[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