پیش بینی کوتاه مدت بار نقش مهمی در طراحی و بهره برداری از سیستم های قدرت ایفا می کند. به طوری که در برنامه ریزی ورود و خروج واحدها با ملاحظه محدودیت های تولید واحدها و محدودیت های شبکه مورئ استفاده قرار می گیرد. پیش بینی بار در سیستم های قدرت تجدید ساختار یافته اهمیت مضاعفی می یابد. پیش بینی دقیق بار قیمت تولید برق را در سیستم های قدرت کاهش می دهد و باعث بهره برداری موثر از آن خواهد شد. روش های سنتی مثل تحلیل رگرسیون مدل های سری زمانی مدلهای علت و معلولی و ... توسط شرکت های زیادی برای پیش بینی کوتاه مدت بار مرد استفاده قرار میگیرد. اما به دلیل رابطه غیر خطی بین بار و عوامل موثر بر پیش بینی بار این روش ها نما توانند جواب های دقیقی داشته باشند. ایتفاده از سیستم های هوشمند روش جالب و کارآمدی برای مدل کردن سیستم هایی هستند که مدل خاص ریاضی ندارند و یا مدل ریاضی آنها بسیار پیچیده می باشند. یکی از روش های هوشمند برای پیش بینی بار استفاده از شبکه های عصبی می باشند. در این پایان نامه از شبکه عصبی برای پیش بینی کوتاه مدت بار استفاده شده و برای افزایش میزان دقت نتایج انتخاب مناسب و بهینه پارامترهای موثر در این پیش بینی مورد بررسی قرار گرفته است. برای پیش بینی بار با استفاده از روش مطرح شده در این پایان نامه نیازی به اطلاعات مربوط به دمای هوا و میزان رطوبت هوا نمی باشد. بدون اینکه این کار باعث کاهش دقت پیش بینی گردد. برای آموزش شبکه عصبی و اجرای الگوریتم پیشنهادی از داده های پیک بار مصرفی روزانه در استان فارس از ابتدای سال 82 تا انتهای سال 88 استفاده شده است. الگوی داده های آموزشی شامل تمامی داده های 8 سال به جز اسفند ماه 88 می باشد. بنا براین پیش بینی کوتاه مدت مورد نظر پیک بار روزانه اسفند سال 88 می باشد. ابتدا نتایج پیش بینی توسطد شبکه های عصبی مختلطی انجام می پذیرد و از میان آن ها بهترین شبکه عصبی با درصد خطای پایین در پیش بینی کوتاه مدت بار انتخاب می شود. سپس پیش بینی کوتاه مدت بار همزمان با استفاده از شبکه عصبی مورد نظر و الگوریتم کرم شب تاب انجام می پذیرد و نتایج حاصل مقایسه می شوند.
