Clustering of load profiles for short term load forecasting

Este trabalho apresenta a utilizaÃÃo de clusterizaÃÃo de curvas de carga do nÃvel menos agregado para o mÃtodo de dias similares, com o objetivo de obter conjuntos reduzidos de dados que imponham menores cargas computacionais ao algoritmo de previsÃo, e permitir ainda, desempenhos similares ou superiores quando comparados aos obtidos pelo mÃtodo de dias similares que faz uso do conjunto original de dados. O mÃtodo de dias similares permite realizar previsÃo de carga de curtÃssimo prazo a partir de dados histÃricos de consumo de energia elÃtrica, alÃm de dados correlatos, que permitem traÃar analogias com um dia futuro. ImplementaÃÃes convencionais do mesmo mÃtodo sÃo utilizadas para comparaÃÃo de resultados. O cenÃrio que fornece os dados para os estudos, assim como os equipamentos empregados e a etapa de prÃ-processamento de dados sÃo apresentadas. A anÃlise de silhuetas de cluster foi empregada com o objetivo de validar os agrupamentos. Por meio do cÃlculo do MAPE foi possÃvel verificar a assertividade das previsÃes, indicando superioridade daquela baseada nas curvas de carga clusterizadas.This work presents the use of clustering techniques in load curves for the similar days method for load forecasting, in order to obtain a reduced data to achieve a faster computational algorithm, while achieving similar or superior performance compared to those obtained by the traditional method that makes use of the original data set. The method allows to perform similar day load forecasting using short-term historical data from the consumption of electricity at consumers level, and related data, which allow tracing analogies to a future day. Conventional implementations of the method are used for comparison and validation. The scenario that provides the data for the studies, as well as the equipment, and data preprocessing stage, are presented. The methodology is validated using the cluster silhoute analysis. With the MAPE values was possible to verify the forecast, indicating superiority of the method based on clustered load curves