultados econômicos e técnicos do estudo de caso
utilizado.
Index —Virtual Power Plant, Machine Learning, Modelo de
Negócio.
I. INTRODUÇÃO
Embora o termo VPP seja relativamente novo, com uma
definição conceitual ainda em construção, pode-se afirmar que
o termo é empregado, em geral, para se referir a um conjunto
de unidades de geração e de dispositivos de armazenamento de
energia que são agregados para funcionarem como uma única
entidade, interagindo com os demais agentes do mercado [1, 2].
Em função da expansão das fontes de geração renovável, com
sua característica intermitente e distribuída, o conceito de VPP
se tornou fundamental para viabilizar a operação dos modernos
sistemas de energia elétrica. O gerenciamento agregado do
conjunto de plantas de geração, por parte do operador de VPP,
possibilita que os fluxos de potência e as transações comerciais
entre os agentes seja possível, respeitadas as restrições de
segurança e os limites físicos do sistema, bem como os aspectos
regulatórios do mercado de energia [3].
Paralelo à expansão das fontes renováveis, o outro vetor
responsável pelo processo de transição energética em curso é o
avanço tecnológico nas áreas de inteligência computacional e
comunicação [4]. Este avanço possibilita que os procedimentos
sucesso na resolução de problemas e na previsão de
comportamentos futuros seja aumentado. Técnicas de Machine
Learning (ML) têm ganhado destaque em função da sua
generalização, podendo ser implementadas em diferentes
cenários, e da capacidade de fornecerem respostas rápidas aos
processos, o que permite seu emprego em aplicações de tempo
real [5, 6].
Neste contexto, o trabalho apresenta um modelo de negócio
de uma VPP que faz uso de uma técnica de ML para agregar
valor ao modelo desenvolvido. O trabalho se divide da seguinte
forma. A Seção II apresenta o modelo de negócio desenvolvido
para a VPP. Na Seção III é detalhado o módulo que contém a
técnica de ML. A Seção IV traz o caso de estudo do modelo de
negócio desenvolvido. Na Seção V os problemas e as
dificuldades enfrentadas pelo modelo são discutidos. Por fim, a
Seção VI traz as conclusões finais do trabalho e aponta
desenvolvimentos futuros.
II. MODELO DE NEGÓCIO DA VPP
Neste trabalho é apresentado um modelo realístico
desenvolvido para uma VPP. O modelo combina um número de
diferentes camadas e pontos de vista dos distintos agentes [7].
A camada técnica inclui uma interação realística da residência
com o sistema fotovoltaico e o sistema de armazenamento
doméstico. Uma infinidade de diferentes componentes podem
ser empregados para a criação de cada um dos sistemas
mencionados, não sendo especificado o restante dos
dispositivos conectados à casa, que inevitavelmente
influenciam o desempenho geral da micro rede. Na camada
econômica, combina-se o proprietário da residência, o
proprietário da VPP e os pontos de vista do Operador do
Sistema de Distribuição (Distribution System Operator – DSO).
O proprietário da residência objetiva minimizar sua conta de
energia, escolhendo o varejista mais barato. Já o proprietário da
VPP quer manter os recursos mínimos necessários para a
operação do seu sistema e maximizar suas receitas através da
comercialização, ou da oferta, de outros serviços, havendo uma
infinidade de possíveis estratégias de comercialização que
podem ser adotadas. Quanto ao DSO, este quer manter sua rede
elétrica em condições satisfatórias, mas irá recusar atualizações
desnecessárias de rede. A combinação de todas estas variáveis
e dos diferentes cenários possíveis tornam bastante desafiadora

a tarefa de construção de um modelo de VPP.
A. Modelo para Entidade Residencial
Este modelo objetiva refletir os fenômenos mais importantes
que ocorrem em uma residência, parte integrante da VPP. O
modelo é composto por diferentes módulos, relacionados a
diversas partes físicas do sistema e também ao processamento
de dados. A Figura 1 mostra a estrutura geral deste modelo.
Fig. 1. Estrutura geral do modelo para uma entidade residencial.
A simulação inicia com a inicialização, onde primeiramente
os perfis da potência de saída do sistema fotovoltaico e a
demanda residencial de potência são carregados com todos os
parâmetros do sistema. Este processo é realizado no modelo de
console que agrupa os parâmetros do sistema em cinco grupos:
sistema, bateria, conversor, comercialização, e comportamento.
Primeiro, são calculadas as potências de entrada e de saída
disponíveis na bateria. Após as potências disponíveis pelo
conversor são obtidas. Com estas informações, uma decisão
sobre o comportamento do armazenamento é tomada pelo
sistema de gerenciamento de energia. Esta decisão leva em
consideração também os parâmetros do sistema, o fluxo de
potência atual, e sinais de mercado. A partir deste ponto, a
sequência é dividida e depende da decisão tomada.
2
B. Comercialização da VPP
Além da entidade residencial, a VPP do modelo agrega
também unidades pequenas e médias de geração, dispositivos
de resposta à demanda, e elementos armazenadores de energia.
Como uma planta virtual agregadora, a VPP possibilita que seus
integrantes atuem nos mercados, sendo que individualmente
poderiam não conseguir atuar. O modelo considera que as
decisões são executadas pela VPP objetivando uma
participação satisfatória no mercado. Para tal, são utilizadas as
informações de disponibilidade das unidades de geração e as
previsões obtidas com dados elétricos e meteorológicos. Na
prática atual, o ponto de conexão da VPP ocorre em um nível
elevado de tensão, onde a energia transacionada é medida. No
modelo, prevendo-se a difusão da medição inteligente, o
impacto econômico é considerado como a soma das energias
medidas nos pontos de conexão de cada residência. Esta
contextualização é ilustrada pela Figura 2.
Fig. 2. VPP e seus pontos de comercialização.
Embora os valores dos preços da energia sejam conhecidos
em certos períodos, estratégias de comercialização precisam ser
adotadas para orientar os processos de tomada de decisão. Duas
estratégias são desenvolvidas pelo modelo: estratégia com
limites fixos de preço, e estratégia com limites variáveis.
Na estratégia com limites fixos, a comercialização se baseia
na simples regra de comprar baixo e vender alto. Se o valor do
preço de venda estiver acima do limite adotado, um sinal de
venda é gerado. De forma similar, quando o preço de compra
estiver abaixo do limite, um sinal é gerado. Após a geração do
sinal de comercialização, este é enviado para níveis inferiores
do sistema de gerenciamento e, se todos os requisitos técnicos
forem atendidos, a transação comercial é realizada. Uma
vantagem desta estratégia é sua simplicidade, porém boas
oportunidades comerciais podem ser perdidas quando os preços
estiverem próximos dos limites adotados.
A estratégia com preços variáveis modifica os limites (fixos)
anteriormente adotados, tendo como base para as modificações
o estado de energia da bateria. Neste caso, a regra é que quanto
menor a energia armazenada na bateria, mais ansiosa se torna a
VPP com relação aos preços. Ou seja, quando o estado da
bateria está baixo, o limite de venda é aumentado, fazendo com
que o sistema aguarde por preços maiores. Isto ocorre porque a
diminuição do suprimento de energia na bateria, frente a uma

demanda ainda desconhecida, torna tal suprimento mais valioso
ao vendedor. Ao mesmo tempo, percebendo a diminuição do
suprimento na bateria, o comprador se torna mais propenso a
aceitar preços de compra mais altos. Portanto, o limite de
compra é também aumentado. Uma vantagem desta estratégia
é que negócios com valores mais elevados podem ocorrer. No
entanto, alguns problemas podem surgir. Esta estratégia pode
criar mais sinais de comercialização, ocasionando uma maior
degradação das baterias. Outra dificuldade é a aplicabilidade da
estratégia, pois provavelmente cada bateria possui um valor
diferente de energia, sendo portanto necessário determinar um
valor de referência.
C. Modelo para Avaliação do Impacto Econômico
Pelo fato do conceito de VPP ser relativamente novo e por
envolver diversos agentes com seus interesses particulares, a
avaliação do seu desempenho econômico não é direta. Portanto,
um modelo para essa avaliação é desenvolvido, sendo o seu
fluxograma exposto na Figura 3.
Fig. 3. Estrutura do modelo de avaliação econômica.
Como dados de entrada do modelo, têm-se: preços de energia
do mercado, parâmetros de conversores, configurações de
comportamento de consumo e de mercado, parâmetros da
bateria e da estratégia de comercialização. Como saída, são
geradas os seguintes dados: condição da bateria, desempenho
do conversor, energia distribuída, número de transações
financeiras e fluxo de caixa.
D. Modelo para Avaliação do Impacto Físico
A inserção crescente de fontes renováveis por si só já cria
novas condições operacionais que podem exigir melhorias nas
3
redes elétricas. A operação de uma VPP, que objetiva
maximizar suas receitas, pode tornar as condições operacionais
ainda mais severas. Portanto, é necessário um modelo para
avaliar o impacto da VPP no desempenho dos componentes das
redes elétricas de distribuição. O fluxograma do modelo
desenvolvido para tal avaliação é apresentado na Figura 4.
Fig. 4. Estrutura do modelo de avaliação física.
O modelo utiliza como entrada os seguintes dados: tipos de
inversores para todos sistemas fotovoltaicos, demanda de
potência de todas residências, armazenamento de energia para
todas as conexões e limites de carregamento. Quanto aos
parâmetros analisados na saída do modelo, os principais são os
seguintes: magnitude de tensão, desequilíbrio entre fases e
carregamento de transformadores.
III. MÓDULO DE MACHINE LEARNING
De acordo com [8], a combinação de uma pequena geração
distribuída (DR) e demanda (DR) é necessária para criar uma
usina de energia virtual (VPP). Devido às restrições de
capacidade de entrada, muitas vezes definidas pelos mercados
atacadistas de eletricidade, um grande número de dispositivos
residenciais precisa ser agregado para criação de um VPP.
Portanto, uma tecnologia que seja capaz de agregar a um
número escalado e permitir o controle inteligente é necessária
para criar um VPP.
A. Funcionalidade do Módulo
Antes que um agregador possa oferecer flexibilidade para
serviços de rede inteligente, bem como recursos de tamanho
industrial, a capacidade flexível disponível (capacidades de
aumento e redução) deve ser conhecida. Sem esse
conhecimento, o agregador corre o risco de ser penalizado
devido ao não cumprimento dos recursos oferecidos e, pior
ainda, criando instabilidades para a rede devido ao desequilíbrio
gerado. Para flexibilidade agregada, ter medições para calcular

essa capacidade costumam não ser uma opção, pois são muito
caras para serem instaladas. Portanto, a previsão de capacidade
flexível usando dados agregados é um passo importante para a
participação do agregador nos mercados atacadistas de
eletricidade.
Técnicas de aprendizado de máquina de caixa preta podem
prever com precisão a flexibilidade disponível de um VPP.
Duas técnicas supervisionadas de aprendizado de máquina pode
ser aplicadas, por exemplo, regressão linear e uma rede neural
artificial (RNA). Ambas foram aplicadas com uma abordagem
de caixa preta, ou seja, apenas informações de nível superior ou
agregadas eram conhecidas. As especificidades da usina virtual,
como tipo de dispositivo, estado de carga ou potência nominal,
eram desconhecidas para os modelos de previsão. Verificou-se
que o modelo de RNA superou significativamente o da
regressão linear. Portanto, para este estudo, um modelo de RNA
será implementado para investigar a precisão quando aplicado
a uma VPP.
B. Descrição do Funcionamento
Um algoritmo preditivo de uma RNA pode ser considerado
uma caixa preta por causa de sua capacidade de aproximar uma
função sem conhecimento prévio. Usou-se uma abordagem de
RNA supervisionada, onde o modelo usa um conjunto de
treinamento de dados registrados para treinar uma camada
oculta de neurônios para modelar uma relação não linear entre
os dados de entrada e saída.
O modelo de RNA implementado usou apenas uma camada
oculta com uma função de transferência sigmoide que modela
a relação entre os dados de entrada e de saída. Para este modelo,
como mostrado na Figura 5, os dados de entrada são: potência
de rampa (∆P), que é a potência de desvio solicitada do dia atual
à frente da potência programada; tempo de ativação
programada (𝑡Active ); potência programada no dia seguinte
ativação (𝑃Sched ) e lance máximo e mínimo (𝑃Max e 𝑃Min ); com
a saída do modelo sendo longevidade (𝜏), isto é, o período de
tempo em que a potência de rampa fornecida pode ser mantida.
Fig. 5. Dados de entrada e saída do modelo preditivo.
A potência de rampa é a quantidade de energia para a qual o
VPP aumentará sua carga combinada a partir do perfil do dia
programado à frente e reduzirá a potência da quantidade de
energia para uma diminuição da carga. Além disso, a partir da
Figura 6, o 𝑃Max define a potência máxima que o VPP pode
aumentar sua carga em um determinado momento, e o 𝑃Min é o
máximo que pode reduzir a carga.
Na Figura 6 é mostrado um exemplo de lance individual para
um dispositivo e um lance agregado. Essas ofertas individuais
são quase em tempo real e baseadas em eventos para descrever
a prioridade de um dispositivo para produzir ou consumir
eletricidade. Um lance agregado é o somatório de todos os
4
lances válidos enviados pelos dispositivos individuais em um
VPP. Para garantir que todos os dados específicos do
dispositivo sejam removidos, apenas o lance agregado de nível
superior é usado para prever a flexibilidade em tempo real. As
potências máxima e mínima (𝑃Max e 𝑃Min ) são recuperadas
como entrada para o modelo de previsão. Isso define limites
para a quantidade de potência de aceleração (rampa) e descida
que o VPP pode fornecer. Desta forma, usando este lance e o
preço atual, pode-se calcular o valor agregado total de potência
do VPP.
Fig. 6. Potências máximas e mínimas do VPP.
A capacidade de rampa em ambas as direções é então
calculada solicitando uma potência de rampa, que é uma das
etapas de potência na proposta agregada e multiplicando-a pela
longevidade prevista (𝜏). Para uma capacidade de
desaceleração, a potência de rampa solicitada enviada para o
modelo é negativa, pois a energia negativa representa uma fonte
de alimentação (energia fornecida).
Para avaliar o impacto econômico de um modelo de previsão
para serviços de mercado atacadista, foi desenvolvida uma
estratégia comercial que pode ser implementada considerando-
se três casos: sem previsão de capacidade de troca (pior caso),
RNA aprendeu a capacidade de rampa para cima e para baixo
obtendo desta forma o perfeito conhecimento da flexibilidade
do VPP, e com os preços de mercado no atacado (melhor caso).
Usar a mesma estratégia de controle para os três casos
permite uma comparação justa da eficácia do modelo de
aprendizado de máquina de caixa preta para o melhor caso,
cenário de conhecimento completo e, no pior dos casos,
nenhum conhecimento de capacidade.
A Figura 7 apresenta uma visão geral da troca de informações
entre os mercados atacadistas e o agregador. Pode-se observar
que dois mercados atacadistas estão participando, o DAM, que
resulta em um cronograma diário, e o mercado de desequilíbrio.
Cada um dos três casos usa um perfil predeterminado para o dia
seguinte, que foi criado para minimizar o custo da eletricidade
comprada no mercado atual. Com isso, o módulo de estratégia
comercial é alimentado, em tempo real, com o lance agregado
para determinar a potência de rampa enviada ao módulo de
aprendizado de máquina (machine learning).

Fig. 7. Troca de informações entre inteligência (vermelho), mercados de
eletricidade (verde) e agregador (azul).
IV. CASO DE ESTUDO DO MODELO DE NEGÓCIO
Analise do relatório da VPP real criada e testada no distrito
de Amsterdam. A usina virtual é uma plataforma on-line que
agrega a produção e o consumo de energia solar residencial e
armazena o excedente localmente. Devido a essa agregação, é
possível negociar energia nos mercados atacadistas: o uso de
uma bateria doméstica permite armazenar energia quando os
preços da eletricidade estão baixos e descarregar a bateria
quando há alta. A usina virtual também será conectada à rede
inteligente existente no distrito. Será examinado a viabilidade
de utilizar as baterias e se a rede local tem capacidade de
suportar o fluxo durante os momentos de pico. Negociar nos
mercados de energia com sistemas de bateria instalados em
residências em um bairro residencial é novo. Foram instaladas
25 baterias domésticas em residências no distrito de
Amsterdam: Nieuw-West.
Existe um grande interesse no impacto do comportamento da
bateria na tensão e corrente da na rede. Para isso foi necessário
montar uma grande rede inteligente para monitorar
adequadamente o projeto VPP. Em conjunto com os dados de
uso, geração e das próprias baterias, conseguiu-se formar uma
imagem dos efeitos das baterias domésticas na rede.
Além disso, constatou se que as baterias podem causar picos
de carga altas na rede. A Figura 8 mostra uma visão geral dos
fluxos de energia em uma residência de um participante do
projeto em um dia ensolarado. A geração dos painéis
fotovoltaicos pode ser vista na parábola que descreve a linha
laranja. A linha azul descreve o consumo, que não é alto. Na
linha verde apresenta o comportamento da bateria como
resultado do comércio de energia. E a linha amarela representa
a troca líquida de energia. Apresenta-se com isso que a descarga
de baterias, impulsionada por incentivos de preço, pode
coincidir com o retorno da energia gerada à rede. A troca líquida
de energia com a rede (linha amarela) é muito maior com a
utilização de uma bateria. Além disso, o pico de alimentação é
maior que o pico de consumo. Este comportamento repete-se
em outros dias do ano e com os outros consumidores.
5
Fig. 8. Fluxo da Energia.
O pico de consumo em uma residência não é um grande
problema. Em princípio, aspirar ou ligar a chaleira também
garante um pico elevado. Mas é muito pequena a chance de
todos os usuários ligarem a chaleira ou aspirarem ao mesmo
tempo. Dados coletados sobre a simultaneidade no consumo de
energia ao longo do tempo demonstram que a rede elétrica (o
cabo) pode lidar com as demandas de picos.
A ocorrência da simultânea de picos de feedback a partir de
painéis solares. O sol brilha em todos os painéis solares ao
mesmo tempo. Assim, quanto mais painéis solares instalados,
mais energia entregue ao mesmo tempo no cabo da rua. Se
também tivermos que adicionar o comportamento da bateria
(que também tem um alto grau de simultaneidade entre os
participantes do projeto), esse efeito será ainda mais ampliado.
Após a etapa de previsões e sabendo-se o quanto a Central
Virtual deve consumir ou gerar em determinado momento,
inicia a etapa de controlar efetivamente os dispositivos. Para
atingir o objetivo comum, todos os dispositivos devem ser lidos
e controlados com os valores corretos. Como isso exigiria muito
poder de computação em grande escala, esse poder de
computação é dividido em pequenos pedaços de software.
Chamou-se esses pequenos pedaços de "agentes" de software e
eles "trocam" uns com os outros em nome da bateria em um
modelo econômico interno. Por exemplo, a energia vale mais
para uma bateria vazia do que para uma bateria cheia. Ao enviar
um incentivo de preço aos agentes, os dispositivos trabalham
juntos corretamente e podem seguir as metas estabelecidas,
conforme demostrado na Figura 9.
Fig. 9. Modelo e o comportamento real.
Um dos problemas encontrados, por exemplo, refere-se a
porcentagem de carga que a bateria transmitia não ser sempre
confiável. Este problema foi parcialmente contornado
condicionando ao carregando totalmente as baterias.
Para determinar a estratégia de negociação no mercado de
eletricidade do dia seguinte, utilizaram três modelos diferentes
que preveem respectivamente o consumo de eletricidade, a
geração e o preço por hora. Com base nessas previsões, elabora-
se uma estratégia de negociação que otimiza a venda e compra
de eletricidade no mercado de energia. A eletricidade é vendida

principalmente quando há expectativa que o preço da
eletricidade aumente através de previsões. Ou a eletricidade
comprada é armazenada quando o preço é baixo.
É importante levar em conta a capacidade das baterias, a
demanda por eletricidade e a geração de eletricidade.
Os modelos utilizados para fazer as previsões são os Modelos
de Rede Neural. Este modelo funciona bem porque é capaz de
descrever relações complexas.
Os modelos foram treinados com dados de medição reais do
passado. Em seguida, estas mesmas medições foram utilizadas
como entrada para gerar previsões de consumo de eletricidade,
geração e preço por hora. Os modelos utilizam variáveis de
entrada diferentes: previsões do tempo (como temperatura e
radiação solar) e dados históricos como consumo e preço no
passado (por exemplo, uma semana ou um dia atrás). Aplicando
os modelos e determinando a estratégia de negociação na
Virtual Power Plant, obtiveram informações sobre qual variável
de entrada é importante e menos importante por modelo.
Eventualmente, 39 residências participaram do VPP no
período de maio de 2018 até março de 2019. As baterias são
usadas diariamente para obter o melhor resultado possível do
comércio diário de energia no mercado spot, onde é possível
comprar e vender energia de hora em hora com antecedência.
As conclusões mais importantes retiradas do comércio diário
durante este período são:
 o comércio diário com as baterias levou a uma média
de € 5,54 / kWh de energia comprada. Se esta energia
tivesse sido adquirida sem o uso de uma bateria, teria
sido de € 7,25 / kWh. Isso significa que o uso das
baterias reduzir os custos de compra de energia
(redução de 23%).
 entretanto, como as baterias causaram perdas, em
última análise, mais energia foi comprada do que
vendida, o que aumentou o consumo total do grupo de
participantes. No período de comércio, por exemplo,
um adicional de 24,45 kWh foi adquirido devido a
utilização das baterias. Medido sobre o consumo total
do grupo, 34% a mais foi comprado. Como resultado,
os custos totais de energia aumentaram em € 852,00
para o grupo como um todo em comparação com a
situação em que nenhuma bateria teria sido usada. Por
participante e convertido para um ano inteiro, isso
significa uma desvantagem de 40,00 € por ano,
independentemente de a compra ter sido feita a um
preço médio mais baixo, sem considerar os custos
extras dos impostos e de armazenamento de energia.
 se as perdas da bateria forem negligenciadas, cada
participante teria se beneficiado de € 35,00
anualmente. Aqui também o Imposto sobre Energia e
o Armazenamento de Energia Sustentável não estão
incluídos. Também deve ser notado que as perdas de
bateria nunca desaparecerão completamente. Embora
suscetíveis a melhorias (muito), nunca se tornarão
zero.
6
O projeto não analisou todos os aspectos e efeito dos impostos,
mas deve entender que, se você é um consumidor líquido de
energia (ou seja, consome mais que produz) e vai comprar
energia extra para armazenar em uma bateria para venda
posterior, estará comprando Impostos e armazenamento de
energia. Negociar com uma bateria deve, portanto, pelo menos,
criar uma diferença (leia-se: compra menor do que as vendas)
que é igual aos impostos correntes, que juntos agora somam €
14,2 / kWh (inclui IVA).
Em resumo, todas as lições aprendidas são particularmente
úteis no desenvolvimento dos serviços do VPP, e conseguimos
demonstrar que, com uma bateria caseira, você certamente pode
garantir custos de energia menores. Com a melhora do
monitorando correto do comportamento das baterias, os
resultados devem ser melhores. No entanto, há também muitos
desafios para o futuro, para tornar-se um serviço VPP lucrativo
para todos os envolvidos (participantes e provedores). As
perdas de bateria e o atual regime tributário de energia ainda
são os principais entraves. Operacionalmente também existem
algumas barreiras para serem quebradas. A comunicação
regular e o fornecimento de informações aos participantes
exigiram mais tempo do que o esperado, e as baterias devem ser
continuamente monitoradas quanto ao comportamento correto,
o que também acarreta custos operacionais adicionais.
V. VIABILIDADE DO MODELO
Muitos fatores influenciam o mercado de energia como: A
demanda e a resposta do mercado, a infraestrutura energética,
as políticas governamentais, a distância física. Todos esses
parâmetros desempenham um papel vital em qualquer modelo
de negócio. A demanda e a resposta do mercado no mercado de
energia são fatores predominantes em influenciar a produção de
energia, consumo/comportamento do consumidor e
normalmente são percebidos no mercado de energia aberta [9].
As concessionárias de energia estão evoluindo para uma
maior dependência da flexibilidade para responder a um
crescente desequilíbrio entre oferta e demanda. Nesse contexto,
o papel dos agregadores tornou-se predominante na otimização
da geração e demanda de eletricidade através de usinas virtuais
e na complementação de usinas tradicionais na provisão de
flexibilidade. Além disso, os reguladores estão lidando com os
desafios enfrentados pela cadeia de fornecimento linear e
tradicionalmente protegida, com a democratização da energia
introduzindo incertezas no planejamento de longo prazo e no
fornecimento de energia a curto prazo.
As VPPs possuem várias vantagens em relação às unidades
de geração distribuída operadas autônomas e às usinas de
energia em larga escala. Quando combinados em um VPP,
todos os tipos de ativos podem ser usados para fins comerciais
ou técnicos, melhorando a capacidade, flexibilidade e controle
suficientes para tornar essas atividades mais rentáveis ou
tecnicamente viáveis. Essa tecnologia passa por um período de
maturação, podendo ser categorizada em quatro níveis:
simulação, protótipo, estudo de campo e teórico. Revelando
assim o estudo da arte dessa nova proposta de gestão de energia,
como pode ser visto na Figura 10.

Fig. 10. Nível de implemetação de VPP [10].
A figura apresenta um dos grandes problemas da VPP, o
pequeno número de sistemas em operação. Que aumenta a
suspeita por parte dos investidores para realização deste
investimento, onde a grande parte dos estudos nesse sistema se
dá em protótipos e simulações.
Essa nova estrutura de energia pode ser classificada em três
camadas distintas: nível de mercado, estrutura de informação
(ICT) e fluxo de energia. O nível de mercado consiste na
estrutura financeira, econômica e regulatória. Enquanto a
estrutura de ICT é o modelo e o fluxo de informações e controle
das estruturas do sistema. E o fluxo de energia inclui a parte
técnica física do sistema, como geradores, cargas e
armazenamentos. Onde VPP resulta na soma dessas camadas de
estrutura em um sistema de energia, e para cada camada existem
parâmetros que devem seguir padrões estabelecidos pelas
agencias reguladores de cada país [11]
O objetivo deste capítulo é determinar em que medida o
modelo de VPP pode superar barreiras à integração de Geração
Distribuída (GD) e identificar as relevâncias e deficiências de
diferentes formulários de VPP, observando a viabilidade dos
sistemas para os seguintes aspectos: técnico, econômico e
regulatório.
A. Viabilidade Técnica
Leva em consideração o funcionamento da rede e visa
solucionar as restrições tecnológicas e se comunica
principalmente com a rede de distribuição. Sendo responsável
pela operação correta e gerenciamento do fluxo de energia
dentro do cluster e a execução de serviços auxiliares. O objetivo
aqui é determinar em que medida o modelo de VPP pode
superar barreiras à integração de GDs e identificar as
relevâncias e falhas de diferentes formas.
As unidades de geração distribuídas não podem responder
instantaneamente às mudanças de demanda de energia e suas
gerações são variáveis. Nesse contexto o maior problema com
uma VPP corresponde a intermitência das fontes atreladas a seu
portifólio, ou seja, uma maior parcela de energia fotovoltaica
em certa rede sugere que o sistema opera mais eficientemente
por algumas horas por dia durante o verão, e que portanto é
7
necessário armazenamento sazonal, ou capacidade de energia
da rede a ser mais requisitada durante o inverno. Grande parte
dos investidores identificam o nível atual de crescimento de
energias renováveis como sendo demasiado para gestão dos
problemas de intermitência das energias renováveis sem a
aplicação do armazenamento de energia [12].
Outro grande desafio se pode ser observado na rede elétrica
tradicional, que continua a enfrentar múltiplos desafios sob a
forma de infraestruturas, desatualizadas e impróprias,
aumentando o número de problemas com congestionamento da
rede devido à incapacidade da rede para reagir a novas cargas.
Um grande desafio em uma infraestrutura de VPP é a
flexibilidade, falta de confiabilidade, e a compatibilidade da
rede tradicional para acomodar novas tecnologias emergentes
na forma de energia renovável, que de outro modo aumentaria
a eficiência e a sustentabilidade. É essencial que a VPP some
diferentes infraestruturas energéticas entre os transmissores
para estabelecer bons padrões de interconectividade de fontes
renováveis de energia para maior flexibilidade, fluxo, sistema
melhorado, controle, DSM, resposta à demanda, que são
críticos para o desenvolvimento e design de novos modelos de
negócios.
Também existe uma grande importância de como os serviços
serão usados pelos prosumers, uma vez que o sistema de
informação bidirecional. Essa troca entre centros de produção e
usuários finais é dinâmica, como os hábitos de consumo de
energia para a tomada de decisão automatizada, gerenciamento
de diferentes subsistemas e dispositivos.
O armazenamento de energia é outra peça fundamental para
que a VPP tenha êxito na sua tarefa. O armazenamento
descentralizado de eletricidade em redes inteligentes em
conjunto ao o excesso de energia produzida pelo consumidor é
uma fonte de receita. Onde essa energia que poderia ser
absorvida pelo profissional de armazenagem quando
necessário. Visando otimizar significativamente a distribuição
de energia, sendo completamente independente da rede. Esses
bancos de armazenamento são chamados de clusters, em um
ambiente de cluster, a energia gerada de cada um dos prosumer
é conectada em rede, semelhante à rede de TI, chamada rede de
energia, permitindo assim a transferência de energia entre os
agrupamentos, utilizando, assim, efetivamente a energia
gerada.
A substituição de medidores analógicos por sistemas
informatizados afim de comunicar diferentes interfaces de
comunicação digital, é um componente principal para o
funcionamento da VPP. No entanto, essa tecnologia apresenta
seus próprios riscos. Com a transição da eletricidade análoga
para a digital, existem inúmeros desafios de infraestrutura
associados. À medida que o número de ativos aumenta, os
dados coletados de sensores e medidores crescerão
exponencialmente, sinalizando a necessidade de implantações
para cobrir uma maior área geográfica. O aumento de dados em
servidores localizados centralmente solicita medidas de
segurança mais rigorosas para proteger e proteger os dados, um
ativo essencial para qualquer empresa.
Um dos principais desafios está na comunicação junto com a
segurança e gerenciamento de dados. A rede elétrica pode se

tornar alvo potencial para hackers bem motivados, ou seja, a
segurança torna-se a principal questão que precisa ser tratada
para casos de invasão de dados e consumo pessoal privados.
Além disso o sistema elétrico físico pode ser afetado por
ataques, sendo direcionados ao controle sistemas ou recursos de
sistemas para o seu emprego. Essas formas de ataques podem
causar ruptura da rede, além de enviar sinais errados para o
mercado de energia [13].
O último fator de desconfiança pode ser visto pela incerteza
na demanda de energia. Essa carga varia com o tempo podendo
ser obtida de forma determinística ou estocástica. No caso da
aproximação determinística a carga apresenta características
mais repetitivas e influenciadas por fatores como tempo e
clima. Entretanto cada vez mais as ações dos consumidores
apresentam diferentes comportamentos e cargas novas não
planejadas, tornando os despachos ótimos de energia mais
complicados.
B. Viabilidade Econômica
A viabilidade econômica de uma VPP deve levar em
consideração o fornecimento de serviços de negociação no
mercado atacadista de energia, o equilíbrio das carteiras de
negociação e a prestação de serviços à distribuidores,
apresentando propostas e ofertas. Se comunicando
principalmente com os mercados de energia, onde suas metas
são aumentar o acesso ao mercado da DG e reduzir o risco de
desequilíbrio pela diversidade e capacidade da carteira. Existem
inúmeros desafios no cenário de negócios devido à disparidade
entre os modelos estudados e modelos introduzidos.
A VPP ainda tem um longo caminho a percorrer,
relativamente devido ao baixo impacto e a dificuldade de
explicar aos usuários sobre a inserção da tecnologia e suas
funcionalidades. A falta de interconexão entre os fabricantes é
também um agravante, onde diferentes fabricantes incorporam
diferentes sistemas em seus sistemas tecnológicos, fazendo
assim com que a interação pública difícil.
O elevado custo operacional e de capital são dois fatores
determinantes para o investimento na VPP. Os custos
operacionais e de capital representam a maior parte dos custos
fixos associados às comunicações. Embora não haja
crescimentos significativos em escala econômica devido ao
custo do hardware, representa riscos significativos para
integração e funcionamento no software. O fato de que as
tecnologias inteligentes são caras continua sendo um gargalo
atualmente. Existem outros fatores que precisam ser levados em
conta, especialmente nos riscos associados à entrega. Esses
riscos podem ser mitigados de forma eficaz pelos formuladores
de políticas e reguladores, implementando efetivamente
tecnologias digitais avançadas e buscando economias de escala.
A importância da realização previsões para as comunidades
energéticas locais como um todo, para oferecer mais
concretamente o modelo de negócios para retorno de
investimento. Sendo esses mercados locais mais desejáveis para
implantação dos sistemas bem como para manejar o controle de
gestão e alocação eficiente de recursos e precificação dinâmica.
8
A incerteza do preço da energia é outro fator determinante,
onde os custos de energia elétrica assim como de combustíveis
fosseis (petróleo e gás natural) variam diariamente de acordo
com mercado global e local. Assim como custos para
transmissão e distribuição da energia, apresentando limites
técnicos para demanda e geração de energia. Toda essa
variação pode gerar impacto no valor final utilizado no atacado
de energia, sendo assim os participantes deste mercado podem
sofrer grandes perdas. Nesse sentido como o cliente pode ser
respaldado com algum tipo de garantia que sua energia será
vendida por um preço estável ou até mesmo que não está
perdendo de utilizar em outro sentido a sua produção.
C. Viabilidade Regulatória
O enquadramento regulatório apresenta um desafio maior em
termos de que as organizações tendem a ser conservadoras no
cálculo dos benefícios daquilo que podem reunir como
benefícios em dinheiro aos acionistas. Considera-se que as
perdas operacionais são colocadas no cliente e, como resultado,
qualquer queda nas perdas afetaria o acionista da
concessionária. Portanto, os reguladores são obrigados a
colocar tais políticas e regulamentos em vigor que possam
beneficiar tanto a utilidade quanto o consumidor.
A necessidade de suporte regulatório para os serviços de VPP
estão nos primeiros estágios de desenvolvimento nos principais
mercados. Onde as ofertas dependem fortemente das políticas
de energia do setor elétrico e operações de mercado.
VI. CONCLUSÕES E DESENVOLVIMENTOS FUTUROS
A partir dos estudos e desenvolvimento executados durante
as atividades que culminaram na produção deste trabalho, foi
possível a ambientação em um novo tema que vem ganhando
força no mercado de energia, que são as usinas virtuais de
energia, tema que representa uma quebra de paradigmas quanto
ao sistema vigente hoje na qual os pequenos consumidores
estão atrelados as distribuidoras de energia elétrica.
Não só com relação à regulação, mas também à com respeito
a aspectos técnicos, o estabelecimento de usinas virtuais
encontra dificuldades. A começar pela infraestrutura de
comunicação necessária para viabilizar o grande fluxo de dados
que permitem a operação de VPPs. De forma análoga, a não
existência de protocolos para este fim especifico, somado aos
problemas de segurança que podem ser introduzidos fazem com
que a inserção das usinas virtuais seja mais lenta que o
esperado. Vencer estas barreiras será fundamental.
Com relação a ferramenta de gerenciamento energético, é
visível que estas podem impactar no custo de operação diário
de uma residência ao se abordar diferentes tipos de otimização.
No entanto, o funcionamento deste tipo de ferramenta pode
trazer consequências como a introdução de novos picos de
demanda em horários onde o custo da energia tende a ser menor.
Este tipo de problema aponta para que novas soluções sejam
criadas levando-se em conta a estabilidade da rede e do sistema
como um todo, onde a prioridade é aproximar o pico de
demanda da média geral de consumo, o que reduz o custo da
 9

energia de maneira geral, do ponto de vista do sistema elétrico.
Verificou-se que alguns casos de negócios estão presentes
em circunstâncias futuras assumidas. A mudança do preço do
varejista tornou o autoconsumo de energia armazenada
econômico. Vender a superprodução da energia
instantaneamente é simplesmente menos eficiente em termos de
custo do que armazená-la e evitar custos ao suprir a demanda
quando o balanço de energia se torna negativo. Embora os
cenários gerados pela demanda de energia gerassem lucros, o
período de retorno do investimento ultrapassou 15 anos.
Para desenvolvimentos futuros, sugere-se abordar o
gerenciamento de cargas de estabelecimentos comerciais e
industriais, os quais observam mais atentamente as questões
financeiras e possuem maior poder financeiro para a adoção de
soluções de automação.
O VPP pode ser modelado com maior número de domicílios,
no entanto recomenda-se uma extensão da população de tipos
de domicílios. O portfólio dos tipos de construção pode ser
estendido por escritórios, shoppings ou outros edifícios. O
modelo pode ser estendido com outras tecnologias de
dispositivos de armazenamento físico, especialmente
tecnologias mais baratas poderiam criar mais business cases
para o conceito de VPP. Além disso, o tamanho da bateria para
um estudo de caso específico pode ser otimizado.
Index System of Virtual Power Plant Participating in Power Coordination and
Optimal Dispatching," 2018 IEEE International Conference on Applied
Superconductivity and Electromagnetic Devices (ASEMD), Tianjin, 2018, pp.
1-2. doi: 10.1109/ASEMD.2018.8558951
[12] O. Dzobo, "Virtual power plant energy optimisation in smart grids," 2019
Southern African Universities Power Engineering Conference/Robotics and
Mechatronics/Pattern Recognition Association of South Africa
(SAUPEC/RobMech/PRASA), Bloemfontein, South Africa, 2019, pp. 714-
718. doi: 10.1109/RoboMech.2019.8704830
[13] D. Jigoria-Oprea, G. Vuc and M. Litcanu, "Optimal management of a
virtual power plant," 2016 IEEE 16th International Conference on Environment
and Electrical Engineering (EEEIC), Florence, 2016, pp. 1-5. doi:
10.1109/EEEIC.2016.7555616
[14] A. Richter, N. Moskalenko, I. Hauer, T. Schröter and M. Wolter,
"Technical integration of virtual power plants into German system operation,"
2017 14th International Conference on the European Energy Market (EEM),
Dresden, 2017, pp. 1-6. doi: 10.1109/EEM.2017.7981876
[15] T. Olejnczal, "Distribuited Generation and Virtual Power Plants: Barries
and Solutions," Master Thesis, Utrecht University, Faculdade de Ciência, 2011.
[16] S. Venkatachary, J. Prasad, R. Samikannu, "Challenges, Opportunities and
Profitability in Virtual Power Plant Business Models in Sub Saharan Africa -
Botswana," International Journal of Energy Economics and Policy, 2017, 7(4),
48-58. ISSN: 2146-4553

REFERÊNCIAS BIBLIOGRÁFICAS

[1] M. Lobner, D. Bottger, T. Bruckner, "Economic assessment of virtual power

plants in the German energy market - A scenario-based and model-supported
analysis" Energy Economics, Pages 125-138. 2017.
[2] R. Leisen, B. Steffen, C. Weber, "Regulatory risk and the resilience of new
sustainable business models in the energy sector" Journal of Cleaner
Production, Pages 865-878. 2019.
[3] S. M. Nosratabadi, R. A. Hooshmand, E. Gholipour, "A comprehensive
review on microgrid and virtual power plant concepts employed for distributed
energy resources scheduling in power systems" Renewable and Sustainable
Energy Reviews, Pages 341-363. 2017.
[4] M. E. Wainstein, A. G. Bumpus, "Business models as drivers of the low
carbon power system transition: a multi-level perspective" Journal of Cleaner
Production, Pages 572-585. 2016.
[5] F. Pallonetto, M. De Rosa, F. Milano, D. P. Finn, "Demand response
algorithms for smart-grid ready residential buildings using machine learning
models" Applied Energy, Pages 1265-1282. 2019.
[6] S. Breker, J. Rentmeister, B. Sick, M. Braun, "Hosting capacity of low-
voltage grids for distributed generation: Classification by means of machine
learning techniques" Applied Soft Computing, Pages 195-207. 2018.
[7] M. Schreiber, M. E. Wainsteis, P. Hochloff, R. Dargaville "Flexible
electricity tariffs: Power and energy price signals designed for a smarter grid"
Energy, Pages 2568-2581. 2015.
[8] P. MacDougall, B. Ran, G.B. Huitema, G. Deconinck, Performance
Assessment of Black Box Capacity Forecasting for Multi-Market Trade
Application, Energies. (2017) 1–19. doi:10.3390/en10101673.
[9] S. Yu, F. Fang, Y. Liu, J. Liu, "Uncertainties of virtual power plant:
Problems and countermeasures", Applied Energy, Volume 239, Pages 454-470,
2019. doi: https://doi.org/10.1016/j.apenergy.2019.01.224.
[10] Kankam O. Adu-Kankam, Luis M. Camarinha-Matos, "Towards
collaborative Virtual Power Plants: Trends and convergence", Sustainable
Energy, Grids and Networks, Volume 16, Pages 217-230, 2018. doi:
https://doi.org/10.1016/j.segan.2018.08.003.
[11] J. M. Xu, Y. Sun, Q. Sun and J. W. Ma, "A Comprehensive Evaluation