Nesta dissertação é proposto e avaliado um modelo de caracterização da carga para utilização no planejamento operacional dos sistemas de distribuição baseado na caracterização dos consumidores através de curvas típicas de carga. A identificação dos padrões de curvas típicas baseou-se na aplicação da rede neural tipo mapa auto organizável, sobre a grande massa de dados de medições de clientes da campanha de medidas realizada pela distribuidora no processo de revisão tarifária o que permitiu a identificação dos padrões de consumo de energia ativa e fator de potência para os consumidores ao longo do dia. O módulo de agrupamento baseado no mapa auto organizável associado a técnica clássica de agrupamento das k-médias mostrou-se uma ferramenta extremamente robusta e eficaz na identificação de padrões para grandes bases de dados. A comparação dos resultados das estimativas de carga para cerca de 200 alimentadores de distribuição medidos através do sistema SCADA complementa e valida a aplicação desta metodologia, que culmina com a proposição de um modelo de otimização, que com base nas medições, possibilita melhorias significativas na estimativa de carga dos alimentadores estudados. A metodologia proposta neste trabalho demonstra ser uma ferramenta eficaz para que a distribuidora de energia elétrica possa constantemente realimentar os dados sobre os hábitos de consumo de seus clientes, garantindo assim a manutenção de estimativas consistentes para o planejamento operacional de seu sistema de distribuição.

This dissertation presents and validate a load characterization framework for the operational planning of electric distribution networks based on characterization of customer typical load curves. The pattern recognition of typical load curves was based on the usage of self organizing maps, a type of neural network, over the huge database of customer field measurements performed by the electric energy utility for tariff review process, allowing the characterization of daily active energy consumption and power factor behaviors. The grouping module is based on self organizing map technique along with classic k-means technique, which proved to be an extremely effective tool for pattern recognition over large databases. The results of load estimation for 200 distribution feeders measured by SCADA system ensures the quality and accuracy of this framework which presents also an optimization model based on such measures, resulting significant improvement on load estimation for these feeders. This framework proves to be an effective tool for electric energy utilities for constant evaluation of customer’s power consumption behavior, allowing the maintenance of accurate estimations for operational planning of distribution networks.