بروز شرایط اضطراری در سیستم قدرت مانند اضافه بار خطوط و لزوم قطع آنها، بارزدایی، فروپاشی شبکه و همچنین عواملی مانند عدم دقت و وجود خطا در ثبت اطلاعات می تواند باعث شود که برخی از پروفایل های بار ثبت شده مطابق الگوی نرمال بار نباشد. وجود پروفایل های پرت در مجموعه داده ها می تواند منجر به افزایش خطای پیش بینی بار گردد. در این پایان نامه، با بررسی دقیق پروفایل های بار در یک شبکه واقعی، روش های مختلفی جهت پالایش داده ها بکار گرفته شده و یک الگوریتم جدید نیز براساس روش تحلیل مولفه اصلی پیشنهاد و کارایی مناسب آن در شناسایی داده های پرت و غیرعادی، در عین سادگی و سرعت اجرای بالا، نشان داده شده است. در ادامه، یک سیستم پیش بینی بار براساس شبکه های عصبی پیشخور طراحی و با انجام تحلیل حساسیت خطا نسبت به پارامترهای مختلف سیستم، حالات بهینه هر پارامتر انتخاب و از دیدگاه های حداقل خطا و سادگی پیاده سازی، مدل های مناسبی جهت پیش بینی کوتاه مدت بار معرفی شده است. این مدل ها بر روی یک شبکه قدرت واقعی پیاده سازی و بار شبکه به کمک آنها پیش بینی شده است. نتایج بدست آمده نشانگر دقت مناسب مدل های طراحی شده می باشد. در این مدل ها، با بکارگیری یک استراتژی خاص برمبنای جستجوی شبیه ترین پروفایل ها به روز پیش بینی در یک بازه محدود زمانی، تأثیر ورودی دما بر دقت پیش بینی بار به شدت کاهش یافته است. عدم نیاز به اطلاعات شبانه روزی دما جهت پیش بینی بار، از نقاط قوت مدل های طراحی شده برای شبکه تست مورد نظر محسوب می گردد. معمولاً پیش بینی بار روزهای تعطیل رسمی (غیر از جمعه ها) به علت پروفایل بار خاص و کمی تعداد نمونه های مشابه در مجموعه داده ها، دارای خطای زیادی می باشد. در این پایان نامه همچنین با توجه خاص به پیش بینی بار این روزها، با بررسی میزان خطای چندین مدل مختلف، مدل مناسبی جهت پیش بینی بار روزهای تعطیل رسمی معرفی شده است. نتایج پیش بینی بار توسط این مدل نیز نشان از کارایی مناسب و دقت قابل قبول آن دارد.