Orientador: Anna Diva Plasencia Lotufo / Resumo: Os sistemas de energia elétrica estão passando por transformações. Aos poucos, técnicas de sistemas de informação estão sendo incorporadas aos sistemas atuais de energia. Basicamente este é o conceito de smart grid. Esta incorporação visa aumentar a eficiência dos sistemas de energia elétrica, pois os diversos agentes envolvidos em todo o sistema terão à disposição informações mais completas, precisas e de forma praticamente instantânea. Como consequência, haverá um aumento significativo de dados disponíveis para serem empregados de variadas formas. Um exemplo do uso de dados é a previsão de demanda de energia elétrica. De uma forma geral, previsões servem como suporte para suprir demandas, estimar custos ou justificar investimentos futuros. No campo de previsão de demanda de cargas elétricas existem diversos modelos na literatura, a grande maioria se concentra em níveis mais agregados, que atendem a grandes consumidores em que o fornecimento de energia é feito, por exemplo, por uma subestação. Uma smart grid também coloca à disposição as informações de consumo de energia em níveis cada vez menos agregados, como uma residência ou um prédio comercial. Realizar previsões neste nível é um desafio, pois essas demandas são muito influenciadas pelo comportamento humano. Diferentemente dos níveis mais agregados, modelos de previsão para níveis menos agregados, ou desagregados, ainda são poucos. O objetivo deste trabalho é fazer a previsão de cargas elétricas não residenciais mistas ... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Electrical power systems are in transformation nowadays. Gradually, information system technology are being introduced to the energy systems. Basically, this is the concept of smart grid. This new concept aims to improve the efficiency of the energy systems, once the evolved agents will provide complete and precise information instantaneously. This way, a significant increase in data will be available to be employed in several forms. One example in using these data is electric energy demand forecasting. In general, predictions are support to provide electric load demand, estimate costs or justify future investments. Concerning electric load demand, there are several models in the literature, and the majority is concentrated in aggregated levels, attending large consumers, where, for example, the energy supply is provided by a substation. Considering the smart grid, there are consumption information in less aggregated levels as for example residences or commercial buildings. Therefore, realizing predictions in these levels (less aggregated) is a challenge, once the demand is influenced by the human behavior. The models for predicting loads in aggregated levels are common, in the contrary of less aggregated that are few. This work aims to predict short term mixed nonresidential electric loads using data from a Brazilian University. Firstly, Fuzzy ARTMAP Neural Network is chosen to execute the predictions, and afterwards a hybrid methodology containing Fuzzy ARTMAP and Square Mi... (Complete abstract click electronic access below) / Doutor

Made available in DSpace on 2017-07-10T17:11:46Z (GMT). No. of bitstreams: 1 DISSERTACAO Marcos Muller2.pdf: 3169941 bytes, checksum: 9c51b1da2e6c3f07726daa30c819efbb (MD5) Previous issue date: 2014-02-21 / Fundação Parque Tecnológico Itaipu / This work presents the use of clustering techniques in load curves for the similar days method for load forecasting, in order to obtain a reduced data to achieve a faster computational algorithm, while achieving similar or superior performance compared to those obtained by the traditional method that makes use of the original data set. The method allows to perform similar day load forecasting using short-term historical data from the consumption of electricity at consumers level, and related data, which allow tracing analogies to a future day. Conventional implementations of the method are used for comparison and validation. The scenario that provides the data for the studies, as well as the equipment, and data preprocessing stage, are presented. The methodology is validated using the cluster silhoute analysis. With the MAPE values was possible to verify the forecast, indicating superiority of the method based on clustered load curves. / Este trabalho apresenta a utilização de clusterização de curvas de carga do nível menos agregado para o método de dias similares, com o objetivo de obter conjuntos reduzidos de dados que imponham menores cargas computacionais ao algoritmo de previsão, e permitir ainda, desempenhos similares ou superiores quando comparados aos obtidos pelo método de dias similares que faz uso do conjunto original de dados. O método de dias similares permite realizar previsão de carga de curtíssimo prazo a partir de dados históricos de consumo de energia elétrica, além de dados correlatos, que permitem traçar analogias com um dia futuro. Implementações convencionais do mesmo método são utilizadas para comparação de resultados. O cenário que fornece os dados para os estudos, assim como os equipamentos empregados e a etapa de pré-processamento de dados são apresentadas. A análise de silhuetas de cluster foi empregada com o objetivo de validar os agrupamentos. Por meio do cálculo do MAPE foi possível verificar a assertividade das previsões, indicando superioridade daquela baseada nas curvas de carga clusterizadas.

Submitted by TÂNIA TENÓRIO GOMES (taniatgs@yahoo.com.br) on 2018-01-23T18:19:50Z No. of bitstreams: 1 Tania_dissertação_dee_22_12_2017.pdf: 2284683 bytes, checksum: 58edd8d14052f9f162a3d091782c28c3 (MD5) / Approved for entry into archive by Cristina Alexandra de Godoy null (cristina@adm.feis.unesp.br) on 2018-01-24T11:18:07Z (GMT) No. of bitstreams: 1 gomes_tt_me_ilha.pdf: 2284683 bytes, checksum: 58edd8d14052f9f162a3d091782c28c3 (MD5) / Made available in DSpace on 2018-01-24T11:18:07Z (GMT). No. of bitstreams: 1 gomes_tt_me_ilha.pdf: 2284683 bytes, checksum: 58edd8d14052f9f162a3d091782c28c3 (MD5) Previous issue date: 2017-12-22 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A geração e distribuição de energia elétrica fazem parte de um vasto esquema no setor elétrico de cada país, tornando-se cada vez mais necessário criar alternativas para minimizar seu custo. Realizar a previsão de cargas elétricas de forma precisa garante uma infraestrutura mais eficiente e confiável para planejamento e operação do sistema elétrico. A proposta deste trabalho é realizar a previsão de carga elétrica global a curto prazo, utilizando uma técnica que forneça uma boa precisão, seja confiável e de baixo custo computacional. Portanto, foi utilizada a rede neural artificial ARTMAP Euclidiana, que é baseada na Teoria da Ressonância Adaptativa. Com objetivo de analisar a eficiência da metodologia proposta foram realizados 3 casos com diferentes horizontes de treinamento, sendo calculado o erro percentual médio. Os dados utilizados para as simulações são de uma companhia elétrica espanhola. O principal objetivo deste trabalho é aplicar a rede neural ARTMAP Euclidiana na previsão de cargas elétricas 24 horas à frente e para validar e verificar se esta rede é uma boa ferramenta para este tipo de estudo foi utilizada a rede neural ARTMAP Fuzzy com os mesmos dados empregados na rede ARTMAP Euclidiana como critério de comparação para comprovar a eficiência da rede neural ARTMAP Euclidiana. / Generation and distribution of electrical energy are very important for the development of the countries and it is necessary to create alternatives to minimize the costs. Electrical load forecasting must be realized precisely to assure a reliable and secure operation of the electrical system. The proposal of this work is to realize the short term global electrical load forecasting using a technique with good precision and reliable and with low computational cost. Thus, the Euclidian ARTMAP neural network was used which is also based on the adaptive resonance theory. Three different cases with different horizons were used for training and the percentual error is calculated. The data are from a Spanish company. The main objective is to apply the Euclidian ARTMAP neural network to forecast the loads 24 hours ahead. The results are compared with the traditional Fuzzy ARTMAP neural network using the same data and the comparison is effectuated evaluating the MAPE (mean absolute percentual error).

Orientador: Anna Diva Plasencia Lotufo / Resumo: A geração e distribuição de energia elétrica fazem parte de um vasto esquema no setor elétrico de cada país, tornando-se cada vez mais necessário criar alternativas para minimizar seu custo. Realizar a previsão de cargas elétricas de forma precisa garante uma infraestrutura mais eficiente e confiável para planejamento e operação do sistema elétrico. A proposta deste trabalho é realizar a previsão de carga elétrica global a curto prazo, utilizando uma técnica que forneça uma boa precisão, seja confiável e de baixo custo computacional. Portanto, foi utilizada a rede neural artificial ARTMAP Euclidiana, que é baseada na Teoria da Ressonância Adaptativa. Com objetivo de analisar a eficiência da metodologia proposta foram realizados 3 casos com diferentes horizontes de treinamento, sendo calculado o erro percentual médio. Os dados utilizados para as simulações são de uma companhia elétrica espanhola. O principal objetivo deste trabalho é aplicar a rede neural ARTMAP Euclidiana na previsão de cargas elétricas 24 horas à frente e para validar e verificar se esta rede é uma boa ferramenta para este tipo de estudo foi utilizada a rede neural ARTMAP Fuzzy com os mesmos dados empregados na rede ARTMAP Euclidiana como critério de comparação para comprovar a eficiência da rede neural ARTMAP Euclidiana. / Abstract: Generation and distribution of electrical energy are very important for the development of the countries and it is necessary to create alternatives to minimize the costs. Electrical load forecasting must be realized precisely to assure a reliable and secure operation of the electrical system. The proposal of this work is to realize the short term global electrical load forecasting using a technique with good precision and reliable and with low computational cost. Thus, the Euclidian ARTMAP neural network was used which is also based on the adaptive resonance theory. Three different cases with different horizons were used for training and the percentual error is calculated. The data are from a Spanish company. The main objective is to apply the Euclidian ARTMAP neural network to forecast the loads 24 hours ahead. The results are compared with the traditional Fuzzy ARTMAP neural network using the same data and the comparison is effectuated evaluating the MAPE (mean absolute percentual error). / Mestre

[pt] As alterações na legislação do Setor de Energia Elétrica Brasileiro em fins do milênio passado, provocou profundas mudanças no planejamento da Operação do Sistema e na Comercialização de energia elétrica no Brasil. O desmembramento das atividades de geração, de transmissão e de distribuição de energia elétrica criou novas características no comportamento dos Agentes Concessionários e as previsões de demanda por energia elétrica, que sempre foram ferramenta importante, por exemplo, na programação da operação, passaram a ser indispensáveis também, na comercialização de energia elétrica no mercado livre. Neste novo cenário, a obtenção e o armazenamento de dados confiáveis passou a ser parte integrante do patrimônio das Empresas e um sistema eficiente de previsões de carga passou a ser um diferencial na mesa de negociações. Os Agentes concessionários e o Operador Nacional do Sistema Elétrico vêm fazendo investimentos para aperfeiçoar os seus sistemas de aquisição de dados, entretanto em sistemas de multipontos algumas falhas imprevistas durante a sincronização da telemedição podem ocorrer, provocando defeitos nas séries. Nas séries de minuto em minuto, por exemplo, uma falha de algumas horas acarreta centenas de registros defeituosos e as principais publicações a respeito de modelagens de séries temporais para tratamento de dados não abordam as dificuldades encontradas diante de grandes falhas consecutivas nos dados. / [en] As a result of the continuing privatization process within the energy sector,electricity load forecasting is a ritical tool for decision-making in the Industry. Reliable forecasts are now needed not only for developing strategies for business planning and short term operational scheduling, but also to define the spot market electricity price. The forecasting process is data-ntensive and interest has been driven to shorter and shorter intervals. Large investments are being made in modernizing and improving metering systems, so as to make more data available to the forecaster. However, the forecaster is still faced with irregular time-series. Gaps, missing values, spurious information or repeated values in the time-series can result from transmission errors or small failures in the recording process. These so- called irregularities have led to research that focused on either iterative processes,like the Kalman filter and the EM algorithm, or applications of the statistical literature on treatment of missing values and outliers. Nevertheless, these methods often result in large forecast errors when confronted with consecutive failures in the data. On the other hand, the minute to minute series have a large amount of points and so the one day ahead forecast horizont becomes very large to handling with the conventional methods. In this context, we propose an alternative to detect and replace values and present a methodology to perform the forecasting process by using of other information in the time-series that relate to the variability and seasonality, which are commonly encountered in electricity load-forecasting data. We illustrate the method and address the problem as part of a wider project that aims at the development of an automatic on line system for tracking the Brazilian Interlinked Electric Network Operation and performing short term load forecasting. The data were collected by ONS / ELETROBRAS - Brazil. We concentrate on 10 minutes data for the years 1997-1999 of Light Serviços de Eletricidade S.A. (Rio de Janeiro and its surroundings). / [es] Las alteraciones en la legislación del Sector de Energía Elétrica Brasilero a finales del milenio pasado, provocó profundos cambios en el planificación de la Operación del Sistema y en la Comercialización de energía eléctrica en Brasil. La desarticulación de las actividades de generación, de transmisión y de distribuición de energía eléctrica creó nuevas características en el comportamiento de los Agentes Concesionarios. Así, las previsiones de demanda por energía eléctrica, que siempre fueron una herramienta importante, por ejemplo, en la programación de la operación, pasaron a ser indispensables también en la comercialización de energía eléctrica en el mercado libre. En este nuevo escenario, la obtención y almacenamiento de datos confiables pasó a ser parte integrante del patrimonio de las Empresas y un sistema eficiente de previsiones de carga constituye un diferencial en la mesa de negociaciones. Los Agentes concesionarios y el Operador Nacional del Sistema Eléctrico han invertido en el perfeccionamiento de sus sistemas de adquisición de datos. Sin embargo, en sistemas de multipuntos algunas fallas imprevistas durante la sincronización de la telemedición pueden ocurrir, provocando defectos en las series. En las series de minuto en minuto, por ejemplo, una falla de algunas horas trae consigo centenas de registros defectuosos y las principales publicaciones sobre modelos de series temporales para tratamiento de datos no abordan las dificuldades encontradas frente a grandes fallas consecutivas en los datos.

The aim of this study is to develop novel forecasting methodologies. The applications of our proposed models lie in two different areas: macroeconomics and energy. Though we consider two very different applications, the common underlying theme of this thesis is to develop novel methodologies that are not only accurate, but are also parsimonious. For macroeconomic time series, we focus on generating forecasts for the US Gross National Product (GNP). The contribution of our study on macroeconomic forecasting lies in proposing a novel nonlinear and nonparametric method, called weighted random analogue prediction (WRAP) method. The out-of-sample forecasting ability of WRAP is evaluated by employing a range of different performance scores, which measure its accuracy in generating both point and density forecasts. We show that WRAP outperforms some of the most commonly used models for forecasting the GNP time series. For energy, we focus on two different applications: (1) Generating accurate short-term forecasts for the total electricity demand (load) for Great Britain. (2) Modelling Irish electricity smart meter data (consumption) for both residential consumers and small and medium-sized enterprises (SMEs), using methods based on kernel density (KD) and conditional kernel density (CKD) estimation. To model load, we propose methods based on a commonly used statistical dimension reduction technique, called singular value decomposition (SVD). Specifically, we propose two novel methods, namely, discount weighted (DW) intraday and DW intraweek SVD-based exponential smoothing methods. We show that the proposed methods are competitive with some of the most commonly used models for load forecasting, and also lead to a substantial reduction in the dimension of the model. The load time series exhibits a prominent intraday, intraweek and intrayear seasonality. However, most existing studies accommodate the ‘double seasonality’ while modelling short-term load, focussing only on the intraday and intraweek seasonal effects. The methods considered in this study accommodate the ‘triple seasonality’ in load, by capturing not only intraday and intraweek seasonal cycles, but also intrayear seasonality. For modelling load, we also propose a novel rule-based approach, with emphasis on special days. The load observed on special days, e.g. public holidays, is substantially lower compared to load observed on normal working days. Special day effects have often been ignored during the modelling process, which leads to large forecast errors on special days, and also on normal working days that lie in the vicinity of special days. The contribution of this study lies in adapting some of the most commonly used seasonal methods to model load for both normal and special days in a coherent and unified framework, using a rule-based approach. We show that the post-sample error across special days for the rule-based methods are less than half, compared to their original counterparts that ignore special day effects. For modelling electricity smart meter data, we investigate a range of different methods based on KD and CKD estimation. Over the coming decade, electricity smart meters are scheduled to replace the conventional electronic meters, in both US and Europe. Future estimates of consumption can help the consumer identify and reduce excess consumption, while such estimates can help the supplier devise innovative tariff strategies. To the best of our knowledge, there are no existing studies which focus on generating density forecasts of electricity consumption from smart meter data. In this study, we evaluate the density, quantile and point forecast accuracy of different methods across one thousand consumption time series, recorded from both residential consumers and SMEs. We show that the KD and CKD methods accommodate the seasonality in consumption, and correctly distinguish weekdays from weekends. For each application, our comprehensive empirical comparison of the existing and proposed methods was undertaken using multiple performance scores. The results show strong potential for the models proposed in this thesis.

The energy system is being transitioned to increase sustainability. This transition has been accelerated by the increased awareness about the adverse effects of the greenhouse gas (GHG) emissions into the atmosphere. The transition includes switching to electricity as the energy carrier in some sectors, e.g., transportation, increasing the contribution of renewable energy sources (RES) to the grid, and digitalizing the grid services. Electric vehicles (EVs) are promoted and subsidized in many countries among the sustainability initiatives. Consequently, the global sales of EVs rapidly increased in the recent years. Many EV owners might charge their EVs only at home, thereby increasing the residential load. The residential load might further increase due to the initiatives to electrify the heating/cooling sector. This thesis contributes to the knowledge about the operation of the future energy system by modeling the spatial charging load of private EVs in cities, and by proposing a forecasting model to predict the residential load. Both models can be used to evaluate the impacts of both technologies on the local electricity grid. In addition, demand response (DR) schemes can be proposed to reduce the adverse effects of both the charging load of EVs and the residential load. A case study of the EV model on the Herrljunga city grid showed that 100% EV penetration with 3.7 kW (charging rate of 14.8 km/h) chargers will not cause voltage violations in the grid. Winter load is responsible for 5% voltage drop at the weakest bus, and EVs add only 1% to this drop. In a Swedish city, charging EVs will require adding extra 1.43 kW/car to the grid capacity—assuming 22 kW (charging rate of 88 km/h) residential chargers. If the EV charging is not restricted to residential locations, an increase of 1.23 kW/car is expected. The proposed forecasting model is comparable in accuracy to previously developed models. As an advantage, the model produces a probability density function (PDF) describing the model’s certainty in the forecast. In contrast, many previous contributions provided only point forecasts.

Orientador: Takaaki Ohishi / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-10T05:34:59Z (GMT). No. of bitstreams: 1 Pereira_JoaquimJoseFantin_M.pdf: 1686812 bytes, checksum: 5ff18327a2f501a5035fbf6c56ae0eda (MD5) Previous issue date: 2007 / Resumo: A tomada de decisão, em qualquer setor e nos mais diversos níveis, é um processo cada vez mais complexo, principalmente em função do nível de incerteza em relação ao futuro. Neste contexto, a disponibilidade de previsões torna-se um fator importante para uma decisão mais eficaz. As ferramentas de reconhecimento de padrões, por sua vez, são importantes em muitas áreas, tais como nas determinações de comportamentos típicos e em sistemas de controle. Nessa conjuntura, a proposta deste trabalho consistiu em explorar a criação e o uso de uma linguagem de programação visual, denominada Linguagem VisualPREV, de modo a facilitar a concepção e a execução dos modelos de previsão e classificação. Nesta Linguagem, blocos visuais colocados num diagrama (interface visual computacional) representam conceitos envolvidos num processo de modelagem do problema. O modelo pode então ser configurado, executado e armazenado para acesso futuro. Embora essa escolha implique uma perda de vantagens exclusivas da programação em código tradicional, como a maior flexibilidade para programação genérica, por exemplo, a linguagem diminui sensivelmente o tempo de criação dos modelos específicos para tratamento de dados em previsão de séries temporais e reconhecimento de padrões. Em algumas aplicações com dados relevantes, a linguagem foi avaliada com critérios baseados em métricas de usabilidade e os resultados foram discutidos ao longo do trabalho / Abstract : Decision making, in any area and in many different levels, is a process with growing complexity, mainly if you consider the level of uncertainty related to the future. In this context, the possibility of forecasting plays a major role in an efficient decision. On the other hand, pattern recognition tools are important in many areas, like fitting typical behaviors and in control systems, as well. In this context, we propose a visual programming language, called VisualPREV Language, intended to make easier the conception and execution of forecasting and pattern recognition models. Within this language, visual blocks that can be put into a diagram (computational visual interface) represent concepts involved when modeling the processes. These models can be configured, executed and stored for future access. Although these approach implies losing exclusive advantages of traditional programming (like flexibility of generic programming, for example), VisualPREV decreases considerably the amount of time needed for creating specific models for forecasting and pattern recognition. In few applications with relevant data, the language was evaluated based on usability metrics, and the results were discussed throughout the text / Mestrado / Energia Eletrica / Mestre em Engenharia Elétrica

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-01-17T11:13:15Z No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-22T16:33:53Z (GMT) No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Made available in DSpace on 2018-01-22T16:33:53Z (GMT). No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) Previous issue date: 2017-09-20 / Todo a produção, transmissão e distribuição de energia elétrica ocorre concomitantemente com o consumo da energia. Isso é necessário porque ainda não existe hoje uma maneira viável de se estocar energia em grandes quantidades. Dessa forma, a energia gerada precisa ser consumida quase que instantaneamente. Isso faz com que as previsões de demanda sejam fundamentais para uma boa gestão dos sistemas de energia. Esse trabalho focaliza métodos de previsão de demanda a curto prazo, até um dia à frente. Nos métodos mais simples, as previsões são feitas por modelos lineares que utilizam dados históricos da demanda de energia. Contudo, modelos baseados em inteligência computacional têm sido estudados para este fim, por explorarem a relação não-linear entre a demanda de energia e as variáveis climáticas. Em geral, estes modelos conseguem melhores previsões do que os métodos lineares. Seus resultados, porém, são instáveis e sensíveis a erros de medição, gerando erros de previsão discrepantes, que podem ter graves consequências para o processo de produção. Neste estudo, empregamos redes neurais artificiais e algoritmos genéticos para modelar dados históricos de carga e de clima, e combinamos estes modelos com métodos lineares tradicionais. O objetivo é conseguir previsões que não apenas sejam mais acuradas em termos médios, mas que também menos sensíveis aos erros de medição. / The production, transmission and distribution of electric energy occurs concomitantly with its consumption. This is necessary because there is yet no feasible way to store energy in large quantities. Therefore, the energy generated must be consumed almost instantaneously. This makes forecasting essential for the proper management of energy systems. This thesis focuses on short-term demand forecasting methods up to one day ahead. In simpler methods, the forecasts are made by linear models, which use of historical data on energy demand. However, computer intelligence-based models have been studied for this end, exploring the nonlinear relationship between energy demand and climatic variables. In general, these models achieve better forecasts than linear methods. Their results, however, are unstable and sensitive to measurement errors, leading to outliers in forecasting errors, which can have serious consequences for the production process. In this thesis, we use artificial neural networks and genetic algorithms for modelling historical load and climate data, and combined these models with traditional linear methods. The aim is to achieve forecasts that are not only more accurate in mean terms, but also less sensitive to measurement errors.

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-01-12T11:44:53Z No. of bitstreams: 1 douglasdeoliveiramatosbraga.pdf: 1221207 bytes, checksum: 2e8c8b8de9aa188f87fe5670354d478c (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-23T13:56:44Z (GMT) No. of bitstreams: 1 douglasdeoliveiramatosbraga.pdf: 1221207 bytes, checksum: 2e8c8b8de9aa188f87fe5670354d478c (MD5) / Made available in DSpace on 2018-01-23T13:56:44Z (GMT). No. of bitstreams: 1 douglasdeoliveiramatosbraga.pdf: 1221207 bytes, checksum: 2e8c8b8de9aa188f87fe5670354d478c (MD5) Previous issue date: 2017-08-31 / O planejamento energético é base para as tomadas de decisões nas companhias de energia elétrica e, para isto, depende fortemente da disponibilidade de previsões acuradas para as cargas. Devido á inviabilidade de armazenamentos em larga-escala e o custo elevado de compras de energia a curto prazo, além da possibilidade de multas e sanções de órgãos governamentais, previsões em curto prazo são importantes para a otimização da alocação de recursos e da geração de energia. Neste trabalho utilizamos nove métodos univariados de séries temporais para a previsão de cargas a curto prazo, com horizontes de 1 a 24 horas a frente. Buscando melhorar a acurácia das previsões, propomos um método de combinação de previsões através de Regressão Simbólica, que combina de forma não-linear as previsões obtidas pelos nove métodos de séries temporais utilizados. Diferente de outros métodos não-lineares de regressão, a Regressão Simbólica não precisa de uma especificação previa da forma funcional. O método proposto é aplicado em uma série real da cidade do Rio de Janeiro (RJ), que contém cargas horárias de 104 semanas dos anos de 1996 e 1997. Comparamos, através de critérios indicados na literatura, os resultados obtidos pelo método proposto com os resultados obtidos por métodos tradicionais de combinação de previsões e ao resultado de simulações de redes neurais artificiais aplicados ao mesmo conjunto de dados. O método proposto obteve melhores resultados, que indicam que a não-linearidade pode ser aspecto importante para combinação de previsões no problema de previsão de carga a curto prazo / Decision-making in energy companies relies heavily on the availability of accurate load forecasts. Because storing electricity on a large scale is not viable, the cost of short-term energy purchasing is high, and there are government fines and sanctions for failing to supply energy on demand, short-term load forecasts are important for the optimization of resource allocation and energy production. In this work we used nine univariate time series methods for short-term load forecasts, with forecast horizons ranging from 1 to 24 hours ahead. In order to improve the accuracy of forecasts, we propose a method of combining forecasts through Symbolic Regression, which combines in a non-linear way the forecasts obtained by the nine methods of the time series used. Unlike other non-linear regression methods, Symbolic Regression does not need a previous specification of the function structure. We applied the proposed method to a real time series of the city of Rio de Janeiro (RJ), which contains data on hourly loads of 104 weeks in the years 1996 and 1997. We compare, through the criteria indicated in the literature, the results obtained by the proposed method with the results obtained by traditional methods of forecasts combination and the result obtained by artificial neural networks applied to the same dataset. The method has yielded better results, indicating that non-linearity may be important in combining predictions in short term load forecasts.