Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2014. / Submitted by Ana Cristina Barbosa da Silva (annabds@hotmail.com) on 2014-10-15T18:54:01Z No. of bitstreams: 1 2014_JaymeMilaneziJunior.pdf: 6506741 bytes, checksum: 35af0d3d19c8dcffb7174539404b393b (MD5) / Approved for entry into archive by Tania Milca Carvalho Malheiros(tania@bce.unb.br) on 2014-10-16T17:36:58Z (GMT) No. of bitstreams: 1 2014_JaymeMilaneziJunior.pdf: 6506741 bytes, checksum: 35af0d3d19c8dcffb7174539404b393b (MD5) / Made available in DSpace on 2014-10-16T17:36:58Z (GMT). No. of bitstreams: 1 2014_JaymeMilaneziJunior.pdf: 6506741 bytes, checksum: 35af0d3d19c8dcffb7174539404b393b (MD5) / A atividade de planejamento de sistemas de potência inclui, como um de seus maiores desafios, a predicação do comportamento da carga. Com a finalidade de otimizar oinvestimento ante os dados de consumo, as empresas do setor elétrico lançam mão de várias técnicas de previsão da evolução da demanda que devem atender. No presente trabalho, o tema da predição espacial e temporal da carga é enfrentado, estudando e incorporando, simultaneamente, a tendência hoje já observada de inclusão de fonte sem microgeração distribuída. Três fontes renováveis e emergentes de geração foram consideradas como geradoras de energia pelos consumidores: enguias elétricas, painéis fotovoltaicos para aproveitamento da luz solar e de interiores, e antenas para reciclagemda energia existente nas ondas eletromagnéticas de radiodifusão. Quatro métodos preditivos foram empregados para prever o comportamento da carga: modelo Auto-Regressivo (AR), Auto-Regressivo com Variável eXógena (ARX), Auto-Regressivo deMédia Móvel com Variável eXógena (ARMAX) e Redes Neurais Artificiais (ANN). Os dados de consumo foram as máximas demandas semanais registradas em 8 Subestações da cidade de Leipzig (Saxônia, Alemanha), durante os anos de 2001, 2002, 2003 e 2004.O dado exôgeno considerado foi a temperatura, em valores diretos e logarítmicos. Das 209 semanas existentes entre 2001 e 2004, as 200 primeiras destinaram-se ao ajuste dos coeficientes nos modelos AR e ao treinamento da rede neural; as 9 semanas restantesforam destinadas à comparação de resultados. A aplicação das técnicas deu-se, assim,em dois estágios: no primeiro, os dados reais da rede de Leipzig foram considerados, eno segundo estágio trabalhou-se com novos valores de demandas máximas, originadaspela inserção de valores hipotéticos de energia recebida das três fontes citadas. Emambos os estágios, o modelo ARMAX foi o de melhor precisão na previsão de dados.O sistema de redes neurais demonstrou ser um sistema sub-ótimo de previsão. ______________________________________________________________________________ ABSTRACT / Power systems planning activities include load behavior prediction as one of its mostchallenging tasks. In order to optmize investments related to consumption data, utilitiesfrom the Electrical Sector resort to several forecasting techniques so that theycan predict the power demand which these utilities must support. Along the presentwork, issues related to the spatial and temporal predictions are faced, considering,simultaneously, the observed trend of microgeneration spread. Three emergent renewablesources were proposed to be taken on by consumers: electric eels, photovoltaicsolar panels for outdoor generation and indoor light energy harvesting, and antennasfor radio frequency energy recycling. Four predictive methods were employed in orderto forecast load evolution: Auto-Regressive (AR), Auto-Regressive with eXogeneousinputs (ARX), Auto-Regressive Moving Average with eXogeneous inputs (ARMAX)models and Artificial Neural Networks (ANN). Consumption data were the maximumweekly power demands registered over 8 Power Substations from the city of Leipzig(Saxony, Germany), during the years 2001, 2002, 2003 and 2004. The exogeneousvariable adopted was temperature, in realistic and in logarithmic values. During the209 weeks which are comprised between 2001 and 2004, the _rst 200 weeks served tocoe_cients adjustments, with regards to AR models, and the trainning of the neuralnetwork, in the case of ANN. The last 9 weeks were destinated for results comparison.Techniques were undertaken in two stages: _rstly, only realistic data from LeipzigSubstations were considered, and in the second stage, new values for maximum powerdemands were obtained by means of simulations upon the three emergent sources. Inboth stages, ARMAX model returned the _ttest results, whereas ANN characterizeditself as a sub-optimal prediction system.