等值參數
分析了傳統的REI網路等值方法產生誤差的原因,而最小二乘法能通過估算得到一個在最小方差意義上與實驗數據最好擬合的數學模型,因此採用最小二乘估計法對等值結果進行了最佳化和改進,使之能得出在不同網路拓撲結構下較準確的等值網路參數,最後通過實例說明了改進後的方法具有更好的收斂性和準確性.
動態等值
利用小波變換對功角數據進行處理，並用人工神經網路來識別系統中的相關發電機組，能取得較傳統的相關識別方法更高的等值精度。以東北電網作算例，證明利用該方法進行電力系統動態等值有很好的效果。利用小波變換和人工神經網路進行發電機相關識別，為電力系統動態等值提供了一種新的方法，也為動態等值實時化提供了一條新思路。
人工神經網路
（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經元的結構而提出的一種信息處理方法。早在1943年，已由心理學家WarrenS.Mcculloch和數學家WalthH.Pitts提出神經元數學模型，後被冷落了一段時間，80年代又迅猛興起。ANN之所以受到人們的普遍關注，是由於它具有本質的非線形特徵、並行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網路結構及算法直觀、簡單，在工業領域中套用較多。
經訓練的ANN適用於利用分析振動數據對機器進行監控和故障檢測，預測某些部件的疲勞壽命。非線形神經網路補償和魯棒控制綜合方法的套用（其魯棒控制利用了變結構控制或滑動模控制），在實時工業控制執行程式中較為有。人工神經網路（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現了電動機故障檢測的啟發式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調整內部權值來準確求解。
因此，對於電力系統這個存在著大量非線性的複雜大系統來講，ANN理論在電力系統中的套用具有很大的潛力，目前已涉及到如暫態，動穩分析，負荷預報，機組最優組合，警報處理與故障診斷，配電網線損計算，發電規劃，經濟運行及電力系統控制等方面。
