برای کاهش تلفات در شبکه های توزیع راه های متفاوتی از جمله تجدید آرایش و خازن گذاری وجود دارد. در هر شبکه ی توزیع تعدادی کلید وجود دارد که برخی از آنها در حالت عادی باز و برخی دیگر در حالت عادی بسته اند. با بستن بعضی از این کلید های باز و باز کردن همان تعداد از کلید های بسته، می توان مسیر شارش توان در شبکه های توزیع را به گونه ای تغییر داد که تلفات اهمی سیستم کاهش یابد. همچنین با نصب خازن در برخی از باس ها می توان تلفات را کاهش داد. در این پایان نامه، با استفاده از یک ایده ی ابتکاری، اطلاعات ساختاری شبکه ی توزیع (قسمت های حقیقی و موهومی ماتریس ادمیتانس شبکه) به عنوان ورودی های یک شبکه ی عصبی که قرار است جایگزین برنامه ی پخش بار شده و تلفات شبکه را تخمین زند، به کار گرفته شده اند. برای این منظور، دو ساختار متفاوت عصبی یعنی mlp و پیشخور آبشاری کاندید و تحت آموزش قرار گرفتند. البته بدلیل توان ساختاری برتر، شبکه پیشخور آبشاری در فازهای آموزش و تست بهتر از شبکه ی ?عصبی mlp رفتار کرد. سپس، شبکه ی عصبی آموزش دیده به همراه الگوریتم ژنتیک برای تعیین وضعیت کلید?ها و نیز تعیین مقدار خازن ها با هدف کمینه کردن تلفات اهمی شبکه توزیع استفاده شد. نتایج به دست آمده نشان می دهند که شبکه ی مذکور حتی در آرایش هایی از سیستم توزیع که آموزش ندیده است توانایی تخمین تلفات را با دقت بسیار بالا دارد. با این حال شبکه ی عصبی در مقایسه با برنامه ی پخش بار زمان اجرای بیشتری دارد. در مرحله ی بعد، اطلاعات بار شبکه نیز به ورودی های شبکه ی عصبی اضافه شدند تا این بار شبکه ی عصبی پس از آموزش بتواند در هر سطح باری تلفات شبکه و نیز ولتاژ بدترین باس را تخمین بزند. لازم به توضیح است که اطلاعات بار یکبار بصورت مستقیم (از طریق تعریف ورودی های جدید) و بار دیگر به شکل غیر مستقیم (با مدل کردن تقریبی بارها بصورت ادمیتانس ثابت) به شبکه عصبی اولیه اضافه شدند. در هر حال، شبکه عصبی کامل شده نتوانست همزمان دقت قابل قبولی را برای تخمین تلفات و نیز ولتاژ بدترین گره ارائه دهد که دلیل این اتفاق، احتمالاً تقریب استفاده شده در مدلسازی بار به شکل ادمیتانس ثابت و نیز ناهمگونی اطلاعات خروجی شبکه عصبی (تلفات و ولتاژ بدترین گره) است.