امروزه با گسترش روزافزون سیستم های قدرت و مطرح شدن فرکانس بعنوان یکی از معیار های سنجش کیفیت توان تحویلی، نیاز به کنترل آن به یک امر اجتناب ناپذیر تبدیل شده است. هدف اصلی از کنترل فرکانس سیستم، حفظ فرکانس در مقدار نامی و توان تبادلی در مقدار قراردادی می باشد. در این زمینه روش های کنترلی مختلفی ارائه گشته است، که بین آنها کنترلر های piو pid بدلیل سادگی و قابل پیاده سازی بودن آنها از متداول ترین کنترلر ها می باشد که معمولا برای یک نقطه کار و بر اساس مدل خطی سیستم طراحی می شود. نقطه ی کار سیستم بدلیل تغییر مقدار بار نواحی بطور دائم در حال تغییر بوده و بنابراین این نوع کنترل کننده ها ممکن است برای تمام نقاط کار سیستم مناسب نباشند. در سالها ی اخیر روش های کنترلی مختلفی مانند روش های وفقی و هوشمند جهت حل این مشکل ارائه شده است. از آنجا که تخمین متغییرهای یک سیستم قدرت با استفاده از روش های کنترل وفقی مشکل می باشد و در عمل ممکن است امکان پذیر نگردد، استفاده از روش های هوشمند جهت حل مسئله، مورد توجه قرار گرفت. روش های هوشمند موجود اغلب برگرفته از طبیعت و محیط پیرامون انسان می باشد. الگوریتم های تکاملی موجود مانند pso و ga از روش های بهینه سازی هستند که می توانند ضرایب کنترلر های pi وpid را در راستای بهبود مشخصه های دینامیکی سیستم، تولید نمایند. اما این نوع الگوریتم ها نیز بدلیل صرف زمان زیاد جهت تولید ضرایب کنترلر ها ، جهت کنترل بهنگام سیستم مناسب نمی باشند. با مطرح شدن اصول منطق فازی و در ادامه مطرح شدن کنترلر های فازی؛ بسیاری از مسائل موجود در مدل سازی سیستم های پیچیده و کنترل این نوع سیستم ها رفع شد. با این حال مسائلی مانند تعیین ضرایب بهینه ی وزن دهی و پارامتر های بهینه ی توابع عضویت این نوع کنترلر ها نیز مطرح است. جهت رفع این مشکل می توان از ترکیب الگوریتم های هوشمند استفاده کرد که یکی از الگوریتم های قدرتمند را می توان شبکه های وفقی عصبی فازی (anfis) دانست. شبکه های وفقی عصبی فازی ترکیب دو الگوریتم فازی و شبکه های عصبی مصنوعی است. در این پایان نامه از الگوریتم pso جهت تولید ضرایب بهینه ی یک کنترلرpid در نقاط مختلف کار سیستم استفاده شده است. ضرایب بدست آمده بصورت نابهنگام را بعنوان یک مجموعه اطلاعات آموزشی جهت آموزش anfis استفاده می شود.anfis بوسیله ی الگوریتم آموزشی ترکیبی و بواسطه ی تغییر پارامتر های توابع عضویت سعی در حداقل کردن خطای بین خروجی واقعی و خروجی بهینه ی بدست آمده از الگوریتم pso دارد. سپس anfis یک نقشه کلی بین نقاط کار و ضرایب بهینه ی سیستم ایجاد می کند و از این طریق ضرایب کنترلر pid بصورت بهنگام به ازای تغییر نقاط کار سیستم تغییر می کند. شبیه سازی بر روی یک سیستم چند ماشینه در حضور کنترلر pid طراحی شده توسط anfis انجام گرفته است. با مقایسه نتایج بدست آمده از کنترلر pid طراحی شده توسط anfis ، pso و ّfuzzy، مشاهده می گردد کنترلر pid طراحی شده توسط anfis نسبت به دیگر روش های ذکر شده در تعقیب تغییر نقطه کار سیستم عملکرد بهتری دارد.