عدم آگاهی بهره بردار از نزدیک شدن نقطه کار به نقاط بحرانی و شکست است و خاموشی های صورت گرفته در کشورهای مختلف که ریشه در ناپایداری بلند مدت ولتاژ دارد گواه بر اهمیت این موضوع در سیستم های قدرت مدرن است. در چنین شرایطی وجود ابزاری در مراکز کنترل که در کنار سیستم اسکادا به اطلاعات شبکه دسترسی داشته باشد و به صورت برخط بتواند بهره بردار را به سرعت از شرایط غیر عادی پیش رو باخبر سازد بسیار گرانبهاست. ناپایداری بلند مدت ولتاژ معمولاً به صورت آهسته در کنار رشد بار یا از دست دادن تولید اتفاق می افتد. رشد تقاضای توان راکتیو بارهای متصل به شبکه، توسط ژنراتورهای جبران می شود. با ادامه این روند و نیز عملکرد تپ ترانس های انتقال، ذخیره توان راکتیو موجود در ژنراتورها کاهش یافته و آنها یکی پس از دیگری وارد محدود حداکثر تولید توان راکتیو خود می شوند. به این ترتیب ژنراتورها توانایی کنترل ولتاژ خود را از دست می دهند. عوامل نام برده شروعی بر ناپایداری بلند مدت ولتاژ می باشد. معمولاً ناپایداری بلند مدت ولتاژ در شبکه های انتقال و توزیع به صورت جداگانه بررسی می شوند. برای این کار از مدل های ساده شده برای شبیه سازی استفاده می کنند که ممکن است حاشیه ناپایداری را کمی اغراق آمیز نشان دهد. مطالعات صورت گرفته معمولاً به ارائه شاخصی بسنده کرده که نزدیکی نقطه کار شبکه، به نقطه فروپاشی را نشان می دهد. زمان پاسخ دهی طولانی، عدم مدلسازی دقیق و دقت کم از جمله مشکلات اصلی روش های موجود می باشد. رساله پیش رو با استفاده از قابلیت های شبکه های عصبی بازگشتی عمیق در حل مسائل سری زمانی، کابردهای آن در حوزه ناپایداری بلندمدت ولتاژ را ارائه می دهد. شبکه عصبی به صورت برخط تغییرات موجود در اطلاعات بدست آمده توسط PMUها را ارزیابی می کند و در صورت نزدیک شدن نقطه کار شبکه به نقطه فروپاشی، اپراتور شبکه را آگاه می سازد. برای آموزش شبکه عصبی نیاز به اطلاعات شبکه در دو حالت پایدار و ناپایدار است. از آنجایی که اطلاعات لازم جهت آموزش شبکه عصبی در حالت ناپایدار کمیاب است، در این رساله از شبیه سازی برای ایجاد دیتا آموزشی و تست استفاده شده است. سناریوهای شبیه سازی شامل پیشامد رخداد N-1 و پیشامد رخداد N-1-1 در کنار رشد بار در مناطق مستعد ناپایداری است. برای ارزیابی روش ارائه شده از شبکه تست نوردیک استفاده شده است. برای پیا
