[pt] A previsão de perfis de carga elétrica (i.e., das séries de cargas a cada hora de um dia) tem sido freqüentemente tentada por meio de modelos baseados em redes neurais. Os resultados conseguidos por estes modelos, contudo, ainda não são considerados inteiramente convincentes. Há duas razões para ceticismo: em primeiro lugar, os modelos sugeridos geralmente se baseiam em redes que parecem ser complexas demais em relação aos dados que pretendem modelar (isto é, estes modelos parecem estar superparametrizados); em segundo lugar, estes modelos geralmente não são bem validados, pois os artigos que os propõem não comparam o desempenho das redes ao de modelos de referência. Nesta tese, examinamos estes dois pontos por meio de revisões críticas da literatura e de simulações, a fim de verificar se é realmente viável a aplicação de redes neurais à previsão de perfis de carga. Nas simulações, construímos modelos bastante complexos de redes e verificamos empiricamente sua validade, pela comparação de seu desempenho preditivo fora da amostra de treino ao desempenho de vários outros modelos de previsão. Os resultados mostram que as redes, mesmo quando muito complexas, conseguem previsões de perfis mais acuradas do que os modelos tradicionais, o que sugere que elas poderão trazer uma grande contribuição para a solução do problema de previsão de cargas. / [en] Load profile forecasting (i.e., the forecasting of series of hourly loads) has been often attempted by means of models based on neural networks. However, the papers that propose such models are not considered entirely convincing, for at least two reasons. First, the models they propose are usually based on neural networks that seem to be too large in relation to the sample they intend to model (that is, the networks seem to overfit their data). Secondly, most of the models are not properly validated, since the papers do not compare their performances to that of any standard forecasting method. In this thesis, we examine these two points, by means of literature reviews and of simulations, in order to investigate the feasibility of the application of neural networks to the problem of profile forecasting. We build some very complex models based on neural networks, and validate them empirically by comparing their predictive performance out-of-sample, over actual data, to the performance of several other forecasting methods. The results show that neural networks, even when very complex, are able to forecast profiles more accurately than the traditional models, which suggests that they may yet bring large contributions to the solution of the load forecasting problem. / [es] La previsión de los perfiles de carga elétrica (i.e., series de cargas medidas a cada hora de un día) ha sido abordada con frecuencia a través de modelos basados en redes neurales. Los resultados obtenidos por estos modelos, todavía no son considerados enteramente convincentes. Existen dos razones para este escepticismo: en primer lugar, los modelos sugeridos generalmente se basan en redes que parecen ser demasiado complejas en relación a los datos que pretenden modelar (quiere decir, estos modelos parecen estar superparametrizados); en segundo lugar, estos modelos generalmente no son bien evaluados, pués los artículos que los proponen no comparan el desempeño de las redes al de los modelos de referencia. En esta tesis, examinamos estos dos puntos por medio de revisiones críticas de la literatura y de simulaciones, con el objetivo de verificar si es realmente viable la aplicación de redes neurales a la previsión de perfiles de carga. En las simulaciones, construímos modelos de redes bastante complejos y verificamos empíricamente su validez, comparando su desempeño predictivo fuera de la muestra de entrenamiento con el desempeño de varios otros modelos de previsión. Los resultados muestran que las redes, incluso cuando muy complejas, consiguen previsiones de perfiles más precisas que los modelos tradicionales, lo que sugiere que ellas poderián traer una gran contribución para la solución del problema de previsión de cargas.

[pt] As alterações na legislação do Setor de Energia Elétrica Brasileiro em fins do milênio passado, provocou profundas mudanças no planejamento da Operação do Sistema e na Comercialização de energia elétrica no Brasil. O desmembramento das atividades de geração, de transmissão e de distribuição de energia elétrica criou novas características no comportamento dos Agentes Concessionários e as previsões de demanda por energia elétrica, que sempre foram ferramenta importante, por exemplo, na programação da operação, passaram a ser indispensáveis também, na comercialização de energia elétrica no mercado livre. Neste novo cenário, a obtenção e o armazenamento de dados confiáveis passou a ser parte integrante do patrimônio das Empresas e um sistema eficiente de previsões de carga passou a ser um diferencial na mesa de negociações. Os Agentes concessionários e o Operador Nacional do Sistema Elétrico vêm fazendo investimentos para aperfeiçoar os seus sistemas de aquisição de dados, entretanto em sistemas de multipontos algumas falhas imprevistas durante a sincronização da telemedição podem ocorrer, provocando defeitos nas séries. Nas séries de minuto em minuto, por exemplo, uma falha de algumas horas acarreta centenas de registros defeituosos e as principais publicações a respeito de modelagens de séries temporais para tratamento de dados não abordam as dificuldades encontradas diante de grandes falhas consecutivas nos dados. / [en] As a result of the continuing privatization process within the energy sector,electricity load forecasting is a ritical tool for decision-making in the Industry. Reliable forecasts are now needed not only for developing strategies for business planning and short term operational scheduling, but also to define the spot market electricity price. The forecasting process is data-ntensive and interest has been driven to shorter and shorter intervals. Large investments are being made in modernizing and improving metering systems, so as to make more data available to the forecaster. However, the forecaster is still faced with irregular time-series. Gaps, missing values, spurious information or repeated values in the time-series can result from transmission errors or small failures in the recording process. These so- called irregularities have led to research that focused on either iterative processes,like the Kalman filter and the EM algorithm, or applications of the statistical literature on treatment of missing values and outliers. Nevertheless, these methods often result in large forecast errors when confronted with consecutive failures in the data. On the other hand, the minute to minute series have a large amount of points and so the one day ahead forecast horizont becomes very large to handling with the conventional methods. In this context, we propose an alternative to detect and replace values and present a methodology to perform the forecasting process by using of other information in the time-series that relate to the variability and seasonality, which are commonly encountered in electricity load-forecasting data. We illustrate the method and address the problem as part of a wider project that aims at the development of an automatic on line system for tracking the Brazilian Interlinked Electric Network Operation and performing short term load forecasting. The data were collected by ONS / ELETROBRAS - Brazil. We concentrate on 10 minutes data for the years 1997-1999 of Light Serviços de Eletricidade S.A. (Rio de Janeiro and its surroundings). / [es] Las alteraciones en la legislación del Sector de Energía Elétrica Brasilero a finales del milenio pasado, provocó profundos cambios en el planificación de la Operación del Sistema y en la Comercialización de energía eléctrica en Brasil. La desarticulación de las actividades de generación, de transmisión y de distribuición de energía eléctrica creó nuevas características en el comportamiento de los Agentes Concesionarios. Así, las previsiones de demanda por energía eléctrica, que siempre fueron una herramienta importante, por ejemplo, en la programación de la operación, pasaron a ser indispensables también en la comercialización de energía eléctrica en el mercado libre. En este nuevo escenario, la obtención y almacenamiento de datos confiables pasó a ser parte integrante del patrimonio de las Empresas y un sistema eficiente de previsiones de carga constituye un diferencial en la mesa de negociaciones. Los Agentes concesionarios y el Operador Nacional del Sistema Eléctrico han invertido en el perfeccionamiento de sus sistemas de adquisición de datos. Sin embargo, en sistemas de multipuntos algunas fallas imprevistas durante la sincronización de la telemedición pueden ocurrir, provocando defectos en las series. En las series de minuto en minuto, por ejemplo, una falla de algunas horas trae consigo centenas de registros defectuosos y las principales publicaciones sobre modelos de series temporales para tratamiento de datos no abordan las dificuldades encontradas frente a grandes fallas consecutivas en los datos.

[pt] Nesta dissertação é proposto um modelo híbrido para previsão de carga de curtíssimo prazo, combinando amortecimento exponencial simples e redes neurais artificiais do topo feed-forward. O modelo fornece previsões pontuais e limites superiores e inferiores para um horizonte de quinze dias. Estes limites formam um intervalo ao qual pode ser associado um nível de confiança empírico, estimado através de um teste fora da amostra. O desempenho do modelo é avaliado ao longo de uma simulação realizada com dados reais de duas concessionárias de energia elétrica brasileiras. / [en] This thesis presents an hibrid short term load forecasting model that mixes simple exponential smoothing with feed- forward neural networks. The model gives point predictions with upper and lower limits for 15-day-ahead horizon. These limits yields an interval with associated empirical confidence level, estimated by an out of sample test. The model's performance is evaluated through a simulation with real data obtained from two Brazilian utilities. / [es] En esta disertación se propone un modelo híbrido para previsión de carga de cortísimo plazo, combinando amortecimiento exponencial simple y redes neurales artificiales tipo feed-forward. EL modelo nos da las previsiones puntuales y los límites superiores e inferiores para un horizonte de quince días. Estos límites forman un intervalo al cual se le puede asociar un nível de confianza empírico, estimado a través de un test out of sample. EL desempeño del modelo se evalúa utilizando datos reales de dos concesionarias de energía eléctrica brasileras.