A previsão de carga apresenta importância vital para a operação e o planejamento confiável, seguro e econômico de sistemas de potência. Vários modelos vêm sendo propostos para abordagem deste problema ao longo das últimas quatro décadas, entretanto de uma maneira geral estas propostas requerem intervenção constante de especialistas na modelagem, no que tange tanto à definição das variáveis explicativas quanto da estrutura dos modelos.
Neste contexto, o desenvolvimento de sistemas neurais de previsão de carga para níveis inferiores em sistemas de potência, como previsão por barramento, fica comprometido, visto que seria necessária a análise individual, por parte de especialistas, de cada barra do sistema em estudo. Previsores neurais autônomos, incluindo procedimentos automáticos para seleção de entradas, regularização e definição da estrutura, foram propostos recentemente para previsão de carga.
Estas metodologias apresentam uma série de questões em aberto, como, por exemplo, ferramentas para definição automática do conjunto inicial de entradas a partir do qual são selecionadas aquelas mais relevantes e métodos para agrupamento automático dos dados, visando principalmente a detecção autônoma de dados discrepantes ou outliers.
Assim, neste projeto serão pesquisadas técnicas baseadas na teoria do caos e na teoria da informação visando obter uma metodologia para seleção do conjunto inicial de entradas. Com o intuito de desenvolver técnicas automáticas de agrupamento e seleção de dados, métodos de clusterização automática também serão desenvolvidos.