Este trabalho de pesquisa está relacionado com a aplicação de técnicas de Redes Neurais Artificiais (RNA's) na obtenção de políticas de operação conjunta de usinas hidroelétricas (UH's). O comportamento ótimo das usinas hidroelétricas depende tanto da posição relativa de cada UH ao longo da cascata como da relação entre elas. O propósito principal deste trabalho é de aplicar a rede de mapa auto-organizável (SOM) de Kohonen com modelos de sistemas dinâmicos, no aprendizado destas relações, objetivando seu uso para simular a operação ótima de um sistema hidroelétrico real. Este modelo é uma versão não-supervisionada do modelo NARX sendo chamado de modelo ou rede NARX Auto-Organizável (SONARX), capaz de processar padrões espaço-temporais. Desta maneira, um algoritmo de programação não-linear, especialmente desenvolvido para a realização da operação determinística de sistemas hidrotérmicos de potência, é utilizado para otimizar a operação deste conjunto de usinas, considerando-se várias condições hidrológicas distintas e, tendo como função objetivo a minimização do custo com complementação térmica. Em seguida, os resultados desta otimização são então processados e utilizados no treinamento da rede SONARX; ela irá captar os comportamentos relativos de cada uma das UH's, trabalhando com afluências futuras que ela mesma irá prever. De forma geral, a partir dos resultados obtidos com um subsistema do sistema sudeste brasileiro, pode-se concluir que a rede SONARX conseguiu assimilar o comportamento ótimo da operação do sistema teste. Os testes mostraram que o previsor neural possui uma forte tendência em seguir os resultados da otimização determinística, otimizando o uso dos recursos hídricos disponíveis para geração de energia elétrica. Posteriormente, a rede neural com função de base radial (RBF) foi aplicada na interpolação das previsões feitas pela rede SONARX, uma vez que este tipo de rede é indicado para esta tarefa. Neste contexto, os centros das funções de base, da rede RBF, passam a ser definidos pela rede SONARX, mitigando o erro inerente a este tipo de modelagem baseada na técnica de MATQV.

This research work is related to the application of Artificial Neural Networks (ANN) in the obtaining of united operation policies in hydroelectric power plants (HP). The optimal behavior of the hydroelectric power plants depends as much on the relative position of each station throughout the cascade as on the relation between them. The main purpose of this work is to apply the self-organizing map network (SOM) of Kohonem with dynamic system models, in the learning of these relations, objectifying its usage to simulate the optimal operation of a real hydroelectric power system. This model is an unsupervised version of the NARX model; which has been called self-organized model or network (SONARX), capable of processing space-time patterns. This way, a nonlinear programming algorithm, especially developed to accomplish the hydrothermal power system deterministic operation, is used to optimize the operation of this group of hydropower plants, considering many distinct hydrological conditions, and aiming the minimized cost with the thermal complementation. After this, the results of this optimization are processed and used in the SONARX network training; it will captivate the relative behavior of each one of the (HP), working with future affluences that it will predict. In a general way, from the acquired results from a subsystem of the brazilian southeast system, we may conclude that the SONARX network managed to assimilate the optimal behavior of the system test operation. The tests showed that the neural predictor has a high tendency towards deterministic optimization results, optimizing the water resources use available for the electric energy generation. After all this, the radial basis function (RBF) network was applied on the interpolation of the predictions made by the SONARX network, once this kind of network is indicated to this task. On this context, the centers of the basis functions, of RBF network, are to be defined by the SONARX network, mitigating the unrelated error to this type of modeling based on MATQV technique.