A previsão de demanda de potência ativa é um quesito importante para o planejamento da operação do setor elétrico. A informação sobre a demanda futura auxilia na manutenção da qualidade de energia, influencia economicamente o setor, sendo vital para realizar o balanço entre geração e demanda, e afeta diretamente as relações de compra e venda de energia. Dentre os métodos encontrados na literatura, as técnicas de soft computing (redes neurais artificiais (RNA), sistemas fuzzy (SF) e máquinas de vetores de suporte (MVS)) se destacam em certos problemas por apresentarem resultados com baixos erros e maior aderência a diferentes tipos de cenários, principalmente quando comparadas com técnicas de estimação linear. Neste trabalho, o método proposto consiste na criação de uma estrutura de RNA profunda (RNAP) para realizar a previsão da demanda para um horizonte de 30 minutos. A utilização da técnica de RNA, ao invés de uma técnica linear, foi justificada através da realização de um teste de hipótese com o problema proposto. Para avaliar o desempenho do método proposto, sua previsão será comparada com a previsão realizada por uma técnica tradicional de RNA. A avaliação dos dois modelos foi realizada utilizando uma série temporal de demanda, obtida a partir de um alimentador conectado a uma subestação; foram utilizadas medições para o período de um ano. Considerando a acurácia e a aderência do modelo de estimação, os resultados obtidos indicam a superioridade da RNAP em relação à técnica tradicional. Desta forma, o método proposto apresentou, na maioria dos casos analisados, modelos mais simples, com erros menores e maior grau de aderência.

Load forecasting is a very important tool for planning the operation of electrical systems. The knowledge about future load, helps to maintain energy quality and economically affects the energy sector, by influencing the balance between generation and load, what directly affects the energy purchase-sale relations. Among the methods found in literature, soft computing techniques (such as artificial neural networks (ANN), fuzzy systems (FS) and support vector machines (SVM)) stand out for presenting results with lower error and greater adherence to different types of problems. In this work, the proposed method consists in the development of a deep ANN structure for short term load forecasting, considering a prediction for 30 minutes in the future. The methodology's performance will be evaluated regarding a benchmarking method, that consists in a traditional ANN. Both methods were analyzed for the forecasting of a load time series, that was obtained from a feeder conected to a power substation. The results indicate the superiority of the proposed method in relation to the traditional method. In most cases, the proposed method returned simpler models, with smaller errors. In addition, the proposed method also did not present local minimum convergence problems, that typically occur for traditional ANNs.