به دلایل اقتصادی، نیاز است که سیستم های قدرت در بالاترین سطح ممکن بهره برداری و یا به-عبارت دیگر نزدیک مرز پایداری خود کار کنند. درنتیجه یک اغتشاش ناخواسته می تواند باعث ناپایداری سیستم قدرت شود. لذا همواره ارزیابی پایداری سیستم های قدرت جهت تعیین حد پایداری مورد توجه بوده است. در گذشته این فرایند بصورت بلادرنگ انجام نمی شده است، اما امروزه با وجود کامپیوترهای سریع و الگوریتم های ساده تر و وجود سیستم های کنترل نظارتی و جمع آوری داده، امکان انجام این کار بصورت بلادرنگ ممکن شده است. روش های ارزیابی پایداری بلادرنگ براساس یکی از سه معیار زیر می باشد: حد پایداری مانا، حد پایداری گذرا، حد پایداری ولتاژ. این حدود همواره باید بصورت بلادرنگ مانیتور شوند. آخرین روش ارزیابی پایداری که در سطح جهانی و در کشورهایی مانند برزیل، فرانسه، کانادا، ایالات متحده و بوسنی و هرزگوین استفاده شده است دارای مراحل زیر می باشد: تعیین حد پایداری مانا برای هر حالت بارگذاری از سیستم با استفاده از الگوریتم dimo محاسبه رزرو پایداری برای تعیین مقدار mw اضافی که قبل از ناپایداری می تواند بارگذاری شود. محاسبه حد پایداری گذرا و تعیین امن یا ناامن بودن حالت سیستم با استفاده از درصد ثابتی به نام حاشیه امنیت که بصورت تجربی تعیین می شود. مشکل این روش ارزیابی این است که درصد حاشیه امنیت استفاده شده، بصورت تجربی بدست می-آید ولی تجربه به تنهایی نمی تواند راهکار مناسبی برای تعیین این درصد باشد. برای حل این مشکل در این پروژه پیشنهاد می شودکه از شبکه عصبی برای این کار استفاده شود. با توجه به عملکرد مناسب شبکه عصبی در این زمینه، می توان نحوه ارزیابی بلادرنگ پایداری را با استفاده از این ابزار بهبود داده و نقاط ضعف آن را برطرف کرد. برای تعیین درصد حاشیه امنیت با روش شبکه عصبی ابتدا نیاز به محاسبه حد پایداری گذرا می باشد. برای محاسبه حد پایداری گذرا باید بار و تولید را در مراحل متوالی افزایش داده و در هر مرحله سناریوهای شدید را مورد ارزیابی قرار داد و تعیین کرد که در هر حالت، شبکه پایدار می ماند یا خیر. پایدار یا ناپایدار بودن یک حالت خاص می تواند توسط شبکه عصبی صورت بگیرد. مقدار mw بهره-برداری که به ازای آن ناپایداری گذرا اتفاق می افتد همان حد پایداری گذرا است. در این پروژه برای محاسبه حد پایداری گذرا از شبکه عصبی احتمالی و پرسپترون چند لایه استفاده شده است و برای بررسی عملکرد این دو نوع شبکه عصبی، از آن ها برای تعیین حد پایداری گذرای شبکه قدرت 9 باسه و 39 باسه استفاده شده است که در نتیجه هر دو شبکه دارای عملکرد مناسبی هستند ولی برای این شبیه سازی ها، شبکه pnn در اکثر حالت ها بخصوص در زمان مورد نیاز برای آموزش بهتر از mlp عمل می کند لذا با توجه به نتایج بهتر این شبکه، می توان از آن در روش ارزیابی بلادرنگ پایداری که در بالا آورده شد استفاده کرد و نقطه ضعف روش ارزیابی بلادرنگ پایداری که همان تعیین درصد حاشیه امنیت است را برطرف کرد.