Previsão de carga elétrica em curto prazo utilizando combinação de estações meteorológicas

Previsões de carga, em base horária, são necessárias para a operação diária de empresas da Cadeia de Suprimentos do Setor Elétrico (CSSE) e vários participantes envolvidos no mercado de energia. Como a oferta deve ocorrer idealmente de forma concomitante com a demanda, por conta da impossibilidade de se estocar eletricidade em grandes volumes, a má previsão leva ao desequilíbrio do sistema, causando desde o aumento do custo financeiro da operação devido a transações em cima da hora, até falhas em equipamentos. No atual contexto, muitas empresas da CSSE têm atualizado seus equipamentos para se tornarem smart grids. Com estas tecnologias, é possível monitorar a carga em diversos pontos do sistema, passando por áreas geograficamente diversas. Some-se isto ao fato de que aspectos climáticos estão entre aqueles que mais influenciam o consumo de energia elétrica, emerge um novo desafio: como selecionar e combinar dados das estações meteorológicas disponíveis, para prever a carga de um território específico? Neste trabalho, utilizamos uma heurística para ranquear as estações meteorológicas e propomos dois novos métodos de combinação, que levam em conta aspectos de ordem prática como fatores geográficos. Para sete conjunto de dados, correspondentes a zonas de carga do operador do estado de Nova Iorque, EUA, testamos os métodos propostos para compor as entradas de redes neurais artificiais. Também testamos a combinação pela média aritmética simples, como costuma se encontrar na literatura. Analisamos a sensibilidade das redes a ruídos nos dados exógenos e comparamos os resultados com os de benchmarks univariados de séries temporais, baseados apenas no histórico das cargas. Verificamos que, para a maioria das zonas de carga em que a combinação de duas ou mais estações se faz necessária para abarcar as características climáticas, os dois métodos de combinações propostos têm melhor desempenho, inclusive com sugestão de robustez a ruído nos dados exógenos. Também notamos que levar em conta características de ordem prática, como as geográficas, nos modelos de previsão, parece trazer benefícios. Além disso, os resultados mostram que há se atentar para a qualidade dos dados de fontes secundárias, visto que a partir de certo nível de ruído, passa a ser interessante trabalhar apenas com os dados de carga, para certos conjuntos de dados