کیفیت توان الکتریکی در طی دو دهه اخیر به دلایل چندی، اهمیت وافری پیدا کرده است.از جمله این دلایل، گسترش روز افزون بارهای غیرخطی نظیر بارهای قوسی و الکترونیک قدرت، گسترش شدید بارهای حساس نظیر کامپیوترها و میکرو پروسسورها، ایجاد شبکه های به هم پیوسته الکتریکی، تجدید ساختار در صنعت برق و ایجاد بازار رقابتی برق می باشد. برای درک پدیده های کیفیت توان داشتن اطلاعات کافی درباره آنها و همچنین داشتن اطلاع در مورد استانداردهای متعارف پدیده های کیفیت توان، ضروری است. به لحاظ متغیر و تصادفی بودن وقوع پدیده های کیفیت توان، تعیین یک سطح مجاز استاندارد که معمولا به صورت آماری بیان می شود، لازم است. همچنین با توجه به پیشرفت های تکنولوژی در زمینه تجهیزات اندازه گیری، استانداردهای کیفیت توان بصورت دائمی در حال تغییراند، لذا تحقیق و تجدید نظر در استانداردهای موجود و تدوین استانداردهای جدید بصورت دائمی نیاز است. همین طور ارائه یک روش عملی برای ارزیابی میزان کیفیت توان در شبکه و بدست آوردن یک شاخص یکتا و کمی مناسب جهت گنجاندن هزینه کیفیت توان در تعرفه های برق مشترکین ضروری می باشد. برای پدیده های مختلف کیفیت توان شاخص های استانداردی تعریف شده است (مثلاً ضریب قدرت برای میزان توان راکتیو، فلیکر برای ارزیابی تغییرات با فرکانس کم دامنه ولتاژ) ولی یک شاخص یکتا که با جمع کردن وزنی تمام پدیده های فوق بتواند یک معیار کاربردی از سطح کیفیت توان سیستم یا مشترک را بدست دهد، وجود ندارد. هدف از این تحقیق پیشنهاد یک شاخص کمی است، بطوریکه این شاخص تمام پدیده های کیفیت توان را در برگیرد. چون مسئله کیفیت توان تابعی از عناصر متغیر و تصادفی است و به طور کلی یک مسئله فازی و با حجم زیاد اطلاعات می باشد، حل این مسئله توسط روش های تحلیلی مشکل است و ترکیبی از روش های آماری و ابتکاری در این مورد استفاده شود. علم داده کاوی الگوریتم های مناسبی جهت خوشه بندی اطلاعات و بدست آوردن یک شاخص یکتا از مجموعه داده ها را فراهم می نماید. در این رساله الگوریتمfast_ica معرفی و به این منظور استفاده شده است. در این رساله ابتدا به جمع آوری داده های اندازه گیری شده در چندین نقطه کشور پرداخته شده است و آنها بر اساس انواع بار به شش گروه تقسیم بندی گردیده اند. در این راستا برای هر پدیده کیفیت توان سطوح کمی تعریف می شود که طبق آن هر پدیده کیفیت توان به هفت دسته فازی تقسیم می گردد. با اعمال الگوریتم fast_ica که یک روش یاد گیری هدایت نشده در داده کاوی است و با توجه به مقدار داده ها و تعداد نقاط اندازه گیری شده، کلیه پدیده های کیفیت توان وزن دهی می شوند و سپس با استفاده از فاصله اقلیدسی و وزن پدیده های کیفیت توان بدست آمده، شاخص های کلی و تکی برای نقاط و سطوح پدیده های کیفیت توان (نقاط ایده آل)، تعیین و محاسبه می شوند. سپس با توجه به این شاخص های تکی و کلی و مقایسه آنها با سطوح پدیده های کیفیت توان، نقاط از لحاظ وضعیت کیفیت توان به هفت دسته فازی، خوشه بندی می گردند. این روند کلی ابتدا برای تمامی نقاط اندازه گیری شده و سپس برای هر یک از شش نوع بار انجام می گیرد و آنگاه نتایج بدست آمده بصورت نمودار میله ای نمایش داده می شوند. دراین رساله دیدگاه موقعیت در شبکه نیز مطرح شده است. بدین گونه که نقاط اندازه گیری شده واقع در یک پست، از دیگر نقاط تفکیک شده و آنگاه در هر پست شاخص های تکی و کلی خوشه بندی و سپس با یکدیگر مقایسه می شوند. نتایج آن به عنوان نمونه برای شش پست در جدولی گردآوری شده اند.

با توجه به اهمیت ترانسفورماتورها در سیستمهای قدرت و لزوم وجود حفاظت مناسب در حین کار بر روی آنها، در این پایان نامه به بیان روش حفاظت از ترانسفورماتورهای قدرت با استفاده از تلفیق روش اجزاء محدود و سیستمهای هوش مصنوعی پرداخته شده است. با انتخاب یک ترانسفورماتور نمونه، ابتدا تحلیل اجزاء محدود بر روی آن صورت گرفته است و پارامترهای مغناطیسی و الکتریکی آن شبیه سازی شده است. سپس با انتخاب دو خطای فاز به زمین و فاز به فاز و اعمال آنها به ترانسفورماتور، تحلیل اجزاء محدود بر روی این خرابی ها صورت گرفته است. با استخراج جریانهای اولیه سه فاز در هر حالت به عنوان پارامترهای خروجی سیستم اجزاء محدود؛ تحلیل موجک بر روی سیگنالهای جریان انجام گرفته است تا اطلاعات دقیق ترانسفورماتورها در حوزه زمان و فرکانس با توجه به هارمونیکها و وقوع خرابی استخراج شود. چهار موجک مناسب انتخاب شده و مقدار متوسط آنها به عنوان پارامترهای ورودی به سیستم هوش مصنوعی داده شده است. سپس با انتخاب دو سیستم هوشمند شبکه عصبی پرسپترون چند لایه با یک لایه مخفی و شبکه فازی-عصبی، شبکه های هوشمند طراحی و مدل شده اند. با آموزش مناسب این دو شبکه با داده های کافی و مناسب که از ایجاد تغییرات در پارامترهای منبع ورودی ترانسفورماتور و مشخصه مغناطیسی هسته صورت گرفته است، شبکه عصبی و همین طور فازی-عصبی کامل شده اند و نهایتاً با استفاده از سیگنالهای تست مقدار خطا در هر حالت برای تشخیص وضعیت کار ترانسفورماتور به دست آمده است.