این مقاله به چالش تخمین آنلاین حد پایداری ولتاژ (VSM) در شبکه‌های قدرت می‌پردازد. با توجه به نوسانات سریع در بار و شرایط عملیاتی متغیر، تخمین سریع و دقیق حد پایداری ولتاژ برای جلوگیری از رویدادهای ناپایداری ضروری است. با گسترش سیستم‌های قدرت، ابعاد داده‌های ورودی به طور قابل‌توجهی افزایش می‌یابد که نیاز به انتخاب ویژگی‌های کارآمد و تکنیک‌های کاهش ابعاد را ضروری می‌سازد. برای مقابله با این چالش، یک رویکرد هوشمند و هیبریدی نوآورانه پیشنهاد می‌شود که سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) را که توسط الگوریتم بهینه‌سازی Solifugae (SIOA) آموزش داده شده است، با رگرسیون حداقل مربعات جزئی (PLS) برای کاهش ابعاد و انتخاب ویژگی‌های غالب ترکیب می‌کند. مجموعه ویژگی اولیه شامل ویژگی‌های بار سیستم است که از واحدهای اندازه‌گیری فازوری (PMU) به دست می‌آید و اطلاعات اساسی درباره توپولوژی شبکه، سطوح بار، الگوهای تولید و رفتار سیستم کنترل را در برمی‌گیرد. اثربخشی چارچوب ANFIS–SIOA+PLS پیشنهادی با استفاده از سیستم‌های آزمایشی IEEE 39 باس اعتبارسنجی شده است. تحلیل مقایسه‌ای با مدل‌های موجود در مقالات، عملکرد برتر روش پیشنهادی را به ویژه در زمینه کاهش ویژگی‌ها و سرعت همگرایی نشان می‌دهد. قابل‌توجه است که رویکرد پیشنهادی، کاهش ریشه میانگین مربعات خطا (RMSE) را به میزان 41.53% برای سیستم‌ تست 39 باس نسبت به بهترین نتایج گزارش شده در ادبیات موجود به دست می‌آورد. این بهبود کارآمدی و پایداری روش پیشنهادی را تأیید می‌کند.

تخمین آنلاین حد پایداری ولتاژ سیستم استنتاج عصبی فازی تطبیقی (ANFIS) الگوریتم بهینه‌سازی Solifugae (SIOA) رگرسیون حداقل مربعات جزئی (PLS).