یکی از چالش هایی که در کلان شهر ها , به خصوص در تهران وجود دارد آلودگی هوا شهر می باشد که اثرات تخریب کننده ای بر سلامت عمومی دارد. با توجه به گسترش صنایع مختلف و افزایش تعداد اتومبیل ها , کاهش آلاینده های هوا امری اجتناب ناپذیر به نظر می رسد زیرا حذف کلیه منابع انتشار آلودگی یا وارد نشدن آلودگی به آتمسفر غیر منطقی است. بلکه باید آلودگی تا حدی کاهش یابد که اثرات مخرب قابل توجهی بوجود نیاورد. یکی از این آلاینده ها بنزن می باشد که به دلیل ماهیت هیدروکربنی آروماتیکی که دارد , به خصوص در غلظت های بالا می تواند مشکلات زیادی را به وجود آورد , از مهم ترین منابع به وجود آورنده این آلاینده می توان به صنایع و خودرو های فرسوده اشاره کرد. تاکنون نیز مدلهای زیادی برای تشریح فرآیند پیچیده آلودگی هوا پیشنهاد شده است. یکی از روشهای نوین در تشریح فرآیند آلودگی هوا شبکه های عصبی مصنوعی می باشد. این روش که یکی از شاخه های هوش مصنوعی به شمار می آید، به دلیل ساختار ریاضی غیر خطی و نیز پیش بینی قابل قبول در میان محققین رواج یافته است. این مطالعه به مقایسه نتایج حاصل از دو مدل متفاوت از شبکه های عصبی مصنوعی یعنی) rbf radian bases function(و multi layer perceptron(mlp) در پیش بینی غلظت بنزن هوای شهر تهران با استفاده از داده های درجه حرارت ساعتی , سرعت باد و درصد رطوبت پرداخته است. پس از تعیین بهترین معماری در هر دو شبکه, مشاهده شد که نتایج حاصل از شبکه عصبی rbf از دقت قابل قبول تری نسبت به شبکه عصبی mlp برخوردار است . بدین ترتیب که در شبکه عصبی rbf ضریب همبستگی بین داده های پیش بینی و واقعی, 0.9077 و در شبکه عصبی mlpضریب همبستگی 0.868 بدست آمد. در انتها نیز بین داده های ورودی تحلیل حساسیت صورت گرفت که مشخص گردید, درجه حرارت ساعتی , سرعت باد و رطوبت به ترتیب , 46.83%36.26% و 16.9% در پیش بینی غلظت بنزن تاثیر گذار می باشند. همچنین بهترین مقادیر خطای ve , mae و rmse در مدلسازی شبکه rbf به ترتیب 0.46, 5.12 و 0.71 بدست آمد

شبکه های توزیع انرژی الکتریکی که معمولا در ولتاژ پایین کار می کنند به سیستم انتقال ولتاژ بالا متصل بوده و توان را در ولتاژ پایین به مصرف کننده تحویل می دهند. تلفات کلی توان در خطوط شبکه های توزیع به-علت ولتاژ پایین و جریان بالا نسبت به شبکه های انتقال، بالا می باشد که این مساله به نوبه خود باعث افزایش هزینه تلفات توان می شود. در این میان از جمله راهکارهای کاهش تلفات می توان به تخصیص بهینه منابع توان راکتیو در شبکه اشاره کرد که یکی از مهم ترین این منابع بانک های خازنی است. از طرفی وجود وابستگی بارها به ولتاژ اهمیت نصب بانک های خازنی، با در نظرگرفتن این مهم در شبکه را دو چندان می سازد. جهت بررسی توجیه اقتصادی خازن گذاری مسائلی هم چون کاهش تلفات انرژی، آزادسازی ظرفیت، کاهش تلفات پیک و سود حاصل از خازن گذاری به علت وابستگی بار به ولتاژ بیان می شود. در مقابل هزینه خرید، نصب ، نگهداری تجهیزات کنترل خازن ها و هزینه بهره برداری از آن ها به عنوان هزینه سرمایه گذاری مطرح می شوند. با در نظر گرفتن عدم قطعیت در بار و وابستگی بار به ولتاژ در شبکه می تواند دید واقعی تری به مسأله خازن-گذاری دهد. به طور کلی، هدف از این مطالعه بررسی تخصیص بهینه بانک های خازنی در حضور بارهای وابسته به ولتاژ است. در کنار این هدف، عدم قطعیت موجود در بار شبکه نیز مورد توجه قرار گرفته است لذا یک برنامه ریزی تصادفی برای تخصیص بهینه بانک های خازنی در حضور بارهای وابسته به ولتاژ و عدم قطعیت موجود در بار انجام گرفته است.