پیش بینی دقیق بار یکی از نیازهای اساسی بازیگران بازار برق است. به علت تأثیر عوامل مختلف، بار دارای رفتار به شدت غیرخطی است. به طور معمول پیش بینی بار از نظر طول مدت افق برنامه ریزی، به چند صورت کوتاه مدت ، میان مدت و بلند مدت بار طبقه بندی شده است. پیش بینی بار کوتاه مدت(stlf) از زمان ظهور بازارهای انرژی رقابتی به طور فزاینده نقش مهمی پیدا کرده است و بیشتر پیش بینی های بار به صورت کوتاه مدت می باشند. انواع زیادی از روش ها و ایده ها برای پیش-بینی بار با درجه های موفقیت مختلف بکار می روند که آنها را می توان به دو دسته عمده طبقه بندی کرد. روش های آماری شامل روز مشابه (ساده)، هموار سازی نمایی، رگرسیون و سری زمانی و روش های بر پایه هوش مصنوعی (غیر پارامتریک)، مانند شبکه های عصبی، منطق فازی، سیستم های خبره و ماشین بردار پشتیبان. یکی از روش های مناسب برای بررسی این نوع مسائل، روش ماشین بردار پشتیبان است که به طور موفقیت آمیزی در رگرسیون های غیرخطی استفاده شده است. در این پایان نامه با استفاده از روش ماشین بردار پشتیبان به پیش بینی کوتاه مدت بار پرداخته شده است. داده های که در اینجا برای پیش بینی بار مورد استفاده قرار گرفته است، داده های شبکه eunite می باشد که یک پایگاه داده برای ارزیابی دقت روش -های پیش بینی بار است. از طرفی با توجه به اینکه میزان دقت ماشین بردار پشتیبان به تعیین پارامترهای آن بستگی دارد لذا باید پارامترهای آن ر ا بهینه سازی نماییم. برای تعیین پارامترهای svm از روش بهینه سازی جدید الگوریتم رقابت استعماری (ica) استفاده شده است. در پایان نتایج به دست آمده با روش های جدید ارائه شده در مقالات که از داده های مشابه برای پیش بینی بار استفاده کرده اند، مقایسه شده است. مقایسات انجام شده نشان می دهد که از روش ارائه شده پیش بینی بهتری حاصل شده است.