مهندسین قدرت برای مهیّا نمودن انرژی ارزان، ایمن و با کیفیّت، باید پیش بینی مناسبی از آینده سیستم قدرت در اختیار داشته باشند. در مورد یک سیستم قدرت پیش بینی بار مصرفی و پیش بینی قیمت اهمیت دارد. با توجه به نقش مهمّ پیش بینی بار در مدیریت و برنامه ریزی سیستم قدرت، در این پایان نامه هدف پیش بینی کوتاه مدّت بار سیستم قدرت می باشد. مدل های گوناگونی برای پیش بینی بار استفاده شده است که به دو دسته روش های کلاسیک و روش-های هوشمند تقسیم می شوند. با توجّه به رفتار غیر خطّی بار سیستم قدرت، روش های هوشمند، انتخاب مناسبی برای پیش بینی بار می باشند. شبکه های عصبی یکی از این روش های هوشمند است که به دلیل پیاده سازی آسان، عملکرد مناسب و مدل شفاف، روش مناسبی برای پیش بینی بار سیستم های قدرت می باشد. از طرفی برای پیش بینی به مجموعه ای از داده ها به عنوان ورودی نیاز است تا مدل پیش بینی کننده بر اساس آن ها بار آینده سیستم را پیش بینی کند. انتخاب مناسب این ورودی ها بسیار مهم است و سرعت انجام محاسبات و دقت پیش بینی به ورودی مدل پیش بینی بستگی دارد. این ورودی ها می تواند به طور تجربی انتخاب شود یا توسط سیستم های هوشمند، این انتخاب صورت گیرد. با توجّه به اهمیت انتخاب ورودی ها برای پیش بینی بار، در این پایان نامه برای انتخاب ورودی ها از الگوریتم های تکاملی استفاده شده است. این الگوریتم ها قادرند توابع با پارامتر های مختلف را بهینه کنند. با توجّه به ویژگی های الگوریتم ازدحام ذرّات ترکیبی، این الگوریتم برای حل مسأله انتخاب بهینه ورودی های سیستم پیش بینی کننده بار انتخاب شده است. در این پایان نامه از ترکیب این الگوریتم با تخمین گر حد اقل مربّعات و همچنین ترکیب این الگوریتم با شبکه های عصبی، روش های ترکیبی جدیدی ارائه شده اند که دقّت پیش بینی بار را افزایش می دهند. مقایسه نتایج حاصل از روش های مختلف، برتری این دو روش ترکیبی را نشان می دهد.