در این پایان نامه روش ترکیبی جدیدی برای پیش بینی کوتاه مدت بار ارائه شده است . در این روش از ترکیب تبدیل ویولت وشبکه عصبی انعکاس حالت(esn) به این منظور استفاده شده است. این روش به دو صورت مدل شده است که با wesn1 وwesn2 نامگذاری شده است. در هر دو مدل، پیش بینی بار با در نظر گرفتن روزهای تعطیل برای بار یک ساعت آینده و 24 ساعت آینده صورت می گیرد. در روش wesn1 تمامی ضرایب ویولت به همراه دما به عنوان ورودی به یک شبکه عصبی وارد می شوند، در حققیت از یک شبکه برای پیش بینی بار استفاده می شود، در حالی که در روش wesn2 هر یک از ضرایب ویولت توسط یک شبکه esn مجزا پیش بینی می شوند و در نهایت با استفاده از معکوس ویولت بار پیش بینی شده به دست می آید. علاوه بر پیش بینی بار? از این روش به منظور پیش بینی دمای ساعت آینده و 24 ساعت آینده استفاده شده است. استفاده از دمای پیش بینی شده برای پیش بینی بار، به دلیل وجود خطا در پیش بینی دما، روی دقت پیش بینی بار تأثیرگذار خواهد بود . از خطای ناشی از دمای پیش بینی شده در آنالیز حساسیت و نیز پیش بینی بار با استفاده از دمای نویزی استفاده شده است. در روش wesn1 به منظور دستیابی به پارامترهای بهینه شبکه شامل سایز مخزن? شعاع طیفی و پیوستگی که در نتایج پیش بینی موثر می باشند? از الگوریتم ژنتیک (ga) استفاده شده است، در حالی که در روش wesn2 برای دستیابی به مقدار بهینه این پارامترها? از روش سعی و خطا استفاده شده است .داده های مورد استفاده، بار ودمای واقعی شبکه برق آمریکای شمالی می باشند. نتایج به دست آمده توسط روش فوق قابلیت و دقت بالای روش ارائه شده را به خوبی نشان می دهد