[pt] A presente dissertação tem por objetivo o estudo quantitativo da previsão da demanda de carga elétrica semanal para a região sudeste e em particular, para os Estados do Rio de Janeiro e São Paulo. Foram estudadas para tanto as séries reais dos últimos 7(sete) anos, ou seja, de janeiro de 1991 a novembro de 1997 das concessionárias LIGHT, CERJ, CESP, CPFL e ELETROPAULO. Para o estudo de previsão foi utilizado o conceito in sample, ou seja, parte real dos dados foram separados e mais tarde comparados com os valores previstos experimentalmente para aquela mesma época dos dados reais separados. Desta forma, permitiu-se averiguar qual seria a precisão da previsão, verificando-se os erros entre os valores experimentais e reais. Para os cálculos das previsões, também foi utilizado o conceito de bayesiano de combinação de previsões (outperformance) das duas técnicas a saber: redes neurais artificiais (software Neunet) e o modelo clássico Box & Jenkins (software Autobox). Para se obter o valor combinado das previsões, foi utilizado software matlab que se comportou de maneira adequada para o estudo em questão. Além disso vale acrescentar que o software Neunet foi utilizado, pois possui em seu ambiente a técnica de eliminação de sinapses enquadra-se dentro do conceito de redes neurais multicamadas com retropropagação dos erros. / [en] The goal of this dissertation is to present a quantitative study in time series of weekly electrical charge demand at the southeast region, particulary at Rio de Janeiro and São Paulo. In this work will be analysed the last 7 years, from january 1991 to november of 1997. The next time series were study: LIGHT, CERJ, CESP, CPFL and ELETROPAULO. Aimming to test the model against real data the concept of sample data was utilized in this dissertation. Another concept used in this work was outperformance. Outperformance is a Bayesian concept that involves the combination of two or more techniques in order to enchance the forecasting results. Artificial neural network and Box and Jenkins method are combined in this work. It is also interesting to notice that weight elimination, which is a new ANN technique, proved to be faster then classical back- propagation and yielded better results.

[pt] Esta dissertação investiga os efeitos do racionamento de energia elétrica ocorrido no período entre junho de 2001 a fevereiro de 2002, nas previsões de energia das principais concessionárias brasileiras. Para tal, estudamos o desempenho de modelos lineares e não-lineares. Dentre os modelos lineares, analisamos os modelos ARIMA (p,d,q) de Box & Jenkins e os modelos de amortecimento exponencial de Holt & Winters. Dentre os modelos não-lineares, são abordadas técnicas de inteligência artificial tais como Redes Neurais e Lógica Fuzzy. Visto que o racionamento levou a previsões ineficientes, propomos alternativas para reduzir seu impacto. Por último, investigamos os impactos causados pela crise energética nas previsões doze passos à frente de carga elétrica provenientes de vinte e oito concessionárias. A base de dados é composta pelos valores observados e as previsões fornecidas pelo PREVCAR, um dos sistemas de previsão da cadeia oficial de programas do setor elétrico brasileiro. Por meio de um procedimento de Análise de Agrupamento utilizando Redes Neurais Artificiais do tipo SOM (Self Organizing Map) de Kohonen são estabelecidos os grupos de concessionárias que possuem os mesmos comportamentos diante do racionamento. Como resultado final, foram estimados fatores de redução das previsões causados pelo racionamento, que servem como base de cálculo para reduções nas previsões futuras em períodos de crise de abastecimento. / [en] This dissertation aims at an exploratory study of impacts caused by the 2001 energy crisis on the current forecasts produced on a monthly basis for main distributing utilities. For that we show an accuracy study of the performance of the linear and non-linear models. It has been used, within the linear models class, the modeling approach of Box-Jenkins and exponential smoothing of Holt- Winters. Within the non-linear ones, it was chosen those based on artificial intelligence techniques, such as Fuzzy Logic and Artificial Neural Network. Due to the lack of accuracy of the models to cope with the discontinuities provoked by the crisis on the forecasts, some alternative tools to reduce the impact on the forecast errors are proposed. Finally, the impacts caused by the crisis on multiple steps ahead forecasts have also been investigated. It was taken the monthly forecasts produced by PREVCAR (one of official Brazilian load forecasting system), as well as the observed values covering the same period, to create the crisis response indices series for each one of the twenty and eight utilities included in the analysis. It was also used the well-known neural network based algorithm SOM (Self Organizing Maps) to classify the utilities into homogeneous groups, according to their response to the energy crisis. As a final result, for each group, it was estimated the reduction factors that can be used as a prior information in future energy supply crisis.