Este artigo investiga essa quest\u00e3o por meio de um estudo de caso de programa\u00e7\u00e3o hidrot\u00e9rmica estoc\u00e1stica, que combina incerteza, acoplamento intertemporal, restri\u00e7\u00f5es f\u00edsicas e trade-offs operacionais economicamente relevantes, ao mesmo tempo em que oferece refer\u00eancias confi\u00e1veis de otimiza\u00e7\u00e3o, como a programa\u00e7\u00e3o din\u00e2mica dual estoc\u00e1stica (SDDP). Propomos uma arquitetura ag\u00eantica orientada a capacidades, na qual um agente de racioc\u00ednio interage com o modelo hidrot\u00e9rmico somente por meio de capacidades de dom\u00ednio controladas e tipadas, sem acesso a m\u00e9todos de programa\u00e7\u00e3o din\u00e2mica pr\u00e9-programados, valores da \u00e1gua pr\u00e9-computados, vari\u00e1veis duais ou informa\u00e7\u00f5es internas do solver.<\/p>\n\n\n\n
A arquitetura \u00e9 avaliada em uma representa\u00e7\u00e3o simplificada, mas estruturalmente realista, do Sistema Interligado Nacional brasileiro. Ao longo de dez sess\u00f5es independentes, o agente inferiu a l\u00f3gica do valor da \u00e1gua a partir do retorno das simula\u00e7\u00f5es, construiu representa\u00e7\u00f5es aproximadas de custo futuro e implementou pol\u00edticas de preserva\u00e7\u00e3o de armazenamento que melhoraram substancialmente o comportamento m\u00edope. Em rela\u00e7\u00e3o a um benchmark SDDP calculado de forma independente, a melhor sess\u00e3o atingiu uma diferen\u00e7a m\u00e9dia de custo de 1,7%, enquanto a diferen\u00e7a m\u00e9dia das dez sess\u00f5es foi de aproximadamente 6,0%.<\/p>\n\n\n\n
Esses resultados indicam que a orquestra\u00e7\u00e3o estruturada de capacidades pode permitir que agentes de racioc\u00ednio funcionem como camadas anal\u00edticas integradas a ambientes de modelagem de sistemas de energia, sendo mais valiosos para problemas em que as formula\u00e7\u00f5es anal\u00edticas s\u00e3o incompletas, dif\u00edceis de especificar ou insuficientes para capturar todo o processo de explora\u00e7\u00e3o da solu\u00e7\u00e3o.<\/p>\n\n\n\n
Palavras-chave:<\/em> IA ag\u00eantica, programa\u00e7\u00e3o hidrot\u00e9rmica, otimiza\u00e7\u00e3o estoc\u00e1stica, valor da \u00e1gua, SDDP<\/p>\n\n\n\n A intelig\u00eancia artificial ag\u00eantica est\u00e1 emergindo como um paradigma no qual modelos de linguagem com capacidade de racioc\u00ednio interagem com ferramentas externas, simula\u00e7\u00f5es, fontes de dados e ambientes computacionais para executar tarefas anal\u00edticas de m\u00faltiplas etapas. Em vez de produzir apenas sa\u00eddas de texto est\u00e1tico, esses sistemas podem selecionar a\u00e7\u00f5es estruturadas, invocar ferramentas, interpretar observa\u00e7\u00f5es retornadas, revisar hip\u00f3teses e coordenar fluxos de trabalho anal\u00edticos de m\u00faltiplas etapas rumo a um objetivo definido pelo usu\u00e1rio [1]. Frameworks ag\u00eanticos recentes costumam separar um n\u00facleo de infer\u00eancia baseado em modelo de linguagem \u2014 respons\u00e1vel pelo racioc\u00ednio, planejamento e sele\u00e7\u00e3o de a\u00e7\u00f5es \u2014 de uma camada de orquestra\u00e7\u00e3o, ou Harness<\/em>, que gerencia chamadas de ferramentas, observa\u00e7\u00f5es, mem\u00f3ria e estado de execu\u00e7\u00e3o ao longo das etapas [4, 2, 3]. Essa estrutura geral \u00e9 ilustrada na Fig. 1, que mostra o n\u00facleo de infer\u00eancia do LLM e o Harness<\/em> que o circunda.<\/p>\n\n\n\n Figura 1: Estrutura geral de um la\u00e7o de racioc\u00ednio ag\u00eantico baseado em LLM.<\/p>\n\n\n\n Embora esses avan\u00e7os tenham sido demonstrados principalmente em aplica\u00e7\u00f5es gen\u00e9ricas de software corporativo, programa\u00e7\u00e3o e recupera\u00e7\u00e3o de informa\u00e7\u00f5es, eles levantam uma quest\u00e3o metodol\u00f3gica relevante para a an\u00e1lise de sistemas de energia: podem os agentes de racioc\u00ednio operar de forma eficaz dentro de ambientes anal\u00edticos estruturados em problemas de decis\u00e3o de engenharia complexos, ou eles apenas fornecem interfaces em linguagem natural para ferramentas computacionais existentes? Essa quest\u00e3o \u00e9 particularmente importante no planejamento e na opera\u00e7\u00e3o de sistemas de energia, em que os processos de apoio \u00e0 decis\u00e3o dependem de modelos especializados que representam incerteza, restri\u00e7\u00f5es f\u00edsicas, acoplamentos intertemporais e trade-offs economicamente relevantes.<\/p>\n\n\n\n A programa\u00e7\u00e3o hidrot\u00e9rmica fornece um cen\u00e1rio adequado para investigar essa quest\u00e3o. Em sistemas hidrot\u00e9rmicos, as decis\u00f5es atuais de deplecionamento dos reservat\u00f3rios reduzem os custos presentes de gera\u00e7\u00e3o t\u00e9rmica, mas tamb\u00e9m afetam a exposi\u00e7\u00e3o futura \u00e0 escassez, ao despacho t\u00e9rmico caro e aos d\u00e9ficits de energia. A \u00e1gua armazenada tem, portanto, um custo de oportunidade, comumente representado por meio de valores da \u00e1gua ou fun\u00e7\u00f5es de custo futuro. O problema combina aflu\u00eancias estoc\u00e1sticas, din\u00e2mica de armazenamento, restri\u00e7\u00f5es de transmiss\u00e3o, substitui\u00e7\u00e3o t\u00e9rmica e trade-offs operacionais de longo prazo. Ao mesmo tempo, possui refer\u00eancias bem estabelecidas de otimiza\u00e7\u00e3o estoc\u00e1stica, em particular a Programa\u00e7\u00e3o Din\u00e2mica Dual Estoc\u00e1stica (SDDP), que fornece um benchmark rigoroso para avaliar a qualidade das pol\u00edticas operativas [5, 6].<\/p>\n\n\n\n A programa\u00e7\u00e3o din\u00e2mica estoc\u00e1stica cl\u00e1ssica fornece a base conceitual para esse problema de decis\u00e3o sequencial, mas sua aplica\u00e7\u00e3o direta \u00e9 limitada pela maldi\u00e7\u00e3o da dimensionalidade. Em sistemas hidrot\u00e9rmicos realistas, o vetor de estado inclui os n\u00edveis de armazenamento dos reservat\u00f3rios, as condi\u00e7\u00f5es hidrol\u00f3gicas e outras vari\u00e1veis intertemporais, fazendo com que o n\u00famero de estados poss\u00edveis cres\u00e7a exponencialmente com o tamanho do sistema e com a representa\u00e7\u00e3o da incerteza. M\u00e9todos de decomposi\u00e7\u00e3o como o SDDP evitam a enumera\u00e7\u00e3o completa de estados ao aproximar as fun\u00e7\u00f5es de custo futuro e permanecem como a refer\u00eancia padr\u00e3o para o planejamento da opera\u00e7\u00e3o hidrot\u00e9rmica de grande porte. M\u00e9todos de aprendizado de m\u00e1quina, incluindo aprendizado por refor\u00e7o, tamb\u00e9m t\u00eam sido estudados para a tomada de decis\u00e3o sequencial sob incerteza. Neste artigo, no entanto, esses m\u00e9todos servem principalmente como refer\u00eancias conceituais e benchmarks: o objetivo n\u00e3o \u00e9 propor um novo solver de otimiza\u00e7\u00e3o hidrot\u00e9rmica.<\/p>\n\n\n\n A quest\u00e3o central abordada neste artigo \u00e9, em vez disso, arquitetural e metodol\u00f3gica: pode um agente de racioc\u00ednio, restrito a capacidades de dom\u00ednio controladas, explorar um ambiente anal\u00edtico de sistema de energia e construir uma pol\u00edtica operacionalmente significativa sem acesso a um m\u00e9todo de programa\u00e7\u00e3o din\u00e2mica estoc\u00e1stica pr\u00e9-programado, vari\u00e1veis duais, valores da \u00e1gua pr\u00e9-computados ou aspectos internos do solver? Essa quest\u00e3o diz respeito a como a funcionalidade anal\u00edtica deve ser exposta a um agente de IA de modo que racioc\u00ednio, computa\u00e7\u00e3o, controle e auditabilidade permane\u00e7am separados. Ela est\u00e1 alinhada com a no\u00e7\u00e3o emergente de habilidades ou capacidades espec\u00edficas de dom\u00ednio: opera\u00e7\u00f5es modulares que exp\u00f5em funcionalidades selecionadas de um ambiente a um agente por meio de interfaces estruturadas.<\/p>\n\n\n\n Para investigar essa quest\u00e3o, propomos uma arquitetura ag\u00eantica orientada a capacidades para a intera\u00e7\u00e3o assistida por IA com ambientes anal\u00edticos de sistemas de energia. Nessa arquitetura, o conhecimento de dom\u00ednio e as opera\u00e7\u00f5es do modelo s\u00e3o expostos ao agente por meio de capacidades estruturadas e tipadas, e n\u00e3o por meio de execu\u00e7\u00e3o irrestrita de c\u00f3digo ou acesso direto aos aspectos internos do solver. O agente pode inspecionar o sistema, consultar estat\u00edsticas de cen\u00e1rios, executar simula\u00e7\u00f5es, avaliar pol\u00edticas candidatas e registrar artefatos relevantes para a pol\u00edtica, mas todas as computa\u00e7\u00f5es s\u00e3o executadas pelo ambiente anal\u00edtico controlado. O agente, portanto, n\u00e3o substitui o modelo de dom\u00ednio nem o solver de otimiza\u00e7\u00e3o; ele atua como uma camada de orquestra\u00e7\u00e3o anal\u00edtica que formula hip\u00f3teses, invoca capacidades, interpreta sa\u00eddas e constr\u00f3i progressivamente uma l\u00f3gica operativa aproximada.<\/p>\n\n\n\n A arquitetura proposta \u00e9 instanciada em um ambiente de programa\u00e7\u00e3o hidrot\u00e9rmica estoc\u00e1stica baseado em uma representa\u00e7\u00e3o simplificada, mas estruturalmente realista, do Sistema Interligado Nacional brasileiro. O agente interage com o modelo apenas por meio de capacidades controladas e n\u00e3o recebe acesso a uma implementa\u00e7\u00e3o do SDDP, rotinas de programa\u00e7\u00e3o din\u00e2mica, informa\u00e7\u00f5es duais, valores da \u00e1gua pr\u00e9-computados ou estado interno do solver. A pol\u00edtica resultante \u00e9 ent\u00e3o avaliada por meio de simula\u00e7\u00e3o estoc\u00e1stica e comparada com duas refer\u00eancias: uma pol\u00edtica m\u00edope que ignora o valor futuro da \u00e1gua e um benchmark baseado em SDDP calculado de forma independente. Esse cen\u00e1rio permite que o comportamento do agente seja avaliado em um problema cuja estrutura de otimalidade \u00e9 bem compreendida e para o qual h\u00e1 benchmarks confi\u00e1veis dispon\u00edveis.<\/p>\n\n\n\n A motiva\u00e7\u00e3o mais ampla \u00e9 avaliar se os agentes de racioc\u00ednio podem funcionar como camadas anal\u00edticas controladas em torno de modelos de sistemas de energia. N\u00e3o se espera que tais agentes substituam os m\u00e9todos formais de otimiza\u00e7\u00e3o. Em vez disso, eles podem apoiar a explora\u00e7\u00e3o, a interpreta\u00e7\u00e3o, a an\u00e1lise de sensibilidade, a interroga\u00e7\u00e3o de modelos e a constru\u00e7\u00e3o de pol\u00edticas em cen\u00e1rios em que o processo de decis\u00e3o relevante vai al\u00e9m de uma \u00fanica formula\u00e7\u00e3o de otimiza\u00e7\u00e3o totalmente especificada. A programa\u00e7\u00e3o hidrot\u00e9rmica \u00e9 utilizada aqui como um caso de valida\u00e7\u00e3o com benchmark, antes de se considerarem problemas de sistemas de energia mais abertos, nos quais as formula\u00e7\u00f5es anal\u00edticas podem ser incompletas, dif\u00edceis de construir ou insuficientes para capturar todo o processo de explora\u00e7\u00e3o da solu\u00e7\u00e3o.<\/p>\n\n\n\n O artigo aborda as seguintes quest\u00f5es de pesquisa:<\/p>\n\n\n\n RQ1.<\/strong> Pode um agente de racioc\u00ednio usar capacidades de dom\u00ednio estruturadas para construir uma pol\u00edtica operacionalmente significativa em um problema estoc\u00e1stico de programa\u00e7\u00e3o de sistemas de energia?<\/p>\n\n\n\n RQ2.<\/strong> No caso da programa\u00e7\u00e3o hidrot\u00e9rmica, pode o agente inferir uma l\u00f3gica de valor da \u00e1gua economicamente significativa a partir do retorno das simula\u00e7\u00f5es, em vez de informa\u00e7\u00f5es duais expl\u00edcitas ou sa\u00eddas de otimiza\u00e7\u00e3o pr\u00e9-computadas?<\/p>\n\n\n\n RQ3.<\/strong> Qu\u00e3o reprodut\u00edvel \u00e9 o processo de constru\u00e7\u00e3o de pol\u00edticas em sess\u00f5es independentes de agentes de racioc\u00ednio sob a mesma especifica\u00e7\u00e3o de tarefa e a mesma interface de capacidades?<\/p>\n\n\n\n RQ4.<\/strong> Quais propriedades arquiteturais s\u00e3o necess\u00e1rias para apoiar a avalia\u00e7\u00e3o controlada, audit\u00e1vel e modular de agentes de racioc\u00ednio em ambientes anal\u00edticos de sistemas de energia?<\/p>\n\n\n\n As principais contribui\u00e7\u00f5es do artigo s\u00e3o:<\/p>\n\n\n\n O restante do artigo est\u00e1 organizado da seguinte forma. A Se\u00e7\u00e3o 2 revisa trabalhos relacionados. A Se\u00e7\u00e3o 3 define o problema de opera\u00e7\u00e3o hidrot\u00e9rmica estoc\u00e1stica multiest\u00e1gio. A Se\u00e7\u00e3o 4 apresenta a arquitetura orientada a capacidades, o ambiente anal\u00edtico e o protocolo experimental. A Se\u00e7\u00e3o 5 apresenta o estudo de caso e os resultados. A Se\u00e7\u00e3o 6 discute implica\u00e7\u00f5es e limita\u00e7\u00f5es. A Se\u00e7\u00e3o 7 conclui.<\/p>\n\n\n\n Trabalhos recentes sobre modelos de linguagem com uso de ferramentas mostraram que grandes modelos de linguagem podem combinar racioc\u00ednio mediado por linguagem com a\u00e7\u00f5es computacionais externas, incluindo chamadas de ferramentas, acesso a APIs e intera\u00e7\u00e3o estruturada com ambientes computacionais [1, 7, 8]. Arquiteturas ag\u00eanticas relacionadas organizam esse processo por meio de m\u00f3dulos para especifica\u00e7\u00e3o de pap\u00e9is, mem\u00f3ria, planejamento e sele\u00e7\u00e3o de a\u00e7\u00f5es, e enfatizam cada vez mais habilidades ou capacidades reutiliz\u00e1veis como a interface entre o modelo de racioc\u00ednio e seu ambiente [2, 3]. Frameworks industriais seguiram uma dire\u00e7\u00e3o semelhante, fornecendo padr\u00f5es de refer\u00eancia para combinar modelos de funda\u00e7\u00e3o, acesso a ferramentas, orquestra\u00e7\u00e3o de fluxos de trabalho e mecanismos de salvaguarda (guardrails<\/em>) [9, 10].<\/p>\n\n\n\n Embora muitas demonstra\u00e7\u00f5es de agentes que usam ferramentas se concentrem em busca na web, programa\u00e7\u00e3o, resposta a perguntas ou recupera\u00e7\u00e3o de informa\u00e7\u00f5es, aplica\u00e7\u00f5es de engenharia de alta criticidade exigem garantias mais robustas de controle, auditabilidade e reprodutibilidade. Nesses contextos, o uso irrestrito de ferramentas \u00e9 frequentemente inadequado: o agente deve interagir com ambientes computacionais validados por meio de interfaces bem definidas. Protocolos de interoperabilidade como o Model Context Protocol (MCP) ilustram essa dire\u00e7\u00e3o ao expor ferramentas externas por meio de interfaces tipadas [11]. Isso motiva o uso de interfaces de capacidades controladas para a intera\u00e7\u00e3o ag\u00eantica com modelos de sistemas de energia.<\/p>\n\n\n\n O aprendizado de m\u00e1quina tamb\u00e9m tem sido amplamente aplicado em sistemas de energia, incluindo previs\u00e3o, aproxima\u00e7\u00e3o de fluxo de pot\u00eancia \u00f3timo e controle [12, 13]. O aprendizado por refor\u00e7o tem sido estudado para a opera\u00e7\u00e3o de reservat\u00f3rios e o controle de sistemas de pot\u00eancia [14, 15]. Essas abordagens geralmente aprendem pol\u00edticas ou aproxima\u00e7\u00f5es de fun\u00e7\u00f5es por meio de dados, epis\u00f3dios de simula\u00e7\u00e3o, atualiza\u00e7\u00f5es de gradiente ou procedimentos expl\u00edcitos de treinamento. A abordagem investigada aqui \u00e9 diferente: o agente n\u00e3o \u00e9 treinado como um controlador hidrot\u00e9rmico e n\u00e3o aprende uma pol\u00edtica por meio de epis\u00f3dios repetidos. Em vez disso, ele utiliza racioc\u00ednio e orquestra\u00e7\u00e3o de capacidades para inspecionar um ambiente estruturado de sistema de energia, testar hip\u00f3teses e construir uma aproxima\u00e7\u00e3o relevante para a pol\u00edtica durante uma sess\u00e3o anal\u00edtica.<\/p>\n\n\n\n O planejamento da opera\u00e7\u00e3o hidrot\u00e9rmica h\u00e1 muito tempo \u00e9 tratado por meio de programa\u00e7\u00e3o din\u00e2mica estoc\u00e1stica e decomposi\u00e7\u00e3o. O SDDP [5] representa a fun\u00e7\u00e3o de custo futuro por meio de cortes afins e \u00e9 amplamente utilizado em sistemas hidrot\u00e9rmicos de grande porte. Trabalhos subsequentes estenderam o m\u00e9todo para a an\u00e1lise de converg\u00eancia, a avers\u00e3o a risco e os modelos intertemporais de aflu\u00eancias [6, 16, 17]. Esses m\u00e9todos fornecem o benchmark de otimiza\u00e7\u00e3o para o presente trabalho e s\u00e3o utilizados como refer\u00eancias externas, n\u00e3o como ferramentas dispon\u00edveis ao agente.<\/p>\n\n\n\n Considere um horizonte finito \\( t = 1,\\ldots,T \\). Seja \\( V_{t} \\) o armazenamento dos reservat\u00f3rios, \\( H_{t} \\) a informa\u00e7\u00e3o hidrol\u00f3gica e \\( X_{t} = (V_{t},H_{t}) \\) o estado do sistema. A incerteza \u00e9 representada por \\( \\xi_{t} \\), incluindo aflu\u00eancias e, possivelmente, demanda ou gera\u00e7\u00e3o renov\u00e1vel. Em cada est\u00e1gio, as decis\u00f5es \\( u_{t} \\) incluem gera\u00e7\u00e3o hidrel\u00e9trica, gera\u00e7\u00e3o t\u00e9rmica, fluxos de interc\u00e2mbio, vertimento, d\u00e9ficit e armazenamento do est\u00e1gio seguinte. O problema do est\u00e1gio \u00e9<\/p>\n\n\n\n \\[ onde \\( U_{t} \\) cont\u00e9m as restri\u00e7\u00f5es de balan\u00e7o h\u00eddrico, gera\u00e7\u00e3o, transmiss\u00e3o e demanda.<\/p>\n\n\n\n Para cada subsistema hidrel\u00e9trico \\( r \\), o armazenamento evolui como<\/p>\n\n\n\n \\[ com aflu\u00eancia \\( a_{t,r} \\), vaz\u00e3o turbinada \\( q_{t,r} \\), vertimento \\( s_{t,r} \\) e coeficiente de produ\u00e7\u00e3o \\( \\eta_{t,r} \\). Para cada \u00e1rea el\u00e9trica \\( n \\),<\/p>\n\n\n\n \\[ O conjunto fact\u00edvel tamb\u00e9m inclui limites de armazenamento, gera\u00e7\u00e3o hidrel\u00e9trica, gera\u00e7\u00e3o t\u00e9rmica, fluxos de transmiss\u00e3o, vertimento e d\u00e9ficits. O custo imediato \u00e9<\/p>\n\n\n\n \\[ O problema estoc\u00e1stico multiest\u00e1gio \u00e9<\/p>\n\n\n\n \\[ com pol\u00edticas n\u00e3o antecipativas. A recurs\u00e3o de Bellman \u00e9<\/p>\n\n\n\n \\[ com a condi\u00e7\u00e3o terminal \\( Q_{T + 1}(X_{T + 1}) = \\Phi(V_{T + 1}) \\). O valor marginal da \u00e1gua armazenada \u00e9<\/p>\n\n\n\n \\[ A discretiza\u00e7\u00e3o direta por SDP \u00e9 intrat\u00e1vel, pois \\( R \\) reservat\u00f3rios discretizados em \\( K \\) n\u00edveis j\u00e1 produzem \\( K^{R} \\) estados de armazenamento. O SDDP evita a enumera\u00e7\u00e3o completa de estados ao aproximar os custos futuros por meio de cortes afins:<\/p>\n\n\n\n \\[ Neste artigo, o SDDP \u00e9 utilizado como refer\u00eancia conceitual e benchmark externo. O agente n\u00e3o recebe acesso a uma implementa\u00e7\u00e3o do SDDP.<\/p>\n\n\n\n A arquitetura proposta, orientada a capacidades (capability-driven architecture<\/em>, CDA), separa o processo de racioc\u00ednio do agente da implementa\u00e7\u00e3o computacional do modelo anal\u00edtico de sistema de energia subjacente. O agente formula hip\u00f3teses, seleciona a\u00e7\u00f5es anal\u00edticas, interpreta observa\u00e7\u00f5es e refina sua estrat\u00e9gia ao longo de uma sess\u00e3o de m\u00faltiplas etapas, enquanto o ambiente executa opera\u00e7\u00f5es de dom\u00ednio validadas, como inspe\u00e7\u00e3o do modelo, simula\u00e7\u00e3o, avalia\u00e7\u00e3o de pol\u00edticas e registro de artefatos.<\/p>\n\n\n\n Todas as intera\u00e7\u00f5es ocorrem por meio de capacidades tipadas, com esquemas de entrada, esquemas de sa\u00edda e sem\u00e2ntica de execu\u00e7\u00e3o definidos. O agente n\u00e3o tem acesso a arquivos do modelo, aspectos internos do solver, execu\u00e7\u00e3o irrestrita de c\u00f3digo, vari\u00e1veis duais ou sa\u00eddas de otimiza\u00e7\u00e3o pr\u00e9-computadas. Essa separa\u00e7\u00e3o permite que o agente opere como uma camada de racioc\u00ednio e orquestra\u00e7\u00e3o, ao mesmo tempo em que preserva o controle, a auditabilidade e uma fronteira clara entre a infer\u00eancia mediada por linguagem e a computa\u00e7\u00e3o validada.<\/p>\n\n\n\n Formalmente, uma sess\u00e3o anal\u00edtica sob a CDA pode ser representada como uma trajet\u00f3ria de intera\u00e7\u00e3o<\/p>\n\n\n\n \\[ onde \\( a_{k} \\) denota a invoca\u00e7\u00e3o de capacidade na etapa \\( k \\) e \\( o_{k} \\) a correspondente observa\u00e7\u00e3o estruturada retornada pelo ambiente.<\/p>\n\n\n\n Em cada etapa, o agente seleciona a pr\u00f3xima invoca\u00e7\u00e3o de capacidade com base em todo o hist\u00f3rico de intera\u00e7\u00e3o acumulado at\u00e9 ent\u00e3o. Seja \\( h_{k} = (\\mathcal{T},a_{1},o_{1},\\ldots,a_{k – 1},o_{k – 1}) \\) esse hist\u00f3rico, onde \\( \\mathcal{T} \\) \u00e9 a especifica\u00e7\u00e3o da tarefa fornecida na inicializa\u00e7\u00e3o da sess\u00e3o. O la\u00e7o de racioc\u00ednio do agente pode ent\u00e3o ser escrito como<\/p>\n\n\n\n \\[ onde \\( \\pi_{A} \\) \u00e9 a fun\u00e7\u00e3o de orquestra\u00e7\u00e3o do agente: o mecanismo pelo qual o modelo de racioc\u00ednio interpreta o hist\u00f3rico acumulado e seleciona a pr\u00f3xima invoca\u00e7\u00e3o de capacidade. Esse objeto n\u00e3o deve ser confundido com uma pol\u00edtica operativa hidrot\u00e9rmica. Ele governa o sequenciamento das a\u00e7\u00f5es anal\u00edticas durante a sess\u00e3o ag\u00eantica, incluindo inspe\u00e7\u00e3o, simula\u00e7\u00e3o, teste de hip\u00f3teses e poss\u00edvel modifica\u00e7\u00e3o de artefatos relacionados \u00e0 pol\u00edtica, como as aproxima\u00e7\u00f5es de custo futuro. Diferentemente de um controlador de aprendizado por refor\u00e7o treinado, \\( \\pi_{A} \\) n\u00e3o \u00e9 aprendido por meio de intera\u00e7\u00e3o epis\u00f3dica com o sistema hidrot\u00e9rmico; ele \u00e9 executado pelo modelo de racioc\u00ednio por meio de infer\u00eancia mediada por linguagem sobre o hist\u00f3rico da sess\u00e3o.<\/p>\n\n\n\n O ambiente, por sua vez, mant\u00e9m um estado \\( s_{k} \\) composto pelo modelo anal\u00edtico carregado, pelas defini\u00e7\u00f5es de capacidades dispon\u00edveis e por quaisquer artefatos anal\u00edticos com estado criados durante a sess\u00e3o. Na instancia\u00e7\u00e3o hidrot\u00e9rmica, o artefato mais importante desse tipo \u00e9 a aproxima\u00e7\u00e3o de custo futuro atualmente registrada.<\/p>\n\n\n\n Cada invoca\u00e7\u00e3o de capacidade produz uma observa\u00e7\u00e3o e avan\u00e7a o estado do ambiente de acordo com<\/p>\n\n\n\n \\[ onde \\( \\mathcal{E} \\) \u00e9 uma fun\u00e7\u00e3o de transi\u00e7\u00e3o determin\u00edstica. Invoca\u00e7\u00f5es somente de leitura (inspe\u00e7\u00e3o, simula\u00e7\u00e3o e consultas a estat\u00edsticas de cen\u00e1rios) deixam \\( s_{k} \\) inalterado. Invoca\u00e7\u00f5es que codificam pol\u00edticas atualizam o conjunto de cortes registrado em \\( s_{k + 1} \\), tornando o ambiente dependente de estado em rela\u00e7\u00e3o ao processo de constru\u00e7\u00e3o da pol\u00edtica. A sess\u00e3o termina na etapa \\( K \\), quando o agente declara a tarefa anal\u00edtica conclu\u00edda. O estado terminal do ambiente \\( s_{K} \\) cont\u00e9m os artefatos produzidos durante a sess\u00e3o. No caso hidrot\u00e9rmico, esses artefatos incluem a aproxima\u00e7\u00e3o de custo futuro registrada. Essa aproxima\u00e7\u00e3o induz subsequentemente uma pol\u00edtica operativa hidrot\u00e9rmica quando incorporada ao problema de despacho do est\u00e1gio e avaliada por meio de simula\u00e7\u00e3o estoc\u00e1stica, conforme descrito na Se\u00e7\u00e3o 5.<\/p>\n\n\n\n A trajet\u00f3ria \\( \\tau \\) \u00e9 o principal objeto de an\u00e1lise post hoc: ela registra todo o caminho anal\u00edtico, desde a inspe\u00e7\u00e3o do sistema at\u00e9 a valida\u00e7\u00e3o da pol\u00edtica, e permite a reconstru\u00e7\u00e3o e a auditabilidade do processo de racioc\u00ednio do agente.<\/p>\n\n\n\n A Figura 2 ilustra a estrutura geral dos componentes da arquitetura, resumindo as rela\u00e7\u00f5es formais descritas pelas equa\u00e7\u00f5es (9)\u2013(11).<\/p>\n\n\n\n Figura 2: Arquitetura orientada a capacidades.<\/p>\n\n\n\n A instancia\u00e7\u00e3o hidrot\u00e9rmica exp\u00f5e as opera\u00e7\u00f5es de dom\u00ednio ao agente por meio de oito capacidades tipadas, organizadas em quatro grupos anal\u00edticos. O projeto segue um princ\u00edpio de delimita\u00e7\u00e3o deliberada de informa\u00e7\u00f5es: cada capacidade fornece a informa\u00e7\u00e3o necess\u00e1ria para apoiar uma etapa anal\u00edtica bem definida, ao mesmo tempo em que oculta aspectos internos do solver, modelos algor\u00edtmicos, vari\u00e1veis duais e fluxos de dados brutos que permitiriam ao agente contornar a tarefa de racioc\u00ednio. Essa delimita\u00e7\u00e3o n\u00e3o \u00e9 apenas uma conveni\u00eancia t\u00e9cnica; \u00e9 o mecanismo pelo qual o ambiente restringe o agente a realizar um racioc\u00ednio relevante para o dom\u00ednio, em vez de computa\u00e7\u00e3o arbitr\u00e1ria ou de mero envolvimento do solver.<\/p>\n\n\n\n Uma propriedade arquitetural adicional \u00e9 a persist\u00eancia de estado da sess\u00e3o. O modelo \u00e9 carregado uma \u00fanica vez na inicializa\u00e7\u00e3o da sess\u00e3o, fixando o reservat\u00f3rio e estabelecendo a conven\u00e7\u00e3o de coordenadas do vetor de armazenamento utilizada em todas as chamadas subsequentes de simula\u00e7\u00e3o e de codifica\u00e7\u00e3o de pol\u00edtica. Esse contrato de dados expl\u00edcito entre o ambiente e o agente garante que toda invoca\u00e7\u00e3o de capacidade opere sobre uma representa\u00e7\u00e3o compartilhada e inequ\u00edvoca do sistema f\u00edsico.<\/p>\n\n\n\n A Tabela 1 resume a interface na pr\u00e1tica.<\/p>\n\n\n\n Tabela 1: Interface de capacidades hidrot\u00e9rmicas: grupos de capacidades, entradas, sa\u00eddas e pap\u00e9is anal\u00edticos.<\/strong><\/p>\n\n\n\n As capacidades de inspe\u00e7\u00e3o do sistema<\/strong> exp\u00f5em a descri\u00e7\u00e3o estrutural est\u00e1tica do modelo hidrot\u00e9rmico. Uma chamada de carregamento de dados inicializa a sess\u00e3o e retorna o nome ordenado do reservat\u00f3rio, o volume inicial, a capacidade m\u00e1xima e a unidade f\u00edsica de cada componente de armazenamento. Essa ordena\u00e7\u00e3o \u00e9 relevante: ela define o sistema de coordenadas para todos os vetores de armazenamento trocados em chamadas subsequentes, desde as entradas de simula\u00e7\u00e3o de est\u00e1gio \u00fanico at\u00e9 as matrizes de coeficientes dos cortes de pol\u00edtica. Uma chamada de inspe\u00e7\u00e3o de topologia fornece a descri\u00e7\u00e3o completa do sistema como um documento estruturado, incluindo n\u00f3s de subsistemas, arcos de interc\u00e2mbio direcionais com limites de capacidade, blocos de gera\u00e7\u00e3o t\u00e9rmica com patamares de custo, perfis de gera\u00e7\u00e3o renov\u00e1vel e par\u00e2metros sazonais de demanda. A imagem resultante corresponde ao que um analista de planejamento montaria ao revisar a documenta\u00e7\u00e3o do modelo: topologia do sistema, caracteriza\u00e7\u00e3o dos recursos e restri\u00e7\u00f5es operacionais.<\/p>\n\n\n\n As capacidades de cen\u00e1rios hidrol\u00f3gicos<\/strong> fornecem uma caracteriza\u00e7\u00e3o estoc\u00e1stica agregada da incerteza de entrada. Para cada n\u00f3 de entrada \u2014 incluindo aflu\u00eancias aos reservat\u00f3rios, gera\u00e7\u00e3o renov\u00e1vel e perturba\u00e7\u00f5es de demanda \u2014 a capacidade retorna estat\u00edsticas-resumo por est\u00e1gio ao longo do conjunto de cen\u00e1rios. As realiza\u00e7\u00f5es individuais de cen\u00e1rios n\u00e3o s\u00e3o intencionalmente acess\u00edveis por meio dessa capacidade. Essa escolha tem dois prop\u00f3sitos. Analiticamente, ela incentiva o agente a raciocinar a partir da estrutura distributiva, em vez de memorizar trajet\u00f3rias amostrais individuais. Operacionalmente, ela evita a inje\u00e7\u00e3o de grandes tabelas de cen\u00e1rios brutos no hist\u00f3rico de intera\u00e7\u00e3o, o que expandiria o contexto do agente com detalhes num\u00e9ricos de baixo n\u00edvel e diluiria o sinal anal\u00edtico de alto n\u00edvel necess\u00e1rio para as etapas de racioc\u00ednio subsequentes. O conjunto completo de cen\u00e1rios permanece dispon\u00edvel indiretamente por meio das capacidades de simula\u00e7\u00e3o e de avalia\u00e7\u00e3o em lote.<\/p>\n\n\n\n As capacidades de simula\u00e7\u00e3o da opera\u00e7\u00e3o<\/strong> constituem o n\u00facleo computacional da interface e oferecem tr\u00eas n\u00edveis de granularidade anal\u00edtica. Uma chamada de simula\u00e7\u00e3o de est\u00e1gio \u00fanico avalia um est\u00e1gio a partir de um vetor de armazenamento inicial, um \u00edndice de est\u00e1gio e um \u00edndice de cen\u00e1rio, retornando um vetor de custos operativos por n\u00f3 e o vetor de armazenamento de fim de est\u00e1gio resultante. Esse or\u00e1culo apoia experimentos de perturba\u00e7\u00e3o direcionados: ao variar o vetor de armazenamento inicial em chamadas repetidas, mantendo fixos o est\u00e1gio e o cen\u00e1rio, o agente pode estimar a sensibilidade local do custo operativo em rela\u00e7\u00e3o aos n\u00edveis dos reservat\u00f3rios \u2014 o procedimento num\u00e9rico que produziu os valores marginais da \u00e1gua relatados na Se\u00e7\u00e3o 5. Uma chamada de simula\u00e7\u00e3o de sequ\u00eancia executa uma trajet\u00f3ria completa para um cen\u00e1rio de aflu\u00eancias especificado, retornando perfis de custo e armazenamento est\u00e1gio a est\u00e1gio ao longo de todo o horizonte de planejamento. Uma chamada de avalia\u00e7\u00e3o em lote executa o modelo em todos os cen\u00e1rios e \u00e9 apropriada para a valida\u00e7\u00e3o final da pol\u00edtica.<\/p>\n\n\n\n Uma propriedade definidora desse grupo \u00e9 que os custos operativos e as transi\u00e7\u00f5es de estado s\u00e3o observ\u00e1veis, mas as vari\u00e1veis duais e os pre\u00e7os marginais n\u00e3o s\u00e3o. O solver de est\u00e1gio \u00e9 executado internamente para cada chamada de simula\u00e7\u00e3o e retorna somente resultados primais; os pre\u00e7os-sombra n\u00e3o s\u00e3o expostos pela interface. Essa restri\u00e7\u00e3o tem consequ\u00eancias diretas para a estrat\u00e9gia anal\u00edtica do agente. O custo de oportunidade da \u00e1gua armazenada deve ser inferido por meio de experimenta\u00e7\u00e3o ativa, e n\u00e3o lido a partir da sa\u00edda do solver.<\/p>\n\n\n\n As capacidades de codifica\u00e7\u00e3o de pol\u00edtica<\/strong> permitem que o agente registre aproxima\u00e7\u00f5es de custo futuro que s\u00e3o incorporadas \u00e0s chamadas de simula\u00e7\u00e3o subsequentes. Uma chamada de registro de pol\u00edtica aceita um \u00edndice de est\u00e1gio, um vetor de constantes do lado direito e uma matriz de coeficientes de armazenamento, cada linha definindo uma aproxima\u00e7\u00e3o afim de custo futuro sobre a fun\u00e7\u00e3o de custo futuro. Essa chamada substitui todos os cortes existentes para o est\u00e1gio-alvo: a acumula\u00e7\u00e3o incremental ao longo das etapas de itera\u00e7\u00e3o \u00e9 responsabilidade do agente, e n\u00e3o do ambiente. Os coeficientes de armazenamento seguem uma conven\u00e7\u00e3o de sinais alinhada com a economia hidrot\u00e9rmica: um coeficiente negativo no reservat\u00f3rio \\( i \\) codifica a observa\u00e7\u00e3o de que \u00e1gua adicional naquele reservat\u00f3rio reduz os custos operativos futuros esperados, ou seja, que a \u00e1gua armazenada tem valor marginal positivo. Inversamente, passar vetores vazios de coeficientes e de lado direito limpa os cortes de um est\u00e1gio, permitindo que o agente revise ou reinicie sua aproxima\u00e7\u00e3o de pol\u00edtica durante a sess\u00e3o anal\u00edtica.<\/p>\n\n\n\n Essa taxonomia \u00e9 espec\u00edfica da aplica\u00e7\u00e3o hidrot\u00e9rmica, mas reflete um princ\u00edpio arquitetural mais amplo: as capacidades devem corresponder a opera\u00e7\u00f5es anal\u00edticas significativas no dom\u00ednio-alvo, agrupadas em um n\u00edvel de abstra\u00e7\u00e3o que corresponda \u00e0 granularidade de racioc\u00ednio exigida pela tarefa. Neste caso, as capacidades expostas espelham o fluxo de trabalho seguido pelos analistas de planejamento hidrot\u00e9rmico: inspecionar o sistema, caracterizar a estrutura de incerteza, simular consequ\u00eancias operacionais sob condi\u00e7\u00f5es controladas e codificar a l\u00f3gica intertemporal da pol\u00edtica. A oculta\u00e7\u00e3o deliberada das informa\u00e7\u00f5es duais e das trajet\u00f3rias individuais de cen\u00e1rios garante que o agente deva engajar-se com o problema anal\u00edtico em vez de recuperar respostas pr\u00e9-computadas por meio da interface.<\/p>\n\n\n\n A capacidade de codifica\u00e7\u00e3o de pol\u00edtica aceita aproxima\u00e7\u00f5es afins de custo futuro da forma:<\/p>\n\n\n\n \\[ onde \\( Q_{t}(V) \\) \u00e9 a aproxima\u00e7\u00e3o do custo futuro a partir do est\u00e1gio \\( t + 1 \\) em diante, \\( V_{i} \\) \u00e9 o armazenamento de fim de est\u00e1gio no subsistema \\( i \\), \\( \\lambda_{i} \\) \u00e9 o valor marginal da \u00e1gua armazenada, \\( \\beta_{t} \\) \u00e9 um intercepto espec\u00edfico do est\u00e1gio e \\( S \\) \u00e9 o conjunto de componentes de armazenamento representados no modelo.<\/p>\n\n\n\n Essa representa\u00e7\u00e3o est\u00e1 estreitamente relacionada aos cortes afins utilizados em m\u00e9todos de decomposi\u00e7\u00e3o como o SDDP. Entretanto, o agente n\u00e3o recebeu uma implementa\u00e7\u00e3o do SDDP, qualquer outro m\u00e9todo de programa\u00e7\u00e3o din\u00e2mica estoc\u00e1stica pr\u00e9-programado, ou um modelo algor\u00edtmico para a constru\u00e7\u00e3o desses cortes. A capacidade apenas definia o objeto de pol\u00edtica admiss\u00edvel que poderia ser registrado no ambiente. O processo de racioc\u00ednio utilizado para estimar os valores da \u00e1gua, escolher os coeficientes e montar a aproxima\u00e7\u00e3o foi deixado a cargo do agente.<\/p>\n\n\n\n O agente foi instru\u00eddo a construir uma pol\u00edtica operativa custo-eficiente para o sistema hidrot\u00e9rmico. A sess\u00e3o teve permiss\u00e3o para prosseguir at\u00e9 que o agente declarasse ter conclu\u00eddo a constru\u00e7\u00e3o e a valida\u00e7\u00e3o da pol\u00edtica. O log de intera\u00e7\u00e3o foi ent\u00e3o analisado post hoc<\/em>. Ao longo da sess\u00e3o, o agente teve acesso \u00e0s descri\u00e7\u00f5es das capacidades, aos esquemas de entrada-sa\u00edda e \u00e0s sa\u00eddas de suas pr\u00f3prias invoca\u00e7\u00f5es. Ele n\u00e3o recebeu uma implementa\u00e7\u00e3o de programa\u00e7\u00e3o din\u00e2mica, como o SDDP, valores da \u00e1gua pr\u00e9-computados ou vari\u00e1veis duais, acesso ao estado interno do solver, ou orienta\u00e7\u00e3o humana ap\u00f3s a inicializa\u00e7\u00e3o da tarefa. Toda a informa\u00e7\u00e3o quantitativa utilizada pelo agente foi, portanto, obtida exclusivamente por meio de invoca\u00e7\u00f5es estruturadas de capacidades, distinguindo esse cen\u00e1rio experimental de um em que um agente simplesmente chama um solver de otimiza\u00e7\u00e3o existente.<\/p>\n\n\n\n Todas as sess\u00f5es foram conduzidas utilizando o Claude Sonnet 4.6 (Anthropic), um grande modelo de linguagem com capacidade de racioc\u00ednio em cadeia de pensamento estendida. O modelo foi implantado com o racioc\u00ednio estendido habilitado, o que permite que o modelo realize etapas expl\u00edcitas de racioc\u00ednio intermedi\u00e1rio antes de produzir cada resposta ou invoca\u00e7\u00e3o de capacidade. As sess\u00f5es usaram um modo de orquestra\u00e7\u00e3o autom\u00e1tica no qual o modelo de racioc\u00ednio principal roteia autonomamente subtarefas computacionalmente mais leves \u2014 como a an\u00e1lise de sa\u00eddas estruturadas e a formata\u00e7\u00e3o de invoca\u00e7\u00f5es \u2014 para o Claude Haiku 4.5, um membro menor e de menor lat\u00eancia da mesma fam\u00edlia de modelos, ao mesmo tempo em que mant\u00e9m a infer\u00eancia completa com racioc\u00ednio estendido para as etapas anal\u00edticas que exigem racioc\u00ednio de m\u00faltiplas etapas. Essa configura\u00e7\u00e3o reflete um padr\u00e3o pr\u00e1tico de implanta\u00e7\u00e3o para fluxos de trabalho ag\u00eanticos de longo horizonte, no qual a profundidade do racioc\u00ednio e a efici\u00eancia computacional s\u00e3o equilibradas automaticamente no n\u00edvel da infer\u00eancia, sem interven\u00e7\u00e3o manual.<\/p>\n\n\n\n O experimento foi projetado para avaliar se o agente conseguia:<\/p>\n\n\n\n A pol\u00edtica resultante foi avaliada usando o custo operativo da m\u00e9dia amostral, a variabilidade de custo entre cen\u00e1rios, eventos de d\u00e9ficit de energia, o uso de gera\u00e7\u00e3o t\u00e9rmica de emerg\u00eancia de alto custo, as trajet\u00f3rias de armazenamento dos reservat\u00f3rios e a compara\u00e7\u00e3o em n\u00edvel de cen\u00e1rio com duas refer\u00eancias:<\/p>\n\n\n\n Como os agentes de racioc\u00ednio s\u00e3o sistemas estoc\u00e1sticos \u2014 cujas sa\u00eddas dependem de processos internos de amostragem que variam entre sess\u00f5es mesmo sob prompts e condi\u00e7\u00f5es iniciais id\u00eanticos \u2014, o experimento foi conduzido dez vezes de forma independente, cada execu\u00e7\u00e3o inicializada a partir do mesmo modelo e da mesma especifica\u00e7\u00e3o de tarefa. As dez execu\u00e7\u00f5es produzem diferentes trajet\u00f3rias de intera\u00e7\u00e3o \\( \\tau^{(r)} \\), \\( r = 1,\\ldots,10 \\), levando potencialmente a diferentes objetos de pol\u00edtica \\( \\pi_{\\tau}^{(r)} \\) e a diferentes custos operacionais. A an\u00e1lise da distribui\u00e7\u00e3o de resultados entre execu\u00e7\u00f5es evita que conclus\u00f5es sejam tiradas com base em uma \u00fanica sess\u00e3o, potencialmente at\u00edpica.<\/p>\n\n\n\n O experimento utilizou uma representa\u00e7\u00e3o simplificada, mas estruturalmente realista, do Sistema Interligado Nacional brasileiro (SIN). O sistema \u00e9 representado por quatro subsistemas interligados: Sudeste\/Centro-Oeste (SECO), Sul (SUL), Nordeste (NE) e Norte (N). O horizonte de planejamento abrange 24 est\u00e1gios mensais, de janeiro de 2025 a dezembro de 2026, com dez cen\u00e1rios estoc\u00e1sticos de aflu\u00eancias.<\/p>\n\n\n\n O estudo de caso inclui reservat\u00f3rios hidrel\u00e9tricos agregados, blocos de gera\u00e7\u00e3o t\u00e9rmica em camadas, gera\u00e7\u00e3o renov\u00e1vel, perfis de demanda e interc\u00e2mbios inter-regionais de transmiss\u00e3o. N\u00e3o pretende reproduzir o modelo oficial completo de opera\u00e7\u00e3o brasileiro. Em vez disso, fornece um benchmark controlado com as principais caracter\u00edsticas estruturais necess\u00e1rias para a an\u00e1lise da opera\u00e7\u00e3o hidrot\u00e9rmica: acoplamento espacial, din\u00e2mica de armazenamento, incerteza hidrol\u00f3gica, substitui\u00e7\u00e3o t\u00e9rmica e penalidades de escassez.<\/p>\n\n\n\n A Tabela 2 resume os principais par\u00e2metros do caso.<\/p>\n\n\n\n Tabela 2: Principais par\u00e2metros do estudo de caso.<\/p>\n\n\n\n A Tabela 3 resume as principais caracter\u00edsticas dos subsistemas utilizadas no estudo de caso.<\/p>\n\n\n\n Tabela 3: Caracter\u00edsticas agregadas dos subsistemas no estudo de caso hidrot\u00e9rmico.<\/p>\n\n\n\n O estudo de caso tamb\u00e9m inclui interc\u00e2mbios de transmiss\u00e3o entre os subsistemas. Os principais limites direcionais s\u00e3o 15.600 MW de N para SECO, 2.000 MW de SECO para N, 6.200 MW de N para NE, 13.000 MW de NE para SECO e 8.000 MW entre SECO e SUL. A gera\u00e7\u00e3o t\u00e9rmica \u00e9 representada por blocos em camadas com custos crescentes. O subsistema SECO desempenha um papel central porque seu bloco t\u00e9rmico de alto custo a 600 $\/MWh frequentemente atua como recurso marginal de todo o sistema em condi\u00e7\u00f5es de escassez.<\/p>\n\n\n\n A Figura 3 mostra o esquema do estudo de caso, ilustrando os quatro subsistemas e os interc\u00e2mbios direcionais de transmiss\u00e3o que os conectam.<\/p>\n\n\n\n Figura 3: Esquema do estudo de caso hidrot\u00e9rmico baseado no Sistema Interligado Nacional brasileiro (SIN).<\/p>\n\n\n\n Os dez cen\u00e1rios de aflu\u00eancias foram constru\u00eddos para representar regimes hidrol\u00f3gicos estruturalmente distintos, e n\u00e3o perturba\u00e7\u00f5es aleat\u00f3rias em torno de uma estimativa central. A Tabela 4 reporta o tipo de cada cen\u00e1rio e o desvio anual de aflu\u00eancias em rela\u00e7\u00e3o \u00e0 m\u00e9dia do conjunto, por subsistema e para o sistema como um todo.<\/p>\n\n\n\n Tabela 4: Conjunto de cen\u00e1rios hidrol\u00f3gicos: tipo e desvio anual de aflu\u00eancias em rela\u00e7\u00e3o \u00e0 m\u00e9dia do conjunto (%).<\/p>\n\n\n\n O conjunto abrange tr\u00eas realiza\u00e7\u00f5es pr\u00f3ximas da m\u00e9dia (cen\u00e1rios 1\u20133), tr\u00eas anos \u00famidos (4\u20136, de +28% a +35% acima da m\u00e9dia), tr\u00eas anos secos (7\u20139, de \u221216% a \u221224% abaixo da m\u00e9dia) e um cen\u00e1rio cr\u00edtico (10) modelado a partir da crise energ\u00e9tica brasileira de 2001, com todos os subsistemas aproximadamente 47% abaixo de suas aflu\u00eancias m\u00e9dias. As aflu\u00eancias anuais totais do sistema variam de 233.300 GWh a 586.900 GWh, um fator de 2,5\u00d7, com raz\u00f5es individuais de subsistema chegando a 2,7\u00d7 para o SECO.<\/p>\n\n\n\n Al\u00e9m da severidade agregada, v\u00e1rios cen\u00e1rios apresentam pronunciada heterogeneidade entre subsistemas. O cen\u00e1rio 5 reproduz um padr\u00e3o do tipo La Ni\u00f1a, no qual SECO, NE e N est\u00e3o bem acima da m\u00e9dia (+45%, +36%, +39%), enquanto o SUL recebe aflu\u00eancias pr\u00f3ximas da m\u00e9dia. O cen\u00e1rio 8 inverte isso em uma configura\u00e7\u00e3o El Ni\u00f1o: SECO, NE e N severamente abaixo da m\u00e9dia (\u221238%, \u221228%, \u221223%), enquanto o SUL est\u00e1 acima da m\u00e9dia (+15%). Em conjunto, os dez cen\u00e1rios cobrem um amplo espectro de severidade agregada e de estrutura espacial das aflu\u00eancias, fornecendo um teste exigente de robustez da pol\u00edtica, apesar do tamanho modesto do conjunto.<\/p>\n\n\n\n Conforme estabelecido no projeto experimental, cada uma das dez execu\u00e7\u00f5es seguiu uma trajet\u00f3ria de racioc\u00ednio independente. Apesar disso, a inspe\u00e7\u00e3o dos logs de intera\u00e7\u00e3o revelou um padr\u00e3o consistente entre as execu\u00e7\u00f5es: o agente convergiu recorrentemente para uma abordagem de diferen\u00e7as finitas para estimar o valor marginal da \u00e1gua armazenada, independentemente da sequ\u00eancia espec\u00edfica de invoca\u00e7\u00f5es de ferramentas que a precedeu. Essa converg\u00eancia sugere que a abordagem \u00e9 uma consequ\u00eancia natural das capacidades dispon\u00edveis e da estrutura do problema, e n\u00e3o um artefato de uma sess\u00e3o espec\u00edfica.<\/p>\n\n\n\n Para cada subsistema \\( i \\), ela comparou o custo operativo simulado em um vetor de armazenamento de refer\u00eancia com o custo obtido ap\u00f3s perturbar o armazenamento daquele subsistema por um pequeno incremento \\( \\Delta V \\):<\/p>\n\n\n\n \\[ Um segundo padr\u00e3o que se repetiu de forma consistente entre as execu\u00e7\u00f5es foi a estrat\u00e9gia para a constru\u00e7\u00e3o dos cortes de custo futuro. Ap\u00f3s estimar os valores da \u00e1gua por subsistema por meio de diferen\u00e7as finitas, o agente prosseguiu sistematicamente para codific\u00e1-los como aproxima\u00e7\u00f5es afins de custo futuro sobre a fun\u00e7\u00e3o de custo de recurso (cost-to-go<\/em>) por indu\u00e7\u00e3o retroativa \u2014 um procedimento que emergiu de forma independente em cada sess\u00e3o sem ter sido prescrito na especifica\u00e7\u00e3o da tarefa.<\/p>\n\n\n\n Usando os coeficientes de valor da \u00e1gua por subsistema \\( \\widehat{\\lambda}_{i} \\) estimados na etapa anterior, o agente construiu uma sequ\u00eancia de cortes de custo futuro por indu\u00e7\u00e3o retroativa. Come\u00e7ando com um valor terminal nulo, para cada est\u00e1gio \\( t = T,\\ldots,1 \\), ele simulou a opera\u00e7\u00e3o a partir de um estado inicial e calculou:<\/p>\n\n\n\n \\[ onde \\( c_{t} \\) \u00e9 o custo operativo imediato retornado pelo simulador e \\( V_{t,i}^{fin} \\) \u00e9 o armazenamento de fim de est\u00e1gio resultante no subsistema \\( i \\).<\/p>\n\n\n\n A pol\u00edtica resultante \u00e9 representada por uma aproxima\u00e7\u00e3o afim de custo futuro sobre o custo futuro:<\/p>\n\n\n\n \\[ O Algoritmo 1 resume o procedimento reconstru\u00eddo a partir do log de intera\u00e7\u00e3o.<\/p>\n\n\n\n Algoritmo 1<\/strong> Constru\u00e7\u00e3o retroativa, derivada pelo agente, de cortes afins de custo futuro<\/p>\n\n\n\n Requer:<\/strong> Coeficientes de valor da \u00e1gua por subsistema \\( \\widehat{\\lambda}_{i} \\), intercepto terminal \\( \\beta_{T + 1} = 0 \\)<\/p>\n\n\n\n Esse procedimento assemelha-se a um \u00fanico passo retroativo simplificado do SDDP, mas n\u00e3o foi fornecido ao agente como um modelo algor\u00edtmico. O perfil de interceptos decresce \u00e0 medida que o horizonte se aproxima do est\u00e1gio terminal, refletindo o valor decrescente dos per\u00edodos operativos futuros.<\/p>\n\n\n\n A Tabela 5 reporta o custo operativo m\u00e9dio obtido em cada uma das dez execu\u00e7\u00f5es independentes, listadas na ordem das sess\u00f5es.<\/p>\n\n\n\n Tabela 5: Custo operativo total m\u00e9dio para cada execu\u00e7\u00e3o independente (M$).<\/p>\n\n\n\n Seis execu\u00e7\u00f5es (R1, R5, R7\u2013R10) produziram pol\u00edticas com custos m\u00e9dios na faixa de 137,7\u2013140,0 M$, uma dispers\u00e3o de apenas 2,3 M$ entre seis sess\u00f5es independentes. As quatro execu\u00e7\u00f5es restantes (R2\u2013R4, R6) renderam custos m\u00e9dios mais altos, de 145,8\u2013153,9 M$. A m\u00e9dia geral entre todas as dez execu\u00e7\u00f5es \u00e9 de 143,5 M$, com desvio-padr\u00e3o de 6,0 M$. Uma observa\u00e7\u00e3o not\u00e1vel \u00e9 que as execu\u00e7\u00f5es R1 e R7 produziram custos por cen\u00e1rio id\u00eanticos at\u00e9 a precis\u00e3o num\u00e9rica, indicando que o agente chegou exatamente \u00e0 mesma pol\u00edtica por meio de duas trajet\u00f3rias de intera\u00e7\u00e3o independentes \u2014 uma forma de converg\u00eancia que sugere que o caminho anal\u00edtico at\u00e9 a estimativa dominante do valor da \u00e1gua \u00e9 suficientemente restrito pela estrutura de capacidades para ser reprodut\u00edvel.<\/p>\n\n\n\n Entre as dez execu\u00e7\u00f5es independentes, a sess\u00e3o que atingiu o menor custo operativo m\u00e9dio (137,7 M$) deixou um log de intera\u00e7\u00e3o suficientemente detalhado para reconstruir sua trajet\u00f3ria anal\u00edtica por completo. O agente come\u00e7ou com a inspe\u00e7\u00e3o do sistema (Fase 1), carregando os dados do modelo, a estrutura de custos e as estat\u00edsticas dos cen\u00e1rios. Na Fase 2, ele simulou todos os dez cen\u00e1rios sem nenhum corte registrado, estabelecendo um baseline no qual os reservat\u00f3rios esvaziavam entre os est\u00e1gios 6 e 8 em todos os cen\u00e1rios e o sistema operava inteiramente com despacho t\u00e9rmico a partir do est\u00e1gio 8 \u2014 o cl\u00e1ssico colapso m\u00edope.<\/p>\n\n\n\n A Fase 3 consistiu em experimentos direcionados de perturba\u00e7\u00e3o de est\u00e1gio \u00fanico. Ao perturbar cada reservat\u00f3rio isoladamente em um est\u00e1gio e cen\u00e1rio estressados, o agente estimou o valor marginal da \u00e1gua armazenada: aproximadamente 600 $\/MWh para SECO, SUL e N, e 567 $\/MWh para NE. Uma infer\u00eancia fundamental foi a de que todos os quatro subsistemas eram dominados pelo mesmo recurso marginal de todo o sistema \u2014 o terceiro bloco t\u00e9rmico no SECO a 600 $\/MWh \u2014, refletindo o alto grau de interliga\u00e7\u00e3o do sistema.<\/p>\n\n\n\n Na Fase 4, o agente registrou um primeiro conjunto de cortes afins com coeficientes definidos como ligeiramente mais negativos do que o limiar estimado (\\( \\alpha = [ – 700, – 700, – 600, – 700] \\) $\/MWh). A avalia\u00e7\u00e3o dessa pol\u00edtica revelou uma inconsist\u00eancia: o armazenamento do SECO estava se acumulando enquanto o bloco t\u00e9rmico caro estava sendo despachado simultaneamente, indicando que os coeficientes estavam penalizando o uso da \u00e1gua de forma agressiva demais. O agente identificou essa preserva\u00e7\u00e3o excessiva e revisou os coeficientes para baixo na Fase 5 (\\( \\alpha_{SECO} = – 590 \\), \\( \\alpha_{NE} = – 560 \\)), alinhando-os com os valores marginais estimados na Fase 3. A pol\u00edtica refinada produziu um custo operativo m\u00e9dio de aproximadamente 138 M$ e foi aceita como sa\u00edda final.<\/p>\n\n\n\n Essa trajet\u00f3ria \u00e9 not\u00e1vel por sua estrutura autocorretiva. Sem orienta\u00e7\u00e3o externa, o agente detectou uma inconsist\u00eancia da pol\u00edtica por meio do retorno da simula\u00e7\u00e3o e revisou sua representa\u00e7\u00e3o do valor da \u00e1gua de acordo.<\/p>\n\n\n\n A Tabela 6 compara a pol\u00edtica derivada pelo agente com o baseline m\u00edope.<\/p>\n\n\n\n Tabela 6: Compara\u00e7\u00e3o entre a opera\u00e7\u00e3o m\u00edope e a pol\u00edtica derivada pelo agente.<\/p>\n\n\n\n A pol\u00edtica m\u00edope deplecia rapidamente os reservat\u00f3rios durante a primeira esta\u00e7\u00e3o \u00famida, deixando um buffer<\/em> hidr\u00e1ulico insuficiente para os per\u00edodos secos posteriores. A pol\u00edtica derivada pelo agente, em vez disso, preserva o armazenamento, aceitando custos t\u00e9rmicos mais altos no curto prazo para reduzir o risco futuro de escassez. Esse comportamento \u00e9 consistente com a interpreta\u00e7\u00e3o econ\u00f4mica dos valores da \u00e1gua na opera\u00e7\u00e3o hidrot\u00e9rmica estoc\u00e1stica: a \u00e1gua deve ser utilizada quando seu benef\u00edcio imediato excede seu custo de oportunidade futuro esperado.<\/p>\n\n\n\n A Figura 4 apresenta a evolu\u00e7\u00e3o estoc\u00e1stica do armazenamento dos reservat\u00f3rios ao longo dos dez cen\u00e1rios de aflu\u00eancias sob a pol\u00edtica derivada pelo agente e o baseline m\u00edope. Cada painel corresponde a um subsistema. As linhas em negrito mostram a m\u00e9dia dos cen\u00e1rios; as bandas sombreadas reportam os intervalos P25\u2013P75 e P10\u2013P90 entre cen\u00e1rios. Os n\u00edveis de armazenamento s\u00e3o expressos como percentual da capacidade m\u00e1xima de cada subsistema.<\/p>\n\n\n\n Figura 4: Trajet\u00f3rias de armazenamento dos reservat\u00f3rios sob a pol\u00edtica derivada pelo agente e o baseline m\u00edope. As curvas vermelhas denotam o baseline m\u00edope.<\/p>\n\n\n\n O contraste entre as duas pol\u00edticas \u00e9 pronunciado. Sob o baseline m\u00edope, todos os subsistemas se depletam a n\u00edveis pr\u00f3ximos de zero nos est\u00e1gios 7\u20138 (julho\u2013agosto de 2025) na maioria dos cen\u00e1rios, e o sistema opera inteiramente com despacho t\u00e9rmico pelo restante de ambas as esta\u00e7\u00f5es secas. Sob a pol\u00edtica derivada pelo agente, o reservat\u00f3rio do SECO, que concentra aproximadamente 70% da capacidade total de armazenamento do sistema, \u00e9 mantido bem acima de zero ao longo de toda a primeira esta\u00e7\u00e3o seca e entra em 2026 com reserva hidr\u00e1ulica suficiente para amortecer o segundo per\u00edodo seco. Os subsistemas NE e N, que possuem capacidades absolutas menores, exibem diferen\u00e7as qualitativas semelhantes, enquanto o SUL \u00e9 parcialmente recuperado por seu pr\u00f3prio regime de aflu\u00eancias.<\/p>\n\n\n\n A Tabela 7 compara a execu\u00e7\u00e3o do agente de melhor desempenho (R10, custo m\u00e9dio de 137,7 M$) com o benchmark SDDP, usando realiza\u00e7\u00f5es de aflu\u00eancias correspondentes. Essa execu\u00e7\u00e3o \u00e9 selecionada aqui porque produziu o menor custo m\u00e9dio entre as dez sess\u00f5es independentes e, portanto, representa o resultado mais favor\u00e1vel da abordagem orientada a capacidades. Os resultados das demais execu\u00e7\u00f5es s\u00e3o reportados na Se\u00e7\u00e3o 5.5; entre todas as dez execu\u00e7\u00f5es, a diferen\u00e7a m\u00e9dia de custo em rela\u00e7\u00e3o ao SDDP \u00e9 de aproximadamente 6,0%, refletindo a variabilidade introduzida pela natureza probabil\u00edstica do agente de racioc\u00ednio. A refer\u00eancia SDDP foi obtida usando o solver comercial da PSR [18], aplicado aos mesmos dez cen\u00e1rios de aflu\u00eancias com cinco cen\u00e1rios retroativos por itera\u00e7\u00e3o.<\/p>\n\n\n\n Tabela 7: Compara\u00e7\u00e3o em n\u00edvel de cen\u00e1rio entre a execu\u00e7\u00e3o do agente de melhor desempenho (R10) e o benchmark SDDP.<\/p>\n\n\n\n Para a melhor execu\u00e7\u00e3o, a diferen\u00e7a m\u00e9dia de custo em rela\u00e7\u00e3o ao SDDP \u00e9 de 1,7%. Esse resultado deve ser interpretado com cautela. A pol\u00edtica SDDP \u00e9 obtida usando um algoritmo especializado de otimiza\u00e7\u00e3o estoc\u00e1stica com repetidas itera\u00e7\u00f5es forward-backward, enquanto a pol\u00edtica derivada pelo agente \u00e9 uma pol\u00edtica afim simplificada, constru\u00edda por meio de intera\u00e7\u00e3o estruturada. A observa\u00e7\u00e3o relevante, portanto, n\u00e3o \u00e9 que o agente compete com o SDDP, mas que o ambiente orientado a capacidades permitiu ao agente construir uma pol\u00edtica com l\u00f3gica intertemporal coerente de valor da \u00e1gua.<\/p>\n\n\n\n Em tr\u00eas cen\u00e1rios, a pol\u00edtica derivada pelo agente alcan\u00e7ou um custo ex post<\/em> menor do que o benchmark SDDP. Isso n\u00e3o implica domin\u00e2ncia sobre o SDDP. Em vez disso, reflete a varia\u00e7\u00e3o em n\u00edvel de cen\u00e1rio e a natureza conservadora da pol\u00edtica derivada pelo agente, que tende a preservar o armazenamento de forma mais agressiva. Em m\u00e9dia, a pol\u00edtica SDDP permanece o melhor benchmark de otimiza\u00e7\u00e3o estoc\u00e1stica.<\/p>\n\n\n\n <\/p>\n","protected":false},"featured_media":1014671,"template":"","meta":{"_acf_changed":true},"report_section":[482],"class_list":["post-1014684","analytics_post","type-analytics_post","status-publish","has-post-thumbnail","hentry","report_section-insight"],"acf":[],"yoast_head":"\nIntrodu\u00e7\u00e3o<\/h2>\n\n\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/07\/image.png\")
<\/figure>\n\n\n\n\n
Trabalhos Relacionados<\/h2>\n\n\n\n
Problema de Opera\u00e7\u00e3o Hidrot\u00e9rmica Estoc\u00e1stica Multiest\u00e1gio<\/h2>\n\n\n\n
\\begin{aligned}
\\min_{u_t \\in U_t(X_t,\\xi_t)}\\; c_t(u_t,\\xi_t) + Q_{t+1}(X_{t+1})
\\end{aligned}\\tag{1}
\\]<\/p>\n\n\n\n
\\begin{aligned}
V_{t+1,r} &= V_{t,r} + a_{t,r}(\\xi_t) – q_{t,r} – s_{t,r}, \\\\
g_{t,r}^{H} &= \\eta_{t,r}\\, q_{t,r}
\\end{aligned}\\tag{2}
\\]<\/p>\n\n\n\n
\\begin{aligned}
\\sum_{r \\in R_n} g_{t,r}^{H}
+ \\sum_{g \\in G_n} g_{t,g}^{T}
+ R_{t,n}(\\xi_t)
+ \\sum_{\\ell \\in I_n} f_{t,\\ell}
– \\sum_{\\ell \\in O_n} f_{t,\\ell}
+ d_{t,n}
= D_{t,n}(\\xi_t)
\\end{aligned}\\tag{3}
\\]<\/p>\n\n\n\n
\\begin{aligned}
c_t(u_t,\\xi_t)
= \\sum_n \\sum_{g \\in G_n} C_{t,g}^{T}\\, g_{t,g}^{T}
+ \\sum_n C_{t,n}^{D}\\, d_{t,n}
\\end{aligned}\\tag{4}
\\]<\/p>\n\n\n\n
\\begin{aligned}
\\min_{\\pi}\\; \\mathbb{E}\\left[
\\sum_{t=1}^{T} c_t(u_t,\\xi_t) + \\Phi(V_{T+1})
\\right],
\\quad u_t = \\pi_t(X_t,\\xi_t)
\\end{aligned}\\tag{5}
\\]<\/p>\n\n\n\n
\\begin{aligned}
Q_t(X_t)
= \\mathbb{E}_{\\xi_t \\mid X_t}\\left[
\\min_{u_t \\in U_t(X_t,\\xi_t)}
\\left\\{ c_t(u_t,\\xi_t) + Q_{t+1}(X_{t+1}) \\right\\}
\\right]
\\end{aligned}\\tag{6}
\\]<\/p>\n\n\n\n
\\lambda_{t,r}(X_t) = \\frac{\\partial Q_t(X_t)}{\\partial V_{t,r}}\\tag{7}
\\]<\/p>\n\n\n\n
Q_t(V) \\approx \\max_{k \\in K_t}\\left\\{ \\alpha_t^k + (\\beta_t^k)^{\\top} V \\right\\}\\tag{8}
\\]<\/p>\n\n\n\nArquitetura Orientada a Capacidades<\/h2>\n\n\n\n
Princ\u00edpio arquitetural<\/h3>\n\n\n\n
\\tau = \\left[ (a_1,o_1),(a_2,o_2),\\ldots,(a_K,o_K) \\right]\\tag{9}
\\]<\/p>\n\n\n\n
a_k = \\pi_A(h_k)\\tag{10}
\\]<\/p>\n\n\n\n
(o_k,s_{k+1}) = \\mathcal{E}(a_k,s_k)\\tag{11}
\\]<\/p>\n\n\n\n![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/07\/image-1.png\")
<\/figure>\n\n\n\nInstancia\u00e7\u00e3o hidrot\u00e9rmica da interface de capacidades<\/h3>\n\n\n\n
Grupo<\/strong><\/td> Principais entradas \/ sa\u00eddas<\/strong><\/td> Papel anal\u00edtico<\/strong><\/td><\/tr> Inspe\u00e7\u00e3o do sistema<\/td> dados do caso \u2192 reservat\u00f3rios, est\u00e1gios, cen\u00e1rios<\/td> Inicializar a sess\u00e3o; fixar a conven\u00e7\u00e3o de coordenadas do vetor de armazenamento<\/td><\/tr> <\/td> \u2205 \u2192 topologia completa<\/td> Expor o grafo de subsistemas, blocos de custo, transmiss\u00e3o e demanda<\/td><\/tr> <\/td> \u2205 \u2192 \\( T \\), \\( |S| \\)<\/td> Fornecer o horizonte de planejamento e a contagem de cen\u00e1rios<\/td><\/tr> Cen\u00e1rios hidrol\u00f3gicos<\/td> \u2205 \u2192 m\u00e9dia, desvio-padr\u00e3o por n\u00f3 por est\u00e1gio<\/td> Caracterizar a estrutura distributiva das aflu\u00eancias; trajet\u00f3rias individuais n\u00e3o acess\u00edveis<\/td><\/tr> Simula\u00e7\u00e3o da opera\u00e7\u00e3o<\/td> est\u00e1gio, cen\u00e1rio, \\( V \\) \u2192 custos, \\( V’ \\)<\/td> Or\u00e1culo controlado de est\u00e1gio \u00fanico; somente resultados primais<\/td><\/tr> <\/td> cen\u00e1rio \u2192 trajet\u00f3rias de custo e armazenamento<\/td> Trajet\u00f3ria de horizonte completo para uma s\u00e9rie de aflu\u00eancias<\/td><\/tr> <\/td> \u2205 \u2192 resultados agregados<\/td> Avalia\u00e7\u00e3o em lote de todos os cen\u00e1rios<\/td><\/tr> Codifica\u00e7\u00e3o de pol\u00edtica<\/td> est\u00e1gio, \\( \\beta \\), \\( \\Lambda \\) \u2192 confirma\u00e7\u00e3o<\/td> Registrar aproxima\u00e7\u00f5es afins de custo futuro; substitui os cortes existentes naquele est\u00e1gio<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n
Q_t(V) \\geq \\beta_t – \\sum_{i \\in S} \\lambda_i V_i\\tag{12}
\\]<\/p>\n\n\n\nResultados<\/h2>\n\n\n\n
Tarefa experimental e avalia\u00e7\u00e3o<\/h3>\n\n\n\n
\n
\n
Estudo de caso hidrot\u00e9rmico brasileiro<\/h3>\n\n\n\n
Par\u00e2metro<\/strong><\/td> Valor<\/strong><\/td><\/tr> Horizonte de planejamento<\/td> Janeiro de 2025 \u2013 Dezembro de 2026<\/td><\/tr> Est\u00e1gios<\/td> 24 est\u00e1gios mensais<\/td><\/tr> Subsistemas<\/td> SECO, SUL, NE, N<\/td><\/tr> Cen\u00e1rios hidrol\u00f3gicos<\/td> 10 cen\u00e1rios estoc\u00e1sticos de aflu\u00eancias<\/td><\/tr> Representa\u00e7\u00e3o da pol\u00edtica<\/td> Cortes afins de custo futuro<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n Subsistema<\/strong><\/td> Hidro m\u00e1x. (MW)<\/strong><\/td> Reservat\u00f3rio (GWh)<\/strong><\/td> Armazenamento inicial<\/strong><\/td> Faixa de demanda (MW)<\/strong><\/td><\/tr> SECO<\/td> 35.000<\/td> 146.000<\/td> 75%<\/td> 42.800\u201350.000<\/td><\/tr> SUL<\/td> 17.000<\/td> 14.600<\/td> 70%<\/td> 12.900\u201315.800<\/td><\/tr> NE<\/td> 10.000<\/td> 37.960<\/td> 50%<\/td> 12.400\u201314.000<\/td><\/tr> N<\/td> 22.000<\/td> 10.950<\/td> 85%<\/td> 7.400\u20138.400<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n ![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/07\/image-2.png\")
<\/figure>\n\n\n\nConjunto de cen\u00e1rios hidrol\u00f3gicos<\/h3>\n\n\n\n
Cen\u00e1rio<\/strong><\/td> Tipo<\/strong><\/td> SECO<\/strong><\/td> SUL<\/strong><\/td> NE<\/strong><\/td> N<\/strong><\/td> Sistema<\/strong><\/td><\/tr> 1<\/td> Normal<\/td> +10<\/td> \u22124<\/td> +4<\/td> 0<\/td> +3<\/td><\/tr> 2<\/td> Normal<\/td> 0<\/td> +11<\/td> +4<\/td> +2<\/td> +3<\/td><\/tr> 3<\/td> Normal<\/td> +14<\/td> +2<\/td> +10<\/td> +9<\/td> +9<\/td><\/tr> 4<\/td> \u00damido<\/td> +31<\/td> +34<\/td> +30<\/td> +31<\/td> +31<\/td><\/tr> 5<\/td> \u00damido (La Ni\u00f1a)<\/td> +45<\/td> 0<\/td> +36<\/td> +39<\/td> +35<\/td><\/tr> 6<\/td> \u00damido<\/td> +25<\/td> +33<\/td> +21<\/td> +29<\/td> +28<\/td><\/tr> 7<\/td> Seco<\/td> \u221225<\/td> \u221220<\/td> \u221219<\/td> \u221225<\/td> \u221224<\/td><\/tr> 8<\/td> Seco (El Ni\u00f1o)<\/td> \u221238<\/td> +15<\/td> \u221228<\/td> \u221223<\/td> \u221223<\/td><\/tr> 9<\/td> Seco<\/td> \u221214<\/td> \u221228<\/td> \u221212<\/td> \u221215<\/td> \u221216<\/td><\/tr> 10<\/td> Cr\u00edtico<\/td> \u221247<\/td> \u221244<\/td> \u221245<\/td> \u221247<\/td> \u221246<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n Estimativa do valor marginal da \u00e1gua<\/h3>\n\n\n\n
\\widehat{\\lambda}_i = -\\,\\frac{C(V + \\Delta V e_i) – C(V)}{\\Delta V}\\tag{13}
\\]<\/p>\n\n\n\nConstru\u00e7\u00e3o retroativa dos cortes de custo futuro<\/h3>\n\n\n\n
\\beta_t = c_t – \\sum_i \\widehat{\\lambda}_i V_{t,i}^{fin} + \\beta_{t+1}\\tag{14}
\\]<\/p>\n\n\n\n
Q_t(V) \\geq \\beta_t – \\sum_i \\widehat{\\lambda}_i V_i\\tag{15}
\\]<\/p>\n\n\n\n\n
An\u00e1lise de reprodutibilidade entre execu\u00e7\u00f5es<\/h3>\n\n\n\n
Trajet\u00f3ria de racioc\u00ednio da execu\u00e7\u00e3o de melhor desempenho<\/h3>\n\n\n\n
Compara\u00e7\u00e3o com a opera\u00e7\u00e3o m\u00edope<\/h3>\n\n\n\n
Compara\u00e7\u00e3o com o SDDP<\/h3>\n\n\n\n