Abstract— This paper presents a methodology for modeling typical power demand curves and shows the influence of climatic data as a deterministic factor for this characterization by using Artificial Neural Networks. The methodology presented was applied on real data, what made possible to obtain typical curves with a high degree of accuracy in forecasting demand curves. By means of the investigation carried out it can be seen the closest relationship between climatic data and electric power demand. Furthermore, a comparison between the proposed methodology and the kVAs method is presented. Keywords— Power Demand Curve, Power Systems, Systems Modeling. I. INTRODUÇÃO S SISTEMAS elétricos de potência têm a função precípua de fornecer energia elétrica aos usuários, grandes ou pequenos, com a qualidade adequada, no instante em que for solicitada [1]. Um dos passos iniciais e que pode ser considerado base para o desenvolvimento de métodos e ferramentas de análise de sistemas de distribuição é a modelagem adequada das cargas elétricas, de forma que suas variações ao longo do tempo possam ser corretamente representadas [2]. A modelagem e a caracterização típica do comportamento real de demanda ao longo do dia para os mais distintos consumidores é um desafio ambicioso e necessário para a otimização do planejamento em diferentes cenários. Neste contexto, a variação climática é um fator determinístico para estimar o comportamento característico da curva típica de demanda de energia elétrica pelos consumidores. Entre os fatores que podem influenciar na análise e na modelagem da carga, podem-se citar: condições meteorológicas (velocidade do vento, umidade relativa do ar, temperatura ambiente) e fatores diversos (feriados e finais de semana). Uma boa análise desses fatores permite influenciar de maneira direta nos resultados das previsões, pois admitem uma maior abstração para que sirvam de entrada para um sistema previsor [3,4]. Os métodos atuais para caracterização de curvas típicas, apenas classificam as unidades consumidoras em classes, subclasses e faixa de consumo médio, com o objetivo de agrupar de forma confiável os comportamentos semelhantes de curvas de demanda [5]. M. S. Marques, Cooperativa Permissionária de Distribuição e Geração de Energia Elétrica das Missões (Cermissões), Caibaté, RS, Brasil, marthielo@cermissões.com.br F. C. Soares, Universidade Federal do Pampa (unipampa), Alegrete, RS, Brasil, fatimacibele1@gmail.com J. L. Russi, Universidade Federal do Pampa (unipampa), Alegrete, RS, Brasil, jrussi@gmail.com Corresponding author: Jumar L. Russi. Este trabalho contribui no sentido de apresentar uma metodologia para a obtenção de curvas típicas de demanda utilizando redes neurais artificiais que possuem dados climáticos adicionalmente como dados de entrada, bem como a divisão das unidades consumidoras em classes, subclasses e média de consumo. Dessa forma, os resultados obtidos apresentam dados mais próximos do comportamento real de uma dada classe de consumidores para um determinado cenário climático. Uma vez possibilitando a otimização da modelagem do comportamento de demanda dos consumidores ligados ao sistema de distribuição, os resultados de planejamento de alimentadores e subestações serão mais satisfatórios, possibilitando garantir maior qualidade para o sistema de distribuição de energia elétrica. Durante o processo de desenvolvimento das metodologias e teste de algoritmos propostos, são utilizados dados da Permissionária Cooperativa de Geração e Distribuição de Energia Elétrica das Missões (CERMISSÕES), empresa com mais de 50 anos de existência, localizada na região das missões do Rio Grande do Sul e responsável pela distribuição de aproximadamente 26.000 unidades consumidoras. A grande massa de equipamentos de refrigeração e irrigação ligadas à distribuidora, faz com que essa otimização seja de grande interesse para que se possa obter melhores resultados para diferentes cenários climáticos. A seção II é apresentada uma breve revisão sobre redes neurais artificiais. A seção III apresenta a metodologia empregada; a seção IV apresenta os resultados obtidos e finalmente a seção V apresenta um estudo comparativo com as curvas kVAs. II. REDES NEURAIS ARTIFICIAIS As Redes Neurais Artificiais (RNAs) são um sistema de processamento paralelo e distribuído. Este modo de computação não algorítmica é caracterizado por sistemas que se assemelham à estrutura do cérebro humano [6]. A solução de problemas por meio de RNAs é muito atrativa, uma vez que é inerente à sua arquitetura e são representadas internamente pelo paralelismo natural, possibilitando um desempenho superior ao dos modelos convencionais. Esta característica se deve ao fato de que uma RNA é capaz de realizar um processo de aprendizagem quando um conjunto de exemplos (dados de uma amostra) lhe é apresentado, e por sua vez, extrai automaticamente as características necessárias para representar o conjunto de informações fornecido. Estas características são armazenadas sob forma de pesos que posteriormente são utilizados na geração de respostas para o problema [7]. M. S. Marques, F. C. Soares and J. L. Russi Modeling Typical Power Demand Curves Using Climatic Data O 3278 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 7, JULY 2016