در این پایان نامه، با این فرض که توپولوژی و اطلاعات امپدانسی سیستم قدرت موجود می باشد، یک روش جدید با استفاده از شبکه های عصبی برای شناسایی منابع هارمونیک زا در سیستم های قدرت ارائه شده است. بعد از تعیین مکان اندازه گیرها، با استفاده از 4 شبکه عصبی پرسپترون چند لایه mlp مکان و نوع منابع هارمونیکی در باس بارهای مورد نظر شناسایی می شود. با توجه به اینکه خروجی شبکه از نوع منطقی می باشد در لایه خروجی شبکه عصبی از تابع سیگموئید و برای اینکه تابع خطا از مینیمم های محلی عبور کند و پاسخ مناسب داشته باشد از الگوریتم آموزشی لونبرگ که دارای نرخ یادگیری متغیر است استفاده شده است. برای تعیین مکان و تعداد اندازه گیرهای هارمونیکی، ابتدا با توجه به آرایش سیستم و با شناخت از سیستم مورد مطالعه، چند باس بار به همراه چند خط انتقال ارتباطی این باس بارها در یک منطقه انتخاب می گردند. در مرحله بعد با انجام پخش بار هارمونیکی در شرایط باری مختلف، جریان خطوط محاسبه و در نهایت پارامتری که بیانگر مجموع دامنه هارمونیک های جریان های اصلی می باشد، برای تعیین مکان اندازه گیر استفاده می شود. با وجود دقت بالای روش ارائه شده در این پایان نامه، پیاده سازی آن برخلاف روش هایی مانند الگوریتم ژنتیک یا تخمین حالت آسان می باشد. در روش پیشنهادی به دلیل عدم استفاده از مقادیر فرکانس اصلی ولتاژ و جریان به عنوان ورودی شبکه عصبی در مجموع برای آموزش کل شبکه ها از 66 نمونه استفاده شده است. به دلیل انتخاب مناسب پارامترهای ورودی شبکه عصبی، تغییرات میزان بار و منابع هارمونیکی تاثیر چندانی در نتایج ندارند. در روش ارائه شده برای افزایش قدرت تصمیم گیری شبکه عصبی از مقادیر حقیقی و موهومی هارمونیک ها به صورت جداگانه استفاده شده است. برای تحلیل هارمونیک ها و بدست آوردن ورودی های مورد نظر در نقاط اندازه گیری از روش تبدیل فوریه سریعfft استفاده شده است. هم چنین برای اثبات کارایی روش ارائه شده نتایج پیاده سازی روش پیشنهادی در نهایت روش ارائه شده بر روی یک شبکه 14 باسه ieee، در نرم افزارmatlab استفاده شده است.