پیش بینی کوتاه مدت بار الکتریکی در بهره برداری سیستم های قدرت، نقش اساسی ایفا می نماید. در این پروژه، پیش بینی بار الکتریکی به دو صورت پیش بینی منحنی بار مصرفی در روز آینده و پیش بینی بار ساعت آینده ارائه شده است. با بررسی شبکه ها و ساختارهای مختلف، مشخص شد که با استفاده از شبکه عصبی پرسپترون سه لایه با متغیرهای ورودی شامل بار روز قبل، متوسط، مینیمم و ماکزیمم دمای روز قبل و کد روز هفته، بهترین پیش بینی منحنی بار مصرفی در روز آینده حاصل خواهد شد که خطای حاصل از این پیش بینی 2/31% می باشد. همچنین تأثیر الگوریتم های آموزش بر دقت پیش بینی بررسی شد که در نهایت مشخص گردید که الگوریتم fletcher-reeves update(cgf) دارای بهترین عملکرد می باشد. همچنین اثر اعمال داده های رطوبت به عنوان ورودی شبکه عصبی نیز بررسی شد و معلوم شد که این عامل در کاهش خطای پیش بینی تأثیری نخواهد گذاشت. سپس کارایی شبکه های عصبی پایه شعاعی در پیش بینی منحنی بار روزانه بررسی شد که خطای پیش بینی در این حالت بیشتر از شبکه های عصبی پرسپترون و 2/49% می باشد. برای پیش بینی بار ساعت آینده، از دو روش شبکه عصبی و شبکه عصبی – فازی استفاده شده است. برای این منظور ابتدا با استفاده از روش c - میانگین فازی، روزهای هفته را به سه دسته روزهای کاری (شنبه تا چهارشنبه)، روز پنجشنبه و روزهای جمعه و تعطیل خاص دسته بندی کرده و سپس هر دسته از ایام هفته، جداگانه با یک شبکه عصبی پرسپترون سه لایه و یک شبکه عصبی - فازی آموزش داده شده است. خطای پیش بینی هنگامی که از شبکه های عصبی استفاده می شود کمتر از 3% می باشد و مزیت این روش این است که زمان آموزش شبکه عصبی به مراتب کمتر بوده و برای پیش بینی های آنی و لحظه ای بهتر می باشد. در حالتی که از شبکه عصبی – فازی برای پیش بینی بار ساعتی استفاده می شود خطای پیش بینی کمتر از 2/8% بوده اما زمان آموزش به مراتب افزایش می یابد. همچنین پیش بینی روزهای تعطیل خاص با این دو روش بهتر صورت می گیرد.