[pt] No novo modelo do Setor Elétrico é essencial desenvolver novas técnicas que estimem valores futuros, a curto e longo-prazos, das potências ativa e reativa. Com base nisso, este trabalho tem por objetivo apresentar uma nova técnica de previsão horária de potência reativa a curto-prazo, por subestação, baseada na linearidade existente entre as potências ativa e reativa. O modelo proposto, denominado de Modelo Híbrido de Previsão de Reativo, é dividido em duas etapas: A primeira etapa é feita uma classificação dos dados através de uma rede neural não supervisionada Mapas Auto-Organizáveis de Kohonen (SOM); A segunda etapa, utiliza-se um modelo de defasagem distribuída auto-regressivo (ADL) com estimação de Mínimos Quadrados Reponderados Iterativamente (IRLS) acoplado a uma correção para autocorrelação serial dos resíduos - Método Iterativo de Cochrane-Orcutt. Este Modelo Híbrido tem como variável dependente a potência reativa, e como variáveis explicativas dados horários de potência ativa e reativa no instante atual e defasadas no tempo. A previsão de potência reativa a curto-prazo é dividida em in sample e em out of sample. A previsão out of sample é aplicada a períodos horários em até um mês à frente. O modelo proposto é aplicado aos dados de uma concessionária específica de Energia Elétrica e os resultados são comparados a um modelo de Regressão Dinâmica convencional e a um modelo de Redes Neurais Artificiais Feedforward de Múltiplas camadas (MLP) com um algoritmo de retropropagação do erro. / [en] The forecasting of reactive and active power is an important tool in the monitoring of an Electrical Energy System. The main purpose of the present work is the development of a new short-term reactive power hourly forecast technique, which can be used at utility or substations levels. The proposed model, named A Hybrid Model for Reactive Forecasting, is divided in two stages. In the first stage, the active and reactive power data are classified by an unsupervised neural network - the Self-Organized Maps of Kohonen (SOM). In the second stage, a Autoregressive Distributed Lags Model (ADL) is used with its parameters estimated by an Iteratively Reweighted Least Square (IRLS). It also includes a correction lag structure for serial autocorrelation of the residuals as used in the Cochrane-Orcutt formulation. The short term reactive power forecasting is divided in in sample and out of sample. The out of sample forecast is applied to hourly periods until one month ahead. The proposed model is applied to real data of one substation and the results are compared with two other approaches, a conventional Dynamic Regression and a Feedforward Multi-layer Perceptron (MLP) Artificial Neural Network model.

[pt] O objetivo desta pesquisa é classificar o perfil de pagamento dos consumidores não-residenciais de energia elétrica, considerando conhecimento armazenado em base de dados de distribuidoras de energia elétrica. A motivação para desenvolvê-la surgiu da necessidade das distribuidoras por um modelo de suporte a formulação de estratégias capazes de reduzir o grau inadimplência. A metodologia proposta consiste em um sistema inteligente híbrido composto por módulos intercomunicativos que usam conhecimentos armazenados em base de dados para segmentar consumidores e, então, atingir o objetivo proposto. O sistema inicia-se com o módulo neural, que aloca as unidades consumidoras em grupos conforme similaridades (valor fatura, consumo, demanda medida/demanda contratada, intensidade energética e peso da conta no orçamento), em sequência, o módulo bayesiano, estabelece um escore entre 0 e 1 que permite predizer o perfil de pagamento das unidades considerando os grupos gerados e os atributos categóricos (atividade econômica, estrutura tarifária, mesorregião, natureza jurídica e porte empresarial) que caracterizam essas unidades. Os resultados revelaram que o sistema proposto estabelece razoável taxa de acerto na classificação do perfil de consumidores e, portanto, constitui uma importante ferramenta de suporte a formulação de estratégias para combate à inadimplência. Conclui-se que, o sistema híbrido proposto apresenta caráter generalista podendo ser adaptado e implementado em outros mercados. / [en] The objective of this research is to classify the non-residential electricity customer payment profiles regarding the knowledge stored in electricity distribution utilities databases. The motivation for development of the work from the need of electricity distribution by a support model to formulate strategies for tackling non-payment and late payment. The proposed methodology consists of a hybrid intelligent system constituted by intercommunicating modules that use knowledge stored in database to customer segmentation and then achieve the proposed objective. The system begins with the neural module, which allocates the consuming units in groups according to similarities (bill amount, consumption, measured demand/contracted demand, energy intensity and share of the electricity bill in the customer s income), in sequence, the Bayesian module establishes a score between 0 and 1 that allows to predict what payment profile of the units considering the generated groups and categorical attributes (business activity, tariff type, business size, mesoregion and company s legal form) that characterize these units. The results showed that the proposed system provides a reasonable success rate when classifying customer profiles and thus constitutes an important tool in the formulation of strategies for tackling non-payment and late payment. In conclusion, the hybrid system proposed here is a generalist one and could usefully be adapted and implemented in other markets.