[pt] A previsão de séries temporais é um assunto de grande importância para diversas áreas, podendo servir como base para planejamento e controle, entre outros. As formas mais comuns de previsão são as pontuais. É arriscado, no entanto, planejadores tomarem decisões unicamente com base em previsões pontuais, pois séries reais são compostas por uma parte aleatória que não pode ser definida por modelagem matemática. Um modo de contornar este problema é realizando previsões intervalares. Estas fornecem informações sobre as incertezas das previsões pontuais, o que auxilia o planejador em suas decisões. Modelos de lógica fuzzy têm sido investigados na literatura de previsão devido a sua capacidade de modelar incertezas. Apesar disso, sistemas de lógica fuzzy Mamdani (MFLS) foram pouco investigados no tema, comparando-se a outros tipos de modelagens fuzzy. Ademais, entende-se que a literatura de previsão intervalar com modelos fuzzy é limitada. Neste contexto, este trabalho propõe um método para construção de previsões intervalares a partir das previsões pontuais do modelo MFLS de tipo-1 (T1 MFLS). O método proposto para construção de previsões intervalares do MFLS é baseado na reamostragem de erros in-sample. O modelo T1 MFLS é construído com uma heurística (para partição do universo de discurso das variáveis do modelo) e com a seleção da entrada do modelo. Previsões pontuais e intervalares são produzidas para séries horárias de carga de energia elétrica. A literatura de modelos fuzzy de previsão é revisada. / [en] Time series forecasting is an important subject for many areas; it can serve as basis for planning and control, among others. The most common type of forecast is the point forecast. It is, nevertheless, risky to make decisions based on point forecasts, considering that real time series are composed by a random part that cannot be exactly defined by mathematical modeling. One way to by-pass this problem is by producing interval forecasts. These provide information about point forecasts reliability, what helps the planner make his decisions. Fuzzy logic models have been investigated in the forecasting literature due to their ability to model uncertainties. In spite of this, Mamdani fuzzy logic systems (MFLS) have been less investigated in this subject than other types of fuzzy modeling approaches. Furthermore, it is understood that the literature of interval forecasting with fuzzy models is very limited. In this context, this work proposes a method for creating interval prediction from point forecasts of a type-1 MFLS (T1 MFLS). The proposed method for interval forecast construction is based on the resampling of in-sample errors. The T1 MFLS model is constructed with a heuristic (that makes the partition of the universe of discourse of the model s variables) and with selection of the model s inputs. Point and interval forecasts are produced for hourly electricity load series. The literature of fuzzy models applied in forecasting is reviewed.

[pt] Quando ocorre algum tipo de falta em uma Linha de Transmissão (LT), sua localização exata é essencial para uma rápida recomposição do Sistema Elétrico. Métodos que utilizam tensão e corrente de apenas um terminal contêm simplificações que podem acarretar erros. Esta dissertação investiga a aplicação de Redes Neurais Artificiais (RNA) na obtenção de uma nova forma de identificar o tipo do curto- circuito e determinar a sua localização, utilizando dados obtidos em somente um terminal. O trabalho consiste de 4 partes principais: estudo bibliográfico da área de Redes Neurais; simulações de faltas para a obtenção de padrões; definição e implementação dos modelos de Redes Neurais para identificação e localização da falta; e estudos de casos. Na fase do estudo bibliográfico sobre RNA, foi verificado que as topologias de redes mais usuais são as Feed Forward, que podem ter uma ou mais camadas de Elementos Processadores (EP), sendo as redes com múltiplas camadas (Multi-Layer) a configuração mais completa. Para treinamento da rede, o algoritmo de aprendizado mais utilizado é o Back Propagation. Como fruto deste estudo bibliográfico é apresentado neste trabalho um resumo sobre RNA. Nas simulações de faltas para obtenção dos padrões de treinamento e teste, foi utilizado um sistema automático que, através da combinação de vários parâmetros do sistema elétrico, gera situações diferentes de falta. Este sistema utiliza como base o programa Alternative Transient Program -ATP. Neste trabalho o sistema elétrico está representado por uma LT de 345 KV, com fontes equivalentes representando um sistema real de Furnas Centrais Elétricas. Todos o sinais de tensão e corrente utilizados são representados por fasores de 60 Hz, obtidos através da Transformada Discreta de Fourier (TDF). Os modelos de RNAs para identificação e localização de falta foram implementados com sub-rotinas de redes neurais do programa MATLAB ver. 6.0, representados por Redes Perceptron Multicamadas (Multi Layer Perceptron), treinadas com algoritmo Back Propagation com taxa de aprendizado adaptativa e o termo momentum fixo. Um modelo único de RNA identifica quais as fases (A, B, C e T) envolvidas, classificando o tipo de falta, que pode ser: Monofásica; Bifásica; Bifásica-Terra ou Trifásica. Para a localização da falta, foram definidas 4 arquiteturas de RNA, uma para cada tipo de falta. A ativação de cada topologia de RNA para localização é definida em função do tipo de falta classificada no modelo de identificação com RNA. Na etapa de estudo de casos testou-se o desempenho de cada modelo de RNA utilizando casos de testes em outras situações de falta, diferentes dos conjuntos de treinamento. A RNA de identificação de falta foi avaliada para situações de faltas envolvendo outras LTs, com diferentes níveis de tensão. Os resultados das 4 RNAs de localização da falta foram comparados com os resultados obtidos utilizando o método tradicional, tanto para os casos simulados quanto para algumas situações reais de falta. A utilização de RNAs para a identificação e a localização de falta mostrouse bastante eficiente para os casos analisados, comprovando a aplicabilidade das redes neurais nesse problema. / [en] When a kind of fault occurs in a Transmission Line, its exact location is essential for a fast reclosing of the Electric System. Methods that use voltages and currents from only one terminal contain simplifications that can to cause mistakes. This paper presents an investigation about application of Artificial Neural Network (ANN) obtaining a new way of identification for the type of the short circuit and its location, using data obtained only in one terminal. The work consists on the following 4 main parts: bibliographical study of Neural Network`s area; simulations of faults in order to obtain of patterns; definition and implementation of Neural Network`s models for identification and location of the fault; and studies of cases. In the bibliographical study step on ANN, it was verified that the topologies for the more usual nets are Feed-