در این پایان نامه یک الگوریتم انعطاف پذیر از روشهای سیستم استنتاج فازی مبتنی بر شبکه های یادگیرنده، شبکه های عصبی، تعمیم اتورگرسیو مشروط واریانس متغیروتحلیل واریانس برای بهبود مدلسازی، تخمین و پیش بینی مصارف کوتاه مدت و میان مدت (روزانه و ماهانه) برق در ایران ارائه شده است. این الگوریتم انعطاف پذیر بین روشهای مختلف مورد استفاده، روش با کمترین خطای نسبی را برای انجام پیش بینی استفاده می کند. ساختارهای مختلفی از شبکه های عصبی مورد آزمون قرار گرفته اند تا بهترین آنها انتخاب شود. این انتخاب به کمک طراحی آزمایشها و استفاده از تکنیک تحلیل واریانس انجام شده است. تغییرات در پارامترهایی چون تعداد نرونها در لایه مخفی ، نوع تابع تبدیل آنها، نحوه پیش پردازش داده ها و نحوه انتخاب داده های تست ساختارهای مختلف شبکه عصبی را تولید می کند. همچنین پس از تعیین بهترین ساختار شبکه عصبی عملکرد آن با نرو فازی مقایسه شده است. این مقایسه با استناد به خطای نسبی مدلها و از طریق یک آزمایش چند عاملی و استفاده از تکنیک تحلیل واریانس انجام شده است. در این پایان نامه علاوه بر دو مدل هوشمند شبکه عصبی و نروفازی استفاده از مدلهای سری زمانی نیز مد نظر قرار گرفته است. فرض ثابت بودن واریانس خطای تصادفی در مدل سری زمانی مورد آزمون قرار گرفته و بر اساس آن مدل مناسبی که امکان مدلسازی در مواقعی که واریانس خطای مدل ثابت نیست را فراهم می آورد. این مدل garch نام دارد. در ادامه عملکرد مدل garch با عملکرد روشهای هوش مصنوعی( شبکه عصبی و نروفازی) مقایسه شده است. نتیجه آنکه هر سه روش در تخمین مصارف روزانه برق در ایران عملکرد بسیار خوبی نشان داده اند، در پیش بینی مصارف روزانه برق استفاده از شبکه عصبی رجحان دارد ،همچنین استفاده از داده های ماهانه برای پیش بینی میان مدت با استفاده از شبکه عصبی نتایج خوبی داشته است . لذا برای انجام پیش بینی شبکه عصبی مناسب تشخیص داده شده است ، پیش بینی مصارف برق با هر سه روش انجام شده است. داده های مورد استفاده در این تحقیق مصارف روزانه برق در ایران از اول فروردین 1379 تا آخر شهریور 1389 بوده است.