در این رساله از ساختار شبکه های عصبی مبتنی بر قواعد کوانتوم یک کنترل کننده تکمیلی ادوات FACTS پیشنهاد می شود که به منظور افزایش پایداری و میرا کردن نوسانات فرکانس پایین در یک سیستم قدرت چندماشینه مورد استفاده قرار می گیرد. روش کنترلی انجام شده در این پروژه به صورت روش کنترل غیر مستقیم می باشد که در آن به منظور آموزش پارامتر های کنترل کننده لازم است حساسیت سیستم غیرخطی توسط یک شناساگر محاسبه گردد. پیاده سازی و طراحی شناساگر و کنترل کننده پیشنهادی توسط شبکه های عصبی مبتنی بر قواعد کوانتوم انجام می گیرد. با توجه به معایب روش های آموزش مبتنی بر الگوریتم های تکاملی و یا الگوریتم های مبتنی بر مشتق در این رساله آموزش شبکه عصبی پیشنهادی توسط یک الگوریتم آموزش ترکیبی متشکل از الگوریتم ژنتیک و الگوریتم پس انتشار خطا انجام می شود. در روش آموزش پیشنهادی با به کارگیری از توانمندی های هر دو الگوریتم آموزش، معایب یک الگوریتم با استفاده از نقاط قوت الگوریتم دیگر مرتفع می گردد. در ادامه پارامتر های شناساگر و کنترل کننده پیشنهادی توسط روش آموزش ترکیبی پیشنهادی بهینه سازی می شوند. بعد از طراحی کنترل کننده از آن به عنوان کنترل کننده تکمیلی ادوات FACTS یعنی یک جبران ساز سری سنکرون استاتیکی (SSSC) مورد استفاده قرار می گیرد.
