Guilherme Saad Terra
Resumo
Antigamente o estado brasileiro monopolizava a geração, transmissão e distribuição de energia elétrica. Atualmente, em sintonia com as transformações mundiais, assume a função de regulamentar um mercado competitivo e desverticalizado. A variável carga, considerada vital no planejamento da operação elétrica/energética e nos estudos de ampliação e/ou reforços da rede básica, assume importância estratégica na área comercial, valorizando os processos de armazenamento desses dados e da extração de conhecimentos através de técnicas computacionais. Nos últimos anos, diversos trabalhos foram publicados sobre sistemas de previsão de cargas (demanda). Os horizontes de curto, médio e longo prazo são contemplados por modelos estatísticos tradicionais e técnicas de mineração de dados(data mining), sendo os modelos neurais os mais explorados. No presente trabalho, as técnicas de mineração de dados são utilizadas para fazer a previsão mensal da carga nos intervalos de máximo, médio e baixo consumo, em consonância com as necessidades das empresas de distribuição de energia elétrica. Os resultados dos modelos neurais, quando comparados aos resultados dos modelos estatísticos, melhoraram o desempenho, medido através do erro relativo médio, em torno de 0,5%.
Abstract
The Brazilian State, in the past, monopolized the generation, transmission and distribution of electric energy. Following the world-wide tendencies, nowadays the State assumes the regulation function in a competitive and horizontal market. The variable load, fundamental in the plan of the electrical and energy operation, in the studies of magnifying and reinforcement of the basic network, assumes strategical importance in the commercial area, enhancing the data storage and knowledge extraction process using computational techniques. In the last years, many articles were published describing systems to forecast load demand. Short, medium and long term demand forecasting have been predicted by traditional statistical models and especially neural techniques of data mining. In the present work, data mining techniques are used to load forecast monthly in intervals of high, medium and low consume, according to the needs of electrical energy distribution companies. Neural Network models results, when compared to statistical results, improved performance, presenting an Average Relative Error about 0,5 lower.
