در این پژوهش از مرز پایداری ولتاژ به عنوان شاخص استفاده شده است. اندازه و زاویه ولتاژ شین های بار به عنوان ورودی و مرز پا یداری ولتاژ به عنوان خروجی مطلوب شبکه عصبی در نظر گرفته شده اند. در سیستم 14 شینه استاندارد با تغییر تصادفی توان های اکتیو و راکتیو شین های بار و تغییر تصادفی ولتاژ شین های ژنراتور و انجام پخش بار مداوم به کمک نرم افزار psat ،مرز پایداری ولتاژ برای بارگذاری های مختلف محاسبه شده است. به کمک داده های تولید شده آموزش شبکه های عصبی پرسپترون چند لایه و ترکیبی انجام گرفته است. با تغییر الگوریتم های آموزشی و توابع آموزشی مختلف در جعبه ابزار شبکه عصبی متلب، ساختار های مختلفی از شبکه عصبی پیاده شد که نتیجه نشان داد شبکه عصبی logsig-purelin-trainlm ، کمترین خطا و بهترین رگرسیون را داشته است. که با آموزش های پی در پی در این ساختار، پارامتر های بهینه به دست آمدند. با مقایسه از نظر زمان پاسخ، تعداد تکرار، عملکرد و رگرسیون نتیجه مشخص شد مدل می نیمم در ترکیب، بهترین پاسخ را نسبت به دیگر مدل های ترکیب به دست می دهد. همچنین مشخص شد که استفاده از مکانیزم یادگیری با پارامترهای یادگیری مختلف، منجر به نتایج بهتری نسبت به سایر مکانیزم های یادگیری و یا تکنیک های نمایش الگو می گردد. و استفاده از تکنیک توقف زودرس منجر به نتایج بهتری نسبت به اعمال تکنیک اصلاح توابع کارایی می گردد.