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، مورد 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. روشهای سنتی مثل تحلیل رگرسیون، مدل های سری زمانی، مدل های علت و معلولی و ... توسط شرکتهای زیادی برای پیش بینی کوتاه مدت بار مورد استفاده قرار می گیرد، اما به دلیل رابطه غیرخطی بین بار و عوامل موثر بر پیش بینی بار این روشها نمی توانند جوابهای دقیقی داشته باشند. استفاده 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 باشد. یکی از روشهای هوشمند برای پیش بینی بار، استفاده از شبکه های عصبی می باشد. 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 1382 تا انتهای سال 1388 استفاده شده است. الگوی داده های آموزشی شامل تمامی داده های 8 سال به جز اسفند ماه 1388 می باشد. بنابراین پیش بینی کوتاه مدت مورد نظر، پیک بار روزانه اسفند 1388 می باشد. ابتدا نتایج پیش بینی توسط شبکه های عصبی مختلفی انجام می پذیرد و از میان آنها 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.