[pt] Os métodos de análise de séries temporais têm se revelado uma importante ferramenta de apoio à tomada de decisões, com importância crescente em um mundo cada vez mais globalizado. Esse fato pode ser ilustrado, entre muitos outros, através de um convênio firmado entre o CEPEL, o Núcleo de Estatística Computacional da PUC/RJ e a Eletrobrás, para se avaliar a utilidade dessas ferramentas nas etapas do planejamento do setor elétrico brasileiro. A metodologia em Espaço de Estado proporcionou o surgimento de duas importantes classes de modelos de previsão e análise de séries temporais completamente alternativas (os modelos estruturais e os modelos de inovações em espaço de estado), e, por isso, podem por vezes, causar dúvidas quando se fala em métodos de previsão em espaço de estado sem se especificar sobre qual das duas se está falando. Foi escolhido uma técnica específica e facilmente executável em softwares comerciais para cada classe de modelos: O desenvolvimento clássico de Harvey implementado no software STAMP, representando os modelos estruturais; e o desenvolvimento de Goodrich implementado no software FMP, representando os modelos de inovações. Essas técnicas estão tratadas de uma forma aprofundada, para proporcionar um melhor entendimento teórico das diferenças existentes entre ambas. Com o intuito de se avaliar a performance frente às outras técnicas existentes, são comparados os resultados das previsões entre as metodologias a partir de um sistema de comparação baseado nas estatísticas MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Squared Error) e U-Theil. Para tanto são vistos sucintamente as técnicas: Alisamento Exponencial (Holt-Winters), Box & Jenkins e Redes Neurais. Todas as técnicas foram aplicadas aos dados de consumo de energia elétrica das 32 empresas concessionárias do setor no Brasil, além de comparadas com as previsões realizadas por essas concessionárias. A novidade deste trabalho para o projeto em andamento está na aplicação multivariada possível através da metodologia de Goodrich. / [en] The analysis of time series is, nowadays one of the most important tools in the decision making process, due mainly to the globalization of the world. As an illustration of that we can mention the recent contract signed between NEC/PUC-Rio and CEPEL/Eletrobrás, where time series techniques are to be used in the planning process of the brazilian sector. The state-space approach forms the basis of two important forecasting models to time series analysis the structural model and the state space innovation model. Because of that one finds it difficult to have a clear cut definition of either one of them. These two models formulation were implemented in comercial softwares: the structural model of A. Harvey in STAMP and the state space innovation of R. Goodrich in FMP. In order to check the perfomance of these state space approaches vis-à-vis the traditional forecasting techniques, it was used the following statistics: MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Squared Error) and U-Theil. The traditional approaches used in the comparison were: Holt-Winters, Box & Jenkins and Backpropagation Neural Network. All the methods, included the state space ones were applied to the demand series of 32 electrical utilities which form the brazilian electrical distribution system. If was also attempted the multivariate state-space formulation of R. Goodrich which is included in FMP software.

[pt] Esta tese propõe um modelo para o tratamento de observações diárias e é aplicado na área do setor elétrico, no problema de previsão de carga horária. O modelo proposto é basicamente um modelo estrutural onde a sazonalidade anual (movimentos periódicos dentro do ano) é modelada utilizando a técnica de Splines. Esta técnica também é utilizada na estimação do efeito não linear de uma variável explicativa. O modelo desenvolvido nesta tese também leva em conta os feriados dada a grande influência dos mesmos no consumo de energia elétrica. A metodologia proposta é aplicada à três concessionárias do Sistema Interligado Brasileiro: LIGHT (Estado do Rio de Janeiro); CEMIG (Estado de Minas Gerais) e COPEL (Estado do Paraná). A estimação é levada a cabo utilizando o software STAMP conjuntamente com módulos desenvolvidos no utilitário MATLAB. / [en] This thesis presents a model that deals with daily obsevations applied to the problem of forecasting daily elecricity demand. This approach is basaed on a structural time series model with the annual seasonal pattern being modelled by a Periodic Sppline. The methods of Splines was first used in Harvey and Koopman (1993) to analyse hourly load observations, including temperature used an explanatory variable which is also modelled by a Spline. The main contribuition of this thesis is the treatment of holidays and the temperature response modelled by a spline which considerss the possible vsariations that the effect of temperature has on electricity demand within the year. The methodology is applied to three companies of the Brazilian electrical system: LIGHT (State of Rio de Janeiro), CEMIG (State of Minas Gerais) and COPEL (state of Paraná).

[pt] Neste trabalho apresenta-se o estudo de Previsões de demanda de Energia Elétrica utilizando séries temporais, particularmente a teoria devido a Box & Jenkins. Estuda-se um modelo já existente em uma das cidades proporcionando a hipótese de se estender a validade deste modelo, para cidade de mesmas características onde houver falta de dados. Os dados numéricos utilizados neste estudo são relativos à Centrais Elétricas Fluminense, (CELF). / [en] This paper presents a study of load previsions using chronological series, especially the theory of Box and Jenkins. One model is determined for a city and next a trial is made to extend the vality of this model to other cities with the same characteristics when there is a lack of data. The numerical data use in the work are those of CENTRAIS ELETRICAS FLUMINENSE (CELF).

[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] A previsão de curto prazo, que envolve dados de alta frequência, é essencial para a confiabilidade e eficiência da operação do setor elétrico, fazendo com que a alocação da carga seja feita de forma eficiente, além de indicar possíveis distorções nos próximos períodos (dias, horas, ou frações de hora). A fim de garantir a operação energética, diversas abordagens têm sido empregadas com vistas à previsão de carga de energia a curto prazo. Dentre elas, pode-se citar os modelos híbridos de Séries Temporais, Lógica Fuzzy e Redes Neurais e o Método Holt-Winters com múltiplos ciclos que é a principal ferramenta utilizada atualmente. O HPA (Hierarchical Profiling Approach) é um modelo que decompõe a variabilidade dos dados de séries temporais em três componentes: determinística, estocástica e ruído. A metodologia é capaz de tratar observações únicas, periódicas e aperiódicas, e ao mesmo tempo, serve como uma técnica de pré-branqueamento. Este trabalho tem por objetivo implementar o HPA e aplicá-lo a dados de carga de energia elétrica de 15 em 15 minutos pra um estado da região Sudeste do Brasil. Também serão analisadas as previsões de curto prazo geradas pelo modelo para a série considerada, visto que a habilidade preditiva do HPA ainda é desconhecida para séries brasileiras. As previsões forneceram Coeficiente U de Theil igual a 0,36 e um Erro Percentual Absoluto Médio (MAPE, Mean Absolute Percentage Error) de 5,46%, o qual é bem inferior ao valor fornecido pelo Modelo Ingênuo usado para comparação (15,08%). / [en] Short-term forecast, which involves high frequency data, is essential for a reliable and efficient electricity sector operation, enabling an efficient power load allocation and indicating possible distortions in the coming periods (days, hours, or hour fractions). To ensure the operation efficiency, several approaches have been employed in order to forecast the short-term load. Among them, one can mention the hybrid models of Time Series, Fuzzy Logic and Neural Networks and Holt-Winters Method with multiple cycles, which is the main tool used today. The HPA (Hierarchical Profiling Approach) model decomposes the variability of time series data into three components: deterministic, stochastic and noise. The model is capable of modeling single, periodic and aperiodic observations, and at the same time function as a pre-whitening technique. This work aims to implement the HPA and to apply it in 15 in 15 minutes load data of a Brazil’s southeastern state, since the predictive ability of the HPA is still not known for the Brazilian series. The short-term forecasts estimated for the series considered are analyzed and provided a Theil-U Coefficient equal to 0.36 and a Mean Absolute Percentage Error (MAPE) of 5.46%, which is smaller than the value given by the Naive Model (15.08%).

[pt] Essa tese considera um modelo não linear para se obter previsões de curto prazo de carga de energia elétrica. O modelo combina um modelo de múltiplos regimes auto-regressivo com transição suave com um periódico auto-regressivo criando o modelo de múltiplos regimes periódico com transição suave (STPAR). Um método de construção do modelo é desenvolvido com métodos estatísticos simples e um teste de linearidade contra a hipótese de modelo periódico autoregressivo com transição suave. Outros dois destes foram elaborados para se avaliar o modelo estimado: um teste de Multiplicador de Lagrange (LM) para a hipótese de auto-correlação serial dos resíduos e outro teste LM para a hipótese de não linearidade remanescente. Um experimento de Monte Carlo foi implementado para avaliar a performance dos testes propostos. Estimação por mínimos quadrados não lineares é considerado. Finalmente, dados de carga de energia elétrica do estado de New South Wales na Austrália são apresentados e foram usados como exemplo real. Outros modelos foram utilizados para comparar a performance do modelo. / [en] This thesis considers a non linear approach to obtain short term forecast for electricity load. The model combines a smooth transition autoregressive process with a periodic autoregressive time series model, creating the Smooth Transition Periodic Autoregressive (STPAR) model. A model-building procedure is developed and a linearity test against smooth transition periodic auto-regressive is proposed. Other two tests were created to evaluate the model: a Lagrange multiplier (LM) test for the hypothesis of no error autocorrelation and LM-type test for the hypothesis of no remaining non-linearity. A Monte Carlo experiment was implemented to evaluate the performance of the proposed tests. Estimation by nonlinear least squares is considered. Finally, load data from New South Wales State in Australia`s electricity retail market is presented and will be used as a real example. Other models were used to compare the performance of the proposes model.

[pt] O objetivo principal desta dissertação é desenvolver um método de previsão de carga elétrica de curto prazo (previsão horária), através de um sistema híbrido (Redes Neurais e Lógica Fuzzy) utilizando temperaturas máximas e mínimas como variáveis explicativas. Como primeiro passo, foram definidos os perfis homogêneos das curvas de carga diárias através de um classificador utilizando os Mapas Auto Organizáveis (Self-Organizing Maps- SOM). Um previsor será adicionado ao esquema de previsão através da Lógica Fuzzy que associará as variáveis climáticas aos perfis criados pela SOM produzindo as previsões. O modelo foi aplicado em dados de duas concessionárias de energia elétrica do Brasil usando dados horários coletados durante dois anos. / [en] This dissertation presents a short-term load forecasting procedure mixing a classifier scheme and a predictive scheme. The classifier is implemented through an artificial neural network using a non-supervised learning procedure (SOM). Concerning the predictive scheme, a fuzzy logic procedure uses climatic variables and their prediction to choose the appropriate profiles created by SOM and then combines them to produce the desired forecast. The model is applied to two utilities in Brazil using hourly observations collected during two calendar years and the results obtained, in terms of mean absolute percentage error (MAPE) through the period analyzed, are presented.

[pt] Este trabalho apresenta um novo modelo de previsão de curto prazo de carga elétrica que reúne técnicas de inteligência computacional e métodos estatísticos. Ele permite aproveitar as vantagens de inteligência computacional, relativas à criação de classes da série de entrada e ao processamento de variáveis climáticas de forma lingüística, e aquelas provenientes de modelos estatísticos, onde os parâmetros e a ordem do modelo são conhecidos e o intervalo de confiança das previsões é determinado. O modelo é uma extensão do método desenvolvido por P.C. Gupta, onde são empregadas técnicas de inteligência computacional junto com o método original. O modelo resultante compreende um classificador, um previsor e um procedimento para aprimorar as estimativas. O classificador é implementado por uma rede neural artificial com aprendizado não-supervisionado, enquanto o previsor emprega modelos estatísticos, combinando métodos de média móvel, amortecimento exponencial e auto- regressivo. Um sistema com lógica nebulosa utiliza variáveis climáticas no aprimoramento da previsão obtida. / [en] A new short-term load forecasting procedure is presented in this work, mixing techniques from the statistical models and those from computational intelligence (CI). It takes advantage of the CI techniques to establish the various load profiles and to process climatic variables in a linguistic way, and those from the statistical side, where the parameters and the order of the model are known and a spread measure is determined. The model is an adaptation of the method developed by P.C.Gupta, where CI techniques are added to the original method. The final model includes a classifer scheme, a predictive scheme and a procedure to improve the estimations. The classifier is implemented via an artificial neural network using a non-supervised learning moving average, exponential smoothing and ARMA type of models. A fuzzy logic procedure uses climating variables to improve the forecast.

[pt] Esta dissertação investiga o desempenho de técnicas de inteligência computacional na previsão de carga em curto prazo. O objetivo deste trabalho foi propor e avaliar sistemas de redes neurais, lógica nebulosa, neuro-fuzzy e híbridos para previsão de carga em curto prazo, utilizando como entradas variáveis que influenciam o comportamento da carga, tais como: temperatura, índice de conforto e perfil de consumo. Este trabalho envolve 4 etapas principais: um estudo sobre previsão de carga e sobre as variáveis que influenciam o comportamento da carga; um estudo da aplicação de técnicas de inteligência computacional em previsão de carga; a definição de sistemas de redes neurais, lógica fuzzy e neuro-fuzzy em previsão de carga; e estudo de casos. No estudo sobre previsão de carga, foi observada a influência de algumas variáveis no comportamento da curva de carga de uma empresa de energia elétrica. Entre estas variáveis se encontram alguns dados meteorológicos (Temperatura, Umidade, Luminosidade, Índice de conforto, etc.), além de informações sobre o perfil de consumo de carga das empresas. Também foi observado o comportamento da série de carga com relação ao dia da semana, sua sazonalidade e a correlação entre o valor atual e valores passados. Foi realizado um levantamento bibliográfico sobre a aplicação de técnicas de inteligência computacional na previsão de carga. Os modelos de redes neurais, são os mais explorados até o momento. Os modelos de lógica fuzzy começaram a ser utilizados mais recentemente. Modelos neuro-fuzzy são mais recentes que os demais, não existindo portanto, muita bibliografia a respeito. Os projetos de aplicação dos três modelos foram classificados quanto à sua arquitetura, desempenho, erros medidos, entradas utilizadas e horizonte da previsão. Foram propostos e implementados 4 sistemas de previsão de carga: lógica fuzzy, redes neurais, sistema neuro-fuzzy hierárquico e um sistema híbrido neural/neuro- fuzzy. Os sistemas foram especializados para cada dia da semana, pelo fato do comportamento da carga ser distinto entre estes dias. Para os sistemas neural, neuro-fuzzy e híbrido os dados também foram separados em inverno e verão, pois o perfil de consumo de carga é diferente nestas estações. O sistema com lógica fuzzy foi modelado para realizar previsões de curtíssimo prazo (10 em 10 minutos), utilizando para isto o histórico de carga, hora do dia e intervalo de dez minutos dentro da hora do dia. As regras do sistema foram geradas automaticamente a partir do histórico de carga e os conjuntos nebulosos foram pré-definidos. O sistema com redes neurais teve sua arquitetura definida através de experimentos, utilizando- se apenas dados de carga, hora do dia e mês como entradas. O modelo de rede escolhido foi com retropropagação do erro (backpropagation). Foram realizados testes incluindo outras entradas como temperatura e perfil de consumo. Para o sistema neuro-fuzzy foi escolhido um sistema neuro-fuzzy hierárquico, que define automaticamente sua estrutura e as regras a partir do histórico dos dados. Em uma última etapa, foi estudado um sistema híbrido neural/ neuro- fuzzy, no qual a previsão da rede neural é uma entrada do sistema neuro-fuzzy. Para os três últimos modelos as previsões realizadas foram em curto prazo, com um horizonte de uma hora Os sistemas propostos foram testados em estudos de casos e os resultados comparados entre si e com os resultados obtidos em outros projetos na área. Os dados de carga utilizados no sistema com lógica fuzzy foram da CEMIG, no período de 1994 a 1996, em intervalos de 10 minutos, para previsões em curtíssimo prazo. Os resultados obtidos podem ser considerados bons em comparação com um sistema de redes neurais utilizando os mesmos dados. Para os demais modelos foram utilizados os seguintes dados: dados horários de carga da Light e da CPFL, no períod / [en] This thesis examines the performance of computational intelligence in short term load forecasting. The main objective of the work was to propose and evaluate neural network, fuzzy logic, neurofuzzy and hybrid systems in the role of short term load forecast, considering some variables that affect the load behavior such as temperature, comfort indexes and consumption profile. The work consisted in four main steps: a study about load forecasting; the modeling of neural network systems, fuzzy logic and neurofuzzy related to load forecast; and case studies. In the load forecasting studies, some variables appeared to affect the behavior of the load curve in the case of electrical utilities. These variables include meteorological data like temperature, humidity, lightening, comfort indexes etc, and also information about the consumption profile of the utilities. It was also noted the distinct behavior of the load series related to the day of the week, the seasonableness and the correlation between the past and present values. A bibliographic research concerning the application of computational intelligence techniques in load forecasting was made. This research showed that neural network models have been largely employed. The fuzzy logic models have just started to be used recently. Neuro-fuzzy are very recent, and there are almost no references on it. The surveyed application projects using the three models were classified by its architecture, performance, measured errors, inputs considered and horizon of the forecast. In this work four systems were proposed and implemented for load forecasting: fuzzy logic, neural network, hierarchical neuro-fuzzy and hybrid neural/neuro- fuzzy. The systems were specialized for each day of the week, due to the different behavior of the load found for each of the days. For the neural network, neuro-fuzzy and hybrid, the data were separated in winter and summer, due to the different behavior of the load in each of the seasons. The fuzzy logic system was modeled for very short term forecasting using the historic load for each hour of the day, in steps of 10 minutes within each hour. The fuzzy system rules were generated automatically based on the historic load and the fuzzy sets were pre-defined. The system with neural network had its architecture defined through experiments using only load data, hour of the day and month as input. The network model chosen was the back- propagation. Tests were performed adding other inputs such as temperature and consumption profile. For the neural- fuzzy, a hierarchical neuro-fuzzy system, which defines automatically its structure and rules based on the historical data, was employed. In a further step, a hybrid neural/neuro-fuzzy was studied, so as the neural network forecast is the input for the neuro-fuzzy system. For the last three models, short term forecasting was made for one hour period. The proposed systems were tested in case studies, and the results were compared themselves and with results obtained in other projects in the same area. The load data of CEMIG between 1994 and 1996 was used in the fuzzy logic system in steps of 10 minutes for very short term forecasting. The performance was good compared with a neural network system using the same data. For the other models, short term load forecasting (I hour, 24 steps ahead) was done using the following data: load data of LIGHT and CPFL between 1996 and 1998; temperature (hourly for LIGHT and daily for CPFL); the codification of month and hour of the day; and a profile of load by consumption class. For doing. The error results obtained by the models were around 1,15% for the fuzzy logic, 2,0% for the neural network, 1,5% for the neuro-fuzzy system, and 2,0% for the hybrid system. This work has showed the applicability of the computational intelligence techniques on load forecasting, demonstrating that a preliminary study of the series and their relation with

[pt] Esta dissertação investiga a utilização de Redes Neurais Artificiais (RNAs) na área de previsão de carga elétrica. Nesta investigação foram utilizados dados reais de energia relativos ao sistema elétrico brasileiro. O trabalho consiste de quatro partes principais: um estudo sobre o problema de previsão de carga no contexto de sistemas elétricos de potência; o estudo e a modelagem das RNAs para previsão de carga; o desenvolvimento do ambiente de simulação; e o estudo de casos. O estudo sobre o problema de previsão de carga envolveu uma investigação sobre a importância da previsão de demanda de energia na área de sistemas elétricos de potência. Enfatizou-se a classificação dos diversos tipos de previsão de acordo com o seu horizonte, curto e longo prazo, bem como a análise das variáveis mais relevantes para a modelagem da carga elétrica. O estudo também consistiu da análise de vários projetos na área de previsão de carga, apresentando as metodologias mais utilizadas. O estudo e a modelagem de RNAs na previsão de carga envolveu um extenso estudo bibliográfico de diversas metodologias. Foram estudadas as arquiteturas e os algoritmos de aprendizado mais empregados. Constatou-se uma predominância da utilização do algoritmo de retropropagação (Backpropagation) nas aplicações de previsão de carga elétrica horária para curto prazo. A partir desse estudo, e utilizando o algoritmo de retropropagação, foram propostas diversas arquiteturas de RNAs de acordo com o tipo de previsão desejada. O desenvolvimento do ambiente de simulação foi implementado em linguagem C em estações de trabalho SUN. O pacote computacional engloba basicamente 3 módulos: um módulo de pré-processamento da série de carga para preparar os dados de entrada; um módulo de treinamento da Rede Neural para o aprendizado do comportamento da série; e um módulo de execução da Rede Neural para a previsão dos valores futuros da série. A construção de uma interface amigável para a execução do sistema de previsão, bem como a obtenção de um sistema portátil foram as metas principais para o desenvolvimento do simulador. O estudo de casos consistiu de um conjunto de implementações com o objetivo de testar o desempenho de um sistema de previsão baseado em Redes Neurais para dois horizontes distintos: previsão horária e previsão mensal. No primeiro caso, foram utilizados dados de energia da CEMIG (Estado de Minas Gerais) e LIGHT (Estado do Rio de Janeiro). No segundo caso, foram utilizados dados de energia de 32 companhias do setor elétrico brasileiro. Destaca-se que a previsão mensal faz parte de um projeto de interesse da ELETROBRÁS, contratado pelo CEPEL. Para ambos os casos, investigou-se a influência do horizonte de previsão e da época do ano no desempenho do sistema de previsão. Além disso, foram estudadas as variações do desempenho das Redes Neurais de acordo com a empresa de energia elétrica utilizada. A avaliação do desempenho foi feita através da análise das seguintes estatísticas de erro: MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Square Error) e U de Theil. O desempenho das RNAs foi comparado com o de outras técnicas de previsão, como os métodos de Holt-Winters e Box & Jenkins, obtendo-se resultados, em muitos casos, superiores. / [en] This dissertation investigates the application of Artificial Neural Networks (ANNs) in load forecasting. In this work we have used real load data from the Brazilian electrical system. The dissertation is divided in four main topics: a study of the importance of load forecasting to electric power systems; the investigation of the ANN modeling to this particular problem; the development of a neuro-simulador; and the case studies. It has been made an investigation of the objectives of load forecasting to power systems. The different kinds of load forecasting have been classified according to the leading time of the prediction (short and long term). The more important variables to model electric load were also investigated. This study analyses many projects in the area of load forecasting and presents the techniques that have been traditionally used to treat the problem. The ANNs modeling to load forecasting involved a deep investigation of works that have been published. The ANNs architectures and learning algorithms more commonly used were studied. It has been verified that the Backpropagation algorithm was the more commoly applied in the problem (particularly, in the problem of short term hourly load forecasting). Based on this investigation and using the backpropagation algorithm, many Neural Networks architetures were proposed according to the desired type of forecasting. The development of the neuro-simulator has been made in C language, using SUN workstations. The software is divided in 3 modules: a load series pre-processing module, to prepare the input data; a training module to the load series behavior learning; and an execution module, in which the Neural Network will perform the predictions. The development of a friendly interface to the forecasting system execution and the portability of the system were main goals during the simulator development. The case studies involved testing the system performance for 2 cases: hourly and monthly predictions. In the first case, load data from CEMING (State of Minas Gerais) and LIGHT (State of Rio de Janeiro) has been used. In the second case load data from 32 companies of the Brazilian electrical system has been used. Monthly load forecasting is involved in a project of interest of two companies of the electric sector in Brazil: CEPEL and ELETROBRÁS. In both cases, influences of the forecasting horizon and of the period of the year in the system´s performance has been investigated. Besides, the changes in the forecasting performance according to the particular electric company were also studied. The performance evaluation has been done through the analysis of the following error figures: MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Square Error) and Theil´s U. The ANN performance was also compared with the performance of other techniques, like Holt-Winteres and Box-Jenkins, giving better results in many cases.