در این پایان نامه، به بررسی روش های دسته بندی بار و پیش بینی قیمت در بازار برق پرداخته شده است و نقش آن ها در بهبود عملکرد خرده فروشان انرژی الکتریکی مورد بررسی قرار گرفته است. دسته بندی بارها به منظور ارائه قیمت های متفاوت به مصرف کنندگان مختلف، می تواند درجه آزادی خرده فروشان را در تعیین قیمت برای مصرف کنندگان افزایش دهد. در این پایان نامه، روش های k-means، fuzzy c-means و دسته بندی با استفاده از الگوریتم بهینه سازی ترکیبی آموزش-یادگیری و تکامل تفاضلی برای دسته بندی بارها مورد بررسی قرار گرفته است. از سوی دیگر، برای این که یک خرده فروش عملکرد مناسبی در بازار داشته باشد، اطلاع از قیمت بازار در آینده، برای او امری ضروری محسوب می شود. بنابراین، خرده فروشان، از روش های پیش بینی قیمت برای تخمین قیمت در آینده استفاده می کنند. روش های پیش بینی بررسی شده در این پایان نامه، روش های مدل سازی سری های زمانی هستند، که به دو دسته خطی و غیرخطی تقسیم بندی می شوند. از روش های خطی، روش arima و از روش های غیرخطی، شبکه های عصبی mlp وrbf، ماشین بردار پشتیبان و مدل سری های زمانی فازی مورد بررسی قرار گرفته است. همچنین، مدلی بر اساس سری های زمانی فازی برای پیش بینی قیمت برق ارائه گردیده است و روش های سفیدسازی،آنالیز مولفه های مستقل و انتخاب ویژگی بر اساس تابع همبستگی عرضی نیز برای پیش پردازش ورودی های شبکه های عصبی، مورد بررسی قرار گرفته است. برای مقایسه عددی روش های پیش بینی فوق، از داده های بازارهای برق اسپانیا، سنگاپور و نیوانگلند استفاده شده است. در ادامه، برای نشان دادن نقش روش های دسته بندی بار و پیش بینی قیمت در بهبود عملکرد خرده فروشان، به مدل سازی عملکرد خرده فروشان در دو بازه زمانی میان مدت و کوتاه مدت پرداخته شده است. لازم به ذکر است که در بازه زمانی میان مدت، به دلیل بالا بودن عدم قطعیت بار و قیمت بازار، از روش تولید سناریو برای حل مسئله میان مدت استفاده شده است.