Submitted by Maike Costa (maiksebas@gmail.com) on 2016-04-25T12:59:29Z No. of bitstreams: 1 arquivo total.pdf: 2399944 bytes, checksum: b31ffd454938b9e66e2494032cb6d9ee (MD5) / Made available in DSpace on 2016-04-25T12:59:29Z (GMT). No. of bitstreams: 1 arquivo total.pdf: 2399944 bytes, checksum: b31ffd454938b9e66e2494032cb6d9ee (MD5) Previous issue date: 2015-08-28 / In recent years, several studies where published regarding to the estimation of variables related to the use of electricity, where the most varied methodologies are used to perform modeling and estimation of demand for energy of countries, States, companies in general and educational systems. In this dissertation where chosen this last category and the focus is on Higher Education Institutions (HEIs). Looking for drawing up an estimate of Wing Maxim Demand (WMD), monthly of electrical energy power, for the (HEIs), from the amount of students and, if necessary, from other causal variables, which can contribute to managerial way for the renegotiation of contracts with concessionaires that lead to annual cost savings and still contribute to a better control of the levels of maxim demand of electricity. To achieve this objective, it was realized a review of the literature regarding to the variables that could introduce correlation with the dependent variable WMD. This review indicated several methodologies that could contribute to the solution of the problem proposed: Markov Chain, Support vector Regression methodology, Genetic Programming Model and Artificial Neural Networks. It was adopted the methodology of Multiple Linear Regression (MLR) because it is less complex and a methodology directed at large companies. It was selected an IES and were carried out interviews with some engineers and technician of his electrical engineering division, seeking to better understand energy use and the behavior of the variable WMD in this IES being made available the reports of power energy monitoring where the WMD data of January-December 2008 of 2014 were contained. So on the basis of these data and documental research of the independent variables, and, through the methodologies of Multiple Linear Regression (MLR), it was developed a model from the data of 72 months which had their waste evaluated, showing a coefficient of determination R ^ 2 equal to 0.883. Independent variables that remained in the model, from the use of the backward method, were 4 (four) Dummy variables associated with the years, six variables of this type associated with the months and a variable which is the product of school days for graduates and the quantity of graduate students registered. This model was able to identify seasonality presents in the behavior of the WMD of this HIE. It would allow the hiring of WMD per month, that would make savings of 57% compared to the traditional contracting mode (WMD fixed for the entire period), considering the period from July to December, before the period left for validation. In conclusion, a forecast for the period of January to May 2015 and the adoption of the proposed model was able to provide a savings of 45% in relation to the scheme currently used by this HEI. / Nos últimos anos, diversos trabalhos foram publicados em relação à estimativa de variáveis relacionadas ao uso da energia elétrica, onde as mais variadas metodologias são utilizadas para realizar a modelagem e estimação da demanda por energia de países, Estados, empresas em geral e dos sistemas de ensino. Nesta dissertação foi escolhida esta última categoria e o foco consiste nas Instituições de Ensino Superior (IES). Procurando elaborar uma estimativa de Demanda Máxima de Ponta (DMP), mensal de potência de energia elétrica adequada às IESS, a partir da quantidade de alunos, e, se necessário, a partir de outras variáveis causais, que possam contribuir de maneira gerencial para a renegociação de contratos com concessionárias que levem à redução de custos anuais e que ainda podem contribuir para um melhor controle dos níveis de demanda máxima de energia elétrica. Para alcançar tal objetivo, foi realizada uma revisão da literatura a respeito de variáveis que poderiam apresentar correlação com a variável dependente DMP. Esta revisão indicou várias metodologias que poderiam contribuir para a solução do problema proposto: a Cadeia de Markov, a Metodologia de Regressão do vetor de Suporte, o Modelo de Programação Genética e as Redes Neurais Artificiais. Por ser uma metodologia menos complexa e direcionada a empresas de grande porte, adotou-se a Metodologia de Regressão Linear Múltipla (RLM). Foi selecionada uma IES e foram realizadas entrevistas com alguns engenheiros e técnico da sua divisão de engenharia elétrica, procurando entender melhor o uso da energia e o comportamento da variável DMP nesta IES, sendo disponibilizados os relatórios de energia do sistema de monitoração de energia onde os dados de DMP de janeiro de 2008 a dezembro de 2014 estavam contidos. Então, com base nestes dados e em pesquisa documental das candidatas a variáveis independentes, e, através da Metodologia (RLM), foi desenvolvido um modelo a partir dos dados de 72 meses, que teve seus resíduos avaliados, apresentando um coeficiente de determinação 𝑅2 igual a 0,883 .As variáveis independentes que permaneceram no modelo, a partir da utilização do método backward, foram 4(quatro) variáveis Dummy associadas a anos, seis variáveis deste tipo associadas a meses e uma variável fruto do produto entre dias letivos de graduação e quantidade de alunos da graduação matriculados. O modelo foi capaz de identificar a sazonalidade presente no comportamento da DMP da IES em estudo. Ele possibilitaria a contratação de DMP por mês, o que daria uma economia de 57% em relação ao modo de contratação tradicional (DMP fixo para todo o período), considerando o período de julho a dezembro, antes do período deixado para validação. Concluindo, foi realizada uma previsão para o período de janeiro a maio de 2015 e a adoção do modelo proposto foi capaz de proporcionar uma economia de 45% em relação ao esquema utilizado atualmente pela IES.