واحدهای نیروگاهی همواره در معرض تغییرات ناگهانی در بار مصرفی و یا حوادث منجر به خروج یک یا دسته ای از واحدها هستند. وقوع چنین رخدادهایی سبب نامتعادلی در عرضه و تقاضای توان مصرفی می شود. این عدم تعادل منجر به انحراف فرکانس سیستم می گردد که درصورت تداوم می تواند فروپاشی سیستم را بدنبال داشته باشد. از اینرو پیشبینی بخشی از ظرفیت واحدها بمنظور مقابله با نامتعادلی ضروری است. پس از وقوع رخداد ، گاورنر واحدهای نیروگاهی به انحراف فرکانس پاسخ می دهند. از ظرفیتی که توسط گاورنر بکارگرفته می شود به ذخیره های کنترل فرکانس اولیه یاد می شود که سریعترین واکنش به انحراف فرکانس هستند. ذخیره های اولیه صرفا از افت شدید فرکانس ممانعت بعمل می آورند به همین سبب در یک سیستم قدرت علاوه برذخیره های مزبور، ذخیره های ثانویه بمنظور ازبین بردن خطای حالت ماندگار و ذخیره های کنترل فرکانس ثالثیه بمنطور ترمیم ذخیره های ازدست رفته و احیای سیستم بکارگرفته می شوند لیکن ازآنجا که درصورت عدم کفایت ذخیره های اولیه بدلیل فروپاشی فرکانس، اساسا مراحل بعدی کنترل فرکانس آغاز نخواهد گردید لذا برنامه ریزی تامین ذخیره اولیه از اهمیت بسزایی برخوردار است. برنامه ریزی تامین ذخیره کنترل فرکانس به عنوان بخشی از خدمات جانبی در سیستم قدرت تجدیدساختاریافته به نوبه خود وابستگی تنگاتنگی با برنامه ریزی تامین انرژی در سیستم دارد از همین روی در این پژوهش "برنامه ریزی همزمان انرژی و ذخیره کنترل فرکانس" مورد توجه قرارداشته است. برنامه ریزی همزمان انرژی و ذخیره کنترل فرکانس اولیه شباهت زیادی به مسئله درمدار قرار گرفتن واحدها دارد لذا تمامی محدودیت های حاکم بر آن، بر مسئله مورد مطالعه نیز حاکم است. قابلیت های فنی و محدودیت های واقعی واحدهای نیروگاهی مدرن و همچنین محدودیت گرفتگی خطوط، از جمله محدودیت هایی هستند که حل مسئله ی برنامه ریزی همزمان را بغرنج می سازند. در این بررسی جهت حل مسئله ی برنامه ریزی با ملاحظه محدودیت های فوق الذکر یک روش کاملا ابتکاری ارائه شده است. الگوریتم ژنتیک و بسته نرم افزاری gams ، مجموعه ابزارهایی هستند که در این پژوهش جهت اجرای روش پیشنهادی بکارگرفته شده اند. در پایان روش پیشنهادی جهت حل مسئله برنامه ریزی همزمان انرژی و ذخیره کنترل فرکانس اولیه بر روی شبکه های 10،4 ، 17 واحدی و سیستم 39 شینه شبیه سازی شده است.

مقررات کمیته بال، افزایش روزافزون تقاضا برای وام و رقابت شدید در بازارهای مالی، باعث افزایش توجهات به موضوع حساس نکول وام?ها برای آن دسته از موسساتی است که به مشتریانی که احتمال قصور آنها بیشتر است وام اعطا می?کنند. در سال?های پیش، مدل?های شبکه عصبی به خوبی در حوزه مالی به کار گرفته می?شدند. اخیراً، ماشین بردار پشتیبان به عنوان راه حلی دقیق?تر و بهتر از شبکه?های عصبی در برخورد با مسائل طبقه?بندی و پیش?بینی بکار گرفته شده است. که این به خاطر ویژگی?های ممتاز روش ماشین بردار پشتیبان در عمومیت دادن اجرای خود و اهمیت دادن به تمامی اپتیمم?هاست. در این تحقیق از روش ماشین بردار پشتیبان برای پیش بینی نکول مشتریان حقیقی بانک مسکن استفاده گردید و عملکرد این مدل با روش شبکه عصبی پرسپترون چند لایه مقایسه گردید. علاوه بر مقایسه نتایج بدست آمده، خطای نوع یک و نوع دو نیز برای دو مدل محاسبه گردید. در نهایت نتایج بدست آمده حاکی از آن بود که مدل ماشین بردار پشتیبان نه تنها عملکردی دقیقتر در پیش?بینی نکول درخواست کنندگان وام دارد، بلکه این مدل دارای خطای نوع یک و دو کمتری نسبت به روش شبکه عصبی می?باشد.