مقدمه:
دراقتصاد الكتریسیته ، شركت های تولید كنده ی برق موظفند ، مصرف كننده های خود را با قابلیت اطمینان زیاد ، با كیفیتی بالا و قیمت مناسب با توجه به محدودیت هایی از جمله حفظ محیط زیست ، قرارداد با دیگر شركا در سیستم های به هم پیوسته و با در نظر گرفتن قیودی نظیر توان و نوع نیروگاه های موجود ، میزان ذخیره ی سوخت مورد نیاز نیروگاه های حرارتی ، میزان آب موجود در مخزن ها برای استفاده ی نیروگاه های آبی ، و غیره تغذیه نماید . برای نیل به این اهداف باید از طرفی ، تجهیزات مورد نظر نیروگاه ها و شبكه های انتقال و توزیع ، به نحو بهینه مورد استفاده و بهره برداری قرار گیرند (حد اقل سرمایه گزاری دراز مدت ) و از طرفی دیگر ، انرژی های اولیه ی موجود برای تولید برق (انواع سوخت ها ، آب ، ... ) به طرز بهینه، مورد مصرف واقع شوند(حداقل مخارج بهره برداری)، برنامه ریزی و بهره برداری بهینه در سیستم های قدرت از نقطه نظر زمانی درچند مرحله به شرح زیر انجام می پذیرد:

برنامه ریزی دراز مدت (5-30 سال):
در برنامه ریزی دراز مدت ،با در نظر گرفتن توان و تركیب و طول عمر نیروگاه های موجود، توانایی های شبكه هاتی انتقال و توزیع ، قرارداد های دراز مدت برای تبادل انرژی الكتریكی با شركا در سیستم به هم پیوسته، در مورد نوع و اندازه و محل احداث نیروگاه های جدید ، نحوه ى گسترش شبكه ، بستن ویا تجدید نظر در قرارداد ها تصمیم گیری می شود.
برنامه ریزی میان مدت (تا یك سال):
در برنامه ریزی میان مدت با در نظر گرفتن توان و تركیب نیروگاه های موجود ، میزان ذخیره ی سوخت ، میزان آب ذخیره در مخزن ها ، قرارداد با شركا ، در مورد نحوه و زمان بكارگیری نیروگاه های حرارتی و آبی ، تهیه ی سوخت ، میزان تبادل انرژی الكتریكی با شركا ، زمانبندی بهینه برای بازرسی و تعمیرات نیروگاه ها و شبكه ، تصمیم گیری می شود.
برنامه ریزی كوتاه مدت (یك روز تا یك هفته ) :
در برنامه ریزی كوتاه مدت ، با در نظر گرفتن قیود موجود و محدودیت ها و با استفاده ی حداكثر از انرژی و توان خریداری شده از شركا ، در مورد در مدار قرار گرفتن بهینه ی نیروگاه های خودی ، به منظور كاستن هزینه ی سوخت تصمیم گیری می شود .
برنامه ریزی لحظه ای (چند دقیقه تا چند ساعت ) :
در برنامه ریزی لحظه ای ، توزیع اقتصادی بار در بین نیروگاه های موجود در مدار و نیز كنترل توان – فركانس مد نظر می باشد.
اطلاعات لازم برای انجام برنامه ریزی مرحله ای بهینه در سیستم های قدرت ، توسط پیش بینی میزان مصرف بار الكتریكی در زمان بندی های قید شده در فوق ، در دسترس قرار می گیرد
مصرف بار الكتریكی به صورت پیچیده و غیر خطی تابعی از پارامترهای متعددی از جمله شرایط آب و هوایی ( درجه حرارت ، مقدار رطوبت ، روشنایی هوا ، سرعت باد ) می باشد . در ضمن ، هر روز هفته ، منحنی بار خاص خود را دارد . منحنی های مصرف بار در روزهای تعطیل و غیر تعطیل نیز از یكدیگر متمایز می باشند . در فصول مختلف سال نیز ، با توجه به عوامل مختص هر فصل ، نظیر طول روز ، منحنی مصرف بار تغییر می كند. در طول زمان نیز با توجه به رشد جمعیت و رشد اقتصادی جامعه ، میزان میانگین مصرف بار ، به مرور افزایش یا بالعكس بر اثر بهینه شدن ابزار الكتریكی و یا اقدامات صرفه جویانه مصرف كنندگان عمده ی برق ، كاهش می یابد . تغییر عادات مصرف كنندگان ، بر اثر مدیریت بار از سوی تولید كنندگان انرژی الكتریكی و یا تغییر ساخت اقتصادی ( كشاورزی ، صنعتی ، خانه داری ، تجاری و ...)محل تغذیه و یا در كوتاه مدت عواملی به مانند برنامه های تلویزیونی ، نیز بر ساختمان اقتصادی بار موثر می باشند . در مدل سازی ، برای پیش بینی منحنی مصرف ، باید تمامی این عوامل بیان كننده ی منحنی بار در نظر گرفته شوند . اضافه بر آن از این مدل ها ، انتظار می رود كه با خطای كم ، منحنی بار را ، پیش بینی نمایند .
پیش بینی بار كوتاه مدت ( Short Tterm Load Forecasting ) در طراحی و بهره برداری سیستم های قدرت نقش اساسی ایفا می كند . به طوری كه یكی از نیازهای مهم برای برنامه ریزی هایی همچون وورد و خروج واحدهای نیروگاهی ( Unit Commitment ) ، تخصیص سوخت ( Fuel Allocation ) ، توزیع اقتصادی بار ( Economic Lload Dispatch ) ، برنامه ی زمان بندی تعمیرات و نگهداری ( Maintenance Scheduling ) و ... می باشد .
به طور كلی روش های پیش بینی بار كوتاه مدت به دو دسته تقسیم می شوند :
• الف – روش سنتی
• ب – روش مدرن
از جمله روش های سنتی می توان به سری های زمانی و تحلیل گرهای رگرسیونی اشاره نمود . در سال هغای اخیر كاربرد روش های مدرن هوش مصنوعی نظیر شبكه های عصبی و سیستم های خبره ی فازی به منظور پیش بینی بار بسیار مورد توجه قرار گرفته اند .دلیل مهم استفاده از شبكه های عصبی در پیش بینی بار كوتاه مدت ، توانایی آنها در یادگیری روابط پیچیده بین ورودی ها و خروجی های آن می باشد .
البته پیش بینی بار به كمك شبكه های عصبی به تنهایی نمی تواند عملكرد خوبی را برای روزهای تعطیل و روزهایی با تغییرات شدید آب و هوایی داشته باشد . زیرا منحنی های بار چنین روزهایی كاملا با روزهای عادی متفاوت است . بنا بر این برای پیش بینی بار روزهایی با شرایط مذكور ، سیستم فازی پیشنهاد می شود.