Resumo:

 

      A previsão de carga é um processo indispensável tanto para planeamento como operação dos sistemas de energia elétrica. Além disso, representa também um fator de vantagem na gestão de ativos das empresas que participam no mercado de energia, permitindo uma gestão mais eficiente e económica do fornecimento de energia elétrica.

      Conseguir antever eficazmente e com o menor erro possível o comportamento da carga, possibilita um planeamento e operação do sistema elétrico mais eficiente e lucrativo. Daí a pertinência em estudar modelos/técnicas de previsão de carga e avaliar o seu desempenho. Em condições reais de operação, o tempo de resposta é tão crítico quanto a sua precisão, pelo que é importante destacar o esforço computacional necessário em estudos de sistemas de energia complexos, onde a redução dos tempos de processamento não é apenas uma questão de eficiência computacional, mas fundamentalmente de precisão/eficácia de resposta.

      A partir de uma boa previsão, é possível decidir com segurança pelo aumento de geração de energia numa determinada hora do dia, ou até determinar quantas centrais elétricas necessitam ser construídas num horizonte de longo prazo, tendo em conta a expansão do sistema e o aumento da procura de energia. Contudo, são diversas as variáveis que afetam o consumo de energia num sistema elétrico, o que torna a previsão bastante complexa. A temperatura, a hora do dia, os dias da semana, as estações do ano e até alguns fatores socioeconómicos são exemplos de fatores que condicionam o consumo.

      Vários são os modelos capazes de fazer uma previsão de carga, com maiores ou menores índices de erro. No âmbito desta dissertação, pretende-se comparar o desempenho de diferentes técnicas de previsão de carga de curto prazo, nomeadamente:

 

I) Análise clássica (Box-Jenkins) de séries temporais;

II) Redes neuronais;

III) Máquinas de suporte vetorial (SVM – Support Vector Machines, na literatura anglo-saxónica).

 

      A análise clássica (ponto I) permitirá estabelecer um patamar de referência em termos de desempenho, que se espera ultrapassar com as duas técnicas seguintes. Na comparação entre técnicas, serão confrontados diferentes tipos de índices de desempenho (erros), bem como tempos de treino, flexibilidade e capacidade de filtragem de dados anómalos.

 

Palavras-chave:

Previsão de carga, séries temporais Box-Jenkins, redes neuronais, SVM.