Através das ferramentas do software MatLab, neste trabalho foi desenvolvido uma interface gráfica para a estimativa de produção de capim-marandu utilizando-se de redes neurais artificiais e das propriedades gráficas disponibilizadas pelo software, visando além da assertividade e eficiência da estimativa, o desenvolvimento da interface de maneira que pessoas leigas ao assunto e à programação, tenham acesso a ferramenta elaborada, valorizando conceitos já estudados de User Experience e podendo assim, ser utilizada em áreas de ensino sobre redes neurais, ampliando o acesso à informação através da interface homem-máquina.

Loading margin evaluation is one of the essential tasks of power system voltage stability analysis. Conventional methods for loading margin calculation are based on continuation power flow techniques. Recently, there is growing interested to apply artificial neural network (ANN) techniques to rapidly predict the loading margin. However, traditional ANN learning algorithms usually suffer from excessive training or tuning burden and unsatisfactory generalization performance. In this work, an ANN to estimate the voltage magnitude is presented, as well as all P-V curves of electrical power systems with reduced training time. From the results, ANN presented good performance, with a mean square error in training below the specified value. Of the samples that were not part of the training, the network managed to estimate 100% of the values of the magnitude of the voltage within the established range, with residues around 10 -4 and a percentage of correctness between the desired and obtained output of 99.6%.Resumo: A avaliação da margem de carregamento é uma das tarefas essenciais na análise de estabilidade de tensão dos sistemas elétricos de potência. Os métodos convencionais para o cálculo da margem de carregamento são baseados nas técnicas de fluxo de carga continuado. Recentemente, há um interesse crescente em aplicar técnicas baseadas em redes neurais artificiais (RNA) para prever rapidamente essa margem. No entanto, algoritmos de aprendizagem de RNA tradicionais geralmente sofrem de treinamento excessivo ou carga de ajuste e desempenho insatisfatório de generalização. Neste artigo é apresentada uma RNA para estimar a magnitude das tensões, bem como toda curva P-V dos sistemas elétricos de potência com tempo de treinamento reduzido. Dos resultados, a RNA apresentou bom desempenho, com erro quadrado médio no treinamento abaixo do valor especificado. Das amostras que não fizeram parte do treinamento, a rede conseguiu estimar 100% dos valores das magnitudes das tensões dentro da faixa estabelecida, com resíduos em torno de 10 -4 e percentual de acerto entre a saída desejada e obtida de 99,6%.