ارزیابی پایداری گذرا (tsa) بخشی از ارزیابی دینامیکی امنیت سیستم های قدرت است که شامل بررسی توانایی سیستم قدرت برای حفظ همزمانی تحت اغتشاشات شدید می باشد. روش های معمول در ارزیابی پایداری گذرای سیستم قدرت روش شبیه سازی زمانی، روش-های مستقیم مانند روش تابع انرژی گذرا و روش معیار مساحت های برابر توسعه یافته و روش های ترکیبی می باشند. روش شبیه سازی زمانی دقیق ترین روش ها بوده، اما زمان بر می باشد و نیاز به محاسبات فراوان دارد. به منظور کاهش زمان محاسبات، tsa باید سریع و دقیق محاسبه شود. در سال های اخیر شبکه عصبی مصنوعی (ann) تبدیل به ابزار مهم دیگری نسبت به روش های مرسوم شده است و یک روش قابل قبول برای tsa ارائه می کند. در این پایان نامه روشی بر مبنای شبکه ی عصبی پرسپترون چند لایه (mlp) برای ارزیابی بهنگام پایداری گذرا با در نظر گرفتن جزئیات ماشین های سنکرون و سیستم های تحریک آن ها ارائه می شود. تنها یک شبکه ی mlp به منظور تخمین زمان رفع خطای بحرانی (cct) برای ساختارهای مختلف سیستم و نیز شرایط کاری مختلف به کار گرفته شده است. آموزش شبکه ی mlp با استفاده از مشخصه های سیستم که به دقت انتخاب شده، به عنوان ورودی و cct به عنوان خروجی هدف مطلوب انجام شده است. به عبارت دیگر، cct به عنوان شاخصی برای معیار پایداری گذرای سیستم در نظر گرفته شده است. در این پایان نامه الگوهای آموزشی و تست مورد نیاز برای شبکه-ی عصبی بوسیله شبیه سازی زمانی بر روی سیستم آزمون 39 شینه ی نیوانگلند با استفاده از جعبه ابزار آنالیز سیستم قدرت (psat) بدست آمده اند. برای اثبات کارآیی شبکه ی mlp در تخمین cct، نتایج بدست آمده از شبکه ی عصبی با نتایج حاصل از شبیه سازی زمانی مقایسه شده است. نتایج شبیه سازی ثابت می کند که با در نظر گرفتن دقت و سرعت، شبکه ی mlp یک ابزار مناسب برای ارزیابی بهنگام پایداری گذرای سیستم قدرت می باشد.