کیفیت توان امروزه به عنوان مبحث مهمی در مهندسی قدرت تبدیل شده است. علت عمده ی اهمیت یافتن کیفیت توان، افزایش تجهیزات حساس مصرف کنندگان در ته خط می باشد ]1[. در شبکه های امروزی با توجه به وجود بارهای حساس و اهمیت عملکرد مناسب این تجهیرات، بررسی پدیده هایی موسوم به پدیده-های کیفیت توان که باعث ایجاد تغییرات در ولتاز شبکه می شوند و جلوگیری از بروز آن ها و هم چنین کاهش اثرات زیان بار آن ها در صورت بروز، از اهمیت ویژه ای برخوردار است. بنا بر این جهت بهبود کیفیت توان اولین قدم شناخت پدیده ها و توانایی طبقه بندی آن ها و تشخیص علت بروز و کنترل آن ها می باشد ]2[. شکل موج سیگنال دچار اغتشاش حاوی اطلاعات مفیدی از نوع پدیده ی رخ داده می باشد که با استفاده از آن ها می توان نوع پدیده ی رخ داده را تشخیص داد ]3و4[. در این پایان نامه، تلاش شده که با تهیه ی سیگنال های مناسب از شبکه و استخراج و انتخاب ویژگی های برتر این سیگنال ها، الگوریتمی جهت تشخیص پدیده های کیفیت توان ارائه شود. از گذشته تا به امروز از الگوریتم های مختلفی جهت استخراج ویژگی های شکل موج دچار اغتشاش استفاده شده است که هر یک از این الگوریتم ها مزایا و معایب مخصوص به خود را دارد. سپس به کمک الگوریتم هایی، بهترین ویژگی ها انتخاب می شوند و به کمک الگوریتم های کلاس بندی، نوع پدیده ی رخ داده مشخص می شود. به طور معمول الگوریتم های مختلفی برای کلاس بندی (classification) در تمام زمینه ها وجود دارد که عموم این الگوریتم ها بر اساس الگوریتم های یاد گیری ماشین می باشد. با توجه به این موضوع در این پایان نامه بر آن شدیم که از یک الگوریتم یاد گیری ماشین جدید استفاده کرده و به بررسی مزایا و معایب و مقایسه این الگوریتم با الگوریتم های معمول یادگیری ماشین که در ادامه ذکر خواهد شد، بپردازیم. یکی از الگوریتم های جدید یاد گیری ماشین، الگوریتم bvm(ball-vector-machine) می باشد. در این پایان نامه به امکان سنجی کاربرد این الگوریتم و مقایسه نتایج با دیگر الگوریتم های متداول پرداخته خواهد شد.