Existe ainda um longo caminho no que à previsão de carga diz respeito, no entanto esse caminho já se começou a percorrer e é com esse intuito que de seguida se propõe para desenvolvimentos futuros a implementação de novos métodos que possam fortalecer o GS de uma ferramenta de previsão de carga natural mais eficaz.

 

A inclusão de redes neuronais como técnica de previsão de carga natural revelou ser bastante eficiente principalmente tendo em conta o método utilizado pela GS, embora esta técnica tenha apresentado bons resultados ainda poderá ser melhorada. 

 

No sentido de melhorar a ferramenta criada neste documento propõe-se o seguinte:

 

•  Treino para todas as subestações - Neste trabalho foram criadas redes que possibilitam a previsão apenas para as subestações que apresentam maior risco de indisponibilidade, perfazendo 13 num total de 64 subestações.

 

•  Criação de uma rede de treino com mais dados históricos, isto é, neste documento foram treinadas redes com um ano de dados históricos, que percorriam as diversas estações do ano. O que se propõe é um aumento do intervalo de dados para 2 ou 3 anos, tendo sempre em atenção as situações "anómalas" como por exemplo as transferências de carga presentes.

 

•  Inclusão de um método que indique à rede neuronal que os dados históricos de consumo das semanas anteriores podem ser afetadas por feriados.

 

•  Inclusão de outros tipos de produtores em regime especial além dos produtores eólicos. Desta forma a previsão do trânsito de potência presentes nos transformadores MAT/AT tornava-se cada mais condizente com a realidade.

 

•  Criação de um método menos moroso para o tratamento de dados que provêm de diferentes origens.