This paper focuses on the study of the strategic prediction of renewable sources of intermittent energy, using bio-inspired computational models, developed in Python, with the gaim of providing mechanisms that help in the monitoring and control of smart grids. To perform the learning of the neural network, we used the Backpropagation and Feedforwad algorithms. This neural network makes use of hysteresis neurons through the L 2 P model that, therefore, iterates the data to reproduce the prediction curves. To evaluate the model, real data obtained from the National Institute of Meteorology (INMET) was used. Results are presented through the application of the L 2 P model as a neural network and compared to existing structures in neural networks such as the ARIMA method, showing the good performance of the L 2 P neural network. Resumo: Este artigo concentra-se no estudo da predição estratégica de fontes renováveis de energia intermitente, utilizando modelos computacionais baseados em redes neurais artificiais (RNAs), desenvolvidos em linguagem Python, com o intuito de fornecer mecanismos que auxiliem no monitoramento e controle das redes elétricas inteligentes. Para a realização do aprendizado da rede neural, utilizou-se os algoritmos Backpropagation e Feedforwad. A rede neural em questão, faz o uso de neurônios de histerese por meio do modelo L 2 P (Limity Loop Proximity) que, portanto, realiza a iteração dos dados para reproduzir as curvas de previsão de radiação solar e velocidade do vento. Para avaliar o modelo, empregou-se dados reais obtidos no Instituto Nacional de Meteorologia (INMET). Resultados são apresentados por meio da aplicação do modelo L 2 P como rede neural e comparado a estruturas já existentes em redes neurais como o método ARIMA, evidenciando o bom desempenho da rede L 2 P .

No abstract

O modelo de Preisach ja é amplamente utilizado há décadas nos mais diversos fenômenos de histerese. Todavia, tanto a implementação quanto a estimação de parâmetros deste modelo são intrincadas e trabalhosas. O propósito deste artigo ée estudar a capacidade do modelo de proximidade ao laçco principal (Limiting Loop Proximity) em emular apropriadamente o modelo de histerese de Preisach. O modelo L2P é uma alternativa de fácil implementação e obtenção de parâmetros. Os dados sintéticos são obtidos a partir do modelo de Preisach para uma histerese magnética típica. O objetivo é estimar os parâmetros do modelo L2P, de modo que se aproxime ao máximo dos dados sintéticos do modelo de Preisach. Para estimar os parâmetros foi escolhido o metodo PSO (Particle Swarm Optimization). Resultados das curvas de histerese são apresentados e o grau de similaridade de ambos os modelos ée discutido.

A economia energética é um coeficiente de suma relevância para o correto funcionamento de uma rede neural artificial. Alicerçando-se na recente proposta de um modelo de neurônio artificial cuja memristência fundamenta-se nas dinâmicas não-lineares de transição de fase do composto inorgânico dióxido de vanádio (VO2), este trabalho tenciona, além de efetuar um maior detalhamento matemático dos fenômenos físicos que embasam as idiossincrasias do VO2, analisar, mais acuradamente, as diferentes formas de excitação do neurônio. Os resultados obtidos, através de simulações computacionais, mostraram-se promissores e, potencialmente, contribuirão positivamente para o avanço da área de redes neurais artificiais energeticamente eficientes.

No abstract